Machine Learning in Absatzprognosen richtig verwenden

Gute Prognosen sind die Basis für eine umfassende Supply-Chain-Planung und die daraus resultierende Optimierung von Prozessen und KPIs. Je schlechter die Prognosen sind, desto höher sind Abschreibungen, Warenverderb im Lebensmittelbereich oder das gebundene Kapital. Um diese Basis so exakt wie möglich zu berechnen, bedarf es verschiedener Tools.

RELEX Solutions hat sich in den zehn Jahren seiner Existenz auf Prognosen zur Optimierung der Supply-Chain-Planung spezialisiert. Inzwischen setzt der Software-Anbieter Prognostizierung auch in anderen Geschäftsbereichen ein, wie im Category- und Workforce-Management. Momentan berechnen wir für unsere Kunden um die 10 Milliarden Prognosen pro Tag und 100 Milliarden in der Woche. Der zeitliche Rahmen und die Art der Entscheidungen definieren, was eine gute Prognose ausmacht und bestimmen oft, welche Daten für die bestmögliche Prognose verfügbar sind.

Machine-Learning ist mehr als nur ein Hype

Natürlich arbeiten wir bei RELEX mit Machine-Learning. Der Hype, der aktuell um diese Technologie betrieben wird, sorgt aber für unrealistische Erwartungen und stellt Machine-Learning als Allheilmittel dar. Das ist es nicht. Bei richtigem Einsatz bringt es in manchen Bereichen jedoch konkrete Vorteile:

  • Wetterprognosen:

    Jeder kennt Zusammenhänge zwischen Nachfrage und Witterungsbedingungen und die dadurch entstehenden Muster: Heiße Temperaturen kurbeln den Absatz von Speiseeis an, bei Regen verkaufen sich mehr Regenschirme… Bezieht man aber das gesamte Sortiment ein, wird es komplizierter.
    An einer automatisierten Lösung führt hier kein Weg vorbei. Diese sollte die Daten verarbeiten und – basierend auf dem Grad der Wetterempfindlichkeit und dem Zusammenhang zwischen Nachfrage und Wetter – Empfehlungen aussprechen. Hier liefert Machine-Learning einen deutlichen Mehrwert: Die Software erlernt entsprechende Muster und verwertet das Ergebnis in der Absatzprognostizierung. Es werden nur Wetter-Variablen genutzt, die die Nachfrage tatsächlich beeinflussen. Das führt zu stabileren und exakteren Ergebnissen. Zusätzlich deckt der Algorithmus Zusammenhänge auf, die Menschen entgehen: Beispielsweise einen Bezug zum Wetter, der zwar statistisch signifikant ist, aber in der Größenordnung gering ausfällt. Der Einsatz eines Machine-Learning-Algorithmus bringt demzufolge zwei Vorteile: präzisere Nachfrageprognostizierung und eine erhebliche Zeitersparnis.

  • Prognosen zum Passagieraufkommen an Flughäfen und Bahnhöfen

    Einer unserer Kunden betreibt hauptsächlich Filialen an Flughäfen und Bahnhöfen. Der britische Convenience-Händler setzt auf die Machine-Learning-Technologie von RELEX und präzise Prognosen über Passagieraufkommen, um für alle Eventualitäten das optimale Sortiment und die passenden Produktmengen anzubieten. Die Software verarbeitet hierzu Daten, die von Flughäfen und Bahnhöfen bereitgestellt werden, was die Prognosegenauigkeit um fünf bis zehn Prozent verbessert.

Durch intelligenten Einsatz das Maximum aus Machine-Learning herausholen

Das Problem von Machine-Learning-gestützten Prognosen liegt darin, dass es einfach ist, sie falsch zu verstehen. Besonders, wenn sie „ungezähmt“ sind, also nicht dem Prinzip der gegenseitigen Kontrolle unterliegen, das der von uns empfohlene komparative Ansatz bietet, um die effektive Passgenauigkeit sicherzustellen. Der Markt ist übersät mit gescheiterten Applikationen von Machine-Learning-gestützten Supply-Chain-Prognosen. Allzu oft liegt der Grund für dieses Scheitern in der Bereitschaft, Jahre und Millionen zu investieren, um die Applikationen zum Laufen zu bringen – nur, um am Ende aufgeben zu müssen. Es gibt viele solcher Projekte. Wenn Fehler nicht früh beseitigt werden, können die Entscheidungen, die auf ihrer Basis getroffen wurden, desaströse finanzielle Konsequenzen haben.
Wichtig, um das Bestmögliche aus Machine-Learning herauszuholen, ist daher ein System, das einen transparenten Überblick über alle genutzten Daten ermöglicht. Alle Ergebnisse, die die Software kalkuliert, müssen einsehbar sein. So können Nutzer alle Prognosen nachvollziehen und die Machine-Learning-gestützten mit den Basisprognosen vergleichen und dann selbst definieren, welche Metriken zur Entscheidungsfindung am geeignetsten sind.

Transparente Kombination von Prognosemethoden für optimale Resultate

Um einem System zu vertrauen, ist es wichtig, zu verstehen, wie es funktioniert. Supply-Chain-Verantwortliche müssen also nachvollziehen können, wie die Software zu einem bestimmten Resultat kommt. Transparenz ist demnach das Schlüsselwort.

Das Team von RELEX arbeitet ständig daran, Prognosemethoden weiter zu perfektionieren. Dabei ist aber Vorsicht geboten. RELEX wendet nur hinreichend getestete Herangehensweisen an. Das Wichtigste dabei ist, dass das Vertrauen unserer Kunden in die Software erhalten bleibt.

Wir erweitern unser Verständnis der besten Prognosemethoden ständig. Bei der Kombination verschiedener Prognosemodelle empfehlen wir einen mehrschichtigen Ansatz: Verschiedene Prognosetypen werden separat kalkuliert. Aktuell ist die bewährteste Handhabung das Nutzen einer Kombination aus traditionellen Zeitreihenprognosen, mehrdimensionaler Regression und Machine-Learning. Dadurch ist garantiert, dass Prognosen verlässlich und präzise sind. In RELEX sind alle Details zur Prognosekalkulation vom Nutzer einsehbar: die Berechnung der Basisprognose sowie der jeweilige Einfluss von beispielsweise Promotions, Events und Preisänderungen. Bei komplexer Prognostizierung, wie zum Beispiel bei Einbezug des Wetters, werden dem Nutzer zwei Versionen der Prognose angezeigt: eine mit und eine ohne den Einfluss von Wetterfaktoren. Das garantiert Transparenz über das Zustandekommen jeder einzelnen Prognose, was wiederum für einfaches Nachvollziehen und Vertrauen in die Entscheidungen des Systems sorgt.

Machine-Learning ist kein Allheilmittel. Dennoch bringt es richtig eingesetzt und in Kombination mit anderen Technologien viele Vorteile. Auch in der Absatzprognostizierung. Erfahrene Anbieter helfen Ihnen, das Beste aus Machine-Learning herauszuholen und die Technologie sinnvoll und gewinnbringend einzusetzen.