Heute ist der 16.07.2026, und in Darmstadt gibt es aufregende Neuigkeiten aus der Welt des Handels. Wer hätte gedacht, dass etwa 60% der Bestandsdaten in Geschäften fehlerhaft sind? Das führt nicht nur zu mühsamen Prüfungen und verzögerten Bestellungen, sondern auch zu nennenswerten Umsatzverlusten. Doch jetzt könnte ein bahnbrechendes Forschungsprojekt, an dem die TU Darmstadt zusammen mit der emlyon Business School und der Cardiff Business School arbeitet, Licht ins Dunkel bringen. Unterstützung erhält das Team dabei von ECR Retail Loss.

Über einen Zeitraum von vier Jahren, von Mai 2018 bis April 2022, wurde das Problem intensiv analysiert. Die zentrale Erkenntnis? Klüger zählen statt alles zählen! Viele Bestandsfehler sind nämlich prognostizierbar. Und wie soll das geschehen? Durch den Einsatz von Maschinellem Lernen, das die intelligentere Gestaltung von Inventuren ermöglicht. Dabei wird ein Modell entwickelt, das Teilinventuren priorisieren kann. Wenn Ware als nicht vorhanden identifiziert wird, erfolgt eine automatische Korrektur der Bestände – das klingt doch nach einem echten Fortschritt, oder?

Innovative Ansätze für den Handel

Die Ergebnisse dieser spannenden Forschung sind vielversprechend: 19% mehr fehlerhafte Bestandsdaten wurden im Vergleich zu bisherigen Methoden identifiziert. Und das ist noch nicht alles: Über 80% der sogenannten Phantombestände – das sind Produkte, die vermeintlich auf Lager sind, es aber nicht sind – werden erkannt, bevor sie zu Umsatzverlusten führen. Das ist ein echter Gewinn für die Händler!

Um die Anwendung dieser Erkenntnisse weiter zu fördern, sind auch Online-Seminare geplant. Die Forscher wollen ihre Erkenntnisse mit der Handelswelt teilen und so den Weg für eine fehlerfreie Bestandsführung ebnen. Wer mehr darüber erfahren möchte, kann sich an Prof. Dr. Christoph Glock von der TU Darmstadt wenden – ein echter Ansprechpartner in dieser Angelegenheit.

Maschinelles Lernen im Detail

Doch wie funktioniert dieses Maschinelle Lernen, von dem alle reden? Modelle des Maschinellen Lernens werden mithilfe von Softwarewerkzeugen „angelernt“. Nach einer intensiven Trainingsphase folgt die Validierungsphase, bevor das Modell in ein Softwaresystem integriert wird. Das Anlernen ist zwar aufwendig, aber die resultierenden Modelle sind in der Lage, Daten schnell zu analysieren. Es gibt eine Vielzahl von Anwendungsmöglichkeiten, sogar in eingebetteten Geräten oder Mobiltelefon-Apps, solange die Komplexität nicht zu hoch ist.

Werbung
Hier könnte Ihr Advertorial stehen
Ein Advertorial bietet Unternehmen die Möglichkeit, ihre Botschaft direkt im redaktionellen Umfeld zu platzieren

Eine interessante Herausforderung stellt die Datenmenge dar: Für jedes betrachtete Merkmal benötigt man mindestens 50 bis 100 Datensätze, wenn die Merkmale bekannt sind. Fehlen diese, muss man sogar mit einigen Tausend Daten pro Merkmal rechnen. Dadurch kann schnell eine riesige Datenmenge zusammenkommen – und das ist der Schlüssel, um im Handel wirklich effizient arbeiten zu können.

Die Verbindung zwischen Wissenschaft und Praxis wird hier ganz klar sichtbar. Es bleibt spannend zu sehen, wie diese neuen Ansätze den Handelssektor revolutionieren könnten. Und wer weiß – vielleicht wird das Einkaufen bald so reibungslos, dass wir uns keine Gedanken mehr über fehlerhafte Bestandsdaten machen müssen.

Unsere neue VeloCore-Plattform vereint mehrere zentrale Stärken: hervorragende Ladezeiten, hohe Datenschutzstandards und eine wartbare, redaktionell skalierbare Architektur. Die Umsetzung durch Daniel Wom schafft damit eine zukunftssichere und qualitativ hochwertige Basis für unser Magazin.