Eine schlechte Prognose der Lebensmittelnachfrage ist für mehr Abfall verantwortlich, als Sie vielleicht erwarten.
Laut einem QuelleLebensmittelgeschäfte in den USA werfen 10 % der rund 44 Milliarden Pfund Lebensmittel weg, die das Land jährlich produziert. Es ist nicht nur schlecht für die Umwelt – Lebensmittelabfälle sind eine der Hauptursachen dafür Kohlenstoffemissionen – aber teuer für Lebensmittelhändler. Pro Laut Retail Insights verlieren Lebensmittel- und Lebensmitteleinzelhändler bis zu 8 % ihres Umsatzes durch unzureichende Lagerverfügbarkeit.
Die Unternehmer Euro Wang und Jack Solomon sagen, dass sie die Auswirkungen des Prognoseproblems auf Mikroebene in ihrem örtlichen Supermarkt aus erster Hand erlebt haben, wo ihnen oft die Lieblingsguacamole ausgegangen war.
„Es stellt sich heraus, dass selbst die größten Einzelhändler Schwierigkeiten haben, die zukünftige Nachfrage vorherzusagen, und dass es häufig zu Über- und Unterbeständen kommt“, sagte Wang gegenüber TechCrunch in einem E-Mail-Interview. „Angesichts der zunehmenden Wetterextreme in den letzten Jahren kam es zunehmend zu Versorgungsengpässen bei frischen Lebensmitteln. Umso wichtiger ist die effiziente Allokation des begrenzten Angebots. Darüber hinaus bedrohen Inflationsdruck und steigende Arbeitskosten die Margen der Lebensmittelhändler immer mehr.“
Inspiriert von dem Versuch, das Problem mithilfe von Technologie anzugehen, gründeten Wang und Solomon gemeinsam das Unternehmen Guac, eine Plattform, die mithilfe von KI vorhersagt, wie viele Artikel Lebensmittelhändler pro Artikel pro Tag an einem bestimmten Ladenstandort verkaufen werden. Guac hat kürzlich 2,3 Millionen US-Dollar in einer von 1984 Ventures angeführten Seed-Runde unter Beteiligung von Y Combinator und Collaborative Fund eingesammelt.
„Lebensmittelverschwendung und Ernährungssicherheit sind Themen, die Jack und mir sehr am Herzen liegen, und wir waren wirklich begeistert von der Möglichkeit, Lebensmittelverschwendung tatsächlich im Kern anzugehen“, sagte Wang.
Zuvor arbeitete Wang bei der Boston Consulting Group, während Solomon KI für die Lebensmittellogistik erforschte. Beide haben einen Bachelor-Abschluss an der Universität Oxford, wo sie sich kennengelernt haben.
Bei Guac entwickeln Wang, Solomon und die beiden Ingenieure von Guac benutzerdefinierte Algorithmen, die Bestellmengen für Lebensmittel vorhersagen und dabei Variablen wie das Wetter, Sportereignisse und Wettquoten sowie sogar Spotify-Hördaten berücksichtigen, um zu versuchen, das Kaufverhalten der Verbraucher zu erfassen. Guac-Kunden erhalten Empfehlungen zu Haltbarkeit, Mindestbestellmengen, Werbeaktionen und Lieferantenvorlaufzeiten, die in ihre bestehende Software und Arbeitsabläufe für die Bestandsbestellung integriert sind.
„Traditionell erfolgt die Prognose mithilfe von Excel-Formeln oder einfachen Regressionsmodellen“, sagte Wang. „Aber für frische Lebensmittel, die schnell ablaufen, braucht man etwas Besseres … Da wir so viele externe Variablen verwenden, können wir identifizieren, welche realen Variablen die Veränderungen in der Nachfrage verursachen.“
Guac ist sicherlich nicht das einzige Startup im Bereich der Nahrungsmittelnachfrageprognose. Es gibt Crisp, das eine offene Datenplattform für jedes Glied in der Lebensmittellieferkette bereitstellt, und Freshflow, das ein KI-gestütztes Prognosetool entwickelt, um Einzelhändlern dabei zu helfen, die Lagerauffüllung frischer, verderblicher Waren zu optimieren.
Laut Wang zeichnet sich Guac jedoch sowohl durch sein Engagement für Transparenz als auch durch die intensive Feinabstimmung der Prognosemodelle aus.
„Unser maschinelles Lernmodell ist nicht wie eine Blackbox, die auf mysteriöse Weise einen Anstieg der Nachfrage um 20 % vorhersagt – stattdessen sagen wir es unseren Kunden Dinge wie: ‚Dieser Anstieg um 20 % ist darauf zurückzuführen, dass in der Nähe eine Konferenz stattfindet‘“, sagte Wang. „Selbst wenn ein Einzelhändler bereits maschinelles Lernen einsetzt, können wir seine Prognosen aufgrund unseres Zugriffs auf viel mehr externe Datensätze dennoch verbessern. Wenn wir unsere einzigartigen externen Variablen, die wir verwenden, entfernen und nur die Basisdatensätze (z. B. Wetter und Feiertage) einbeziehen, sehen wir tatsächlich, dass sich der Prognosefehler verdoppelt.“
Einige frühe Kunden scheinen davon überzeugt zu sein, dass Guac einen Mehrwert bieten kann. Das Unternehmen arbeitet mit Einzelhändlern zusammen, darunter Lebensmittellieferunternehmen in Nordamerika, Europa und dem Nahen Osten, darunter eine namentlich nicht genannte Supermarktkette mit etwa 300 Standorten. Auch Guac erwirtschaftet bereits Umsätze und rechnet damit, sein Engineering-Team im kommenden Jahr erweitern zu können.
„Die Lebensmittelindustrie ist gegenüber wirtschaftlichen Abschwüngen ziemlich resistent“, sagte Wang. „Jeder muss essen, und wenn die Wirtschaft nachlässt, kaufen die Menschen tatsächlich mehr Lebensmittel, weil sie weniger auswärts essen. Und die Pandemie hat dazu beigetragen, die Digitalisierung in Lebensmittelgeschäften zu beschleunigen, wodurch wir unsere Prognosen reibungsloser in die Systeme der Kunden integrieren konnten. Was die Pandemie angeht: Die Käufer haben sich während der Pandemie ganz anders verhalten – was bedeutet, dass es für Lebensmittelhändler viel schwieriger ist, sich nur auf die historischen Verkaufsdaten der letzten drei Jahre zu verlassen, um die zukünftige Nachfrage vorherzusagen. Mit unserem Algorithmus können wir uns an die Art und Weise anpassen, wie die Pandemie die Verkaufsdaten in den Jahren 2020 und 2021 verzerrt hat – und sogar an die verbleibenden Auswirkungen der Pandemie danach.“