Lebensmitttelabfälle haben eine Vielzahl von negativen Auswirkungen auf die Umwelt und führen somit zu Umweltfolgekosten in relevanter Höhe. Alle Akteure in der Kette von Ernte und Rohstoffgewinnung bis zum Konsumenten haben dabei das Potential, Verluste von Lebensmitteln zu vermeiden.
Im Rahmen von Teilprojekt II fokussieren wir uns auf den Handel und das Kaufverhalten der Kunden. Ein für nachhaltiges Wirtschaften wichtiger Teil des Kaufverhaltens ist die Bereitschaft, Lebensmittel, die kurz vor dem Verderb stehen, trotzdem oder gerade deswegen zu kaufen. Diese Bereitschaft stellt, wenn alternative Mechanismen wie genauere Prognosen allein nicht ausreichen, einen wichtigen Stellhebel dar, um Lebensmittelverluste im Handel zu vermeiden. In Teilprojekt II des Verbundprojekts REIF werden hierfür gezielt und praxisnah Strategien und digitale Methoden entwickelt.
Wie lässt sich ein Prozess implementieren, in dem dynamische Preise der Nachfrage täglich angepasst werden? Wie muss ein IT System gestaltet sein, um Absätze und Preise systematisch und vollautomatisch zu vergleichen? Wie können Schwankungen im Bedarf präzise prognostiziert werden? Um Lösungen für diese komplexe Herausforderung zu entwickeln, arbeiten die vier Unternehmen und Institutionen eng verzahnt zusammen:
-
- Collaborating Centre on Sustainable Consumption and Production (CSCP)
https://www.scp-centre.org/ - Fraunhofer IGCV
https://www.igcv.fraunhofer.de/ - Spicetech GmbH
https://www.spicetech.de/ - tegut… gute Lebensmittel GmbH & Co. KG
https://www.tegut.com/
- Collaborating Centre on Sustainable Consumption and Production (CSCP)
zusammen.
Abbildung 1: Illustration des Zusammenspiels der im Teilprojekt 2 zehn relevanten Komponenten / Systeme innerhalb der drei wesentlichen Prozessschritte
Der Prozess lässt sich vereinfacht in drei Schritte unterteilen:
A. Daten werden dem System bereitgestellt: tegut… stellt automatisiert über definierte Schnittstellen strukturiert und systematisch Absätze, Aktionen, Verluste, Liefermengen und Mindesthaltbarkeitsdaten bereit. Die Daten werden persistent in einer zentralen Datenbank gespeichert.
B. Prognosen als Grundlage für Preisreduktion: Produktspezifisch trainierte KI-Modelle erstellen Prognosen, die die Grundlage für die Preisbildungsstrategie darstellen.
C. Reduzierter Preis erzielt Wirkung beim Kunden: Abhängig von der Erfahrung der Wirkung von Preisreduktionen, Bestand, prognostizierten Absätzen und weiteren produktspezifischen Attributen wird der Preis bei Bedarf pro Produkt reduziert. Diese Information wird durch alle beteiligten IT System bis zur Filiale geleitet und erreicht so den Kunden.
Um diesen Prozess operativ abbilden und betreiben zu können, müssen nicht weniger als 10 Komponenten analysiert, spezifiziert, entwickelt und konzertiert werden. Welche Fragen stehen im Zentrum? Für welche Aspekte müssen Konzepte entwickelt und erprobt werden?
1. Preis- und/oder umweltbewusster Kunde: Wie erreicht die Information über den reduzierten Preis die Kunden überhaupt? Wie reagierte der Kunde auf Preisreduktionen?
2. Kurz vor Ablauf des Mindesthaltbarkeits-datums (MHD) befindlicher, preisreduzierter Artikel: Wie läuft der Prozess des Kassierens preisreduzierter Ware auch in der Praxis operabel und dauerhaft effizient?
3. Ausgewiesene Preisreduktion: Wie lässt sich die Menge an Ware im Regal, die aus unterschiedlichen Chargen stammen trotzdem durch einfache Mechanismen als preisreduziert auszeichnen?
4. Verbleibende Menge des Produkts in Regal und Lager: Wie wird mit den Unsicherheiten aus Bruch- und Verlust, Inventur und Bestellmengen und -zeitpunkten umgegangen?
5. Warenmanagement: Wie kann die gesamte Logik informationstechnisch im Warenmanagementsystem abgebildet werden? Welche automatischen Prozesse müssen implementiert werden?
6. ZEITREIF-API: Wie sieht eine Schnittstelle zur möglichst einfachen Integration des Preisreduktionsprozesses idealerweise aus?
7. KI Backend: Welche Daten müssen dauerhaft gespeichert werden? Wie lassen sich die Prozesse auch bei Skalierung auf viele tausend Produkte performant abbilden?
8. KI basierte Prognose: Wie kann das System PREDECY so eingesetzt werden, dass die Qualität der KI-Prognosen auch für 10.000nde Produktprognosen gesichert werden kann?
9. PREDECY-API: Welche Optionen müssen für die Steuerung der Preisdynamik ermöglicht werden? Welche Sonderfälle müssen beachtet werden?
10. Preisdynamikmodul: Wie kann eine Preisreduktion automatisiert und selbstlernend implementiert werden? Wie lässt sich ein systematisches Vorgehen für viele tausend Artikel erzielen?
Für alle zehn Systemkomponenten konnten in 2020 erfolgreich die wichtigsten Anforderungen aufgenommen werden und schon in 2020 erste Entwicklungen begonnen werden. Zunächst paarweise werden die Komponenten nun integriert und im Zusammenspiel getestet bis in Q3 2021 Daten und Preise aus den Filialen das erste Mal die komplette Prozesskette durchlaufen werden.