RFID und KI im Inventar: Der Engpass war nie der Algorithmus

Inventar-KI hat ein Datenproblem, das routinemäßig für ein Algorithmusproblem gehalten wird. Prognosepapiere setzen eine dichte, regelmäßige Zeitreihe voraus; ein Regal im Einzelhandel oder ein Lagerraum im Krankenhaus liefert eine dünne, verspätete und gelegentlich falsche. Eine Quartalszählung ist ein Foto. Ein mit Fotos trainiertes Modell kann Ihnen nicht sagen, was an einem Dienstag um 14:20 Uhr passiert ist.

RFID ändert den Input, nicht das Modell. Es macht aus dem Inventarzustand statt eines periodischen Fotos einen kontinuierlichen Strom, und erst dieser Strom macht Prognose, Anomalieerkennung und dynamische Nachbestellung überhaupt trainierbar. Der Wert liegt nicht darin, dass die KI klüger wird, sondern darin, dass die Daten endlich die Fragen tragen, die man ohnehin stellte.

Warum RFID der einzige Trainingssatz ist, den Inventar-KI nutzen kann

Die bindende Einschränkung ist die Stichprobendichte, und sie ist Arithmetik, keine Meinung.

• Eine Quartalszählung liefert vier Beobachtungen pro SKU und Jahr; ein Regalleser liefert Tausende.
• Labels müssen aus der Physik kommen, nicht vom Lageristen: Eine Lesung ist eine Beobachtung, eine Zählung ist eine Meinung.
• Abdeckung schlägt Präzision: Ein Modell, das neunzig Prozent der Bewegungen stündlich sieht, ist besser als eine perfekte Zählung pro Quartal.
• Die natürliche Trainingseinheit ist Artikel-Ort-Zeit, und genau das ist ein Leseereignis bereits.
• Barcodedaten werden nur dicht, indem man Arbeit hinzufügt, die mit der SKU-Zahl skaliert; RFID skaliert nicht so.

Prognose: von monatlichen SKU-Prognosen zu stündlichen Regalprognosen

Die Prognosegranularität folgt der Datengranularität, und der Business Case folgt der Prognosegranularität.

• Monatliche SKU-Prognosen treiben Bestellungen; stündliche Filialprognosen treiben Nachbestellung und Personal.
• Die nützlichen Merkmale sind unspektakulär: aktuelle Regalmenge, Änderungsrate, Zeit seit der letzten Nachbestellung, jüngste Verkäufe.
• Eine Prognose, die im Mittel richtig und an der Spitze falsch ist, ist für Personalplanung unbrauchbar, also wird der Fehler pro Intervall berichtet.
• Intermittierende Nachfrage — der Langsamdreher, der zweimal pro Woche verkauft — ist der Ort, an dem naive Modelle scheitern und Regaldaten am meisten helfen.
• Der Prognosewert entsteht erst, wenn das Bestellsystem eine neue Taktung konsumieren kann; viele können es nicht, und das ist das eigentliche Projekt.

Anomalieerkennung: die kleinen Prozente finden, die am meisten kosten

Schwund, Fehlplatzierung und Phantom bestand sind seltene Ereignisse mit großen Folgen — die Definition eines Anomalieproblems.

• Ein fehlender Artikel ist kein Datenfehler, sondern ein physisches Ereignis, das einen Ursachencode verdient.
• Trennen Sie drei Signale: Artikel fehlt, Datensatz da; Artikel da, Datensatz fehlt; Artikel am falschen Ort.
• Schwellenwertalarme auf absolute Zahlen scheitern, weil ein großes Haus große Zahlen hat; modellieren Sie das Residuum zur Prognose.
• Eine Schwundrate von 0,4 Prozent klingt klein, bis man sie auf eine Kategorie mit sechs Prozent Marge anwendet.
• Fehlalarme zerstören die Akzeptanz schneller als verpasste Erkennungen, also erst auf Präzision optimieren und später erweitern.

Das Labelproblem: ohne Ground Truth kein Modell

Überwachtes Lernen braucht Labels, und das Inventar hat ein unbequemes Verhältnis zur Wahrheit.

• Der ERP-Datensatz ist nicht die Wahrheit; er ist das, was prognostiziert wird, und manchmal das, was falsch ist.
• Eine physische Inventur liefert Wahrheit, stört aber den Prozess, den sie misst, also muss sie gesampelt und als Kalibrierung behandelt werden.
• Speichern Sie das Ereignis, nicht nur die Schlussfolgerung: Rohlesungen, deduplizierte Lesungen und aufgelöster Zustand sollten erhalten bleiben.
• Wenn ein Mensch einen Datensatz korrigiert, erfassen Sie die Korrektur als gelabeltes Beispiel, statt die Historie zu überschreiben.
• Akzeptieren Sie, dass ein Modell eine Hypothese über den Prozess ist; ändert sich der Prozess, muss die Hypothese in Rente.

Nachbestellung: aus einer Prognose eine Bestellentscheidung machen

Die Lücke zwischen guter Prognose und guter Bestellung ist der Ort, an dem die meisten Projekte still sterben.

• Bestellen ist eine eingeschränkte Entscheidung: Regalkapazität, Kartonformat, Lieferzeit, Mindestpräsentation und Liquidität.
• Das Modell sollte eine Verteilung ausgeben, keinen Punkt; die Bestellpolitik wählt daraus ein Servicelevel.
• Trennen Sie die Taktungen: stündlich prognostizieren, täglich bestellen, wöchentlich prüfen.
• Jede automatische Bestellung braucht Leitplanken: maximale Tagesänderung, Mindestpräsentation und ein protokolliertes menschliches Übersteuern.
• Messen Sie die Entscheidung, nicht die Prognose: Lieferquote, Stunden ohne Bestand und Umschlag sind die Anzeigetafel.

Wo es bricht: Drift, Rückkopplungsschleifen und das Kaltstart-Regal

Modelle scheitern auf inventarspezifische Weise, und die Fehler sind vorhersehbar.

• Aktionen, Planogrammwechsel und Saisonübergänge ändern den Prozess, nicht nur sein Niveau.
• Ein Nachbestellmodell, das mit den eigenen vergangenen Bestellungen trainiert wurde, lernt die eigenen Fehler — eine Schleife, die Genauigkeitsmetriken nicht sehen.
• Neue Artikel haben keine Historie, also muss der Kaltstart über Regeln laufen, nicht über ein Modell, das den Artikel nie gesehen hat.
• Leserausfälle erzeugen künstliche Fehlbestände in den Daten; unmarkiert lernt das Modell ein falsches Nachfragemuster.
• Regalgenauigkeit sinkt mit Etikettenverlust, also ist Etikettengesundheit ein Modelleingang, keine Betriebsfußnote.

Governance: wer eine KI-generierte Bestellung freigibt

Automatisierung ohne Rechenschaft ist eine Haftung, und der Handel hat das teuer gelernt.

• Benennen Sie den Entscheidungseigner, bevor das Modell live geht; das System hat entschieden ist in einem Review keine Antwort.
• Halten Sie eine prüfbare Kette von Empfehlung über Bestellung bis Ergebnis, mit angehängter Modellversion.
• Veröffentlichen Sie bekannte Fehlermodi gegenüber den Einkäufern, in deren Sprache statt in Metriknamen.
• Setzen Sie eine menschliche Prüfschwelle: unterhalb eines Werts automatisch, oberhalb entscheidet ein Mensch.
• Retiren Sie Modelle nach Plan, nicht nach einem Skandal.

Ein stufenweiser Aufbau, der Wert liefert, bevor das Modell gut ist

Die Reihenfolge zählt mehr als die Raffinesse, weil jede Stufe die nächste finanziert.

• Stufe eins: das Regal instrumentieren und den Datensatz reparieren. Ohne exakten Zustand lässt sich nichts stromabwärts bewerten.
• Stufe zwei: Erkennung statt Prognose. Einfache Regeln fangen die Ereignisse, die heute Geld kosten.
• Stufe drei: Prognose auf sauberer Historie, gemessen gegen die regelbasierte Grundlinie.
• Stufe vier: eingeschränkte Bestellung mit menschlicher Freigabe, gemessen an Lieferquote und Umschlag.
• Stufe fünf: geschlossene Regelung, sobald die Rückkopplungsschleife gut genug verstanden ist, um kontrolliert zu werden.

Jede Stufe muss ein Geschäftsergebnis liefern, bevor die nächste beginnt. Nur so übersteht ein Inventar-KI-Programm seine zweite Budgetrunde.