Der Chef denkt während des Autofahrens noch ständig darüber nach, ob der Lagerbestand ausreicht, und verbringt nach seiner Rückkehr ins Büro erst eine lange Zeit mit der Arbeit in Excel. Das KI-System für den Großhandel soll es ermöglichen, dass eine einfache Abfrage per Satz direkt in Aktionen zur Warenbevorratung und zur Vertriebsausweitung umgesetzt wird.

Verwandeln Sie ERP-Daten mit KI in betriebliche Maßnahmen

Das KI-gestützte betriebliche Entscheidungssystem für den Großhandel mit Handelswaren ist ein System für Großhandelsunternehmen mit Snackprodukten. Solche Unternehmen nutzen in der Regel bereits das ERP-System von Guanjiapo, um Verkaufs-, Bestands-, Einkaufs- und Kundendaten zu sammeln, aber im traditionellen Modell dominiert nach wie vor das Prinzip „Mensch sucht Daten“: Die Manager öffnen zuerst mehrere Berichte auf dem Computer, exportieren dann Verkaufs-, Bestands- und Kundendaten in Excel und führen anschließend manuelle Filterung, Pivotierung und Kreuzvergleiche durch. Die Eigentümer und Manager verbringen viel Zeit im Außendienst, in Besprechungen oder beim Fahren, sodass es schwierig ist, diesen Prozess vor Ort abzuschließen. Selbst wenn sie zurück im Büro sind, sind verschiedene Geschäftsprobleme auf mehrere Seiten verteilt, sodass weiterhin manuell Artikel-, Kunden-, Vertriebsmitarbeiter-, Bestands- und Finanzdaten abgeglichen werden müssen. Entscheidungen zur Warenbevorratung, Markteinführung, Kundenrücksprache und Verkaufsförderung geraten daher leicht in Verzug. Das Kernproblem, das das Projekt zu lösen versucht, besteht darin, dass die vorhandenen ERP-Daten in Szenarien vor Ort sofort abgerufen werden können und weiter in umsetzbare betriebliche Maßnahmen umgewandelt werden.

Das Produkt basiert auf den ERP-Daten von Guanjiapo und verbindet ERP-Daten, externe Branchendaten, mehrdimensionale Tabellen, Feishu und Rückmeldungen von WeCom des Unternehmens, um einen Arbeitsablauf aus „interaktiver Abfrage – Betriebsanalyse – Aufgabenschluss“ zu bilden. Das System besteht aus fünf Modulen: Das Feishu-Modul übernimmt interaktive Abfragen und Betriebsanalysen, das BI-Dashboard-Modul übernimmt die visuelle mehrschichtige Datenanalyse, mehrdimensionale Tabellen und der Besprechungs-Kampfraum übernehmen den Abschluss von Zielen und Aufgaben, das WeCom-Modul des Unternehmens ist für externe Kunden und die Datenerfassung zuständig, und das Branchentrendmodul führt externe Daten wie die von Chanmama ein, um die Entscheidungsfindung bei der Auswahl von im Verkauf befindlichen und alternativen Artikeln zu unterstützen. Der traditionelle Großhandel stützt sich stärker auf erfahrene Einkäufer, die wiederholt auf dem Markt nach Waren suchen. Das Projekt integriert die Marktkategoriedaten von Chanmama in die Entscheidungskette, um die Einkäufer in der Aufstiegsphase der Kategorie zur Intervention aufzufordern, um die zusätzlichen Vorteile zu nutzen, die sich aus den Trendgesetzen ergeben, anstatt zu warten, bis ähnliche Produkte weit verbreitet sind, und dann über den Preiswettbewerb zu konkurrieren. Das Projekt ändert nicht den ursprünglichen ERP-Buchhaltungsablauf des Unternehmens, sondern baut auf der Datenseite eine einheitliche Ebene für Datenbereinigung, Aggregation und autorisierten Zugriff auf, um die Filterung und Pivotierung, die früher nach dem Export durchgeführt wurde, im System vorzuverlagern, sodass derselbe Datenkaliber zwischen Abfragen, Dashboards und Aufgabenverteilung wiederverwendet werden kann.

Ausführungsebene übernehmen die mehrdimensionalen Tabellen die Rolle eines „Kampfraums“. Die Manager legen hier betriebliche Ziele, Kundenrücksprachen, Fortschritte bei der Markteinführung und Verkaufsförderungsaufgaben fest. Die Mitarbeiter an vorderster Front geben vor Ort Informationen per Sprache oder Text über WeCom des Unternehmens zurück. Das System schreibt diese automatisch in die Aufgabenaufzeichnungen ein und behält den Ausführungsverlauf bei. Der Aufgabenabschluss jeder Person wird gemäß den festgelegten Bewertungsanforderungen regelmäßig von der KI abgefragt, um automatisch einen persönlichen Fortschrittsbericht und Verbesserungsvorschläge zu erstellen, die dann an die entsprechende Person übermittelt werden. Die regulären Aufgabenausführungsberichte, für die die Manager früher einzelne Meldungen einfordern, Excel zusammenfassen und Besprechungen zur Nachbesprechung abhalten mussten, werden in einen automatisierten geschlossenen Kreislauf umgewandelt. Die Manager müssen nur Aufgaben und Ziele definieren, die Mitarbeiter an vorderster Front liefern schnell Rückmeldungen, und die Informationen bleiben zwischen Aufgabenverteilung, Rückmeldung vor Ort, Fortschrittsverfolgung und Verbesserungsvorschlägen synchron.

Auf der Seite des Kundenbetriebs wird das Projekt später Kundenservice-Roboter in WeChat-Gruppen von Kunden und private Domänen-Gruppen integrieren, um in festgelegten Abständen regelmäßig neue Produktvorstellungen, Einsatzszenarien und Verkaufshinweise in Bild- und Textform zu senden. Wenn Kunden in der Gruppe Anforderungen stellen, ruft der Roboter zuerst die Wissensdatenbank ab und antwortet unter Berücksichtigung des Kundenprofils. Wenn neue Probleme auftauchen, die die Wissensdatenbank nicht abdecken kann, ruft der Roboter automatisch die zuständige Person zur Teilnahme an der Antwort auf. Dies reduziert nicht nur die wiederholten Kundenservicearbeiten der Vertriebsmitarbeiter, sondern sammelt auch kontinuierlich Nachrichten in den Gruppen, um die Aktivität jeder Gruppe, die anfordernden Kunden und den Bearbeitungsstatus zu erfassen, was als Grundlage für nachfolgende Neuigkeiten-Versendungen und Kundenpflege dient.

Gewährleisten Sie die Überprüfbarkeit von KI-Schlussfolgerungen durch deterministische Datenpipelines

Auf technischer Ebene trennt das Projekt die deterministische Datenpipeline von der KI-Analyse. Die von Guanjiapo exportierten Rohdaten wie Verkauf, Bestand und Einkauf werden zuerst standardisiert bereinigt, Einheiten umgerechnet, zuständige Personen korrigiert und Änderungen auditiert, bevor sie in die PostgreSQL-Datenbank gelangen, um Datenressourcen wie monatliche Aggregation, zehntägige Aggregation, SKU-Gesundheit, intelligente Warenbevorratung, Haltbarkeit, Wiederkauf, Markenrang, Filialrang und Filialprofil zu bilden. Auf der KI-Seite wird das GLM-Modul für die Absichtserkennung, Aufgabenrouting und Berichtsgenerierung verwendet, und der Zugriff wird über ein Sicherheitsgateway, eine semantische Ebene, Rechtefilter und Ausgangsprüfung gesteuert. Die Datenberechnung wird nicht dem Modell zur freien Gestaltung überlassen, und die Schlussfolgerungen des Modells müssen auf vordefinierten Indikatoren und nachverfolgbaren Daten basieren.

Das System wird mit Flask, Gunicorn, Nginx und Alibaba Cloud bereitgestellt und hat bereits mehr als 960.000 Verkaufsdetails und Stammdaten integriert. Laut Projektunterlagen liegt die Zielantwortzeit für Abfragen von Aggregationstabellen unter 1 Sekunde, was den gleichzeitigen Einsatz von mehr als 50 Benutzern unterstützt. Das aktuelle Produkt verfügt bereits über Funktionen wie KI-Abfrage, Entscheidungsvorschläge, Betriebs-Dashboard, Einkaufsentscheidungs-Sandbox, Analyse der Markteinführung neuer Produkte, Bestandsgesundheitsüberwachung, Kunden-RFM-Analyse und Finanzgewinnanalyse. Die Webseite unterstützt mehrschichtiges Drilldown, Leistungsaufschlüsselung und Vier-Quadranten-Diagnose. Die Feishu-Seite unterstützt die jederzeitige Abfrage von Bestand und Verkaufsvolumen, die Verteilung von Entscheidungsplänen, die Übermittlung an Gruppen und die Rückgewinnung von Ausführungsrückmeldungen. Die Einkaufsentscheidungs-Sandbox berechnet die empfohlene Einkaufsmenge unter Berücksichtigung von Faktoren wie dem durchschnittlichen Verkaufsvolumen der letzten 3 Monate, dem Wiederkaufskoeffizienten, dem aktuellen Bestand, Verkaufsförderungsplänen, dem Bestand auf dem Transportweg, dem Saisonalitätskoeffizienten und der Mindestbestellmenge, um Managern zu helfen, die Beurteilung der Warenbevorratung von Erfahrungsschätzungen in parametrische Ableitungen umzuwandeln.

Von der Validierung im eigenen Szenario zur kanalweiten Replikation

Die Zielbenutzer sind die Eigentümer von kleinen und mittleren Snack-Großhandelsunternehmen sowie die Leiter der Bereiche Einkauf, Vertrieb, Marketing, Finanzen und Lagerverwaltung. Die gemeinsame Eigenschaft dieser Teams ist nicht das Fehlen eines ERP-Systems, sondern das Fehlen einer Zwischenebene, die ERP-Daten in Entscheidungsfolgerungen und Aufgabenverteilung umwandelt. Das Geschäftsmodell des Projekts basiert auf jährlichen Gebühren nach Versionen. Die Basisversion umfasst Sprachabfragen und grundlegende Berichte, die erweiterte Version umfasst Betriebsanalysen, Aufgabenautomatisierung, Branchentrends und kundenspezifische Dienstleistungen. Die genauen Preise werden je nach Kundengröße und Integrationsumfang separat festgelegt. Das Projekt plant, zunächst durch kostenlose Testnutzung von Seed-Kunden Fälle und Daten zu sammeln, dann über die mit Guanjiapo verbundenen Kanäle mehr Großhandelsunternehmen zu erreichen, und gleichzeitig Dienstleistungsteams einzubeziehen, die mit Softwareverkauf und ERP-Implementierung vertraut sind, um dieses Nischensegment gemeinsam zu entwickeln. Die Partner können die Kundenanforderungen basierend auf den tatsächlichen Nutzungsunterschieden in Positionen wie Einkauf, Vertrieb, Bestand und Finanzen detaillierter aufteilen und kontinuierlich neue KI-Funktionen in die Produktionsprozesse integrieren, damit die Kunden eine nachweisbare Effizienzsteigerung erzielen.

In Bezug auf den aktuellen Fortschritt wurde das Projekt aus dem echten Snack-Großhandelsgeschäft entwickelt. Die Grundlage umfasst etwa 3 Millionen Einkaufs- und Bestandsdaten und sammelt seit Oktober 2025 kontinuierlich Verkaufsdetails und Stammdaten an. Das System läuft bereits in der Produktionsumgebung, bildet Module wie KI-Entscheidungsunterstützung, mehrdimensionale Dashboards, Artikel, Personal, Geschäfte, Lagerverwaltung, Finanzen und Datenupload und hat Seitenlösungen wie wöchentliche Geschäftsberichte, Markteinführung neuer Produkte, saisonale Analyse, Gewinnanalyse, Bestandsumschlag, Kunden-RFM, Lieferkettenanalyse und Vier-Quadranten-Diagnose erarbeitet. Der Schwerpunkt in der aktuellen Phase liegt nicht darin, weitere Funktionen hinzuzufügen, sondern die Effizienz der Datenintegration externer Kunden, die Stabilität komplexer Abfragen, die Wirkung der Rechteverwaltung und die Zahlungsbereitschaft zu validieren.

Dieses Projekt sucht eine Finanzierung in der Seed-Runde. Die Mittel werden voraussichtlich für die Produktengineering, die Integration von Mandantendaten, die Optimierung von Branchenanalysemodellen, die Validierung von Kundenfällen und den Aufbau von Kanalpartnerschaften verwendet. Im Vergleich zu allgemeinen BI-Tools konzentriert sich das KI-gestützte betriebliche Entscheidungssystem für den Handelsgroßhandel auf die häufigen Entscheidungsszenarien von Managern in Großhandelsunternehmen: Die Manager müssen sich nicht zuerst mit dem Berichtssystem vertraut machen, sondern können die Schlussfolgerung mit einem einzigen Satz erhalten und diese dann an die entsprechende Person zur Ausführung weitergeben. Der Wert, den das Projekt nachweisen soll, besteht darin, dass Unternehmen unter denselben Personalbedingungen schneller das Risiko von unverkauften Waren, Markteinführungschancen, Lücken bei der Warenbevorratung und Aufstiegsfenster von Kategorien erkennen und den Zyklus von der Erkennung von Problemen durch Daten bis zur Umsetzung von Geschäftsmaßnahmen verkürzen können.