Estimating aggregated demand months in advance is an established practice, but accurately predicting customer orders over a time horizon of several weeks is next to impossible without advanced data science. E2open Bedarfsermittlung uses automation and machine learning technology to analyze real-time supply chain data, determine the influence of multiple demand signals and produce an accurate daily forecast for every item at every location.
Traditional techniques were developed decades ago when distribution channels were few and history was the best predictor of the future demand. Such techniques are inadequate for near-term forecasting in today’s more complex environment, which presents a number of obstacles:
- Volatilität aufgrund schnell wechselnder Verbraucherpräferenzen und gesellschaftlicher Stimmungen
- Beschleunigung bei der Einführung neuer Produkte und der daraus resultierenden Verbreitung von Artikeln
- Vielfältigere Marketingprogramme, die das Verbraucherverhalten beeinflussen
- Omnichannel-Strategien, die den traditionellen Vertrieb stören und dafür sorgen, dass die Bestellungshistorie nur noch von begrenztem Nutzen ist
