Was ist Nachfrageprognose?
Die Wichtigkeit des Onlinekanals für den Handel nimmt stetig zu. Das hat sich gerade im letzten Jahr gezeigt, als wir alle dazu übergehen mussten, online einzukaufen – als coronabedingte Notwendigkeit und nicht als Option. Selbst für die einfachsten Produkte wie Toilettenpapier nutzen Menschen inzwischen Online-Shopping.
Je mehr Produkte, desto mehr Kundenverkehr. Je mehr Transaktionen insgesamt stattfinden, desto schwieriger wird es, all die damit verbundenen Daten im Blick zu behalten und zu nutzen. Die Fähigkeit aber, Daten zu analysieren, Trends vorherzusagen und die Preise entsprechend festzulegen, wird immer wichtiger, um wettbewerbsfähig zu bleiben.
Die Nachfrageprognose oder Bedarfsprognose, ein Teil der prädiktiven Analytik (Englisch “Predictive Analytics”), zielt darauf ab, die eigene Verkaufsstrategie zu verbessern und gleichzeitig wichtige KPIs zu erreichen. Dazu werden riesige Datenmengen genutzt, um die Kundennachfrage zu verstehen und vorherzusagen. Durch die Verwendung historischer Verkaufsdaten sowie neuester statistischer Techniken und Algorithmen ist es möglich, mit Hilfe von Demand forecasting bzw. Bedarfsprognose zukünftige Verkäufe einzuschätzen. So können Unternehmen ihre Preise entsprechend anpassen, um ihre Ziele im Einklang mit Gewinn und Umsatz zu erreichen.
Es gibt zwei Typen der traditionellen Nachfrageprognose. Beide nutzen unterschiedliche Quellen und Datensätze und werden im Folgenden erläutert.
Quantitative Prognosemethoden
Diese Methoden umfassen die Betrachtung aller Daten eines Unternehmens, einschließlich Finanzberichte, Verkaufs- und Umsatzzahlen sowie Website-Analysen. Zusätzlich können statistische Modellierung und Trendanalyse hinzugezogen werden, um zukünftige Aktivitäten vorherzusagen.
Innerhalb der quantitativen Prognosen finden folgende Methoden Anwendung:
- Trendprojektion: Verwendung von Verkaufsdaten aus der Vergangenheit, um zukünftige Verkäufe zu prognostizieren. Als einfachste und unkomplizierteste Methode der Nachfrageprognose ist sie besonders effektiv für Unternehmen mit einer signifikanten Verkaufsdatenhistorie.
- Ökonometrisch: Kombination von Verkaufsdaten mit Informationen über externe Faktoren, die die Nachfrage beeinflussen. Aus diesen Daten wird eine mathematische Formel erstellt, um Änderungen vorherzusagen. Die Methode berücksichtigt die Beziehungen unter den wirtschaftlichen Faktoren.
- Regression: Statistische Technik zur Quantifizierung der Beziehung zwischen Variablen. Bei der einfachen Regressionsanalyse wird eine abhängige Variable (z. B. der Umsatz) anhand einer unabhängigen Variable prognostiziert, indem ihre Regressionskoeffizienten vorhergesagt werden. Die Werte der unabhängigen Variablen sind typischerweise diejenigen, von denen angenommen wird, dass sie miteinander korrelieren und können daher die Werte der abhängigen Variablen bestimmen. Die Kenntnis der quantifizierten Beziehung zwischen den Variablen ermöglicht es, Prognoseschätzungen zu erstellen.
- Exponentielle Glättung: Eine Zeitreihen-Prognosemethode für univariate Daten (von nur einer Variablen abhängige Daten). Diese Methode weist von den neuesten bis zu den ältesten Daten eine exponentiell abnehmende Gewichtung auf. Mit anderen Worten: Je älter die Daten sind, desto weniger Priorität („Gewicht“) erhalten sie; neuere Daten werden als relevanter angesehen. Glättungsparameter (Glättungskonstanten) – meist mit Alpha bzw. α bezeichnet – bestimmen die Gewichtung der Beobachtungen. Diese Methode wird normalerweise für kurzfristige Prognosen angewendet, da sie langfristig eher unzuverlässige Ergebnisse liefert.
- Einfache exponentielle Glättung: Diese Zeitreihen-Prognosemethode deckt univariate Daten ohne Trend oder Saisonalität ab. Sie erfordert einen einzigen Parameter, Alpha bzw. α oder Glättungsfaktor bzw. Glättungskoeffizient genannt. Dieser Parameter steuert, inwieweit der Einfluss von Daten aus der Vergangenheit exponentiell abnimmt. Alpha wird oft auf einen Wert zwischen 0 und 1 eingestellt. Große Werte bedeuten, dass das Modell hauptsächlich die jüngsten Daten berücksichtigt, während bei kleineren Werten die Historie bei der Vorhersage eine größere Rolle spielt.
Die Grundformel für die einfache exponentielle Glättung lautet: St = αyt-1 + (1 - α) St-1 wobei α = die Glättungskonstante, ein Wert zwischen 0 und 1. Wenn α in der Nähe von Null liegt, erfolgt die Glättung langsamer. Daraus folgt, dass der beste Wert für α derjenige ist, der den kleinsten mittleren quadratischen Fehler (MSE) ergibt. t = Zeitspanne
- Doppelte exponentielle Glättung: Eine Erweiterung der exponentiellen Glättung, die eine weitere Variable in der univariaten Zeitreihe einsetzt. Zusätzlich zum Alpha-Parameter wird ein zusätzlicher Glättungsfaktor namens Beta (b) hinzugefügt. Dieser dient dazu, das Abklingen des Einflusses einer Trendänderung zu steuern. Die Methode unterstützt Trends, die sich auf unterschiedliche Weise ändern: additiv und multiplikativ, je nachdem, ob der Trend linear oder exponentiell ist.
Diese Methode gilt als zuverlässiger für die Analyse von Daten, die einen Trend aufweisen. Die Methode mit zwei Gleichungen ist komplexer: bt = γ(St - St-1) + (1 - γ)bt-1 Dabei ist γ eine Konstante, die in Bezug auf α gewählt wird.
Qualitative Prognosemethoden
Die zweite Gruppe von Methoden betrachtet das wirtschaftliche Umfeld und nutzt qualitative Einschätzungen zur Prognose. Dabei werden aufkommende Technologien und Innovationen berücksichtigt, die sich auf eine Reihe von Bereichen auswirken können, beispielsweise auf zukünftige Verkäufe, Produktlebenszyklen, die Änderung von Preisen und Verfügbarkeiten, Produkt-Upgrades und mehr. Um die Nachfrageprognose zu unterstützen, werden diese Informationen ganzheitlich betrachtet.
Zu den qualitativen Methoden gehören:
- Delphi-Methode: Sie erfordert das Einbinden externer Experten und eines erfahrenen Moderators. Zur Durchführung wird ein Fragebogen an eine Gruppe von Experten für Nachfrageprognose gesendet. Eine Zusammenfassung der Antworten geht direkt an ein Gremium. Der Prozess wird in mehreren Runden wiederholt und führt dazu, dass Unternehmen auf Expertenwissen und -perspektiven zurückgreifen können.
- Salesforce-Verbund: Mithilfe des Feedbacks einer Vertriebsgruppe können Unternehmen die Kundennachfrage prognostizieren, indem sie deren Wissen und Expertise darüber nutzen, was Kunden wünschen und was die Konkurrenz macht.
- Marktforschung: Diese Methode basiert auf gesammelten Daten aus Kundenbefragungen. Das erfordert zwar Zeit und Aufwand, liefert aber wertvolle Erkenntnisse, die sich aus internen Vertriebsdaten nicht gewinnen lassen.
Nachfrageprognose in der Praxis
Unabhängig von der Art des Unternehmens kann die Nachfrageprognose ein sehr wertvolles Werkzeug sein. Auf Grundlage der erzeugten Daten lassen sich genaue Vorhersagen treffen, um Preisgestaltung, Umsatz, Ausgaben, Risikobewertung und Bestandsplanung zu beeinflussen.
Gerade während der aktuellen Pandemie ist augenscheinlich geworden, dass insbesondere der Einzel- und Online-Handel genaue Prognosen benötigen, um schnelle und intelligente Entscheidungen treffen zu können, die auf datenbasierten Vorhersagen beruhen. Für Unternehmen liegen die Vorteile in Bereichen wie Lieferketten, Marketing und Finanzen, um nur einige zu nennen.
Weitere Vorteile der Bedarfsprognose für Unternehmen
Es gibt eine Reihe weiterer Vorteile der Nachfrageprognose für Unternehmen. Dazu gehören folgende Bereiche:
- Verständnis externer Einflüsse: Durch die Berücksichtigung von Daten über Branchentrends, den Zustand der Wirtschaft und Marktprognosen macht es dieses Modell für Unternehmen einfach, sich flexibel anzupassen und schnell zu wachsen. Dabei sind einige externe Faktoren zu berücksichtigen, die wir hier zusammengefasst haben.
- Erkennen von saisonalen Trends: Dank historischer Umsatzdaten lassen sich saisonale Schwankungen vorhersagen. Während einige offensichtlich sind, wie z. B. nationale Feiertage, kann die Methode Unternehmen auch dabei helfen, ruhigere Zeiten vorherzusehen und passende Preisstrategien zu planen.
- Gesteigerte Rentabilität und reduzierte Kosten: Mithilfe dieser Methode können Unternehmen ihren Gewinn durch Umsatzsteigerung, Kostensenkung und gesteigerte Produktivität erhöhen – und so verpasste Verkaufschancen durch Auslagerungen oder Abschläge auf überlagerte Artikel reduzieren.
- Fundierte Planung von Lieferketten: Je mehr Wissen zur Verfügung steht, desto besser lässt sich die Kundennachfrage planen. Durch die Vorhersage zukünftiger Bestandsanforderungen gibt es im Entscheidungsprozess kein Rätselraten mehr.
- Verbessertes Kundenerlebnis: Besserer Service bedeutet zufriedenere Kunden, die mit größerer Wahrscheinlichkeit wiederkommen anstatt zu einem Wettbewerber zu gehen.
- Effektiveres Marketing: Marketing und Werbung lassen sich auf Grundlage dieser Methode anpassen, um den Umsatz zu steigern. Hochentwickelte Prognosemodelle, die auf maschinellem Lernen beruhen, berücksichtigen auch Marketingdaten.
Die Nachfrageprognose verändert die Preisgestaltung im Einzel- und Online-Handel. Anstatt eines traditionellen Ansatzes, der mit Preisregeln arbeitet, bringen KI (künstliche Intelligenz) und maschinelles Lernen im Einzelhandel neue Impulse ins Spiel. Durch den Einsatz hochpräziser Nachfrageprognosen, die eine differenzierte, intelligente Preisgestaltung ermöglichen, können Unternehmen höhere Umsätze und Gewinne erwarten, was Machine Learning zu einer attraktiven Option macht. Mehr über dynamische Preisgestaltung haben wir hier zusammengestellt.
Wir bei 7Learnings behandeln Nachfrageprognosen als integralen Bestandteil unseres Ansatzes zur Preisoptimierung. Unsere fortschrittlichen Preisgestaltungslösungen verwenden Algorithmen des maschinellen Lernens, um optimale Preise zu ermitteln und gleichzeitig unseren Kunden genaue Prognosen zu liefern, die sich wie oben gezeigt anwenden lassen.
Whitepaper
Predictive Pricing
Die nächste Generation der Preisoptimierung für den Handel
Statistische Modellierungsmethoden der Bedarfsprognose vs. Methoden des maschinellen Lernens
Obwohl es eine Überschneidung zwischen maschinellem Lernen und statistischer Modellierung gibt, haben beide ihren eigenen Platz. Wie sie sich unterscheiden und welche Rolle sie spielen, erfahren Sie hier.
Was ist traditionelle statistische Modellierung?
Statistische Modellierung ist eine mathematische Disziplin, bei der es darum geht, die Beziehung zwischen Variablen zu finden, um ein Ergebnis vorherzusagen. Diese Methode ermöglicht es uns, die Welt um uns herum mathematisch zu betrachten.
Mit Hilfe der statistischen Modellierung ist es möglich, Beziehungen zwischen verschiedenen Variablen zu klären. Data Scientists setzen Hypothesentests, Konfidenzintervalle und andere Techniken ein, um Schnittstellen herzustellen und Hypothesen aus Datensätzen zu validieren.
Die Daten, die für die statistische Modellierung verwendet werden, müssen nicht groß sein. Vielmehr lässt sich die Modellierung an einem relativ kleinen Datensatz durchführen, um die zugrundeliegende Natur der Daten zu verstehen.
Statistische Modelle arbeiten mit verschiedenen Annahmen. Ein lineares Regressionsmodell geht z. B. von folgenden Faktoren aus:
- Einer linearen Beziehung zwischen abhängigen und unabhängigen Variablen
- Einem mittleren Fehler bei Null für jeden abhängigen Wert
- Dass der Fehler für den Wert der abhängigen Variable normalverteilt ist
- Homoskedastizität
- Unabhängigkeit der Beobachtungen
Andere Modelltypen wie logistische Regressionen und nicht-lineare Modelle haben ebenfalls einen eigenen Satz von Annahmen. Natürlich können sich statistische Modelle der Realität nur annähern. Bei 7Learnings überwachen wir laufend die Auswirkungen der Modelle auf geschäftliche KPIs wie Umsatz und Gewinn.
Was ist maschinelles Lernen?
Maschinelles Lernen basiert auf KI (künstlicher Intelligenz). Die daraus entwickelten Systeme können aus Daten lernen anstatt explizit programmiert zu werden. Obwohl es sich um ein relativ neues Feld handelt, wächst es schnell, was es Datenwissenschaftlern ermöglicht, Modelle zu trainieren, die Schritt für Schritt aus Daten lernen.
Die schiere Menge an Daten, die online produziert wird, nimmt immer weiter zu. Daher sind auch der Bedarf und das Potenzial für maschinelles Lernen im Einzelhandel gewachsen. Maschinelles Lernen kann sehr große Menge von Informationen verwalten und daraus lernen – das macht Daten handhabbarer und spart gleichzeitig Zeit.
Welche Modelle kommen bei der Nachfrageprognose zum Einsatz?
Wenn es in der Praxis um große Datenmengen geht, sind maschinelles Lernen und seine nicht-linearen Modelle bei der Nachfrageprognose besonders gut geeignet. Wer mit einem kleineren Datensatz mit weniger Attributen arbeitet, kann auch auf traditionelle lineare Modelle zurückgreifen.
Gerade größere Unternehmen, die wettbewerbsfähig und flexibel sein und bleiben wollen, sollten aufgrund der Menge an Transaktionen und der vielen Datenpunkte den Einsatz von maschinellem Lernen in Betracht ziehen. Durch die Verwendung von Algorithmen des maschinellen Lernens können sich Unternehmen von der expliziten Programmierung lösen. Das spart Zeit, weil Daten und Regeln nicht ständig überwacht werden müssen.
Herkömmliche Modelle sind im Alltag nicht nur zeitintensiver, sondern können auch nur eine begrenzte Anzahl von Daten berücksichtigen – was bedeutet, dass bei der Prognose entscheidende Informationen wie externe Daten fehlen könnten, also Mitbewerberdaten, Feiertage oder regionale Trends, saisonale Daten und mehr. All diese Faktoren können jedoch einen großen Einfluss auf Umsatz und Gewinn haben.
Nicht zu vergessen sind die großen Datensätze, die aus internen Faktoren wie den folgenden generiert werden:
- Sortimentsgröße
- Logistikkosten
- Werbeaktionen und Gutscheine
- Kundenerwartungen
- Auftragslage
Da Tabellenkalkulationen von Menschen betreut und überwacht werden, sind sie fehleranfällig. Maschinelle Lernalgorithmen entwickeln sich im Laufe der Zeit kontinuierlich weiter, was bedeutet, dass sie Effekte und Beziehungen erfassen können, zu denen ein Mensch nicht in der Lage wäre. Die Komplexität der Daten großer Onlinehändler übersteigt das menschliche Fassungsvermögen, sodass letztlich die einzig praktikable Lösung maschinelle Lernalgorithmen sind.
Mehr Informationen über KI und maschinelles Lernen im Einzelhandel haben wir hier zusammengestellt.
Diese Vorteile bieten Nachfrageprognosen auf Grundlage maschinellen Lernens dem Einzelhandel
In der Nachfrageprognose liegt laut Gartner die Zukunft des Einzel- und Online-Handels. KI-gestützte Nachfrageprognose vermag die Verkaufsleistung, die Bestands- und Mitarbeiterplanung sowie Supply-Chain-Services deutlich zu verbessern. Sie ist einfach zu implementieren und schafft gleichzeitig einen hohen Mehrwert für das Unternehmen. Deshalb haben sie zahlreiche Entscheidungsträger im Einzelhandel bereits auf der Agenda.
Viele einflussreiche „weiche“ Faktoren, die sich stetig ändern, lassen sich nur schwer mit „harten“ Regeln und statischen Modellen erfassen. Maschinelle Lernmodelle verarbeiteten eine große Menge an Informationen und verschiedene Faktoren, einschließlich des Wichtigkeitsgrads jedes Faktors. Laut McKinsey ist es unter dem Einsatz von maschinellen Lernmodellen möglich, Prognosefehler um bis zu 50 % zu reduzieren.
Bei der Kombination von Daten aus internen und externen Quellen mit leistungsstarken Algorithmen kann maschinelles Lernen die Datenverarbeitungsgeschwindigkeit immer weiter beschleunigen und die Vorhersagegenauigkeit verbessern.
Die Vorteile von Prognosemethoden basierend auf maschinellem Lernen:
- Höhere Verarbeitungsgeschwindigkeit
- Genauere Prognosen, automatisch aktualisiert und basierend auf aktuellen Daten
- Hohe Anpassungsfähigkeit und Flexibilität
- Analyse großer Datenmengen
- Auffinden versteckter Datenmuster
Unser Ansatz für Nachfrageprognosen und maschinelles Lernen im Einzelhandel bei der Preisgestaltung
Bei der Betrachtung von Nachfrageprognosen für den Einzelhandel gibt es viele komplexe Punkte zu berücksichtigen, was ein erhebliches Wissen voraussetzt. Es gilt, die besonderen Anforderungen des Einzelhandels sowie die unzähligen Faktoren, die das Kaufverhalten der Verbraucher beeinflussen, zu verstehen. Um wettbewerbsfähig zu bleiben, den Überblick über die Marktbedingungen zu behalten und informiert zu sein, ist die auf maschinellem Lernen basierende Prognose ein wichtiger Schritt für Händler und Unternehmen.
Durch den Einsatz modernster, auf maschinellem Lernen basierender Methoden zur Erstellung hochpräziser, effektiver Nachfrageprognosen bietet 7Learnings Einzelhändlern eine einfache und dennoch intelligente Möglichkeit zur Preisoptimierung. Bei 7Learnings prognostizieren wir nicht nur die Nachfrage, sondern auch wichtige KPIs wie Retourenquoten sowie Outbound- und Inbound-Kosten, um eine möglichst genaue Vorhersage für zukünftige Gewinne zu ermitteln – eine besondere Herausforderung mit der Schwierigkeit, sowohl auf der gesamten Shop-Nachfragevorhersage als auch auf der Produktebene exakt zu sein.
Wir wissen, dass keine zwei Unternehmen oder deren Daten gleich sind, weshalb wir für jeden unserer Kunden einen maßgeschneiderten Ansatz wählen. Schließlich müssen Daten sorgfältig verwaltet werden, von der anfänglichen Datenbereinigung bis hin zum Modelltraining. Bei jedem dieser Schritte setzen die Data Scientists von 7Learnings verschiedene statistische und maschinelle Lernmethoden ein, um eine zuverlässige und maßgeschneiderte Lösung für jeden einzelnen Kunden zu finden.
Das Ergebnis unserer Nachfrageprognose ist eine Preisoptimierung, die auf Basis der individuellen Preisstrategie und vorgegebener KPIs konfiguriert werden kann. So können Unternehmen ihre Umsatzziele schneller erreichen, ihre Marktposition ausbauen und ihre Unternehmensmarke stärken.
