Case-Study    Omniflora Blumencenter GmbH

„Macht doch, was ihr wollt!“

Wie Echtzeitdaten früher undenkbare Kundenwünsche erfüllbar machen und gleichzeitig die Belegschaft entlasten.

Diese Case-Study wurde als Vortrag für die Veranstaltung Arbeit in der digitalisierten Welt des Fraunhofer IAO konzipiert. Die Veranstaltung aufgrund der Risikobewertung des Robert-Koch Instituts hinsichtlich des Corona-Virus abgesagt. Im Folgenden fassen wir die wesentlichen Punkte des Vortrags zusammen.

Impact(seit 2015)
-40%
Lieferzeit
+309%
Kunden
+55%
Marktanteil
+220%
Umsatz
+60%
Mitarbeiter






Intro: Warum die Blumenbranche anders ist.

Ist einer der führenden Importeure von Fairtrade-Blumen in Deutschland und hat 75 Mitarbeiter und 45 Mio. EUR Umsatz.

Ursprünglich als reiner Importeur von Fairtrade-Rosen aus Afrika, entwickelte sich Omniflora in den 2010er Jahren vom Lieferanten für Großhändler in Richtung Konsument in der Supply Chain: Zum einen wurden direkt Supermärkte wie Rewe beliefert, zum anderen konnten Floristen nun über einen Webshop direkt ohne Großhandel bei Omniflora bestellen.

Während das Supermarktgeschäft für hohe Umsatzzuwächse sorgte, war das Direkt-Geschäft mit den Floristen aus Margensicht attraktiv und sollte ausgebaut werden.

2015 war das Vorgängerunternehmen von Diaratio, WebRealisierung.com, noch als reiner Programmierdienstleister tätig und wurden mit der technische Umsetzung des neuen Webshops für den Direkt-Vetrieb an Floristen beauftragt, Konzept und Design kamen von einer Agentur.

Nach Livegang des Webshops auf Basis des verbreiteten Open Source Shopsystems Magento wurde schnell klar, dass sich die Blumenbranche in entscheidenden Teilen von den Standard-Anforderungen an Shops unterscheidet:

  • Es gibt keine klassische Lagerhaltung: Ware, die heute ankommt wird heute noch verschickt
  • Verfügbare Mengen für den einzelnen Anliefertag sind abhängig von Prognosen
  • Bestellung zahlreicher Artikel muss schnell gehen, da viele Floristen täglich bestellen

Betrachtet man die Supply-Chain von Omniflora fällt auf, dass die Ware, die heute beim Floristen ankommt, erst gestern bei Omniflora per Flugzeugcontainer eingetroffen ist. Vor vier Tagen wurden die Blumen in Kenia geerntet und erst vor einer Woche bei der Farm bestellt. Die Supply Chain ist kurz und - da es sich um eine wetterabhängige Produktion handelt - nicht zu 100% prognostizierbar.

Lernerfahrung

  Die Mengen, die den Floristen zum Bestellen angeboten werden, basieren auf Prognosen

1. Schritt: Alle Daten zusammenfassen und darstellen

Der Shop ging live: Es war ein hopriger Start, da zum damaligen Zeitpunkt viele Eigenarten der Blumengroßhandelsbranche erst verstanden werden mussten. Kundenseitig verließ man sich komplett auf unsere Shop-Erfahrung, die jedoch aus "gewöhnlichen" Branchen stammte und hier nur begrenzt weiterhalf. Uns wiederum wurde erst allmählich klar, auf welche Spezial-Branche wir uns hier eingelassen hatten.

Nach einigen wesentlichen Umbaumaßnahmen, die ich gemeinsam mit Rainer Schneider ausarbeitete und umsetzte, stellte sich langsam aber sicher ein spürbares Umsatzwachstum ein.

Schnell merkte Omniflora, dass der Organisationsaufwand für das Verkaufsteam beim Direktvertrieb erheblich höher war, als im Großhandelsgeschäft. Denn die Korrektur von Abweichungen zwischen Bestellung und Verfügbarkeit, die sich der wetterabhängigen Blumenbranche nicht ganz vermeiden lässt, ist bei zahlreichen Kleinbestellungen natürlich spürbar aufwändiger.

Aus diesem Grund wurde mit Herrn Schneider ein Verkaufscockpit entwickelt: Ziel war, für jeden Artikel die Verfügbarkeit in einer übersichtlichen Form dazustellen.

Die Berechnung der Überschuss- bzw. Fehlmenge basiert auf Farm-Prognosen, Kunden-Bestellungen, tatsächlich von den Farmen bestätigte Mengen (können von Bestellungen abweichen) sowie Inventur-Mengen und gibt dem Verkaufsteam einen nach Priorität geordneten Überblick über alle Abweichungen. Auf diese kann dann z.B. per Sonderangebot (bei Übermengen) oder mit Alternativ-Artikeln (bei Fehlmengen) reagiert werden.

Visualisierungen und Diagramme ermöglichen einen schnellen Überblick über die aktuelle Lage.

Neben der transparenteren Darstellung der Mengen, wurde die Inventur, die bei Omniflora mehrmals pro Woche per Papier notiert und dann händisch ins ERP übertragen wurde, auf die DiraGO-App umgestellt. Dadurch können die Kommisionierer deutlich schneller die Menge erfassen - ein NFC-Scan am Regal genügt, um das Produkt auszuwählen. Ein weiterer Vorteil: Die Daten werden sofort ins System überspielt.

Arbeitserleichterung für die Belegschaft

  • Das Verkaufsteam hat durch das Verkaufscockpit eine Übersicht über den aktuellen Handlungsbedarf (Fehl-/Übermengen)
  • Die Kommisionierer sparen Zeit bei der Inventur Häufigere Inventur Bessere Daten für Verkauf Weniger Ausschuss

2. Schritt: Daten nutzen, um dem Kundenwunsch näher zu kommen

Jeder kennt das von sich selbst: Bestellte Ware hätte man am liebsten sofort. Das trifft bei Floristen besonders zu: Verderbliche Ware hat man natürlich gerne so wenig wie möglich auf Lager.

Mit den Erleichterungen für die Belegschaft, die z.B. das Verkaufscockpit und die Laufwegoptimierung mit sich brachten, und die genaueren Daten über Restmengen, die die mobile Inventur brachte, hat sich Omniflora die Freiräume geschaffen, dem Kunden Next-Day-Delivery anzubieten.

Kunden können bis 14:00 Uhr noch Ware für den nächsten Tag bestellen. Was von außen betrachtet als bloßes Gimmick abgetan werden könnte, ist im Blumen-Einzelhandel ein echter Vorteil: Die Kunden können abwarten, wie der Vormittag anläuft, und dann darauf reagieren. Gerade vor dem Wochenende reduziert dies die Gefahr unverkaufter Ware, die weggeworfen werden müsste.

3. Schritt: Kostensenkung

Im Jahr 2019 hat sich der Umsatz des Direkt-Vetriebs an Floristen fast verdoppelt. Entsprechend mussten intern Prozesse optimiert werden, um mit den immer weiter wachsenden Auftragsvolumina zurechtzukommen.

Ein erster Ansatz war die Laufwegoptimierung der Kommissionierer, also der Mitarbeiter, die die Bestellungen für die Floristen packen. Aufgrund der saisonalen Ware ändern sich Lagerplätze und Orte regelmäßig.

Bisher konnten die Lieferscheine im ERP sortiert werden, dies musste jedoch am PC gemacht werden und war entsprechend bei mehreren hundert Artikeln recht umständlich.

Nun können Lieferscheine per Smartphone sortiert werden: Es genügt, einmal die Artikel im Lager in der Lauf-Reihenfolge abzuscannen - die Sortierung wird dann ins ERP übertragen und der Lieferschein entsprechend optimiert.

Die Laufwege wurden um ca. 30% reduziert.

Geplant für das Jahr 2020 ist, die Verkaufsmengen per Machine Learning auszuwerten und entsprechend Lagerplätze vorzuschlagen, die den Laufweg weiter reduzieren

Auch bei der Next-Day-Delivery entstand ein neues Optimierungspotential: Hier ist es möglich, dass falls ein Kunde bereits für den kommenden Anliefertag eine Bestellung platziert hatte, diese aber noch durch eine Next-Day-Bestellung erweitert, für den Kunden zweimal gepackt werden muss. Dies kostet nicht nur mehr Porto, welches bei Over-Night-Express nicht zu vernachlässigen ist, sondern auch mehr Arbeitszeit.

Durch maschinelle Mustererkennung auf den Bestelldaten sollen im Laufe des Jahres hier die Wahrscheinlichkeiten, mit denen eine Kunde noch an einem bestimmten Wochentag bestellt, prognostiziert werden.  Ein Prototyp hierfür existiert bereits.

Kundenbestellungen sollten dann nach aufsteigender Next-Day-Wahrscheinlichkeit gepackt werden. So erhoffen wir uns eine signifikante Einsparung der Doppelarbeit und des Portos.

Ein weiteres Projekt für 2020 ist, Auffälligkeit bei Kundenbestellungen zu erkennen: So sollen Kunden, die aufhören (im gewohnten Volumen) zu bestellen, erkannt werden. Ziel ist, dass das Verkaufsteam mit dem Kunden sprechen kann, um Ursachen für das Verhalten herauszufinden und ggf. gegenzusteuern.

Eine Besondere Herausforderung stellt dabei dar, dass das Bestellvolumen des Gesamtmarkts volatil ist: Vor Valentinstag, Muttertag usw. gibt es ein Vielfaches an Bestellungen - danach entsprechend weniger.


Wie kann man in einem solchen Kontext Auffälligkeiten erkennen?
Unser Ansatz ist, das Einkaufsverhalten des Kunden im Vergleich zu den restlichen Kunden setzen.

So sollen Kunden, die unzufrieden waren - oder aus anderen Gründen weniger als gewohnt kaufen - identifiziert werden und der Dialog gesucht werden.

Fazit: Branchen-Insider und Technologen können gemeinsam den Status Quo herausfordern.

Mit Sicherheit hätten wir nicht gedacht, dass unsere Reise in diese Richtung gehen würde - und so lange andauern würde. Alles begann mit einem Webshop, einem kleinen Projekt. Heute arbeiten wir gemeinsam mit Omniflora am Morgen.

Technologie braucht Branchenkontext. Ohne die Mitarbeit eines Branchen-Insiders wären viele Ideen nicht entstanden.

Andersherum erscheinen viele "händische" Lösungen, die in der Branche als normal erachtet werden - von Technologen betrachtet - als vereinfachbar.

Und genau deshalb entfaltete die Partnerschaft zwischen Branchen-Insidern und Technologen ihre volle Wirkung: Gemeinsam können wir den Status Quo herausfordern.


Rainer Scheider
Verkaufsleiter, Omniflora
+49 (6102) 7115-40
Rainer.Schneider@omniflora.com
Tim Stein
Geschäftsführer, Diaratio
+49 (721) 754010-20
tim.stein@diaratio.de

Basierend auf einem Vortrag für die Veranstaltung Arbeit in der digitalisierten Welt


Diese Seite verwendet Cookies. In unserer Datenschutzerklärung erfahren Sie mehr darüber.