BLOG

Absatzprognosen mit KI – so erzielen Sie den größten Nutzen

31.01.2022 Michael Schmahl

Die Absatzprognose ist ein beliebtes Einsatzgebiet für die vielen neuen Möglichkeiten von Künstlicher Intelligenz (KI). Füttern Sie die zugrunde liegenden Machine-Learning-Algorithmen mit einer Vielfalt an relevanten Vergangenheitsdaten, dann sind Ihnen optimale Ergebnisse sicher. Zumindest fast. Denn es gibt ein paar Kniffe bei der Datenaufbereitung und -nachbereitung, durch die Sie die Potenziale von Absatzprognosen mit KI erst voll ausschöpfen – vor allem, wenn es um verderbliche Waren geht. Ziel ist es dabei immer, den Bedarf bestmöglich zu decken und gleichzeitig die Retourenquote zu senken.

Zwei dieser Tricks möchte ich Ihnen in diesem Beitrag verraten. Zur Veranschaulichung beziehe ich mich dabei auf das konkrete Beispiel einer großen Bäckerei-Kette, für die wir KI in verschiedenen Geschäftsprozessen erfolgreich zum Einsatz bringen.

Verkaufspotenziale voll ausschöpfen

Eine der wichtigsten Quellen für das Training Ihres KI-Modell bilden die Abverkaufsdaten aus der Vergangenheit. Mitunter spiegeln diese Daten aber gar nicht die vollständigen Verkaufspotenziale wider, da die Abverkäufe immer durch den aktuellen Bestand limitiert sind. Ist also ein bestimmtes Produkt schon am Vormittag ausverkauft, dann sind die potenziellen Abverkaufsmengen für den Nachmittag unbekannt und können nicht in das Training des Prognosemodells einfließen. Daher gilt es, solche Chancen bereits im Vorfeld mit statistischen Verfahren zu identifizieren und die Daten entsprechend zu ergänzen.

KI in der Absatzplanung - Mehrverkaufspotenziale identifizieren

Nehmen wir das Beispiel der Bäckerei-Kette: Deren Verkaufshistorie zeigt an, dass in Filiale A die Croissants bereits am Morgen ausverkauft sind. Sind also die Kunden nur morgens an Croissants interessiert? Ist das die Erkenntnis, die in ein Prognosemodell für Backwaren einfließen sollte? Die Daten aus einer ähnlichen Filiale B sprechen eine andere Sprache. In dieser Filiale kaufen die Kunden bei vorhandenem Warenangebot auch an Nachmittagen noch Croissants – ein klarer Hinweis auf ein Mehrverkaufspotenzial für Filiale A, das sich in den Absatzprognosen mit KI unbedingt wiederfinden sollte. Infolgedessen sind die Vergangenheitsdaten vor dem Modell-Training zu modifizieren.

Präsenzbestände automatisch einberechnen

Nicht nur bei der Datenaufbereitung können Sie Optimierungen vornehmen. Ebenso lassen sich die Endberechnungen noch stärker an die realen Gegebenheiten anpassen. Beispielsweise können Sie gewünschte Präsenzbestände für einzelne Filialen automatisch auf Ihre Absatzprognose aufschlagen lassen, damit der Kunde auch zum Ende des Verkaufstages immer noch aus einer repräsentativen Auswahl an Waren wählen kann. Dabei wird der Präsenzbestand auf unterschiedlichen Ebenen definiert: Ist von einzelnen Artikeln überhaupt ein Präsenzbestand erforderlich? Sollte bei bestimmten Artikeln lieber der Bestand auf eine Artikelgruppe definiert werden?

So liegt etwa die Vermutung nahe, dass eine Bäckereifiliale nicht unbedingt bis zum Ladenschluss eine spezielle Kuchensorte vorrätig haben muss. Wichtiger ist, dass aus der Artikelkategorie Kuchen insgesamt noch ein gewisser Bestand vorhanden ist, auf den der Kunde ausweichen kann. Bei der Auswahl einzelner Artikel für den Zielbestand einer Artikelgruppe sind schließlich verschiedene Kriterien zu berücksichtigen. Eines davon ist die Marge. Um die Kosten möglichst gering zu halten, sind günstige Artikel den teuren vorzuziehen. Ein weiterer Faktor ist das Mindesthaltbarkeitsdatum: Selbstverständlich sollten die Waren mit der größeren Haltbarkeit in Ihren Berechnungen bevorzugt erscheinen.

KI-Entwicklung ist mehr als Machine Learning

Es zeigt sich somit, dass zu genauen Absatzprognosen mit KI schon etwas mehr gehört, als nur einen Algorithmus mit Vergangenheitsdaten zu trainieren. Tatsächlich nimmt der Aufbau des Machine-Learning-Modells nur einen kleinen Teil des Gesamtprojektes ein. Hinzu kommen die Datenbeschaffung und -aufbereitung, die Integration in bestehende Systeme, die Nachbearbeitung der Prognosen sowie letztendlich die Bereitstellung einer fertigen Lösung.

Möchten auch Sie Künstliche Intelligenz optimal in Ihre Prozesse integrieren und dadurch schneller die besseren Entscheidungen für Ihre geschäftliche Zukunft treffen? Dann schauen Sie doch mal auf der Seite Künstliche Intelligenz vorbei oder informieren Sie sich zu unserem Workshop Künstliche Intelligenz Hands-on: Praxisbezogene Analyse von Anwendungsfällen.

Your email address will not be published. Required fields are marked *

workshop

Künstliche Intelligenz Hands-on

Haben Sie genug von theoretischen Vorträgen zu den Möglichkeiten der Künstlichen Intelligenz (KI)? Dann sind Sie in unserem Hands-on Workshop genau richtig! Sie bringen Ihre eigenen Daten mit und steigen gemeinsam mit unseren Experten in praxisbezogene Analysen ein.

Join #teamoraylispeople

Gestalte mit uns
die Welt der Daten