
Bereit für stürmische Zeiten: Best Practices im DIY nach Unwettern
In Phasen außergewöhnlicher Nachfrage lassen sich Prozesse nicht komplett automatisieren. Es empfiehlt sich stattdessen ein granularer, lokalisierter Ansatz des Bestandsmanagements.
In Phasen außergewöhnlicher Nachfrage lassen sich Prozesse nicht komplett automatisieren. Es empfiehlt sich stattdessen ein granularer, lokalisierter Ansatz des Bestandsmanagements.
Hoher Wettbewerbsdruck und hauchdünne Margen prägen den LEH. Wir werfen einen Blick auf drei typische Herausforderungen im Frischemanagement und zeigen Ihnen, wie Sie diese in Chancen verwandeln.
Eine Strategie der Bundesregierung soll den Verderb im LEH bis 2030 halbieren. Das gelingt nur durch optimiertes Supply-Chain-Management.
Mit stochastischer Planung lassen sich einige Unsicherheiten in der Supply-Chain-Planung beheben. Für welche Situationen eignet sich die Methode?
Der Onlinehandel wird auch nach Ende der Coronakrise branchenübergreifend wachsen. Ist Ihr Unternehmen bereit, mehr Onlinebestellungen zu managen als jemals zuvor?
Für LEH-Supply-Chains sind Hamsterkäufe die unmittelbarste Herausforderung durch das Coronavirus: Wie reagieren Händler, um leere Regale zu verhindern und später nicht mit massivem Verderb und Überbeständen zu kämpfen?
Eine Studie zeigt, wie Reduktion von Lebensmittelverschwendung im LEH die Nachhaltigkeit, operative Effizienz und Wirtschaftlichkeit von Einzelhändlern verbessert.
Das Wetter ist die Ursache signifikanter Schwankungen im Kaufverhalten der Kunden. In diesem Whitepaper lesen Sie, wie Einzelhändler diese optimal handhaben.
Erfahren Sie, wie Kannibalisierung oder Halo-Effekte einer Kampagne erkannt und die identifizierten Kausalitäten für die Nachfrageprognostizierung verwendet werden.
Wesentliche Voraussetzung für die Steigerung der betrieblichen Effizienz ist es, Ressourcen sowie Bestand und Personal passgenau auf den Bedarf abzustimmen.
Bei RELEX sind wir in der angenehmen Position, beim Prognostizieren von Bedarfen im Einzelhandel das Maximum aus Machine-Learning herauszuholen.
Produkte und Saisons klassifizieren, das passende Prognosemodell wählen und Saisons meistern.