![\"Image\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2020\/11\/jerome-petit-.jpeg\")
![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/05\/Logo-lsa.png\" "\\"Logo-lsa\\""){kind=logo}
<\/span><\/div>W\u00e4hrend alle Branchen darauf angewiesen sind, im richtigen Moment die richtige Menge zu produzieren, ist die Branche des Gro\u00dfhandels besonders von der Frage der Lagerverwaltung betroffen. Um den Absatz zu steuern, verf\u00fcgten diese Akteure \u00fcber mehr als nur ihre historische Entwicklung \u00fcber mehrere Jahre. Eine Methode, die allerdings auch einige Nachteile mit sich bringt. Heute k\u00f6nnen dank maschinellem Lernen wesentlich bessere Prognosemodelle erstellt werden, die ein Panel von konsumbeeinflussenden Merkmalen ber\u00fccksichtigen.<\/p>\n<\/div>
Au-del\u00e0 de l'historique des ventes : le d\u00e9fi de la grande distribution<\/h2><\/div>Da es sich um ein sehr gro\u00dfes Volumen an t\u00e4glich verbrauchten und oft verderblichen Produkten handelt, ist die Verwaltung von Vorr\u00e4ten und Best\u00e4nden ein echtes Problem f\u00fcr den Sektor PGC (Produits de Grande Consommation). In den Vereinigten Staaten kosteten die Unter- und \u00dcberbest\u00e4nde sowie die R\u00fccklieferungen von Produkten 1,75 Milliarden Dollar pro Jahr. Um die Investitions- und Betriebskosten zu senken, waren die Informationen, auf die sich die Prognosen der ERP-Systeme (Enterprise Resource Planning) st\u00fctzten, in den meisten F\u00e4llen die historischen Ums\u00e4tze \u00fcber mehrere Jahre hinweg. Allerdings sind diese Methoden, die auf dem Vergleich der Ums\u00e4tze eines Jahres mit denen eines anderen beruhen, eine Quelle von Fehlern.<\/p>\n<\/div>
Eine Vielzahl von Parametern beeinflusst den Zustand der Best\u00e4nde<\/h2><\/div>Vor allem, weil in einer gleichen Zeitspanne zahlreiche Parameter das Kaufverhalten ver\u00e4ndern k\u00f6nnen. Das kann an der Konjunktur liegen, an Konsumtendenzen (Effekt \u00ab Global Shoppers \u00bb f\u00fcr die Kategorien, die f\u00fcr eine touristische Kundschaft relevant sind, wie z.B. Luxus, \u00c4nderung der Gesetzgebung), an der Einf\u00fchrung eines neuen Produkts in einer seltenen Kategorie, an einer Gesundheitskrise (!), an neuen Verhaltensweisen, usw. Dar\u00fcber hinaus ber\u00fccksichtigt diese Art der Vorhersage nicht die Wertentwicklung, d.h. die potenziellen Schwankungen, da sie die Ums\u00e4tze wie eine zwangsl\u00e4ufige Regelm\u00e4\u00dfigkeit \u00abausgleicht\u00bb. Oder ein Lagerbruch kann in der Vergangenheit zu einer vor\u00fcbergehenden Unterbrechung des Absatzes eines Produkts oder einer ganzen Kategorie f\u00fchren. Diese Br\u00fcche werden daher als ein Zeichen f\u00fcr die Verunsicherung der Verbraucher interpretiert, obwohl sie im Gegenteil zu einem h\u00f6heren Absatz als im Normalfall f\u00fchren k\u00f6nnen. Enfin, il faut noteter qu'une rupture en rayon ne signifie pas forc\u00e9ment rupture de stock. Bei einer gro\u00dfen Fl\u00e4che ist es schwierig, die Wiederherstellung der Strahlen in k\u00fcrzester Zeit zu gew\u00e4hrleisten. Die Ausrichtung der Produktionskette auf die Nachfrage mit Hilfe einer Technologie, die diese Probleme l\u00f6sen kann, war daher eine wichtige Aufgabe f\u00fcr die H\u00e4ndler.<\/p>\n<\/div>
Maschinelles Lernen zum Schutz des Menschen im Handel<\/h2><\/div>Dies ist eine Entscheidung, die mit maschinellem Lernen getroffen wurde! Um ein Modell zu entwickeln, das die Ums\u00e4tze \u00fcber 4 Halbjahre hinweg vorhersagen kann, m\u00fcssen Sie ein Maximum an Ph\u00e4nomenen ber\u00fccksichtigen, die die Entwicklung der Ums\u00e4tze beeinflussen k\u00f6nnen, und jedes Tripel aus Tag x Produkt x Gesch\u00e4ft anhand eines Ensembles von Indikatoren wie der Saisonalit\u00e4t, den Tendenzen oder auch den Preisen genau bestimmen. Warum sollten Sie sich auf diese drei Indikatoren beschr\u00e4nken? Nehmen wir zum Beispiel die Saisonalit\u00e4t: Wenn die Prognosen nicht auf der Grundlage des Kaufdatums erstellt werden, besteht die Gefahr, dass sie falsch sind. Ein Jahr nach dem anderen kann ein und dasselbe Datum einem Wochenendtag, einem famili\u00e4ren oder religi\u00f6sen Fest oder einem wichtigen Fu\u00dfballspiel entsprechen... dies sind weitere Ereignisse, bei denen der Verbrauch bestimmter Produktkategorien in die H\u00f6he getrieben wird. Ein anderes Beispiel sind die Preise: Promotion-Angebote f\u00fcr ein Produkt k\u00f6nnen den Absatz von Produkten der gleichen Kategorie kannibalisieren oder die Attraktivit\u00e4t eines Gesch\u00e4fts sogar noch steigern. Um eine Werbestrategie zu optimieren, ist es notwendig, die Wirkung zu ber\u00fccksichtigen. Die Gesamtheit der Parameter, die den Umsatz beeinflussen k\u00f6nnen, kann mit Hilfe von Modellen, die auf maschinellem Lernen und fortschrittlichen Techniken der k\u00fcnstlichen Intelligenz basieren, analysiert werden.<\/p>\n<\/div>
Zwei konkrete Anwendungen des maschinellen Lernens bei Lagerproblemen<\/h2><\/div>Wenn die Technologie zur Verf\u00fcgung steht, m\u00fcssen die Distributoren auch in der Lage sein, die immense Menge an Daten zu sammeln und zu analysieren, die f\u00fcr diese Prognosen erforderlich ist. Die Datenquellen sind vielf\u00e4ltig, so dass es schwierig sein kann, die verschiedenen Excel- und PDF-Dateien, in denen sich die Informationen zu den Medienpl\u00e4nen und anderen Berichten befinden, zu extrahieren und zusammenzuf\u00fchren. Der Einsatz von Big data zur Zusammenf\u00fchrung von protokollierten Daten an einem Ort ist eine Grundvoraussetzung f\u00fcr die Entwicklung von Modellen, mit denen Sie die Probleme mit den Best\u00e4nden l\u00f6sen k\u00f6nnen. En voici deux exemples.<\/p>\n<\/div>
Die \u00fcberwiegende Mehrheit der Distributoren hat Umsatzzahlen aus mehreren Jahren. Dennoch k\u00f6nnen einige von ihnen mit Werbeaktionen oder Ereignissen ohne Vorgeschichte konfrontiert sein (z.B. einem Radrennen oder der Organisation eines gro\u00dfen Sportereignisses in einem nahe gelegenen Gebiet). Um dieses Defizit auszugleichen, ist es m\u00f6glich, die l\u00fcckenhaften historischen Daten mit den Daten von H\u00e4ndlern oder Verkaufsstellen mit \u00e4hnlichen Profilen zu kombinieren. Dieses Modell wurde mit Artefact auf einer 020er-Platte in China getestet und best\u00e4tigt, mit einer Erh\u00f6hung der Genauigkeit der Prognosen um 20%.<\/p>\n<\/div>
Ein weiteres Problem: Vermeiden Sie einen Strahlenbruch, solange das Produkt auf Lager ist. Es ist schwierig, von den Angestellten einer gro\u00dfen Fl\u00e4che zu verlangen, dass sie den Austausch von Ger\u00e4ten kontinuierlich \u00fcberpr\u00fcfen. Dar\u00fcber hinaus ist die Installation von Kameras und Steuerungen sehr kostspielig. In diesem konkreten Fall gen\u00fcgen die \u00fcbrigen Daten, wie z.B. der Umsatz in Echtzeit, die Eigenschaften des Artikels und die Merkmale der Strahlung, um den Bruch von Strahlungsvorr\u00e4ten zu verhindern. Sie k\u00f6nnen zum Beispiel die Abk\u00fchlungsrate modellieren, d.h. die Zeit, die zwischen zwei Verk\u00e4ufen eines gleichen Produkts in einem Gesch\u00e4ft vergeht. Im Falle einer statistischen Anomalie kann ein Verk\u00e4ufer zur Analyse der Situation und zur Behebung der Anomalie zur\u00fccktreten.<\/p>\n<\/div>
Die Anwendungen von data und Machine Learning im Einzelhandel sind vielf\u00e4ltig, und die Umsatzprognose ist nur ein kleiner Teil davon. Abgesehen von der Steigerung des Umsatzes durch die Optimierung der Lagerverwaltung kann die Nutzung der Daten eine wertvolle Hilfe f\u00fcr den Einzelhandel, die Lieferkette oder das Merchandising sein. Ein wertvoller Helfer f\u00fcr den Menschen, der so von komplexen Aufgaben befreit ist, um verl\u00e4ssliche oder chronologische Ergebnisse zu erzielen, und mehr Zeit f\u00fcr seine Gesch\u00e4ftsstrategie oder die Verbesserung der Kundenerfahrung aufwenden kann.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Abgesehen von der Steigerung des Umsatzes durch eine optimierte Verwaltung der Best\u00e4nde kann die Nutzung der Daten eine wertvolle Hilfe f\u00fcr den Handel sein, sei es in der N\u00e4he, in der Lieferkette oder auf dem Markt. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Da es sich um ein sehr gro\u00dfes Volumen an t\u00e4glich verbrauchten und oft verderblichen Produkten handelt, ist die Verwaltung von Vorr\u00e4ten und Best\u00e4nden ein echtes Problem f\u00fcr den Sektor PGC (Produits de Grande Consommation). In den Vereinigten Staaten kosteten die Unter- und \u00dcberbest\u00e4nde sowie die R\u00fccklieferungen von Produkten 1,75 Milliarden Dollar pro Jahr. Um die Investitions- und Betriebskosten zu senken, waren die Informationen, auf die sich die Prognosen der ERP-Systeme (Enterprise Resource Planning) st\u00fctzten, in den meisten F\u00e4llen die historischen Ums\u00e4tze \u00fcber mehrere Jahre hinweg. Allerdings sind diese Methoden, die auf dem Vergleich der Ums\u00e4tze eines Jahres mit denen eines anderen beruhen, eine Quelle von Fehlern.<\/p>\n<\/div>
Eine Vielzahl von Parametern beeinflusst den Zustand der Best\u00e4nde<\/h2><\/div>Vor allem, weil in einer gleichen Zeitspanne zahlreiche Parameter das Kaufverhalten ver\u00e4ndern k\u00f6nnen. Das kann an der Konjunktur liegen, an Konsumtendenzen (Effekt \u00ab Global Shoppers \u00bb f\u00fcr die Kategorien, die f\u00fcr eine touristische Kundschaft relevant sind, wie z.B. Luxus, \u00c4nderung der Gesetzgebung), an der Einf\u00fchrung eines neuen Produkts in einer seltenen Kategorie, an einer Gesundheitskrise (!), an neuen Verhaltensweisen, usw. Dar\u00fcber hinaus ber\u00fccksichtigt diese Art der Vorhersage nicht die Wertentwicklung, d.h. die potenziellen Schwankungen, da sie die Ums\u00e4tze wie eine zwangsl\u00e4ufige Regelm\u00e4\u00dfigkeit \u00abausgleicht\u00bb. Oder ein Lagerbruch kann in der Vergangenheit zu einer vor\u00fcbergehenden Unterbrechung des Absatzes eines Produkts oder einer ganzen Kategorie f\u00fchren. Diese Br\u00fcche werden daher als ein Zeichen f\u00fcr die Verunsicherung der Verbraucher interpretiert, obwohl sie im Gegenteil zu einem h\u00f6heren Absatz als im Normalfall f\u00fchren k\u00f6nnen. Enfin, il faut noteter qu'une rupture en rayon ne signifie pas forc\u00e9ment rupture de stock. Bei einer gro\u00dfen Fl\u00e4che ist es schwierig, die Wiederherstellung der Strahlen in k\u00fcrzester Zeit zu gew\u00e4hrleisten. Die Ausrichtung der Produktionskette auf die Nachfrage mit Hilfe einer Technologie, die diese Probleme l\u00f6sen kann, war daher eine wichtige Aufgabe f\u00fcr die H\u00e4ndler.<\/p>\n<\/div>
Maschinelles Lernen zum Schutz des Menschen im Handel<\/h2><\/div>Dies ist eine Entscheidung, die mit maschinellem Lernen getroffen wurde! Um ein Modell zu entwickeln, das die Ums\u00e4tze \u00fcber 4 Halbjahre hinweg vorhersagen kann, m\u00fcssen Sie ein Maximum an Ph\u00e4nomenen ber\u00fccksichtigen, die die Entwicklung der Ums\u00e4tze beeinflussen k\u00f6nnen, und jedes Tripel aus Tag x Produkt x Gesch\u00e4ft anhand eines Ensembles von Indikatoren wie der Saisonalit\u00e4t, den Tendenzen oder auch den Preisen genau bestimmen. Warum sollten Sie sich auf diese drei Indikatoren beschr\u00e4nken? Nehmen wir zum Beispiel die Saisonalit\u00e4t: Wenn die Prognosen nicht auf der Grundlage des Kaufdatums erstellt werden, besteht die Gefahr, dass sie falsch sind. Ein Jahr nach dem anderen kann ein und dasselbe Datum einem Wochenendtag, einem famili\u00e4ren oder religi\u00f6sen Fest oder einem wichtigen Fu\u00dfballspiel entsprechen... dies sind weitere Ereignisse, bei denen der Verbrauch bestimmter Produktkategorien in die H\u00f6he getrieben wird. Ein anderes Beispiel sind die Preise: Promotion-Angebote f\u00fcr ein Produkt k\u00f6nnen den Absatz von Produkten der gleichen Kategorie kannibalisieren oder die Attraktivit\u00e4t eines Gesch\u00e4fts sogar noch steigern. Um eine Werbestrategie zu optimieren, ist es notwendig, die Wirkung zu ber\u00fccksichtigen. Die Gesamtheit der Parameter, die den Umsatz beeinflussen k\u00f6nnen, kann mit Hilfe von Modellen, die auf maschinellem Lernen und fortschrittlichen Techniken der k\u00fcnstlichen Intelligenz basieren, analysiert werden.<\/p>\n<\/div>
Zwei konkrete Anwendungen des maschinellen Lernens bei Lagerproblemen<\/h2><\/div>Wenn die Technologie zur Verf\u00fcgung steht, m\u00fcssen die Distributoren auch in der Lage sein, die immense Menge an Daten zu sammeln und zu analysieren, die f\u00fcr diese Prognosen erforderlich ist. Die Datenquellen sind vielf\u00e4ltig, so dass es schwierig sein kann, die verschiedenen Excel- und PDF-Dateien, in denen sich die Informationen zu den Medienpl\u00e4nen und anderen Berichten befinden, zu extrahieren und zusammenzuf\u00fchren. Der Einsatz von Big data zur Zusammenf\u00fchrung von protokollierten Daten an einem Ort ist eine Grundvoraussetzung f\u00fcr die Entwicklung von Modellen, mit denen Sie die Probleme mit den Best\u00e4nden l\u00f6sen k\u00f6nnen. En voici deux exemples.<\/p>\n<\/div>
Die \u00fcberwiegende Mehrheit der Distributoren hat Umsatzzahlen aus mehreren Jahren. Dennoch k\u00f6nnen einige von ihnen mit Werbeaktionen oder Ereignissen ohne Vorgeschichte konfrontiert sein (z.B. einem Radrennen oder der Organisation eines gro\u00dfen Sportereignisses in einem nahe gelegenen Gebiet). Um dieses Defizit auszugleichen, ist es m\u00f6glich, die l\u00fcckenhaften historischen Daten mit den Daten von H\u00e4ndlern oder Verkaufsstellen mit \u00e4hnlichen Profilen zu kombinieren. Dieses Modell wurde mit Artefact auf einer 020er-Platte in China getestet und best\u00e4tigt, mit einer Erh\u00f6hung der Genauigkeit der Prognosen um 20%.<\/p>\n<\/div>
Ein weiteres Problem: Vermeiden Sie einen Strahlenbruch, solange das Produkt auf Lager ist. Es ist schwierig, von den Angestellten einer gro\u00dfen Fl\u00e4che zu verlangen, dass sie den Austausch von Ger\u00e4ten kontinuierlich \u00fcberpr\u00fcfen. Dar\u00fcber hinaus ist die Installation von Kameras und Steuerungen sehr kostspielig. In diesem konkreten Fall gen\u00fcgen die \u00fcbrigen Daten, wie z.B. der Umsatz in Echtzeit, die Eigenschaften des Artikels und die Merkmale der Strahlung, um den Bruch von Strahlungsvorr\u00e4ten zu verhindern. Sie k\u00f6nnen zum Beispiel die Abk\u00fchlungsrate modellieren, d.h. die Zeit, die zwischen zwei Verk\u00e4ufen eines gleichen Produkts in einem Gesch\u00e4ft vergeht. Im Falle einer statistischen Anomalie kann ein Verk\u00e4ufer zur Analyse der Situation und zur Behebung der Anomalie zur\u00fccktreten.<\/p>\n<\/div>
Die Anwendungen von data und Machine Learning im Einzelhandel sind vielf\u00e4ltig, und die Umsatzprognose ist nur ein kleiner Teil davon. Abgesehen von der Steigerung des Umsatzes durch die Optimierung der Lagerverwaltung kann die Nutzung der Daten eine wertvolle Hilfe f\u00fcr den Einzelhandel, die Lieferkette oder das Merchandising sein. Ein wertvoller Helfer f\u00fcr den Menschen, der so von komplexen Aufgaben befreit ist, um verl\u00e4ssliche oder chronologische Ergebnisse zu erzielen, und mehr Zeit f\u00fcr seine Gesch\u00e4ftsstrategie oder die Verbesserung der Kundenerfahrung aufwenden kann.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Abgesehen von der Steigerung des Umsatzes durch eine optimierte Verwaltung der Best\u00e4nde kann die Nutzung der Daten eine wertvolle Hilfe f\u00fcr den Handel sein, sei es in der N\u00e4he, in der Lieferkette oder auf dem Markt. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Vor allem, weil in einer gleichen Zeitspanne zahlreiche Parameter das Kaufverhalten ver\u00e4ndern k\u00f6nnen. Das kann an der Konjunktur liegen, an Konsumtendenzen (Effekt \u00ab Global Shoppers \u00bb f\u00fcr die Kategorien, die f\u00fcr eine touristische Kundschaft relevant sind, wie z.B. Luxus, \u00c4nderung der Gesetzgebung), an der Einf\u00fchrung eines neuen Produkts in einer seltenen Kategorie, an einer Gesundheitskrise (!), an neuen Verhaltensweisen, usw. Dar\u00fcber hinaus ber\u00fccksichtigt diese Art der Vorhersage nicht die Wertentwicklung, d.h. die potenziellen Schwankungen, da sie die Ums\u00e4tze wie eine zwangsl\u00e4ufige Regelm\u00e4\u00dfigkeit \u00abausgleicht\u00bb. Oder ein Lagerbruch kann in der Vergangenheit zu einer vor\u00fcbergehenden Unterbrechung des Absatzes eines Produkts oder einer ganzen Kategorie f\u00fchren. Diese Br\u00fcche werden daher als ein Zeichen f\u00fcr die Verunsicherung der Verbraucher interpretiert, obwohl sie im Gegenteil zu einem h\u00f6heren Absatz als im Normalfall f\u00fchren k\u00f6nnen. Enfin, il faut noteter qu'une rupture en rayon ne signifie pas forc\u00e9ment rupture de stock. Bei einer gro\u00dfen Fl\u00e4che ist es schwierig, die Wiederherstellung der Strahlen in k\u00fcrzester Zeit zu gew\u00e4hrleisten. Die Ausrichtung der Produktionskette auf die Nachfrage mit Hilfe einer Technologie, die diese Probleme l\u00f6sen kann, war daher eine wichtige Aufgabe f\u00fcr die H\u00e4ndler.<\/p>\n<\/div>
Maschinelles Lernen zum Schutz des Menschen im Handel<\/h2><\/div>Dies ist eine Entscheidung, die mit maschinellem Lernen getroffen wurde! Um ein Modell zu entwickeln, das die Ums\u00e4tze \u00fcber 4 Halbjahre hinweg vorhersagen kann, m\u00fcssen Sie ein Maximum an Ph\u00e4nomenen ber\u00fccksichtigen, die die Entwicklung der Ums\u00e4tze beeinflussen k\u00f6nnen, und jedes Tripel aus Tag x Produkt x Gesch\u00e4ft anhand eines Ensembles von Indikatoren wie der Saisonalit\u00e4t, den Tendenzen oder auch den Preisen genau bestimmen. Warum sollten Sie sich auf diese drei Indikatoren beschr\u00e4nken? Nehmen wir zum Beispiel die Saisonalit\u00e4t: Wenn die Prognosen nicht auf der Grundlage des Kaufdatums erstellt werden, besteht die Gefahr, dass sie falsch sind. Ein Jahr nach dem anderen kann ein und dasselbe Datum einem Wochenendtag, einem famili\u00e4ren oder religi\u00f6sen Fest oder einem wichtigen Fu\u00dfballspiel entsprechen... dies sind weitere Ereignisse, bei denen der Verbrauch bestimmter Produktkategorien in die H\u00f6he getrieben wird. Ein anderes Beispiel sind die Preise: Promotion-Angebote f\u00fcr ein Produkt k\u00f6nnen den Absatz von Produkten der gleichen Kategorie kannibalisieren oder die Attraktivit\u00e4t eines Gesch\u00e4fts sogar noch steigern. Um eine Werbestrategie zu optimieren, ist es notwendig, die Wirkung zu ber\u00fccksichtigen. Die Gesamtheit der Parameter, die den Umsatz beeinflussen k\u00f6nnen, kann mit Hilfe von Modellen, die auf maschinellem Lernen und fortschrittlichen Techniken der k\u00fcnstlichen Intelligenz basieren, analysiert werden.<\/p>\n<\/div>
Zwei konkrete Anwendungen des maschinellen Lernens bei Lagerproblemen<\/h2><\/div>Wenn die Technologie zur Verf\u00fcgung steht, m\u00fcssen die Distributoren auch in der Lage sein, die immense Menge an Daten zu sammeln und zu analysieren, die f\u00fcr diese Prognosen erforderlich ist. Die Datenquellen sind vielf\u00e4ltig, so dass es schwierig sein kann, die verschiedenen Excel- und PDF-Dateien, in denen sich die Informationen zu den Medienpl\u00e4nen und anderen Berichten befinden, zu extrahieren und zusammenzuf\u00fchren. Der Einsatz von Big data zur Zusammenf\u00fchrung von protokollierten Daten an einem Ort ist eine Grundvoraussetzung f\u00fcr die Entwicklung von Modellen, mit denen Sie die Probleme mit den Best\u00e4nden l\u00f6sen k\u00f6nnen. En voici deux exemples.<\/p>\n<\/div>
Die \u00fcberwiegende Mehrheit der Distributoren hat Umsatzzahlen aus mehreren Jahren. Dennoch k\u00f6nnen einige von ihnen mit Werbeaktionen oder Ereignissen ohne Vorgeschichte konfrontiert sein (z.B. einem Radrennen oder der Organisation eines gro\u00dfen Sportereignisses in einem nahe gelegenen Gebiet). Um dieses Defizit auszugleichen, ist es m\u00f6glich, die l\u00fcckenhaften historischen Daten mit den Daten von H\u00e4ndlern oder Verkaufsstellen mit \u00e4hnlichen Profilen zu kombinieren. Dieses Modell wurde mit Artefact auf einer 020er-Platte in China getestet und best\u00e4tigt, mit einer Erh\u00f6hung der Genauigkeit der Prognosen um 20%.<\/p>\n<\/div>
Ein weiteres Problem: Vermeiden Sie einen Strahlenbruch, solange das Produkt auf Lager ist. Es ist schwierig, von den Angestellten einer gro\u00dfen Fl\u00e4che zu verlangen, dass sie den Austausch von Ger\u00e4ten kontinuierlich \u00fcberpr\u00fcfen. Dar\u00fcber hinaus ist die Installation von Kameras und Steuerungen sehr kostspielig. In diesem konkreten Fall gen\u00fcgen die \u00fcbrigen Daten, wie z.B. der Umsatz in Echtzeit, die Eigenschaften des Artikels und die Merkmale der Strahlung, um den Bruch von Strahlungsvorr\u00e4ten zu verhindern. Sie k\u00f6nnen zum Beispiel die Abk\u00fchlungsrate modellieren, d.h. die Zeit, die zwischen zwei Verk\u00e4ufen eines gleichen Produkts in einem Gesch\u00e4ft vergeht. Im Falle einer statistischen Anomalie kann ein Verk\u00e4ufer zur Analyse der Situation und zur Behebung der Anomalie zur\u00fccktreten.<\/p>\n<\/div>
Die Anwendungen von data und Machine Learning im Einzelhandel sind vielf\u00e4ltig, und die Umsatzprognose ist nur ein kleiner Teil davon. Abgesehen von der Steigerung des Umsatzes durch die Optimierung der Lagerverwaltung kann die Nutzung der Daten eine wertvolle Hilfe f\u00fcr den Einzelhandel, die Lieferkette oder das Merchandising sein. Ein wertvoller Helfer f\u00fcr den Menschen, der so von komplexen Aufgaben befreit ist, um verl\u00e4ssliche oder chronologische Ergebnisse zu erzielen, und mehr Zeit f\u00fcr seine Gesch\u00e4ftsstrategie oder die Verbesserung der Kundenerfahrung aufwenden kann.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Abgesehen von der Steigerung des Umsatzes durch eine optimierte Verwaltung der Best\u00e4nde kann die Nutzung der Daten eine wertvolle Hilfe f\u00fcr den Handel sein, sei es in der N\u00e4he, in der Lieferkette oder auf dem Markt. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Dies ist eine Entscheidung, die mit maschinellem Lernen getroffen wurde! Um ein Modell zu entwickeln, das die Ums\u00e4tze \u00fcber 4 Halbjahre hinweg vorhersagen kann, m\u00fcssen Sie ein Maximum an Ph\u00e4nomenen ber\u00fccksichtigen, die die Entwicklung der Ums\u00e4tze beeinflussen k\u00f6nnen, und jedes Tripel aus Tag x Produkt x Gesch\u00e4ft anhand eines Ensembles von Indikatoren wie der Saisonalit\u00e4t, den Tendenzen oder auch den Preisen genau bestimmen. Warum sollten Sie sich auf diese drei Indikatoren beschr\u00e4nken? Nehmen wir zum Beispiel die Saisonalit\u00e4t: Wenn die Prognosen nicht auf der Grundlage des Kaufdatums erstellt werden, besteht die Gefahr, dass sie falsch sind. Ein Jahr nach dem anderen kann ein und dasselbe Datum einem Wochenendtag, einem famili\u00e4ren oder religi\u00f6sen Fest oder einem wichtigen Fu\u00dfballspiel entsprechen... dies sind weitere Ereignisse, bei denen der Verbrauch bestimmter Produktkategorien in die H\u00f6he getrieben wird. Ein anderes Beispiel sind die Preise: Promotion-Angebote f\u00fcr ein Produkt k\u00f6nnen den Absatz von Produkten der gleichen Kategorie kannibalisieren oder die Attraktivit\u00e4t eines Gesch\u00e4fts sogar noch steigern. Um eine Werbestrategie zu optimieren, ist es notwendig, die Wirkung zu ber\u00fccksichtigen. Die Gesamtheit der Parameter, die den Umsatz beeinflussen k\u00f6nnen, kann mit Hilfe von Modellen, die auf maschinellem Lernen und fortschrittlichen Techniken der k\u00fcnstlichen Intelligenz basieren, analysiert werden.<\/p>\n<\/div>
Zwei konkrete Anwendungen des maschinellen Lernens bei Lagerproblemen<\/h2><\/div>Wenn die Technologie zur Verf\u00fcgung steht, m\u00fcssen die Distributoren auch in der Lage sein, die immense Menge an Daten zu sammeln und zu analysieren, die f\u00fcr diese Prognosen erforderlich ist. Die Datenquellen sind vielf\u00e4ltig, so dass es schwierig sein kann, die verschiedenen Excel- und PDF-Dateien, in denen sich die Informationen zu den Medienpl\u00e4nen und anderen Berichten befinden, zu extrahieren und zusammenzuf\u00fchren. Der Einsatz von Big data zur Zusammenf\u00fchrung von protokollierten Daten an einem Ort ist eine Grundvoraussetzung f\u00fcr die Entwicklung von Modellen, mit denen Sie die Probleme mit den Best\u00e4nden l\u00f6sen k\u00f6nnen. En voici deux exemples.<\/p>\n<\/div>
Die \u00fcberwiegende Mehrheit der Distributoren hat Umsatzzahlen aus mehreren Jahren. Dennoch k\u00f6nnen einige von ihnen mit Werbeaktionen oder Ereignissen ohne Vorgeschichte konfrontiert sein (z.B. einem Radrennen oder der Organisation eines gro\u00dfen Sportereignisses in einem nahe gelegenen Gebiet). Um dieses Defizit auszugleichen, ist es m\u00f6glich, die l\u00fcckenhaften historischen Daten mit den Daten von H\u00e4ndlern oder Verkaufsstellen mit \u00e4hnlichen Profilen zu kombinieren. Dieses Modell wurde mit Artefact auf einer 020er-Platte in China getestet und best\u00e4tigt, mit einer Erh\u00f6hung der Genauigkeit der Prognosen um 20%.<\/p>\n<\/div>
Ein weiteres Problem: Vermeiden Sie einen Strahlenbruch, solange das Produkt auf Lager ist. Es ist schwierig, von den Angestellten einer gro\u00dfen Fl\u00e4che zu verlangen, dass sie den Austausch von Ger\u00e4ten kontinuierlich \u00fcberpr\u00fcfen. Dar\u00fcber hinaus ist die Installation von Kameras und Steuerungen sehr kostspielig. In diesem konkreten Fall gen\u00fcgen die \u00fcbrigen Daten, wie z.B. der Umsatz in Echtzeit, die Eigenschaften des Artikels und die Merkmale der Strahlung, um den Bruch von Strahlungsvorr\u00e4ten zu verhindern. Sie k\u00f6nnen zum Beispiel die Abk\u00fchlungsrate modellieren, d.h. die Zeit, die zwischen zwei Verk\u00e4ufen eines gleichen Produkts in einem Gesch\u00e4ft vergeht. Im Falle einer statistischen Anomalie kann ein Verk\u00e4ufer zur Analyse der Situation und zur Behebung der Anomalie zur\u00fccktreten.<\/p>\n<\/div>
Die Anwendungen von data und Machine Learning im Einzelhandel sind vielf\u00e4ltig, und die Umsatzprognose ist nur ein kleiner Teil davon. Abgesehen von der Steigerung des Umsatzes durch die Optimierung der Lagerverwaltung kann die Nutzung der Daten eine wertvolle Hilfe f\u00fcr den Einzelhandel, die Lieferkette oder das Merchandising sein. Ein wertvoller Helfer f\u00fcr den Menschen, der so von komplexen Aufgaben befreit ist, um verl\u00e4ssliche oder chronologische Ergebnisse zu erzielen, und mehr Zeit f\u00fcr seine Gesch\u00e4ftsstrategie oder die Verbesserung der Kundenerfahrung aufwenden kann.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Abgesehen von der Steigerung des Umsatzes durch eine optimierte Verwaltung der Best\u00e4nde kann die Nutzung der Daten eine wertvolle Hilfe f\u00fcr den Handel sein, sei es in der N\u00e4he, in der Lieferkette oder auf dem Markt. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
Wenn die Technologie zur Verf\u00fcgung steht, m\u00fcssen die Distributoren auch in der Lage sein, die immense Menge an Daten zu sammeln und zu analysieren, die f\u00fcr diese Prognosen erforderlich ist. Die Datenquellen sind vielf\u00e4ltig, so dass es schwierig sein kann, die verschiedenen Excel- und PDF-Dateien, in denen sich die Informationen zu den Medienpl\u00e4nen und anderen Berichten befinden, zu extrahieren und zusammenzuf\u00fchren. Der Einsatz von Big data zur Zusammenf\u00fchrung von protokollierten Daten an einem Ort ist eine Grundvoraussetzung f\u00fcr die Entwicklung von Modellen, mit denen Sie die Probleme mit den Best\u00e4nden l\u00f6sen k\u00f6nnen. En voici deux exemples.<\/p>\n<\/div>
Die \u00fcberwiegende Mehrheit der Distributoren hat Umsatzzahlen aus mehreren Jahren. Dennoch k\u00f6nnen einige von ihnen mit Werbeaktionen oder Ereignissen ohne Vorgeschichte konfrontiert sein (z.B. einem Radrennen oder der Organisation eines gro\u00dfen Sportereignisses in einem nahe gelegenen Gebiet). Um dieses Defizit auszugleichen, ist es m\u00f6glich, die l\u00fcckenhaften historischen Daten mit den Daten von H\u00e4ndlern oder Verkaufsstellen mit \u00e4hnlichen Profilen zu kombinieren. Dieses Modell wurde mit Artefact auf einer 020er-Platte in China getestet und best\u00e4tigt, mit einer Erh\u00f6hung der Genauigkeit der Prognosen um 20%.<\/p>\n<\/div>
Ein weiteres Problem: Vermeiden Sie einen Strahlenbruch, solange das Produkt auf Lager ist. Es ist schwierig, von den Angestellten einer gro\u00dfen Fl\u00e4che zu verlangen, dass sie den Austausch von Ger\u00e4ten kontinuierlich \u00fcberpr\u00fcfen. Dar\u00fcber hinaus ist die Installation von Kameras und Steuerungen sehr kostspielig. In diesem konkreten Fall gen\u00fcgen die \u00fcbrigen Daten, wie z.B. der Umsatz in Echtzeit, die Eigenschaften des Artikels und die Merkmale der Strahlung, um den Bruch von Strahlungsvorr\u00e4ten zu verhindern. Sie k\u00f6nnen zum Beispiel die Abk\u00fchlungsrate modellieren, d.h. die Zeit, die zwischen zwei Verk\u00e4ufen eines gleichen Produkts in einem Gesch\u00e4ft vergeht. Im Falle einer statistischen Anomalie kann ein Verk\u00e4ufer zur Analyse der Situation und zur Behebung der Anomalie zur\u00fccktreten.<\/p>\n<\/div>
Die Anwendungen von data und Machine Learning im Einzelhandel sind vielf\u00e4ltig, und die Umsatzprognose ist nur ein kleiner Teil davon. Abgesehen von der Steigerung des Umsatzes durch die Optimierung der Lagerverwaltung kann die Nutzung der Daten eine wertvolle Hilfe f\u00fcr den Einzelhandel, die Lieferkette oder das Merchandising sein. Ein wertvoller Helfer f\u00fcr den Menschen, der so von komplexen Aufgaben befreit ist, um verl\u00e4ssliche oder chronologische Ergebnisse zu erzielen, und mehr Zeit f\u00fcr seine Gesch\u00e4ftsstrategie oder die Verbesserung der Kundenerfahrung aufwenden kann.<\/p>\n<\/div><\/div><\/div><\/div><\/article><\/p>","protected":false},"excerpt":{"rendered":"
Abgesehen von der Steigerung des Umsatzes durch eine optimierte Verwaltung der Best\u00e4nde kann die Nutzung der Daten eine wertvolle Hilfe f\u00fcr den Handel sein, sei es in der N\u00e4he, in der Lieferkette oder auf dem Markt. Un v\u00e9ritable adjuvant pour l'humain, rappelle J\u00e9r\u00f4me Petit, Associ\u00e9, Artefact dans cette tribune pour LSA.<\/p>","protected":false},"author":[],"featured_media":66218,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"news-category":[2819],"news-language":[316],"class_list":["post-61112","news","type-news","status-publish","has-post-thumbnail","hentry","news-category-news-france","news-language-fr"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news\/61112","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/news"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/66218"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=61112"}],"wp:term":[{"taxonomy":"author","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/author?post=61112"},{"taxonomy":"news-category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news-category?post=61112"},{"taxonomy":"news-language","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/news-language?post=61112"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}