Blog

Demand Forecasting: Wie Algorithmen die Zukunft greifbar machen

Adaptive Merchandise Planning

WENN ICH DAS GEWUSST HÄTTE.

Die Unsicherheit und der Konjunktiv sind die größten Feinde des Merchandise Planning: wäre der Frühling nicht so nass gewesen, wäre die Sommerkollektion mit Sicherheit der Renner geworden. Hätte man auch nur ansatzweise gewusst, dass während der laufenden Saison genau diese Brand, dieser Look völlig unverhofft zum Style der Promis avanciert, wäre man ganz sicher früh genug auf diesen Trend aufgesprungen.

Doch leider kommen im Fashion Retail auf jeden Hit auch immer mehr Fehlschüsse, als einem erfolgsorientierten Händler lieb sein können.

Wie heißt es so schön: Hinterher ist man eben immer schlauer – es sei denn, man verfügt schon vorher über intelligente Werkzeuge und eine smarte Strategie.

Ironischerweise basiert die beste Gegenstrategie zum immer unberechenbarer werdenden Konsumverhalten auf denselben Einfluss-Faktoren, die diese rasante Entwicklung eigentlich erst befeuern: Daten. Unheimlich viele Daten.

Der Kunde hinterlässt überall digitale Brotkrumen, und ein erfolgreiches Demand Forecasting nutzt genau diese, um Leerverkäufe ebenso zu vermeiden wie überfüllte Lager. Möglichst genaue und verlässliche Prognosen über die zu erwartende Nachfrage sind ein unschätzbarer Vorteil, wenn es darum geht, die richtigen und passenden Artikel zum optimalen Zeitpunkt in den richtigen Mengen zu produzieren und genau dort bereitzustellen, wo der Kunde sie braucht, sucht und schließlich auch erwirbt.

KOMPLEXITÄT AM MARKT MACHT DIE PLANUNG INTERESSANTER.

Mit jedem neuen Marktsegment, jedem neuen Standort, jedem neuen Kanal wächst auch die Komplexität der Forecasting-Systeme – und zwar exponentiell.

So stößt jede Unternehmens- und Einkaufsstrategie zwangsläufig zügig an die Grenzen des menschlichen Urteils- und Abstraktionsvermögens. Klassische Forecast-Methoden, die auf dem Zeitreihenverfahren basieren (z.B. Exponential Smoothing oder ARIMA), liefern hier zwar etwas mehr Ausdauer, haben aber leider dabei auch ihre Schwächen. Sie liefern zwar relativ detaillierte Aussagen über vergangene Nachfrageentwicklungen, lassen aber weder Rückschlüsse über deren eigentlichen Verursacher noch über künftige Entwicklungen zu. So können diese klassischen Analyseverfahren beispielsweise den Effekt einer Werbung entweder gar nicht oder nur durch menschliches Zutun quantifizieren.

DER MENSCH LERNT NIE AUS UND ADAPTIVE MERCHANDISE PLANNING EBENFALLS NICHT.

Könnte hingegen ein intelligentes System diese Einflussfaktoren automatisch identifizieren und beim nächsten Forecasting berücksichtigen, würde die Prognosegenauigkeit enorm steigen. Und genau hier kommt Adaptive Merchandise Planning (AMP) ins Spiel. Es basiert auf dem Prinzip des Machine-based learning und arbeitet mit intelligenten Algorithmen wie z.B. artificial neural networks oder deep neural decision forests. Diese lernenden Algorithmen erkennen in der Masse historischer Abverkaufsdaten relevante Muster und Wechselwirkungen, aus denen sich klare Handlungsempfehlungen für die Zukunft ableiten lassen. Das Prinzip ähnelt dem Erlernen einer neuen Sprache: Durch Anwendungserfahrung und ein stetig wachsendes Vokabular können Sprachmuster erkannt, zusammenhänge hergestellt und so die eigene Kommunikationsfähigkeit kontinuierlich verbessert werden.

Vereinfacht gesprochen bildet Adaptive Merchandise Planning mithilfe lernender Algorithmen in Grundzügen die Funktionsweise des menschlichen Gehirns ab.

Das klingt nach Science Fiction? H&M zeigt gerade mit der neuen Sortimentsplanung auf Store-Ebene, dass dies bereits heute begehbare Wege sind (Lesen Sie mehr).

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.