Wie eine bessere Nachfragevorhersage Lagerprobleme beseitigen kann

NACHRICHTEN / DATENWISSENSCHAFT

In einer idealen Welt würden Unternehmen genau wissen, wie viel sie wann und wo verkaufen können.

Aber ein effektives Modell zur Vorhersage der Nachfrage zu entwickeln, ist leichter gesagt als getan, vor allem, wenn der Einzelhandelssektor zunehmend fragmentiert ist.

In den Vereinigten Staaten kosten Unterbestände, Überbestände und Rücksendungen den Einzelhandel jedes Jahr schwindelerregende 75 Billionen US-Dollar.

Konsumgüterunternehmen in China stehen vor ähnlichen, wenn nicht sogar größeren Herausforderungen angesichts der Zunahme von Mega-Promotionszeiträumen wie dem 11.11. und dem 6.18.-Shopping-Festival.

Ein Einzelhändler, der versucht, dieses Problem frontal anzugehen, ist Bear Electric, eine führende chinesische Haushaltsgerätemarke. Laut Yifeng Li, dem Geschäftsführer von Bear Electric, wird es immer schwieriger, das Verkaufsvolumen während der saisonalen Aktionszeiträume vorherzusagen.

Die Leistung von data

Noch vor wenigen Jahren war es für Marken, die nur begrenzten Zugang zu data von Ausverkäufern und Drittanbietern hatten, unglaublich schwierig, die zukünftige Nachfrage genau vorherzusagen. Doch der Aufstieg des mobilen Internets hat zu einer Verbreitung von data geführt. Marken sind nun in der Lage, die Durchverkaufsrate und die wahren Treiber des Verkaufs besser zu erkennen. Der Aufstieg des maschinellen Lernens und der künstlichen Intelligenz hat es den Unternehmen außerdem ermöglicht, data systematischer zu analysieren und auszuwerten. Die Sichtung und Analyse großer Mengen von data kann jedoch eine Herausforderung sein, insbesondere für Unternehmen, die kein eigenes data-Team haben.

Und genau hier kommt Artefact ins Spiel.

Unser Team aus data-Wissenschaftlern, data-Ingenieuren, data-Beratern und Marketingexperten hilft unseren Kunden bei der Entwicklung von Modellen zur Nachfragevorhersage unter Verwendung von Big data- und KI-Technologien.

Wir haben kürzlich ein Prognosemodell für eine O2O-Plattform in China entwickelt, das es den beiden Nutzergruppen - Händlern und Verbrauchern - ermöglicht, besser miteinander in Kontakt zu treten.

Viele der Händler auf der Plattform litten unter instabilen Umsätzen, was zu einer Verschwendung von Ressourcen führte und dazu, dass sie die steigende Nachfrage nicht bedienen konnten. Um dies zu beheben, arbeiteten wir mit dem Kunden zusammen und versorgten die einzelnen Händler mit täglich aktualisierten Umsatzprognosen für die kommenden zwei Wochen, um ihnen bei der Planung von Bestand, Betrieb und Kampagnen zu helfen.

Bessere Vorhersage, weniger Abfall

Sie können keine Ziegelsteine ohne Strohhalme herstellen. Genauso wenig können Sie das Volumen ohne historische data vorhersagen. Eine Herausforderung, mit der viele Händler konfrontiert waren, war der fehlende Umsatz data. In der Tat hatten viele Händler, die ihr Geschäft gerade erst eröffnet hatten oder in der Vergangenheit nur sporadisch tätig waren, noch nie ein 11-11- oder 6-18-Einkaufsereignis erlebt. Ohne dieses data haben die Händler nur wenig oder gar keinen Überblick über die Menge der Bestände, die sie für die Aktionszeiträume benötigen, was zu einem enormen Umsatzeinbruch führen kann.

Es stellt sich also die Frage: Wie soll man das Verkaufsvolumen vorhersagen, insbesondere bei großen Werbeveranstaltungen, wenn die historische data nicht ausreicht?

Unsere Lösung war ein mehrgleisiger Ansatz, bei dem wir unser Fachwissen im Bereich data-Mining und -Analysen nutzten, um Händlern zu helfen, die ‘Lücken’ während besonderer Verkaufszeiten zu füllen. Während ein klassisches maschinelles Lernmodell zur Vorhersage des Umsatzvolumens für Nicht-Aktionszeiträume verwendet wird, haben wir ein Prognosemodell entwickelt, das es uns ermöglicht, die eigenen historischen data des Händlers mit data von anderen Händlern mit ähnlichen Profilen zu kombinieren, um das Umsatzvolumen für Aktionszeiträume vorherzusagen. Dieses neue Modell verbesserte die Vorhersagegenauigkeit der Plattform um 20%.