Der Online-Supermarkt Picnic testet neue Verfahren für seine Nachfrageprognose, berichtet Retail-News.de. Die KI-Vorhersagen legten bis zu 14 Tage im Voraus fest, wie viele Fahrer, Lagerkapazitäten und Fulfillment-Beschäftigte der Händler einplant. Das alte Modell habe ausgebuchte Lieferfenster als Flaute gedeutet und deshalb die Nachfrage unterschätzt. Inzwischen rekonstruiere ein neuer Algorithmus entgangene und verschobene Bestellungen.
Der Online-Supermarkt Picnic überarbeitet seine Nachfrageplanung und testet dafür neue Verfahren, berichtet Retail-News.de. Im Mittelpunkt steht eine KI-gestützte Modellarchitektur, die schneller prüfbar ist und den tatsächlichen Bedarf besser abbilden soll. Die Vorhersagen steuern zentrale operative Entscheidungen: wie viele Fahrer eingeplant werden, welche Lagerkapazitäten bereitstehen und wie viel Personal in den Fulfillment-Centern benötigt wird.
Warum das alte Modell Nachfrage unterschätzte
Picnic nutzte bislang einen Temporal Fusion Transformer, der historische Nachfragedaten mit Faktoren wie Wochentagen, Feiertagen und Standorten verband. Ein Problem entstand bei ausgelasteten Kapazitäten. Waren Lieferfenster geschlossen, gingen keine weiteren Bestellungen ein. Das System deutete diese Lücke teilweise als sinkende Nachfrage, obwohl Kunden möglicherweise weiterhin kaufen wollten.
Diese Verzerrung hatte direkte Folgen für die Logistik. Wurde das Kundeninteresse zu niedrig eingeschätzt, konnte die Planung von Touren, Lagerflächen und Fulfillment-Personal zu knapp ausfallen. Zugleich erschwerte die komplexe Struktur des bisherigen Modells rückwirkende Tests. Neue Ansätze mussten über mehrere Wochen parallel zum Produktivsystem geprüft werden.
Picnic rekonstruiert entgangene Bestellungen
Das neue Verfahren trennt den zeitlichen Verlauf eingehender Bestellungen stärker vom eigentlichen Prognosemodell. Anhand historischer Muster berechnet Picnic, welcher Anteil der erwarteten Aufträge zu einem bestimmten Zeitpunkt normalerweise bereits vorliegt. Dabei fließen Standort, Wochentag und Lieferzeitraum ein. Ein ergänzendes Modell verbindet diese Erwartungswerte mit den tatsächlich eingegangenen Bestellungen.
Zusätzlich schätzt ein Algorithmus, welche Nachfrage bei ausgebuchten Lieferfenstern verloren ging oder in benachbarte Zeiträume verschoben wurde. Mithilfe mathematischer Optimierung entstehen bereinigte Trainingsdaten. Ziel ist eine realistischere Bedarfssicht, die weniger stark von kurzfristigen Kapazitätsgrenzen geprägt ist.
Einfacheres Modell, schnellere Tests
In Rücktests zeigte sich laut Picnic, dass wiederholtes Training desselben Modells zu unterschiedlichen Ergebnissen führen konnte. Einzelne Verbesserungen lagen damit teils innerhalb natürlicher Schwankungen. Das weniger komplexe Modell Time-Series Dense Encoder erwies sich als ähnlich leistungsfähig wie der bisherige Transformer. Picnic setzt nun auf fünf parallel trainierte TiDE-Modelle, deren Ergebnisse zusammengeführt werden.
Dieser Ensemble-Ansatz soll die Stabilität erhöhen, Trainingszeiten verkürzen und systematische Über- oder Unterschätzungen reduzieren. Besonders bei Zeiträumen von mehr als einer Woche verbesserte sich nach Unternehmensangaben die Prognosegenauigkeit. Die modulare Architektur erlaubt zudem, historische Abläufe zu simulieren und neue Modellvarianten innerhalb weniger Stunden zu bewerten.
Für Picnic ist die Prognose damit stärker an reale Nachfrageverläufe gekoppelt. Der Planungshorizont bleibt operativ relevant, weil die Systeme Fahrer, Lagerkapazitäten und Fulfillment-Beschäftigte bis zu 14 Tage im Voraus berücksichtigen.