AI-driven Demand Forecasting im Handel: Darf’s ein bisschen mehr sein?
30.09.2020 | Data-Science-Team Demand Forecasting Künstliche Intelligenz Machine Learning Data Science Power BI
Mit Artificial Intelligence zum optimalen Demand Forecasting im Handel
Wie viele heiße Suppen verkauft man an einem Montag bei 10 Grad während der Herbstferien? Welchen Einfluss haben Feiertage und die regionalen Unterschiede von hunderten Filialen? Und wie prognostiziert man die Absatzmenge für gänzlich neue Produkte ohne Verkaufshistorie? Diese Fragen stellen sich vor allem der Groß- und Einzelhandel sowie Lebensmittelhersteller. In einem hochoptimierten Wettbewerbsumfeld entscheiden die Antworten aus dem Demand Forecasting darüber, ob ein Hersteller wettbewerbsfähig bleiben kann. Die Formel lautet: je genauer die Prognosen, desto weniger Ausschuss – oder auf der Gegenseite: desto weniger entgangener Absatz. Und nicht zu vergessen: Durch nachhaltige Produktion werden die Unternehmen auch ihrer Verantwortung gegenüber Ressourcen und der Umwelt gerecht.
Excelbasiertes Demand Forecasting meets Bauchgefühl
Wie zahlreiche Wettbewerber bediente sich auch ein großer Hersteller von Convenient- Food – mit einem Jahresumsatz von rund 500 Millionen Euro – hierzu bisher einer meist excelbasierten Planung oder sehr einfach gestrickter Planungstools. “Demand Planner“ ergänzen anschließend die historischen Verkaufsdaten – aufwändig und eher intuitiv – etwa um saisonale und regionale Schwankungen. Besser als nichts, könnte man meinen, aber in einem hart umkämpften Markt ist jedes verdorbene Produkt und jedes leere Regal ein schmerzhafter Verlust. Zudem ist der manuelle Pflegeaufwand für tausende von Produkten immens. Vor dem Hintergrund der steigenden Nachfrage nach besonders frischen Produkten, war dringend ein genaueres und weniger aufwandsintensives System gefordert.
AI-driven Demand Forecasting macht den Unterschied
Im Rahmen eines Proof-of-Concept haben wir ein Prognosetool entwickelt, das über einen lernenden Algorithmus (der Fachbegriff aus dem Bereich Machine Learning lautet „Time Series Forecasting“) und durch angereicherte Daten die oben genannten Herausforderungen umfassend löst. Doch wie sieht das ausgeklügelte System konkret aus? Zuerst analysiert es die Zeitreihen genauer und berücksichtigt dadurch Absatztrends, saisonale Schwankungen und zyklische Mengenentwicklungen. Hinzukommen Wetterdaten (Sonnenscheindauer, Niederschlag, Temperatur etc.) sowie Daten zur Bevölkerungsdichte und zu Feiertags- sowie Wochentagsschwankungen. Dadurch wird aus einem simplen historischen Datenpunkt eine deutlich gehaltvollere Planungsgrundlage. Und die ist durch die Hinzunahme von einflussrelevanten Daten beliebig erweiterbar.
Wie funktioniert eigentlich AI-driven Demand Forecasting?
Allgemein gesprochen bedient sich Artificial Intelligence (AI) den mathematischen Grundlagen des maschinellen Lernens. Beim Demand Forecasting hat das maschinelle Lernen das Ziel, Trends und Muster in historischen Daten zu erkennen. Dazu werden mithilfe von speziellen Algorithmen, statistische Modelle erlernt, die dann in der Lage sind, Vorhersagen für die Zukunft zu erstellen. Im Bereich des Demand Forecastings gibt es unterschiedliche Ansätze für das Erlernen dieser Vorhersagemodelle. Weit verbreitet sind Methoden, die rein auf den historischen Zeitreihen basieren (z.B. ARIMA). Eine Schwäche dieses Verfahrens ist, dass es lediglich einzelne Produkte getrennt voneinander vorhersagen kann. Dies entspricht aber häufig nicht den realen Gegebenheiten: So besteht beispielsweise im Sommer zur Grillsaison eine Abhängigkeit zwischen Fleischverkäufen und BBQ-Saucen. Die Vorhersagen der sogenannten „univarianten Methoden“ auf Basis von Zeitreihen können diese Abhängigkeiten nicht berücksichtigen.
Unser Ansatz hingegen ermöglicht eine ganzheitliche Betrachtung des kompletten Produktsortiments. Mithilfe moderner Verfahren des maschinellen Lernens sind wir in der Lage, Abhängigkeiten und gemeinsame Trends von Produkten zu berücksichtigen und damit die Vorhersagequalität zu verbessern. Ein weiterer Vorteil dieses Modells zeigt sich bei Neueinlistung von Produkten, die demnach noch keine Verkaufshistorie besitzen: In unserem Modell profitieren die Forecasts von neuen Produkten von den bereits etablierten Produkten und ermöglichen so einen Demand Forecast ab Tag 1.
Dies ist aber nicht die einzige Stellschraube: Regionale Unterschiede in den Kaufgewohnheiten der Kunden sind ein wichtiger Faktor für einen hochwertigen Demand Forecast. Dazu ein Beispiel: Stellen Sie sich vor, Sie betreiben ein deutschlandweites Filialnetzwerk. Im einfachsten Fall versuchen Sie die vollständige Nachfrage der einzelnen Filialen mit einem statistischen Demand-Forecast-Modell abzubilden. Dies berücksichtigt jedoch nicht regionale Unterschiede, wie z.B. unterschiedliche Ferienzeiten, Feiertage und natürlich Wetterprognosen. Hier bietet es sich an, für jede Region individuelle Modelle zu trainieren, wie in der Abbildung dargestellt:
Der Vorteil der geographisch verteilten Modelle besteht darin, dass sie schnell und präzise auf regionale Gegebenheiten und Fluktuationen reagieren können. Den Gesamtbedarf ermitteln Sie im Anschluss einfach, indem Sie die Teilbedarfe der regionalen Modelle aufaddieren. Natürlich hängt die geographische Granularität der Modelle vom jeweiligen Anwendungsfall ab.
Wie erwähnt, basiert ein Demand-Forecasting-System auf historischen Daten. Es handelt sich hier im Regelfall nicht um ein statisches Modell, das sie einmal trainieren und dann für immer verwenden. Schließlich verändert sich von Zeit zu Zeit der Geschmack der Kundschaft oder es gibt ein neues Trendprodukt am Markt, das Sie in ihr Sortiment aufnehmen. Zudem sammeln Sie mit der Zeit immer neue Daten, die Sie wiederum verwenden können, um ihr aktuelles System zu verbessern. Deswegen legen wir unsere Systeme immer so an, dass sie sich in gewählten Abständen (z.B. einmal in der Woche oder im Monat) aktualisieren. Dadurch entsteht ein organisches System, das sich den aktuellen Gegebenheiten anpasst. Denken Sie nur an die abrupte Änderung des Kaufverhaltens am Anfang der COVID-19 Pandemie: Am Anfang hätte dies kein Forecastingsystem vorhersagen können. Nach einigen Wochen wären allerdings genügend Daten vorhanden gewesen, um deutlich zuverlässigere Forecasts zu erzeugen.
Ergebnis: Verbesserte Prognose für 85 Prozent der Produkte
Das soeben beschriebene neue Prognosemodell für den eingangs genannten Hersteller ist bei rund 85 Prozent der vorhergesagten Produkte zuverlässiger, präziser und insgesamt weniger personalkostenintensiv als das vorherige Verfahren. Ein weiteres Plus: Selbst neue Produkte ohne Verkaufshistorie lassen sich automatisiert mit einer Prognose versehen, indem vergleichbare Produkte als Grundlage dienen. Der lernfähige Algorithmus berücksichtigt zudem schon nach kurzer Zeit die vorliegenden historischen Daten und optimiert sich selbst. Generell sorgt ein regelmäßiges Retraining der Modelle für eine immer bessere Prognosegüte. Wir haben außerdem darauf geachtet, dass das System wirklich zukunftsfähig, das heißt erweiterbar ist. Schließlich entwickelt sich der Bereich Data Science rasant weiter. Sollten verbesserte AI-Verfahren vorliegen, lassen sich diese problemlos in das Modell integrieren.
Kurzum: Mit AI-gestütztem Demand Forecasting wird die Welt des Groß- und Einzelhandels und der Lebensmittelproduktion nachhaltiger, kundenorientierter und zugleich wirtschaftlicher. Guten Appetit!
Live-Demo: AI-driven Demand Forecasting im Handel
Demand Forecasting ist ein komplexes Thema. Wie eine aussagekräftige und schlüssige Visualisierung in Power BI gelingt, zeigen wir Ihnen gerne Ihnen unserer Demo. Kontaktieren Sie uns direkt und persönlich oder über das Formular.
