idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
Darmstadt, 16. Juli 2026. Trotz häufiger Inventuren sind etwa 60 Prozent aller Bestandsdaten im Handel falsch. Dies führt zu aufwändigen Prüfungen, verzögerten Bestellprozessen und Umsatzverlusten. Eine Studie unter Beteiligung der TU Darmstadt hat nach einer Lösung für dieses Problem gesucht. Den Schlüssel zu verlässlicheren Daten hat sie im Einsatz des Maschinellen Lernens gefunden.
Regelmäßige Inventuren gelten als Standard im Handel, um den Überblick über Warenbestände zu behalten, Abweichungen zu erkennen und Nachbestellungen zu koordinieren. Fallen fehlerhafte Bestandsdaten auf, reagieren Händler darauf meist mit noch häufigeren und umfangreicheren Zählungen. Diese Vorgehensweise bindet in hohem Maße Ressourcen und ist aufgrund stetig wachsender Produktportfolios und personeller Engpässe keine zukunftsfähige Lösung. Ein kooperatives Forschungsprojekt von Professor Christoph Glock (TU Darmstadt, Fachgebiet Produktion und Supply Chain Management), Professor Yacine Rekik (emlyon Business School) und Professor Aris Syntetos (Cardiff Business School), begleitet von ECR Retail Loss, zeigt Händlern nun einen neuen Weg auf, Datenfehler zu beheben.
Dazu analysierten die Forschenden über 1,3 Millionen Bestandsprüfungen von sechs großen Unternehmen aus dem Lebensmitteleinzelhandel im Zeitraum Mai 2018 bis April 2022. Glock erläutert das Forschungsvorhaben: „Unser Ziel ist es, Inventuren intelligenter zu gestalten. Künstliche Intelligenz hilft dabei, die Artikel zu identifizieren, bei denen eine Bestandsprüfung den größten Beitrag zu einer hohen Warenverfügbarkeit und einem effizienten Ressourceneinsatz leistet.“ Die zentrale Erkenntnis: Wirksam ist nicht, alles zu zählen, sondern klüger zu zählen.
Die Ergebnisse des Projekts zeigen, dass die meisten Bestandsfehler prognostiziert werden können. Ein von den Wissenschaftlern entwickeltes Modell des Maschinellen Lernens sortiert Teilinventuren, die zu Beginn eines Arbeitstages durchgeführt werden sollen, nach Prioritäten oder korrigiert Bestände automatisch, wenn sicher davon auszugehen ist, dass Ware nicht vorhanden ist. So werden verfügbare Ressourcen dorthin gelenkt, wo sie den größten Nutzen bringen.
Bestandsdaten für stabile, umsatzstarke Artikel können häufig automatisch angepasst werden. Schwankungsanfälligere Warengruppen wie frische oder aktuell beworbene Produkte werden gezielt für zusätzliche Inventuren vorgeschlagen. Auf diese Weise werden rund 19 Prozent mehr fehlerhafte Bestandsdaten identifiziert als durch bisher gängige Methoden. Den größten Gewinn für Händler stellt die Kennzeichnung von Phantombeständen dar, also von vermeintlich verfügbaren Produkten, die in der Realität nicht auf Lager sind. Diese werden zu über 80 Prozent durch das System gekennzeichnet und erkannt, bevor Umsatzverluste entstehen.
Ein nun veröffentlichter Forschungsbericht beschreibt die grundsätzliche Funktionsweise des Verfahrens, sodass interessierte Händler das Vorgehen auf ihre eigenen vorhandenen Bestandsdaten anwenden können. Darüber hinaus finden Online-Seminare zu den Forschungsergebnissen statt, um zukünftig eine breite Anwendung der Erkenntnisse zu ermöglichen.
Prof. Dr. Christoph Glock
Fachgebiet Produktion und Supply Chain Management
sekretariat@pscm.tu-darmstadt.de
+49 6151 16-24481
https://ecrloss.com/research-paper/predicting-inventory-record-inaccuracy/ Forschungsbericht
Merkmale dieser Pressemitteilung:
Journalisten, Wirtschaftsvertreter
Informationstechnik, Wirtschaft
überregional
Forschungsergebnisse
Deutsch
Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.
Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).
Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.
Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).
Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).
