Die heutige Einzelhandelslandschaft ist so dynamisch, dass Hunderte von Faktoren die Nachfrage beeinflussen können: Das macht das Erstellen akkurater Absatzprognosen ungeheuer komplex. Bestandsmanagementsysteme, die Maschinelles Lernen pragmatisch einsetzen, haben sich vor diesem Hintergrund als wirkungsvolles, strategisches Tool für Einzelhändler erwiesen. Machine-Learning-Algorithmen automatisieren Systemvorgänge, die immense Datenströme kombinieren und analysieren, und identifizieren darin komplizierte Muster: So produzieren sie die präzisen Absatzprognosen, die Einzelhändler benötigen.
Im Juli moderierte Solution Expert Rachel Dutton im Rahmen eines Webinars das RELEX-Branchengespräch „Machine Learning in Retail Demand Forecasting“: Dabei diskutierten Henrik Aalto (Data Scientist) und Josh Mann (Project Owner) die folgenden Themen:
- Die Definition von Machine-Learning
- Wie Machine-Learning Herausforderungen von Absatzprognosen im Einzelhandel löst
- Beispiele über erfolgreiche Anwendung von Machine-Learning bei der Absatzprognostizierung im Handel
- Wie Unternehmen Machine-Learning gewinnbringend für ihre Absatzplanung einsetzen
Henrik Aalto merkt an, dass wir alle bereits im Alltag irgendeine Form von künstlicher Intelligenz (KI) verwenden – etwa durch die Nutzung von Apps, die anhand erlernter Präferenzen ableiten, welches Lied oder Video ein Nutzer möglicherweise als nächstes hören oder ansehen möchte. Er weist jedoch darauf hin, dass die Definition von Machine-Learning sich wandelt und es häufig falsch aufgefasst wird. Insbesondere Einzelhändler müssen verstehen, dass Machine-Learning nicht nur ein Modewort ist: Es ist ein Tool, das gezielt zum Erreichen spezifischer Geschäftsvorteile eingesetzt werden kann.
Machine-Learning, das sich als Teilsatz von KI verstehen lässt, ist im Grunde eine Sammlung selbstlernender Algorithmen. Seine Stärke besteht in den Vorteilen gegenüber der traditionellen, regelbasierten Programmierung, die typischerweise Daten von einem fixen Punkt in der Vergangenheit bezieht (zum Beispiel Kalenderwoche 36 der vergangenen drei Jahre), um vorherzusagen, wie der Absatz in der entsprechenden Bezugsperiode in der Zukunft aussehen wird (Kalenderwoche 36 in diesem Jahr). Machine-Learning dagegen erlaubt dem System, diese fixen Daten mit Hunderten von dynamischen Variablen zu kombinieren – beispielsweise saisonale Trends, lokale Wetterprognosen, Markdown- und Kampagnen-Entscheidungen und weitere – und aus dem Input im Laufe der Zeit zu lernen: Ändern sich diese Informationen oder werden weitere Datenpunkte verfügbar, werden die Prognoseberechnungen auf der neuen Grundlage immer wieder aktualisiert.
Josh Mann beschreibt, wie Machine-Learning eingesetzt wird, um mehrere, die Nachfrage beeinflussende Datenpunkte zu analysieren – beispielsweise Absatzmuster, Geschäftsentscheidungen und externe Faktoren (wie etwa Feiertage, Kundenaufkommen oder Wetter) – und so eine verlässliche und akkurate Prognose zu generieren. Machine-Learning entdeckt zum Beispiel Kannibalisierungsvorgänge während Promotions und berücksichtigt das gelernte Ergebnis in künftigen Prognosen, um automatische Anpassungen vorzunehmen, die den Verderb minimieren und den Umsatz maximieren.
Mann ergänzt, dass valide, die Nachfrage beeinflussende Daten nicht immer in Erklärungsvariablen erfasst werden. Passiert das, kann es vorkommen, dass Zeitreihenmodelle die Ereignisse als Ausreißer interpretieren, was die Prognosegenauigkeit beeinträchtigt. Machine-Learning kann jedoch Strukturbrüche in den Verkaufsdaten aufdecken und so dem System ermöglichen, wesentliche Veränderungen in der Nachfrage zu modellieren, selbst ohne erklärende Variablen.
Der volle Nutzen dieses leistungsstarken Tools kommt erst im Zuge der ganzheitlichen Einbindung in der Bestell-, Markdown-, Flächen- und Workforce-Management-Optimierung zum Tragen – idealerweise innerhalb eines integrierten Einzelsystems.
Beide Diskussionsteilnehmer sind sich einig, dass Machine-Learning zwar ohne Weiteres auf die Absatzprognostizierung angewandt werden kann, der volle Nutzen dieses leistungsstarken Tools jedoch erst im Zuge der ganzheitlichen Einbindung in der Bestell-, Markdown-, Flächen- und Workforce-Management-Optimierung zum Tragen kommt – idealerweise innerhalb eines integrierten Einzelsystems. Maschinelles Lernen bietet mehr Transparenz, fördert kollaborative Prozesse in der Handelsplanung und hilft Planern, bessere Entscheidungen zu treffen. Händler wollen KI aktuell zur Kosteneinsparung, fundierten Entscheidungsfindung und zur Automatisierung ihrer Prozesse einsetzen: Hier hält Josh Mann eine pragmatische, durchgehende Herangehensweise an künstliche Intelligenz und Machine-Learning für notwendig, um in der Zukunft erfolgreich zu sein.
Für mehr Infos über Machine-Learning und dessen erfolgreichen Einsatz im Einzelhandel anhand von Fallbeispielen schauen Sie sich hier den gesamten Vortrag an.
