Vorhersage der Nachfrage: Maschinelles Lernen zur Vorhersage von Einzelhandelsumsätzen

Wenn Einzelhändler ihre Bestellungen und Bestände effektiv verwalten, können sie enorme zusätzliche Gewinne erzielen. Da dies jedoch die Verarbeitung von data für eine riesige Anzahl von Lagerhaltungseinheiten (SKUs) erfordert, zu denen oft verderbliche Waren und Artikel gehören, die täglich bestellt werden, ist dies auch eine große Herausforderung.

Früher verließen sich Einzelhändler ausschließlich auf die data aus den Vorjahren, um zukünftige Verkäufe vorherzusagen (und damit ihren Bestand zu verwalten), aber diese Methode ist nur bis zu einem gewissen Punkt nützlich. Das maschinelle Lernen hat sich jedoch inzwischen so weit entwickelt, dass es genaue Vorhersagemodelle liefern kann, die verschiedene Signale verwenden, je nachdem, wie sie die Käufe beeinflussen.

Die Vorhersage von Umsätzen ist komplex, da die Käufe in einem bestimmten Zeitraum von vielen Faktoren beeinflusst werden: Wetter, Einkaufstrends, Vorschriften, neue Produkte, Kaufverhalten, eine Pandemie... Und Vorhersagen, die auf zuvor aufgezeichneten data beruhen, berücksichtigen keine spezifischen Ereignisse und lassen die monatlichen Umsätze gleichmäßig verteilt erscheinen, obwohl dies wahrscheinlich nicht der Fall ist.

Ein Artikel, der häufig nicht mehr vorrätig ist, kann zum Beispiel zu einem Rückgang der Verkäufe dieses bestimmten Produkts oder dieser Kategorie führen, der sich aber nicht in den monatlichen reports niederschlägt. Noch schlimmer ist, dass schlechte Zahlen oft als Zeichen für das Desinteresse der Käufer angesehen werden, obwohl das Gegenteil der Fall ist: Der Überkauf eines Artikels durch die Verbraucher hat zu dessen Ausverkauf geführt.

Oder ein Produkt, das im Laden fehlt, könnte tatsächlich auf Lager sein - nur noch nicht in den Regalen. Große Einzelhändler haben oft Schwierigkeiten, ihre Bestände in Echtzeit aufzufüllen. So kann es passieren, dass ein beliebter Artikel sehr schnell aus den Regalen verschwindet und somit nicht so gut abschneidet wie erwartet, obwohl er im Lager vorhanden ist. Hier ist eine Technologie gefragt, die den Einzelhändlern hilft, Angebot und Nachfrage nahtlos aufeinander abzustimmen.

Einsatz von maschinellem Lernen und mehreren Signalen zur Bewertung von Lagerbeständen

Maschinelles Lernen bietet eine Lösung für diese Herausforderungen. Prognosemodelle können Verkäufe Monate im Voraus vorhersagen, indem sie eine Reihe von Signalen nutzen, die sie beeinflussen (Saisonalität, Konsumtrends, Preisniveau usw.). Um so genau wie möglich zu sein, ist es wichtig, dass die Modelle mehr Indikatoren als den Standardtag, das Produkt und das Geschäft verwenden, die üblicherweise berücksichtigt werden.

Um dies zu veranschaulichen, könnte ein Einzelhändler die Saisonalität analysieren, um den Umsatz für den kommenden Zeitraum vorherzusagen. Die data wird jedoch verzerrt sein, weil die Verwendung von Datumsangaben nicht 100% genau ist. Ein bestimmtes Datum kann in einem Jahr ein Wochentag sein, im nächsten Jahr jedoch ein Wochenende, so dass die Umsätze stark schwanken können. Andere Faktoren, z.B. ob das Datum auf einen Feiertag (Weihnachten, Ostern usw.) oder ein großes Sportereignis fällt, beeinflussen ebenfalls das Kaufverhalten der Verbraucher.

Ähnlich verhält es sich mit Signalen auf der Preisebene. Werbeaktionen auf Geschäftsebene können den Verkauf eines Produkts aus einer bestimmten Kategorie deutlich beeinflussen oder sogar das Geschäft als Ganzes attraktiver machen.

Diese beiden Beispiele verdeutlichen, warum es notwendig ist, viele verschiedene Signale und Indikatoren zu berücksichtigen, um eine genaue Umsatzprognose zu erstellen: eine Aufgabe, die sehr mühsam war, bevor maschinelles Lernen und fortschrittliche artificial intelligence-Modelle dies möglich machten.

Die Technologie ist vorhanden, aber damit Einzelhändler sie effektiv nutzen und genaue Vorhersagen treffen können, müssen sie riesige Mengen an data sammeln und analysieren. Ein großer Teil davon liegt in verschiedenen data-Quellen vor und es kann sehr komplex sein, mehrere Excel- und PDF-Dateien zu verarbeiten, die frühere reports und Medienpläne enthalten. Große data-Tools werden benötigt, um diese Informationen in einem sauberen und lesbaren Format zu verarbeiten, das für die Erstellung von Vorhersagemodellen erforderlich ist, die Bestandsprobleme verhindern können.

Frühere data-Verkäufe für ein bestimmtes Geschäft können aufgrund von einmaligen Ereignissen (Werbeaktionen, schlechtes Wetter, Verkehrsstaus usw.) ‘ungenau’ sein. Um diese Verzerrung zu beseitigen, kombinieren Prognosemodelle vergangene Verkaufszahlen mit denen ähnlicher Geschäfte.

Die andere große Herausforderung besteht darin, zu verhindern, dass Artikel in den Regalen nicht verfügbar sind, während sie auf Lager sind (da es für die Mitarbeiter fast unmöglich ist, die Regale in Echtzeit zu überwachen und sie sofort wieder aufzufüllen).

Es gibt zwar technologische Lösungen mit Überwachungskameras und Gewichtssensoren, aber sie sind eine große Investition. Allerdings können leicht verfügbare Informationen wie Echtzeit-Verkäufe auf SKU-Ebene genutzt werden, um Situationen mit ‘leeren Regalen’ zu erkennen. Modelle können den üblichen Verkaufsfluss eines Artikels analysieren, so dass die normale Zeit zwischen zwei Verkäufen eines Produkts in einer bestimmten Filiale bekannt ist. Durch menschliches Eingreifen können statistische Anomalien überprüft und behoben werden.

Die prädiktive Analyse ist nur eine der vielen Möglichkeiten, wie traditionelle Einzelhändler vom maschinellen Lernen profitieren können. Sie haben viel zu gewinnen, wenn sie sich auf fortschrittliche Technologie für eine bessere Bestandsverwaltung verlassen, um den Umsatz ihrer Geschäfte zu steigern. Die Verarbeitung großer Mengen von data kann ihnen auch dabei helfen, das Sortiment zu optimieren, attraktivere und profitablere Werbeaktionen anzubieten und Preise effizienter festzulegen.

Gut durchdachte Tools können komplexe und zeitaufwändige Aufgaben übernehmen und schnell genaue reports liefern. Dies ist der eigentliche Wertschöpfungshebel von artificial intelligence im Einzelhandel: Er befreit Manager von mühsamen Vergleichsanalysen aus mehreren Quellen und ermöglicht es ihnen, sich auf die kontinuierliche Verbesserung des Kundenerlebnisses zu konzentrieren.

Pascal Coggia ist CEO von Artefact UK, wo er für die Expansion der artificial intelligence (AI) und data-driven Produkte und Dienstleistungen des Unternehmens in der Region verantwortlich ist. Als Gründungspartner von Artefact war er zuvor am Hauptsitz in Paris tätig und hat in dieser Zeit den Betrieb von Artefact in Dubai aufgebaut. Zuvor war er unter anderem als Berater bei Columbus Consulting Shift in Frankreich und Rocket Internet SE in Großbritannien tätig. Er hat einen Master-Abschluss von der HEC Business School in Paris.

Jérôme Petit ist ein data-Beratungspartner bei Artefact, wo er an data- und artificial intelligence-(AI)-Projekten mit großen französischen Unternehmen aus den Bereichen Einzelhandel, Konsumgüter und Investmentfonds arbeitet. Zuvor leitete er die Strategieteams französischer Medienkonzerne (Canal + und Lagardère Active), nachdem er fünfzehn Jahre bei führenden Strategieberatungsunternehmen (OC&C, Diligence Partners und Roland Berger) tätig war. Er ist ein Absolvent der französischen École Polytechnique.