Nachfrageprognosen: eine neue Anwendung für maschinelles Lernen im Einzelhandel

Einführung: Was ist Nachfrageprognose?

Der Online-Handel ist das Herzstück der modernen Welt, vor allem im letzten Jahr, als wir dazu übergehen mussten, online einzukaufen, und zwar als Notwendigkeit und nicht als Option. Das Online-Shopping hat dazu geführt, dass die Menschen selbst für die grundlegendsten Dinge auf das Internet zurückgreifen, und zwar so sehr, dass sie jetzt ein Abonnement für diese Produkte bestellen können.

Je mehr Produkte, desto mehr Kundenverkehr. Je mehr Transaktionen insgesamt stattfinden, desto schwieriger wird es, alle damit verbundenen Daten zu verfolgen und zu nutzen. Angesichts des zunehmenden Wettbewerbs wird die Fähigkeit, Daten zu analysieren, Trends vorherzusagen und Preise entsprechend festzulegen, zu einem wesentlichen Faktor, um wettbewerbsfähig zu bleiben.

Die Nachfrageprognose, ein Teil der prädiktiven Analytik, zielt darauf ab, die Unternehmensführung zu verbessern und gleichzeitig kritische KPIs zu erfüllen, indem diese Daten genutzt werden, um die Kundennachfrage zu verstehen und vorherzusagen. Auf der Grundlage historischer Verkaufsdaten, neuester statistischer Verfahren und Algorithmen ist es möglich, mit Hilfe von Nachfrageprognosen den künftigen Absatz abzuschätzen.

So können die Unternehmen das künftige Leistungsniveau genau definieren und ihre Preise entsprechend anpassen, um ihre Ziele in Übereinstimmung mit Gewinn und Umsatz zu erreichen.

Es gibt zwei Haupttypen traditioneller Nachfrageprognosen, die jeweils unterschiedliche Ressourcen und Datensätze verwenden:

Quantitative Prognosemethoden

Bei dieser Methode werden die vorhandenen Daten eines Unternehmens ausgewertet, z. B. Finanzberichte, Umsatz- und Ertragszahlen sowie Website-Analysen. Darüber hinaus können diese Daten zur statistischen Modellierung und Trendanalyse genutzt werden, um künftige Aktivitäten vorherzusagen.

Im Rahmen der quantitativen Prognosen werden unter anderem folgende Methoden verwendet:

• Trendprojektion: Verwendung von Umsatzdaten aus der Vergangenheit zur Prognose künftiger Umsätze. Als einfachste und unkomplizierteste Methode der Nachfrageprognose ist sie am effektivsten für Unternehmen mit einer aussagekräftigen Absatzdatenhistorie.
• Ökonometrisch: Kombination von Verkaufsdaten mit Informationen über externe Kräfte, die die Nachfrage beeinflussen, und Erstellung einer mathematischen Formel zur Vorhersage von Veränderungen. Bei dieser Methode werden die Beziehungen zwischen den Wirtschaftsfaktoren berücksichtigt.
• Regression: Ein statistisches Verfahren 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.Eine abhängige Variable (z. B. der Umsatz) wird auf der Grundlage einer unabhängigen Variable prognostiziert. Die Werte der unabhängigen Variablen sind in der Regel diejenigen, von denen angenommen wird, dass sie miteinander korrelieren und daher die Werte der abhängigen Variablen bestimmen können. Die Kenntnis der quantifizierten Beziehung zwischen den Variablen ermöglicht es Datenwissenschaftlern, Prognoseschätzungen zu erstellen.
• Exponentielle Glättung: Eine Zeitreihenvorhersagemethode für univariate Daten. Bei dieser Methode werden exponentiell abnehmende Gewichte für die jüngsten bis ältesten Beobachtungen vergeben. Mit anderen Worten: Je älter die Daten sind, desto weniger Priorität („Gewicht“) erhalten sie; neuere Daten werden als relevanter angesehen und erhalten mehr Gewicht. Glättungsparameter (Glättungskonstanten) – in der Regel mit α bezeichnet – bestimmen die Gewichtung der Beobachtungen. Diese Methode wird in der Regel für kurzfristige Prognosen verwendet, da sie auf lange Sicht recht unzuverlässig sein kann.
• Einfache (einfache) exponentielle Glättung: Eine weitere Methode der Zeitreihenprognose, die jedoch univariate Daten ohne Trend oder Saisonalität erfasst. Sie erfordert einen einzigen Parameter, Alpha (a), der auch als Glättungsfaktor oder Glättungskoeffizient bezeichnet wird. Dieser Parameter steuert die Rate, mit der der Einfluss der Beobachtungen aus früheren Zeitschritten exponentiell abnimmt. Alpha wird häufig auf einen Wert zwischen 0 und 1 gesetzt. Große Werte bedeuten, dass das Modell hauptsächlich die jüngsten Beobachtungen aus der Vergangenheit berücksichtigt, während kleinere Werte bedeuten, dass mehr aus der Vergangenheit in die Vorhersage einfließt.

Die Grundformel für die einfache exponentielle Glättung lautet:
St = αyt-1 + (1 – α) St-1
Wo:
α = die Glättungskonstante, ein Wert zwischen 0 und 1.
Wenn α nahe bei Null liegt, erfolgt die Glättung langsamer. Demnach ist der beste Wert für α derjenige, der den kleinsten mittleren quadratischen Fehler (MSE) ergibt.
t = Zeitspanne.

• Doppelte exponentielle Glättung: eine Erweiterung der exponentiellen Glättung, die ausdrücklich Trends in univariaten Zeitreihen unterstützt. Neben dem Parameter Alpha zur Steuerung des Glättungsfaktors für das Niveau wird ein zusätzlicher Glättungsfaktor zur Steuerung des Abklingens des Einflusses der Trendänderung, genannt Beta (b), hinzugefügt. Die Methode unterstützt Trends, die sich auf unterschiedliche Weise verändern: 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 erkennen lassen. Außerdem handelt es sich um eine kompliziertere Methode, bei der das Verfahren um eine zweite Gleichung erweitert wird:
bt = γ(St – St-1) + (1 – γ)bt-1
Dabei ist γ eine Konstante, die in Bezug auf α gewählt wird.

Qualitative Prognosemethoden

Bei der zweiten Gruppe von Methoden geht es um die Betrachtung des allgemeinen Wirtschaftsklimas. Dabei werden aufkommende Technologien und Innovationen berücksichtigt, die sich auf eine Reihe von Bereichen auswirken können, wie z. B. künftige Verkäufe, Produktlebenszyklus, Preis- und Verfügbarkeitsänderungen, Produkt-Upgrades und mehr. Um die Nachfrage vorherzusagen, werden diese Informationen ganzheitlich betrachtet.

Zu den Methoden, die unter diesen Begriff fallen, gehören:

• Delphi-Methode: Bei dieser Methode werden externe Experten und ein erfahrener Moderator hinzugezogen. Zur Durchführung dieser Methode wird ein Fragebogen an eine Gruppe von Experten für Nachfrageprognosen verschickt. Daraufhin wird eine Zusammenfassung der Antworten erstellt und an das Gremium weitergeleitet. Dies wird in mehreren aufeinanderfolgenden Runden wiederholt und führt dazu, dass die Unternehmen auf Expertenwissen und -perspektiven zurückgreifen können
• Salesforce Composite: Mithilfe des Feedbacks einer Vertriebsgruppe können Unternehmen die Kundennachfrage prognostizieren, indem sie ihr Wissen und ihre Erfahrung darüber nutzen, was Kunden wünschen und was die Konkurrenz tut.
• Marktforschung: Eine Methode, die auf den durch Kundenbefragungen gesammelten Daten basiert. Diese Methode ist zwar zeitaufwändiger und mühsamer, liefert aber wertvolle Erkenntnisse, die sich aus internen Vertriebsdaten nicht gewinnen lassen.

Es ist erwähnenswert, dass es während der Coronavirus-Pandemie zu erheblichen Unterbrechungen der Lieferkette kam. Dies kann als praktisches Beispiel für die Notwendigkeit und Bedeutung von Nachfrageprognosen angesehen werden.

Nachfrageprognosen in der realen Welt

Unabhängig von der Art des Unternehmens kann die Nachfrageprognose ein unglaublich wertvolles Instrument sein. Indem Sie genaue Vorhersagen treffen, nutzen Sie die gewonnenen Daten, um die Preisgestaltung, den Umsatz, die Ausgaben, die Risikobewertung und die Bestandsplanung zu beeinflussen.

Während der Pandemie haben wir gesehen, dass insbesondere der Einzelhandel und der elektronische Handel genaue Prognosen benötigen, um schnellere und intelligentere Entscheidungen treffen zu können, die auf datengestützten Vorhersagen beruhen. Dabei können die Unternehmen die Vorteile für eine Vielzahl von Bereichen wie Lieferketten, Marketing und Finanzfunktionen, um nur einige zu nennen, erkennen.

Weitere Vorteile der Nachfrageprognose für Unternehmen

Aber wo sonst könnte Ihr Unternehmen die Vorteile der Nachfrageprognose sehen, die unter anderem Folgendes umfassen:

• Verstehen externer Einflüsse: Durch die Einbeziehung von Daten über Branchentrends, den Zustand der Wirtschaft und Marktprognosen erleichtert dieses Modell den Unternehmen die Anpassung und das schnelle Wachstum. Vergessen Sie aber nicht, einige der externen Faktoren zu berücksichtigen, die Sie in unserem Leitfaden hier nachlesen können.
• Erkennen von saisonalen Trends: Nutzung historischer Verkaufsdaten zur Erkennung saisonaler Schwankungen. Während einige davon offensichtlich sind, wie z. B. nationale Feiertage, kann dies den Unternehmen auch helfen, ruhigere Zeiten zu ermitteln und bessere Preisstrategien im Voraus zu planen.
• Höhere Rentabilität und geringere Kosten: Dank der verbesserten Genauigkeit können Unternehmen ihr Endergebnis durch Umsatzsteigerung, Kostensenkung und Produktivitätsverbesserung verbessern, indem sie verpasste Verkaufschancen durch Auslagerungen oder Abschläge bei überhöhten Lagerbeständen reduzieren.
• Widerstandsfähigere Lieferketten: Je mehr Wissen Sie haben, desto besser können Sie für die Kundennachfrage planen. Durch die Vorhersage des künftigen Bedarfs an Lagerbeständen kann das Rätselraten aus den Entscheidungen herausgenommen werden.
• Ein besseres Kundenerlebnis: Ein besserer Service bedeutet zufriedenere Kunden, die mit größerer Wahrscheinlichkeit wiederkommen, anstatt zu einem Ihrer Wettbewerber zu gehen.
• Marketing-Effektivität: Wenn Sie ein klares Bild haben, können Sie Ihr Marketing und Ihre Werbung anpassen, um den Umsatz auf der Grundlage von Daten zu steigern. Und vergessen Sie nicht, dass ausgeklügelte Prognosemodelle für maschinelles Lernen auch Marketingdaten berücksichtigen können.

Auch im Einzelhandel kommt es aufgrund von Nachfrageprognosen zu Störungen bei der Preisgestaltung. Anstelle eines traditionellen Ansatzes, bei dem Preisregeln angewandt werden, um zu sehen, wie sie sich auf die Preisgestaltung und den Umsatz auswirken, verändert das maschinelle Lernen das Spiel.

Durch den Einsatz hochpräziser Nachfrageprognosen, die eine differenzierte, intelligente Preisgestaltung ermöglichen, können Sie mit höheren Umsätzen und Gewinnen rechnen, was Machine Learning zu einer attraktiven Option macht. Mehr über dynamische Preisgestaltung erfahren Sie in unserem leicht verständlichen Leitfaden.

Aufgrund der offensichtlichen Vorteile betrachten wir bei 7Learnings die Nachfrageprognose als integralen Bestandteil unseres Ansatzes zur Preisoptimierung im Einzelhandel. Unsere fortschrittlichen Preisgestaltungslösungen verwenden Algorithmen des maschinellen Lernens, um optimale Preise zu ermitteln und unseren Kunden gleichzeitig genaue Prognosen zu liefern, die, wie oben gezeigt, angewendet werden können.

Statistische Modellierungsmethoden der Nachfrageprognose vs. Methoden des maschinellen Lernens

Obwohl es Überschneidungen zwischen maschinellem Lernen und statistischer Modellierung gibt, haben beide ihren eigenen Platz in ähnlichen Anwendungsfällen. Lesen Sie weiter und erfahren Sie mehr.

Was ist die traditionelle statistische Modellierung?

Die statistische Modellierung ist eine mathematische Disziplin, bei der es darum geht, die Beziehung zwischen Variablen zu ermitteln, um ein Ergebnis vorherzusagen – diese Methode der Modellierung ermöglicht es uns, die Welt um uns herum mathematisch zu erfassen.

Mit Hilfe der statistischen Modellierung ist es möglich, Beziehungen zwischen anderen Variablen zu erklären. Aus diesem Grund verwenden Data Scientists Hypothesentests, Konfidenzintervalle und andere Techniken, um Schnittstellen zu schaffen und Hypothesen aus Datensätzen zu validieren.

Die für die statistische Modellierung verwendeten Daten müssen nicht unbedingt groß sein. Sie kann sogar mit einem relativ kleinen Datensatz durchgeführt werden, um zu versuchen, die zugrunde liegende Natur der Daten zu verstehen.

Statistische Modelle beruhen auf verschiedenen Annahmen. Ein lineares Regressionsmodell zum Beispiel geht von der Annahme aus, dass es so ist:

• Eine lineare Beziehung zwischen abhängigen und unabhängigen Variablen
• Ein mittlerer Fehler bei Null für jeden abhängigen Wert
• dass der Fehler für den Wert der abhängigen Variable normalverteilt ist
• Homoskedastizität
• Unabhängigkeit der Beobachtungen
• Andere Arten von Modellen, wie logistische Regressionen und nichtlineare Modelle, haben ebenfalls ihre eigenen Annahmen oder müssen eine kontinuierliche Trennungsgrenze einhalten

Natürlich können statistische Modelle nur eine Annäherung an die Realität darstellen – bei 7Learnings überwachen wir laufend die Auswirkungen der Modelle auf geschäftliche KPIs wie Umsatz und Gewinn.

Was ist maschinelles Lernen?

Maschinelles Lernen ist eine auf KI basierende Informatikdisziplin, die Systeme entwickelt, die aus Daten lernen können, ohne explizit programmiert zu werden. Obwohl es sich hierbei um ein relativ neues Feld handelt, wächst es schnell, was es Datenwissenschaftlern ermöglicht, Modelle zu trainieren, die im Laufe der Zeit aus Daten lernen.

Aufgrund der zunehmenden Datenmenge, die wir produzieren, sind der Bedarf und das Potenzial für maschinelles Lernen gestiegen. Die Tatsache, dass maschinelles Lernen Billionen von Beobachtungen verwalten und daraus lernen kann, macht die Daten besser handhabbar und spart gleichzeitig Zeit.

Welche Modelle sollten bei der Nachfrageprognose verwendet werden?

Bei der Verwaltung von Anwendungsfällen mit großen Mengen von Attributen und Beobachtungen sind maschinelles Lernen und seine nichtlinearen Modelle am besten geeignet. Bei der Arbeit mit einem kleineren Datensatz mit weniger Attributen funktionieren traditionelle lineare Modelle jedoch gut.

Auch wenn die herkömmliche Modellierung ihren Platz hat, sollten Unternehmen, die wettbewerbsfähig und agil bleiben wollen, aufgrund des Umfangs der stattfindenden Transaktionen und der Vielzahl der erzeugten Datenpunkte maschinelles Lernen in Betracht ziehen. Durch den Einsatz von Algorithmen des maschinellen Lernens können Sie auf die explizite Programmierung verzichten. Auf diese Weise wird Zeit gespart, da die Datenwissenschaftler nicht damit beschäftigt sind, die Logik der Auswirkungen einer Variable auf den Umsatz manuell auszuarbeiten.

Die herkömmliche Modellierung nimmt nicht nur mehr Zeit in Anspruch, sondern kann auch nur eine begrenzte Anzahl von Datenpunkten berücksichtigen – was bedeutet, dass bei der Prognose entscheidende Informationen fehlen könnten, ohne dass einflussreiche externe Faktoren berücksichtigt werden.

Zu den wichtigen externen Daten, die berücksichtigt werden sollten, gehören Daten von Mitbewerbern, Wochentage, Feiertage, regionale Trends, saisonale Daten und mehr. All dies kann sich natürlich erheblich auf den Umsatz und die Einnahmen auswirken.

Nicht zu vergessen sind die riesigen Datensätze, die aus internen Faktoren wie den folgenden generiert werden:

• Größe des Sortiments
• Kosten der Logistik
• Werbeaktionen und Gutscheine
• Erwartungen der Kunden
• Wirtschaft bestellen

Aufgrund des statischen Charakters der traditionellen Modellierung und der Tatsache, dass alle Daten explizit programmiert werden, gibt es eine Grenze, und sie kann anfällig für menschliche Fehler sein.

Andererseits lernen die Algorithmen des maschinellen Lernens im Laufe der Zeit kontinuierlich dazu, d. h. sie können Effekte und Beziehungen erfassen, die ein Mensch nicht erfassen könnte. Aufgrund der enormen Datenmenge übersteigt die Komplexität der Daten die menschlichen Fähigkeiten, so dass die einzige praktikable Lösung maschinelle Lernalgorithmen sind.

Möchten Sie mehr über maschinelles Lernen und KI im Einzelhandel erfahren? Klicken Sie hier, um unseren umfassenden Leitfaden zu lesen.

Die Vorteile von Nachfrageprognosen mit maschinellem Lernen für den Einzelhandel

Laut Gartner ist die Bedarfsprognose ein wichtiger Bestandteil der Zukunft. Die Anziehungskraft liegt in der Tatsache, dass der Einsatz von künstlicher Intelligenz-gestützter Nachfrageprognose im Einzelhandel die Verkaufsleistung, den Lagerbestand, die Personaleinsatzplanung und die Lieferkettendienstleistungen drastisch verbessert. Die Nachfrageprognose ist eine der Anwendungen von KI im Einzelhandel, die eine niedrige Umsetzungsschwelle hat und im Gegenzug einen hohen Geschäftswert bietet. Es ist ein führender Ansatz auf der Agenda der Entscheidungsträger im Einzelhandel.

Es ist keine Überraschung, dass Nachfrageänderungen und -prognosen ein äußerst komplexes Thema sind. Eine Vielzahl von Faktoren, die alle ihren eigenen Einfluss haben, lassen sich nur schwer mit „harten“ Regeln oder statischen Entscheidungen, wie etwa statistischen Modellen, erfassen.

Andererseits können Modelle des maschinellen Lernens gleichzeitig eine große Menge an Informationen und verschiedene Faktoren verarbeiten, wobei der Grad der Bedeutung jedes Faktors täglich neu festgelegt wird. Laut McKinsey ist es möglich, durch den Einsatz von maschinellem Lernen Prognosefehler um bis zu 50 % zu reduzieren.

Eine Kombination aus der Eingabe von Fahrerdaten aus internen und externen Quellen und leistungsstarken Algorithmen bedeutet, dass das maschinelle Lernen aus solchen Daten lernen und die Datenverarbeitungsgeschwindigkeit weiter beschleunigen und die Vorhersagegenauigkeit verbessern kann.

Im Vergleich zu diesen auf statistischen Modellen basierenden Prognosemethoden ist das maschinelle Lernen:

• Erhöht die Geschwindigkeit der Verarbeitung
• Genauere Vorhersage
• Verwendet aktuelle Daten zur automatischen Aktualisierung der Prognosen
• Analysiert größere Datenmengen
• Findet versteckte Muster in Daten
• Bessere Anpassungsfähigkeit an Veränderungen
• Stärkere und genauere regelmäßige Prognosen

7Learnings‘ Ansatz für Nachfrageprognosen und maschinelles Lernen bei der Preisgestaltung

Bei der Nachfrageprognose für den Einzelhandel gibt es viele komplexe Aspekte zu berücksichtigen, die ein umfangreiches Wissen erfordern. Es gilt, die besonderen Anforderungen des Einzelhandels zu verstehen und die unzähligen Faktoren zu berücksichtigen, die das Kaufverhalten der Verbraucher beeinflussen. Um wettbewerbsfähig zu bleiben, den Überblick über die Marktbedingungen zu behalten und informiert zu sein, sind auf maschinellem Lernen basierende Prognosen der nächste Schritt für Unternehmen.

Durch den Einsatz modernster, auf maschinellem Lernen basierender Methoden zur Erstellung hochpräziser, effektiver Nachfrageprognosen bietet 7Learnings Einzelhändlern eine einfache, aber intelligente Möglichkeit zur Preisoptimierung.

Bei 7Learnings prognostizieren wir nicht nur die Nachfrage, sondern auch wichtige KPIs wie Rücklaufquoten, Outbound- und Inbound-Kosten, um eine möglichst genaue Vorhersage für zukünftige Gewinne zu erhalten. Dies stellt eine besondere Herausforderung dar, da die Schwierigkeit darin besteht, sowohl die Nachfrage im gesamten Geschäft als auch auf Produktebene genau vorherzusagen.

Wir wissen, dass kein Unternehmen und keine Daten gleich sind. Deshalb verfolgen wir einen maßgeschneiderten Ansatz für jeden unserer Kunden. Schließlich müssen die Daten sorgfältig verwaltet werden, von der anfänglichen Datenbereinigung bis hin zur Modellschulung.

Bei jedem dieser Schritte setzen die Datenwissenschaftler von 7Learnings verschiedene statistische und maschinelle Lernmethoden ein, um eine zuverlässige und maßgeschneiderte Lösung für jeden einzelnen Kunden zu finden.

Unsere Nachfrageprognosen bilden die Grundlage für die Preisoptimierung, die auf der Grundlage einer individuellen Preisstrategie und vorgegebener KPIs konfiguriert werden kann. So können Unternehmen ihre Umsatzziele schneller erreichen, ihre Marktposition ausbauen und ihre Unternehmensmarke stärken.