![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2019\/10\/news_1.png\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>NACHRICHTEN \/ DATENWISSENSCHAFT<\/p>\n<\/div>
In einer idealen Welt w\u00fcrden Unternehmen genau wissen, wie viel sie wann und wo verkaufen k\u00f6nnen.<\/p>\n
Aber ein effektives Modell zur Vorhersage der Nachfrage zu entwickeln, ist leichter gesagt als getan, vor allem, wenn der Einzelhandelssektor zunehmend fragmentiert ist.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
In den Vereinigten Staaten kosten Unterbest\u00e4nde, \u00dcberbest\u00e4nde und R\u00fccksendungen den Einzelhandel jedes Jahr schwindelerregende 75 Billionen US-Dollar.<\/p>\n
Konsumg\u00fcterunternehmen in China stehen vor \u00e4hnlichen, wenn nicht sogar gr\u00f6\u00dferen Herausforderungen angesichts der Zunahme von Mega-Promotionszeitr\u00e4umen wie dem 11.11. und dem 6.18.-Shopping-Festival.<\/p>\n
Ein Einzelh\u00e4ndler, der versucht, dieses Problem frontal anzugehen, ist Bear Electric, eine f\u00fchrende chinesische Haushaltsger\u00e4temarke. Laut Yifeng Li, dem Gesch\u00e4ftsf\u00fchrer von Bear Electric, wird es immer schwieriger, das Verkaufsvolumen w\u00e4hrend der saisonalen Aktionszeitr\u00e4ume vorherzusagen.<\/p>\n
\n
Die Leistung von data<\/span><\/strong><\/h3>\nNoch vor wenigen Jahren war es f\u00fcr Marken, die nur begrenzten Zugang zu data von Ausverk\u00e4ufern und Drittanbietern hatten, unglaublich schwierig, die zuk\u00fcnftige Nachfrage genau vorherzusagen. Doch der Aufstieg des mobilen Internets hat zu einer Verbreitung von data gef\u00fchrt. Marken sind nun in der Lage, die Durchverkaufsrate und die wahren Treiber des Verkaufs besser zu erkennen. Der Aufstieg des maschinellen Lernens und der k\u00fcnstlichen Intelligenz hat es den Unternehmen au\u00dferdem erm\u00f6glicht, data systematischer zu analysieren und auszuwerten. Die Sichtung und Analyse gro\u00dfer Mengen von data kann jedoch eine Herausforderung sein, insbesondere f\u00fcr Unternehmen, die kein eigenes data-Team haben.<\/p>\n
Und genau hier kommt Artefact ins Spiel.<\/strong><\/p>\nUnser 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.<\/p>\n
Wir haben k\u00fcrzlich ein Prognosemodell f\u00fcr eine O2O-Plattform in China entwickelt, das es den beiden Nutzergruppen - H\u00e4ndlern und Verbrauchern - erm\u00f6glicht, besser miteinander in Kontakt zu treten.<\/p>\n
Viele der H\u00e4ndler auf der Plattform litten unter instabilen Ums\u00e4tzen, was zu einer Verschwendung von Ressourcen f\u00fchrte und dazu, dass sie die steigende Nachfrage nicht bedienen konnten. Um dies zu beheben, arbeiteten wir mit dem Kunden zusammen und versorgten die einzelnen H\u00e4ndler mit t\u00e4glich aktualisierten Umsatzprognosen f\u00fcr die kommenden zwei Wochen, um ihnen bei der Planung von Bestand, Betrieb und Kampagnen zu helfen.<\/p>\n
\nBessere Vorhersage, weniger Abfall<\/span><\/strong><\/h3>\nSie k\u00f6nnen keine Ziegelsteine ohne Strohhalme herstellen. Genauso wenig k\u00f6nnen Sie das Volumen ohne historische data vorhersagen. Eine Herausforderung, mit der viele H\u00e4ndler konfrontiert waren, war der fehlende Umsatz data. In der Tat hatten viele H\u00e4ndler, die ihr Gesch\u00e4ft gerade erst er\u00f6ffnet hatten oder in der Vergangenheit nur sporadisch t\u00e4tig waren, noch nie ein 11-11- oder 6-18-Einkaufsereignis erlebt. Ohne dieses data haben die H\u00e4ndler nur wenig oder gar keinen \u00dcberblick \u00fcber die Menge der Best\u00e4nde, die sie f\u00fcr die Aktionszeitr\u00e4ume ben\u00f6tigen, was zu einem enormen Umsatzeinbruch f\u00fchren kann.<\/p>\n
Es stellt sich also die Frage: Wie soll man das Verkaufsvolumen vorhersagen, insbesondere bei gro\u00dfen Werbeveranstaltungen, wenn die historische data nicht ausreicht?<\/p>\n
Unsere L\u00f6sung war ein mehrgleisiger Ansatz, bei dem wir unser Fachwissen im Bereich data-Mining und -Analysen nutzten, um H\u00e4ndlern zu helfen, die \u2018L\u00fccken\u2019 w\u00e4hrend besonderer Verkaufszeiten zu f\u00fcllen. W\u00e4hrend ein klassisches maschinelles Lernmodell zur Vorhersage des Umsatzvolumens f\u00fcr Nicht-Aktionszeitr\u00e4ume verwendet wird, haben wir ein Prognosemodell entwickelt, das es uns erm\u00f6glicht, die eigenen historischen data des H\u00e4ndlers mit data von anderen H\u00e4ndlern mit \u00e4hnlichen Profilen zu kombinieren, um das Umsatzvolumen f\u00fcr Aktionszeitr\u00e4ume vorherzusagen. Dieses neue Modell verbesserte die Vorhersagegenauigkeit der Plattform um 20%.<\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"
In einer idealen Welt w\u00fcrden Unternehmen genau wissen, wie viel sie wann und wo verkaufen k\u00f6nnen.
\nAber ein effektives Modell zur Vorhersage der Nachfrage zu entwickeln, ist leichter gesagt als getan, vor allem, wenn der Einzelhandelssektor zunehmend fragmentiert ist.<\/p>","protected":false},"featured_media":585,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[22035],"blog-language":[2991],"class_list":["post-583","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-data-ai-consulting","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/583","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/585"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=583"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=583"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=583"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
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.<\/p>\n
Wir haben k\u00fcrzlich ein Prognosemodell f\u00fcr eine O2O-Plattform in China entwickelt, das es den beiden Nutzergruppen - H\u00e4ndlern und Verbrauchern - erm\u00f6glicht, besser miteinander in Kontakt zu treten.<\/p>\n
Viele der H\u00e4ndler auf der Plattform litten unter instabilen Ums\u00e4tzen, was zu einer Verschwendung von Ressourcen f\u00fchrte und dazu, dass sie die steigende Nachfrage nicht bedienen konnten. Um dies zu beheben, arbeiteten wir mit dem Kunden zusammen und versorgten die einzelnen H\u00e4ndler mit t\u00e4glich aktualisierten Umsatzprognosen f\u00fcr die kommenden zwei Wochen, um ihnen bei der Planung von Bestand, Betrieb und Kampagnen zu helfen.<\/p>\n
\n
Bessere Vorhersage, weniger Abfall<\/span><\/strong><\/h3>\nSie k\u00f6nnen keine Ziegelsteine ohne Strohhalme herstellen. Genauso wenig k\u00f6nnen Sie das Volumen ohne historische data vorhersagen. Eine Herausforderung, mit der viele H\u00e4ndler konfrontiert waren, war der fehlende Umsatz data. In der Tat hatten viele H\u00e4ndler, die ihr Gesch\u00e4ft gerade erst er\u00f6ffnet hatten oder in der Vergangenheit nur sporadisch t\u00e4tig waren, noch nie ein 11-11- oder 6-18-Einkaufsereignis erlebt. Ohne dieses data haben die H\u00e4ndler nur wenig oder gar keinen \u00dcberblick \u00fcber die Menge der Best\u00e4nde, die sie f\u00fcr die Aktionszeitr\u00e4ume ben\u00f6tigen, was zu einem enormen Umsatzeinbruch f\u00fchren kann.<\/p>\n
Es stellt sich also die Frage: Wie soll man das Verkaufsvolumen vorhersagen, insbesondere bei gro\u00dfen Werbeveranstaltungen, wenn die historische data nicht ausreicht?<\/p>\n
Unsere L\u00f6sung war ein mehrgleisiger Ansatz, bei dem wir unser Fachwissen im Bereich data-Mining und -Analysen nutzten, um H\u00e4ndlern zu helfen, die \u2018L\u00fccken\u2019 w\u00e4hrend besonderer Verkaufszeiten zu f\u00fcllen. W\u00e4hrend ein klassisches maschinelles Lernmodell zur Vorhersage des Umsatzvolumens f\u00fcr Nicht-Aktionszeitr\u00e4ume verwendet wird, haben wir ein Prognosemodell entwickelt, das es uns erm\u00f6glicht, die eigenen historischen data des H\u00e4ndlers mit data von anderen H\u00e4ndlern mit \u00e4hnlichen Profilen zu kombinieren, um das Umsatzvolumen f\u00fcr Aktionszeitr\u00e4ume vorherzusagen. Dieses neue Modell verbesserte die Vorhersagegenauigkeit der Plattform um 20%.<\/p>\n<\/div><\/div><\/div><\/div><\/div><\/p>","protected":false},"excerpt":{"rendered":"
In einer idealen Welt w\u00fcrden Unternehmen genau wissen, wie viel sie wann und wo verkaufen k\u00f6nnen.
\nAber ein effektives Modell zur Vorhersage der Nachfrage zu entwickeln, ist leichter gesagt als getan, vor allem, wenn der Einzelhandelssektor zunehmend fragmentiert ist.<\/p>","protected":false},"featured_media":585,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[22035],"blog-language":[2991],"class_list":["post-583","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-data-ai-consulting","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/583","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/585"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=583"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=583"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=583"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
\nAber ein effektives Modell zur Vorhersage der Nachfrage zu entwickeln, ist leichter gesagt als getan, vor allem, wenn der Einzelhandelssektor zunehmend fragmentiert ist.<\/p>","protected":false},"featured_media":585,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[22035],"blog-language":[2991],"class_list":["post-583","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-category-data-ai-consulting","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog\/583","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/585"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=583"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-category?post=583"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/blog-language?post=583"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}