REWE digital Agile Data Science für die Supply-Chain-Optimierung

REWE und inovex treiben seit 2015 gemeinsam verschiedene Big-Data-Initiativen für die Optimierung der Supply Chain voran. Dazu zählen Trainings, die Einführung von Big-Data-Technologien und die Entwicklung darauf aufbauender Anwendungen sowie Data Science.

Besonders intensiv hat inovex im Bereich der Supply-Chain-Optimierung mit der REWE-IT-Tochter REWE digital zusammengearbeitet. Bei REWE digital werden alle strategischen Online-Aktivitäten der REWE Group gebündelt. Ziel ist es, der führende Anbieter von Online-Lösungen in allen für REWE relevanten Einkaufsmärkten und Lieferlagern zu werden. Dazu gehören die ausschließlich für den Lieferservice eingerichteten Lieferlager, aber auch Liefer- und Abholmärkte, die im ganzen Bundesgebiet verteilt sind.

Die traditionelle Logistikkette endet in den Märkten. Die Besonderheit bei einem Lieferservice ist der zusätzliche Schritt im Prozess, die Lieferung bis hin zu den Endkund:innen. Diese „letzte Meile“ spielt eine entscheidende Rolle für die Zufriedenheit der Kund:innen mit dem Lieferdienst und ist damit ein Schlüsselfaktor für den Erfolg des gesamten Geschäftsmodells. Im Laufe der Zusammenarbeit mit REWE digital sind mehrere datengetriebene Use Cases umgesetzt worden, die auf die Verbesserung relevanter KPIs abzielen. Zu diesen KPIs zählen beispielsweise der Net Promoter Score oder die Artikelverfügbarkeit im Online-Shop.

Beim Use Case „Voraussichtliche Ankunft“ handelt es sich um einen intelligenten Informationsservice, der nicht nur Endkund:innen direkt und automatisiert informiert, sondern auch dem Customer Service bei REWE digital digitale Werkzeuge zur Verfügung stellt, um Kund:innen proaktiv über Verspätungen oder Besonderheiten im Rahmen ihrer Bestellung zu informieren.

Wenn Kund:innen beim REWE-Lieferservice bestellen, dann füllen sie entweder im Web-Shop oder in der App ihren Warenkorb und haben beim Checkout die Möglichkeit, eines von mehreren Zeitfenstern innerhalb der nächsten Tage auszuwählen, in welchem sie ihre Lieferung erhalten möchten. Das ausgewählte Zeitfenster dient den Tourenplanungssystemen als Input, um die Ausliefertouren zu planen und die Bestellungen auf die REWE-Lieferfahrzeuge zu verteilen. Die möglichst präzise Prognose und Kommunikation der voraussichtlichen Ankunftszeit trägt maßgeblich dazu bei, dass die Kund:innen sich gut informiert fühlen und zufrieden sind. Insbesondere kommunizierte Intervalle, die deutlich kleiner sind als das ursprünglich gewählte, bieten den Kund:innen einen deutlichen Mehrwert. Wählen Kund:innen z. B. eine Lieferung zwischen 14:00 und 16:00 Uhr aus, freuen sie sich über die Information, dass die Lieferung zwischen 14:35 und 14:55 Uhr eintreffen wird.

Bleibt die Frage zu klären, zu welchem Zeitpunkt die Kund:innen informiert werden sollten. Bei diesem Use Case kann der Zeitpunkt nicht allgemein festgelegt werden, weil er von der Sicherheit (bzw. Unsicherheit) der Prognose abhängt. Man kann sich leicht vorstellen, dass es umso schwieriger ist, eine Prognose abzugeben, je weiter der betroffene Zeitpunkt in der Zukunft liegt. In der Tat schrumpfen die berechneten und statistisch validen Prognoseintervalle automatisch, je näher der geplante Ankunftszeitpunkt rückt. Diese Eigenschaft wurde genutzt, um die Kund:innen individuell in dem Moment zu informieren, in dem die Unsicherheit der Prognose klein genug ist und die Information für die Kund:innen Mehrwert bietet. Wenn alles nach Plan und pünktlich verläuft, erhalten die Kund:innen eine Benachrichtigung, sobald das für sie berechnete Intervall eine Länge von nicht mehr als 20 Minuten besitzt (dies ist ein Parameter des Modells und kann in der Realität abweichen).

Sobald eine Verspätung absehbar ist, tritt der zweite Abnehmer des im Projekt umgesetzten Informationsdienstes auf den Plan – der Customer Service von REWE. Die berechnete Ankunftszeit verändert sich über den Tag; ein Grund dafür kann beispielsweise ein Stau sein. Das kann die Ankunftszeit nach hinten schieben, die Lieferung kann sich also verspäten. In diesem Fall wird der Customer Service über die Situation informiert, der dann Maßnahmen ergreifen kann, um den Kund:innen die Ursachen für die Verspätung zu erklären und die Folgen der Verspätung zu entschädigen.

Das Projekt wurde agil mit dem Scrum-Framework als Organisationsmodell entwickelt. Dabei hat man sich der aktuellen Lösung in mehreren Iterationen angenähert. Die agile Arbeitsweise war aus unserer Sicht maßgeblich für die erfolgreiche Umsetzung dieses Use Case. Insbesondere im Kontext von Data-Science-Lösungen ist die Komplexität der Lösung zu Beginn eines Projektes nur schwer einschätzbar. Die Güte und damit die Nützlichkeit von Prognosemodellen sind erst dann messbar, wenn sie existieren.

Im Mittelpunkt des Projektes standen stets der Kund:innennutzen und eine Lösung, die einfach zu implementieren ist. Während des Projektverlaufs wurden nicht nur die Prognosen des Lieferzeitpunkts ständig verbessert, sondern auch sukzessive neue Features implementiert.

Eine iterative Vorgehensweise ist bei Data-Science-Projekten noch wichtiger für den Erfolg als bei anderen Software-Projekten. Pro Zyklus (s. Schaubild) erfolgt eine Bewertung, ob das Ergebnis gut, stabil und nützlich ist. Erst wenn alle drei Aspekte erfüllt sind, erfolgt das Deployment.