KI-Strategie · Wedel Intelligence Series

Warum eigene KI-Modelle -
und kein weiteres Dashboard?

Ein Dashboard sagt Ihnen, was gestern passiert ist. Ein KI-Modell sagt, was in 12 Wochen passieren wird. Der Unterschied? Dashboards hat jeder - Mondelez, Ferrero, Colian. Ein eigenes, auf Ihren Daten trainiertes Modell ist Wissen, das der Wettbewerb nicht kaufen, kopieren oder einsehen kann.

Vergleich der Ansätze

Drei Reifegrade der Analytik

Die meisten FMCG-Unternehmen befinden sich auf Stufe 1 oder 2. Stufe 3 ist ein Vorsprung, der sich nicht kopieren lässt.

Stufe 1 · Reporting
● Dashboards (Power BI, Tableau)
● Sell-in / Sell-out Berichte
● KPIs in Echtzeit
✕ Prognose der Zukunft
✕ Automatische Empfehlungen
✕ Lernen aus neuen Daten
✕ Wettbewerbsvorteil
„Wir wissen, dass der Absatz gesunken ist. Wir wissen nicht warum und was als Nächstes kommt."
Stufe 2 · SaaS-KI-Tools
● Fertige Prognosemodelle
● Plug & Play-Integration
◐ Prognose (generisch)
◐ Teilweise Personalisierung
✕ Verständnis Ihrer Saisonalität
✕ Modelleigentum (Abonnement)
✕ Dauerhafter Vorteil (jeder kann kaufen)
„Das Modell funktioniert, versteht aber nicht, was Ptasie Mleczko im Dezember bedeutet."
Stufe 3 · Eigene KI-Modelle
● Auf Ihren Daten trainierte Modelle
● Prognose mit Branchenkontext
● Kontinuierliches Lernen (wöchentlich besser)
● Vollständiges IP-Eigentum am Modell
● Versteht Ptasie Mleczko im Dezember
● Kein Vendor-Lock-in
● Dauerhafter, nicht kopierbarer Vorsprung
„Das Modell weiß, dass Biedronka in KW47 40% mehr Torciki bestellen wird."
Vier Säulen des Vorsprungs

Was gibt ein eigenes KI-Modell, das kein Dashboard bietet?

Es geht nicht um Technologie - es geht um Wissen, das 24/7 für Sie arbeitet.

01
Wettbewerbsgraben (Competitive Moat)
Mondelez hat SAP IBP. Ferrero hat Blue Yonder. Das sind Standardwerkzeuge - für jeden verfügbar, der die Lizenz bezahlt. Ihr auf 3 Jahren Wedel-Daten trainiertes LSTM-Modell kennt Muster, die kein SaaS erkennt: dass Ptasie Mleczko Vanille +12% jährlich wächst, aber Kokos stagniert. Dass Żabka 3 Wochen vor dem Höhepunkt bestellt, Biedronka 5. Das ist Wissen, das man nicht kaufen kann - man muss es aufbauen.
02
Das lernende Modell (Self-Improving)
Ein Dashboard ist statisch - es zeigt immer dasselbe, nur mit neuen Zahlen. Ein KI-Modell wird mit jeder Woche neuer Daten genauer. Nach 6 Monaten kennt es Ihre Saisonalitätsmuster besser als der erfahrenste Planer mit 20 Jahren Berufserfahrung - weil es alle 200+ SKU, alle Kanäle und alle Promotionen gleichzeitig sieht. Ein Planer sieht höchstens 15 Positionen gleichzeitig.
03
Vollständiges Eigentum (No Vendor-Lock-In)
Das Modell gehört Ihnen. Kein Abo, kein SaaS, keine „Daten in der Cloud des Anbieters." Code, Gewichte, Trainings-Pipeline - alles bleibt in Ihrer Infrastruktur. Sie trennen sich von uns? Das Modell bleibt bei Ihnen und läuft weiter. Kein SaaS-Anbieter bietet das an - denn sein Geschäftsmodell hängt von Ihrer Abhängigkeit ab. Unser nicht.
04
Institutionelles Wissen (Knowledge Capture)
Wenn der beste Planer geht - nimmt er sein Wissen mit. „Ich weiß, dass man für Kunde X +15% einplanen muss, weil sie immer last-minute nachbestellen" - das steckt im Kopf eines Menschen, nicht im System. Ein KI-Modell kodifiziert dieses Wissen. Es lernt Muster, die in den Daten vorhanden sind, aber nie aufgeschrieben wurden. Das ist wie ein digitales Gehirn des Unternehmens, das nicht geht, nicht vergisst und im Dezember keinen Urlaub nimmt.
Entscheidungsökonomie

Kosten des Modells vs. Kosten der Unwissenheit

Der ROI eines KI-Modells wird nicht in Prognosegenauigkeit gemessen - er wird in PLN gemessen, die nicht in den Müll geworfen wurden.

Vergleich: Baukosten vs. jährliche Einsparungen (Mio. PLN)
18 Mio. PLN
Kosten falscher Prognosen / Jahr
0,8 Mio. PLN
Kosten des Modellaufbaus
22× ROI
Im ersten Jahr
Messbar
Return on Investment
Eine Weihnachtssaison mit besserer Prognose = +6,2 Mio. PLN

Weniger Überproduktion von Pralinen (–2,1 Mio. PLN), weniger OOS bei Ptasie Mleczko (+2,8 Mio. PLN), weniger Überstunden (–1,3 Mio. PLN). Eine Saison. Ein Modell.

↳ 3-Jahres-Perspektive

Im Jahr 1: das Modell lernt, Einsparungen ~60% des Potenzials. Im Jahr 2: das Modell ist ausgereift, Einsparungen ~85%. Im Jahr 3: das Modell kennt jede SKU, jeden Kanal, jede Saison - Einsparungen >100% der ursprünglichen Schätzungen, weil es Muster entdeckt, von denen niemand wusste. Das Modell nutzt sich nicht ab - es wächst im Wert.

Umsetzungsweg

Von den Daten zum laufenden Modell

Ein strukturierter Prozess – jede Phase endet mit einem konkreten Ergebnis. Der Zeitrahmen hängt von der Datenverfügbarkeit und -qualität ab.

Phase 1/4
Datenaudit + Proof of Concept
Export von 3 Jahren Daten aus SAP/ERP. Qualitätsbewertung. Erstes Modell auf historischen Daten - Backtest vs. aktuelle Methode. Ergebnis: konkrete Zahl (MAPE aktuell vs. MAPE Modell) und Einsparpotenzial in PLN.
Phase 2/4
Pilot - 5 Schlüsselkategorien
Modell für Ptasie Mleczko, Torcik Wedlowski, Pralinen, Tafeln, Delicje. Wöchentliche Prognose 12 Wochen im Voraus. Dashboard für Planer. Vergleich mit Produktionsplänen - wie viele Tonnen hätten eingespart werden können?
Phase 3/4
Erweiterung - alle Module
Skalierung auf alle 9 Module der Intelligence Series. Integration in Systeme (API zum ERP, E-Mail-Alerts, automatische Berichte). Schulung des Planungsteams.
Phase 4/4
Go-Live + Feedback-Loop
Modell in Produktion. Automatisches Retraining jede Woche. Genauigkeitsmonitoring. ROI-Bericht. Technische Dokumentation an das IT-Team von Wedel/Lotte übergeben.
Perspektive

Warum jetzt?

Drei Faktoren, die diesen Moment zum richtigen machen.

Kakao-Krise
Der Kakaopreis ist in 2 Jahren auf das 4-Fache gestiegen. Bei unter Druck stehenden Margen gilt: Jedes Prozent Prognosegenauigkeit = weniger verschwendeter Rohstoff. Überproduktion einer Charge Pralinen ist nicht nur ein Produktionskostenthema - es sind Kakaokosten bei €10.000/Tonne.
Exportambition
Wedel wächst von 8% Export zur globalen Marke. Skalierung ohne Prognose = Skalierung des Chaos. Ein Modell, das auf dem polnischen Markt funktioniert, lässt sich auf den Export ausweiten - dieselben Algorithmen, neue Daten, neue Muster.
Lotte-Erwartungen
Lotte Group investiert 300 Mio. PLN in die Modernisierung. KI in der Planung ist die natürliche Erweiterung dieser Investition. Hardware ohne Intelligenz ist nur schnellere Produktion des Gleichen - Intelligenz ohne Hardware existiert nicht. Zusammen: Vorsprung.
Unternehmen, die interne Demand-Forecasting-Modelle implementiert haben, reduzieren den Prognosefehler um 30–50% und verringern Food Waste um 20–30%. Aber der wahre Wert ist nicht die Einsparung - es ist die Fähigkeit, auf Dinge zu reagieren, die niemand erwartet hat.
- McKinsey & Company, „AI in FMCG Supply Chains", 2024

Bereit für Stufe 3?

Ein Daten-Workshop, ein Pilot, ein Ergebnis in PLN. Ohne Risiko - Sie sehen den Wert, bevor Sie eine Entscheidung treffen.

Alle 9 Module der Intelligence Series ansehen →