Seit Ausbruch der Covid-19-Pandemie ist der Betrieb globaler Lieferketten für viele Unternehmen zur Top-Priorität geworden. Dabei nehmen Analytics zunehmend die Schlüsselrolle ein, um Schwankungen bei Angebot und Nachfrage abzufedern.

PepsiCo, ein US-amerikanischer Lebensmittelkonzern, registrierte früh in der Coronakrise Unregelmäßigkeiten in seiner Lieferkette. Verbraucher füllten mit Hamsterkäufen ihre Vorratskammern, während es weltweit zu Lieferengpässen kam. "Zu Beginn der Pandemie waren die Regale bestimmter Produkte aus verschiedenen Gründen leergefegt", sagt Jason Fertel, technischer Leiter des E-Commerce bei PepsiCo. Kunden hätten beispielsweise so viele Haferflocken wie möglich gekauft.

Predictive Analytics und Machine Learning

PepsiCo setzte Predictive Analytics und Machine Learning ein, um vorherzusagen, wann Vorräte aufgebraucht sind. Das Unternehmen machte die Einzelhändler darauf aufmerksam, damit sie rechtzeitig nachbestellen konnten.

Die Daten halfen dem Konzern auch, Marketingkampagnen zu verbessern. "Mithilfe einiger dieser Informationen und der von uns entwickelten Technologie und Produkte konnten wir Werbekampagnen einfach automatisch abschalten, wenn Produkte nicht mehr vorrätig waren", sagt Fertel.

Sales Intelligence Platform

Bereits Jahre vor der Pandemie begannen Fertel und seine Entwicklungsabteilung innerhalb von PepsiCo eCommerce damit, die Workflows für die Verwaltung von Suchmarketing-Aktivitäten zu automatisieren. Das mündete in die Sales Intelligence Platform, mit der Vertriebsmitarbeiter die Produkte des Unternehmens besser verkaufen können.

Die Plattform kombiniert Daten von Einzelhändlern und Lieferketten, um vorherzusagen, wann ein Artikel nicht mehr vorrätig sein wird. Die Händler werden rechtzeitig aufgefordert, die Ware nachzubestellen. "Wir haben unseren Außendienstteams definitiv geholfen und sie in die Lage versetzt, sofort Maßnahmen zu ergreifen", sagt Fertel. So hätte PepsiCo mehr Umsatz gemacht und einen messbaren Rückgang der Fehlbestände verzeichnet.

Die Sales Intelligence Platform ist eine funktionsübergreifende Cross-Channel-Anwendung für Einblicke, Workflows und Automatisierung, die den digitalen Vertrieb und Betrieb vereinfachen soll. Sie basiert auf der Programmiersprache Elixir, mit der skalierbare, einfach zu wartende Webanwendungen entwickelt werden können.

Das Data-Engineering-Team sammelt von Einzelhändlern bereitgestellte Daten sowie interne Lieferketteninformationen in einer Snowflake Data Cloud. Dort werden sie je nach ihren Dateneigenschaften in PostgreSQL- oder Apache-Druid-Datenbanken verarbeitet. Eine Applikation auf Basis des Phoenix-Web-Framework speist zudem Daten aus Programmierschnittstellen (API) von Drittanbietern ein.

Die erste Version der Anwendung hat die IT im Herbst 2020 ausgerollt. Sie konzentrierte sich auf Marketing Automation für das interne PepsiCo eCommerce-Verkaufsteam. Sie habe geholfen, Prozesse zu automatisieren und die Zahl der Kaufaufträge zu erhöhen. 2021 begann das Team um den Manager, Außendienstmitarbeiter, die in die Läden gehen, mit Informationen über vergriffene Waren in Echtzeit zu versorgen. Daraus ergaben sich weitere Möglichkeiten, um Analytics mit Außendienst und Lieferkettenabläufen zu verknüpfen.

Zwar stecke diese Partnerschaft noch in den Kinderschuhen, aber laut Fertel zeige sie bereits positive Ergebnisse: "Auf der Außendienstseite sehen wir, wie die Kollegen ihre Arbeitsweise ändern und Filialleitern bestimmte Dinge anbieten, an die sie vorher nicht gedacht hätten."

Early Adopters und Business-Fokus

Ein Schlüssel zum Erfolg des Projekts lag für Fertel darin, Mitarbeiter zu finden, die bereit waren, die Plattform zu testen. Außerdem habe sich das Unternehmen mit einem bestimmten Geschäftsproblem befasst. "Wir wollen viele Dinge tun, aber wir haben uns sehr früh auf auslaufende Waren konzentriert", so der Manager.

Der Fokus auf die Nutzer und die enge Zusammenarbeit mit ihnen habe dem Team geholfen, die Außendienstmitarbeiter und ihre Bedürfnisse zu verstehen, sagt Fertel. Dadurch stand schnell fest, was funktioniert und was nicht, so dass die Plattform am Ende wirklich Mehrwerte liefern kann.

Zudem habe es sich ausgezahlt, über ein Minimum Viable Product (MVP) schnell erste Gehversuche zu unternehmen. Am Anfang sei es wichtiger, sich auf den Wertbeitrag zu konzentrieren, anstatt gleich alles vollständig automatisieren zu wollen. "Man muss sich damit abfinden, eine Version ohne die kompletten Features auszurollen", sagt er. Für einige der frühen Machine-Learning-Experimente etwa habe sein Team eine Textdatei mit den Modellen hochgeladen und sie angepasst. Nach erfolgreichen Testläufen damit seien sie zur nächsten Iteration übergegangen und hätten das MVP schrittweise zu einem vollwertigen Produkt weiterentwickelt. (jd)

Dieser Beitrag basiert auf einem Artikel unserer US-Schwesterpublikation CIO.com.