KI-basierte Prognosen bei der memo AG

Bei der memo AG unterstützen KI-basierte Prognosen die bedarfsgerechte Planung von Sortiment und Lagerbeständen, wodurch Überbestände und Lieferengpässe reduziert werden. Dies trägt zu einer effizienteren Logistik, geringeren Kosten und einer nachhaltigen Unternehmensführung bei.

Nachhaltigkeit trifft Prognose: Wie die memo AG mit KI ihre Zukunft gestaltet

Luftaufnahme des memo AG Standorts mit grünen Dächern

Quelle: memo AG

Seit über 30 Jahren verfolgt die memo AG das Ziel, ökologisches und sozialverträgliches Wirtschaften in allen Lebensbereichen zu ermöglichen. Als Versandhandels- unternehmen für nachhaltige Produkte, von Büro- und Schulbedarf bis hin zu Möbeln und Haushaltswaren, steht die memo AG für verantwortungsvollen Konsum und ressourcenschonende Prozesse.

20.000+
Nachhaltige Produkte
30+
Jahre Erfahrung
150+
Mitarbeitende
Die Vorstände der memo AG: Richard Wolf, Frank Schmähling und Henning Rook.
Die Vorstände der memo AG (v.l.n.r.):
Richard Wolf, Frank Schmähling und Henning Rook.

Quelle: memo AG

„Heute erhalten wir knapp 95 % aller Kund*innenbestellungen online oder per E-Mail. Davon werden 76 % nahezu vollständig automatisch über digitale Schnittstellen verschiedener Softwaresysteme bei memo und den Partner*innenunternehmen abgewickelt.“ – memo AG Nachhaltigkeitsbericht

Der nächste logische Schritt:
KI-gestützte Prognosen.

Forschungsprojekt „KI-Regio“

Mit dem Forschungsprojekt „KI-Regio“ geht die memo AG nun einen nächsten Schritt: Künstliche Intelligenz soll dabei helfen, Bedarfsprognosen datenbasiert zu optimieren und Ressourcen gezielter einzusetzen.

Warum setzt die memo AG auf Künstliche Intelligenz?

Mit KI treibt die memo AG ihre Strategie voran: Prozesse werden schlanker und Daten enger verknüpft. Das zahlt sich aus für das Tagesgeschäft, die Wettbewerbsposition und nicht zuletzt für Umwelt und Region.

Betriebliche Effizienz

  • Treffsichere Bestands­planung Fehlmengen und Überbestände werden spürbar reduziert.
  • Automatisierte Datenwege ERP-, Webshop- und Wetterdaten fließen ohne Excel-Umwege zusammen.
  • Schnellere Reaktion Nachfragespitzen oder Lieferengpässe lassen sich früher erkennen und abfedern.

Wettbewerbliche Stärke

  • Fundierte Entscheidungen Kennzahlen statt Bauchgefühl verkürzen die Entscheidungszeit.
  • Lernende Modelle Prognosen passen sich Markt­änderungen an, ohne teure System­wechsel.
  • Übertragbarkeit Ein einmal trainiertes Modell lässt sich auf neue Produktgruppen und Prozesse skalieren.

Nachhaltigkeit & Netzwerk

  • Weniger Ressourcen­einsatz Genaue Prognosen verringern Lagerfläche, Abfall und CO₂.
  • Regionale Zusammenarbeit Know-how aus dem KI-Regio-Projekt fließt direkt in die Praxis.
  • Geteilte Erfahrungen Best-Practice-Austausch mit anderen Mittelständlern beschleunigt Verbesserungen.

Ein Einblick von Vorstand Frank Schmähling:

Video-Transkript anzeigen

„Wir wollen KI nutzen, um unsere Prozesse effizienter zu gestalten, um die Beschaffungsprognosen, die Bestandsprognosen und auch die Vertriebsprognosen deutlich genauer und sicherer zu gestalten.“

Herausforderungen bei der
KI-Einführung

Der Weg zu einer KI-gestützten Prognose ist keine rein technische Aufgabe. Er bringt typische Herausforderungen mit sich, die von der Datenqualität bis zur Unternehmenskultur reichen.

Symbolbild für technische Komplexität mit Fragezeichen und Datenströmen.

Technische Komplexität

Viele Datenquellen sprechen unterschiedliche „Sprachen“: Webshop-Logs, Lagerdateien, Finanz­buchhaltung und externe Infos wie Wetter oder Feiertage. Dazu kommen Lücken in älteren Artikeldaten, zum Beispiel wenn Nummern gewechselt wurden oder Zeitstempel fehlen.

Ohne eine saubere, zusammenhängende Datenbasis kann keine KI zuverlässig rechnen.

Symbolbild für Modellrisiken mit abstrakten Datenblöcken.

Modellrisiken & Unsicherheit

Ein Prognose­modell liefert Wahrscheinlichkeiten, keine Garantien. Es kann durch plötzliche Trends, Liefer­engpässe oder Marketing­aktionen aus dem Takt geraten. Außerdem muss ein kleines IT-Team das Training und die Überwachung neben dem Tagesgeschäft stemmen.

Ein Modell bleibt nur so gut, wie es überwacht, erklärt und regelmäßig nachgeschärft wird.

Symbolbild für Akzeptanz und Wandel mit stilisierten Robotern und Menschen.

Akzeptanz & Kultur

76 % der Aufträge laufen bei der memo AG bereits automatisch, doch für den Rest verlassen sich Teams noch auf Erfahrung und Excel. Damit KI-Zahlen im Alltag genutzt werden, brauchen Mitarbeitende Vertrauen in die Berechnungen und Zeit, neue Abläufe zu verinnerlichen.

Erst wenn Mitarbeitende den Prognosen vertrauen und sie fest in ihre Arbeitsabläufe einbauen, liefert KI echten Mehrwert.

Wer profitiert von KI-gestützten Prognosen?

Intern

Einkauf & Logistik
Bestellungen passen genauer zur Nachfrage → weniger Eil-Nachbestellungen, geringere Lagerkosten
Planung & Controlling
Prognosen aktualisieren sich automatisch
Kundenservice
Frühere Lieferinformationen → schneller auf Kundenanfragen reagieren
IT & Data-Team
Einheitliche Datenpipeline
Geschäftsführung
Verlässliche Kennzahlen → datenbasierte Entscheidungen

Extern

Kunden (B2B & Privat)
Pünktlichere Lieferungen, geringere Fehlposten
Lieferanten & Logistikpartner
Glattere Abrufplanung → bessere Auslastung
Partner im KI-Regio-Verbund
Blaupause für eigenes Forecasting
Öffentliche Fördergeber
Praxisnachweis für EFRE-Mittel
Frank Schmähling, memo AG
Frank Schmählingmemo AG

„Niemand muss ja vor KI Angst haben, KI nimmt keinem einen Arbeitsplatz weg. Der Arbeitsplatz wird höchstens von einem weggenommen, der die KI bedient.“

Quelle: BR

So entsteht die KI-Prognose

Die Uni Würzburg (KI-Regio) und die memo AG bauen das neue Prognosesystem gemeinsam auf. Vom ersten Datensatz bis zur Freigabe im Echtbetrieb durchläuft das
Projekt drei Zielstufen.

1Skalierbares Prognosemodell

Entwicklung eines skalierbaren Prognosemodells: Aufbau eines KI-basierten Foundation Models für die Bedarfs- und Bestandsplanung. Das Modell verarbeitet historische Verkaufs-, Bestands- und Kontextdaten und generiert automatisiert Bestellvorschläge, auch bei begrenzter Datenhistorie.

2Nutzerfreundliches Frontend

Nutzerfreundliches Planungs-Frontend: Entwicklung eines Frontends mit agentenbasierter Unterstützung. Unternehmen sollen durch einfache Eingaben (z. B. Upload von Verkaufsdaten) automatisierte Prognosen und Handlungsempfehlungen erhalten, ohne technisches Vorwissen.

3Integration & Evaluation

Integration und Evaluation mit Pilotpartnern: Anbindung des Tools an reale IT-Umgebungen (z. B. ERP-Systeme) ausgewählter Partnerunternehmen. Die Lösung wird gemeinsam mit den Partnern unter realen Bedingungen getestet, weiterentwickelt und hinsichtlich ihres Nutzens validiert.

Glossar
  • Foundation Model: Ein großes, KI-basiertes Basismodell, das als Grundlage dient und für spezifische Aufgaben (wie z.B. Bedarfsprognosen) angepasst werden kann.
  • Agentenbasierte Unterstützung: KI-gestützte Assistenten (Agenten), die Nutzern interaktiv dabei helfen, Aufgaben auszuführen oder Informationen zu erhalten.
  • ERP-System (Enterprise Resource Planning): Eine zentrale Softwarelösung, die alle wesentlichen Geschäftsprozesse eines Unternehmens, wie Warenwirtschaft, Finanzen und Logistik, integriert und steuert.

Zeitstrahl:
KI-Regio & die memo AG

März 2024 – Projektstart KI-Regio

  • Offizieller Beginn des EFRE-geförderten Forschungsprojekts unter Leitung der Universität Würzburg und CAIDAS.
  • Ziel: Künstliche Intelligenz (KI) für regionale Wertschöpfungsketten anwendbar machen.

April – Mai 2024 – memo AG tritt dem Projekt bei

  • Einstieg als Praxispartner aus dem nachhaltigen Versandhandel.
  • Ziel: Verbesserung von Absatzprognosen und smartere Unternehmensplanung mithilfe von KI.

Mai – Juli 2024: Use-Case-Workshops & Analysegespräche

  • Gemeinsame Identifikation von Anwendungsfällen mit Unternehmen und KI-Experten.
  • Prüfung von Daten und Definition der Projektziele in Abstimmung mit der Forschungsgruppe.

Ab Sommer 2024: Technischer Projektfokus

  • Entwicklung von automatisierten Datenprozessen, inklusive externer Faktoren wie Wetterdaten.
  • Durchführung von Modelltraining, Potenzialanalyse und Transfer der Ergebnisse.

2025 (laufend): Modelltraining & Datenbasis

  • Training des Foundation-Modells unter Einbeziehung von Unternehmensdaten und öffentlichen Quellen.
  • Ziel: Realitätsnahe Prognosen und eine breitere Datenabdeckung erreichen.

Nächste Schritte

  • Evaluation, Tuning und Prototyp-Testing gemeinsam mit Pilotpartnern.
  • Sukzessive Erweiterung des Angebots auf weitere Netzwerk-Unternehmen.

Ausblick: Wie geht es weiter?

Nach der initialen Entwicklungsphase beginnt der
Übergang in den operativen Betrieb.

Der Fokus liegt nun darauf, das System zu skalieren, das gewonnene Wissen im Netzwerk zu teilen und die Datenkompetenz im Unternehmen weiter zu stärken.

Skalierung

  • Weiteres Training des erweiterten Basismodells zur Verbesserung der Vorhersagefähigkeiten.
  • Integration von externen Daten (Wetter, Wirtschaft usw.) in Vorhersagemodelle.
  • Sammeln weiterer Daten und Ausrollen auf größere Teile des Netzwerks.

Wissen & Netzwerk

  • Ableitung der individuellen Potentiale für den Einsatz von KI-Verfahren in den jeweiligen Unternehmen.
  • Übertragung der Ergebnisse auf interessierte Unternehmen, die nicht als Pilotunternehmen am Teilprojekt beteiligt waren.

Datenkompetenz

  • Unterstützung der Nutzer bei der Planung und Vorhersage auf leicht verständliche Weise.

Statement der Geschäftsführung

Welche langfristigen Ziele verfolgt die memo AG mit KI?
Frank Schmähling, gibt einen Einblick aus
strategischer Perspektive.

Video-Transkript anzeigen

„Als Online-Händler sind wir natürlich daran interessiert, unsere Prozesse möglichst digital zu gestalten. Wir werden KI einsetzen, um von analogen Prozessen zu digitalen Prozessen zu kommen. Wir wollen durch diese Digitalisierung natürlich auch versuchen, uns mit anderen Firmen zu verknüpfen, dort natürlich eine Effizienzsteigerung zu bekommen, weniger manuell zu arbeiten und mehr in der digitalen Welt zu agieren, um mit weniger Aufwand mehr Ergebnis zu erzielen.“

Das Projekt zeigt, wie KI im Mittelstand konkret eingesetzt werden kann. Wer ähnliche Herausforderungen adressiert oder Interesse an gemeinsamen Entwicklungen hat, findet beim KI-Regio-Team passende Anlaufstellen.

Werden Sie Kooperationspartner!
Nach oben scrollen