Support » hier
Benutzerhandbuch für Tags und Ereignisse
Diese Seite dient als Einführung des Frameworks:
Tags+Ereignisse. Die Prognosetechnologie von Lokad geht über klassische Methoden hinaus; im Speziellen haben wir ein erweitertes Framework, das aufgrund der Möglichkeit einer Betrachtung größerer Datenmengen, im Gegensatz zu einem klassischen System, genauere Prognosen liefert. Diese Seite erklärt, wie Sie die Vorteile von Tags+Ereignissen zur Verfeinerung Ihrer eigenen Prognosen nutzen können.
Tags und Ereignisse sind, zur verbesserten Prognose im Einzelhandel und der Fertigung, bei folgenden Gegebenheiten von Nutzen:
- Produkteinführung
- Sonderangebote
- Marketingmaßnahmen
- Fehlmengen
- Ausschlachtung
- ...
Für Serviceunternehmen, wie Callcenter, helfen Tags und Ereignisse, bei:
- Marketingmaßnahmen
- Unterbrechung des Service
- lokales Ereignis
- ...
Diese Seite konzentriert sich nicht auf die wesentlichen technischen Details der Verwaltung von Tags+Ereignis Daten und der Kommunikation mit der
Prognose API. Das Ziel dieses Artikels, besteht in der Vermittlung eines solides Verständnisses des Zwecks von Tags+Ereignissen,und deren intendierten Nutzen in wirklichen Situationen.
Klassische Prognosemodelle
Lokad liefert
Zeitreihen-Prognosen. Eine Zeitreihe ist nichts anderes als eine Liste von Daten und Wertepaaren. Jedes Phänomen das über einen Zeitraum beobachtet werden kann, kann auch als Zeitreihe repräsentiert werden.
Im Einzelhandel, zum Beispiel, kann der Verkauf eines jeden Produktes (eigentlich jedes SKU) als Zeitreihe repräsentiert werden: ein Datenpunkt pro Woche (falls beispielweise eine wöchentliche Datenzusammenfassung ausgewählt wurde).
Klassische Prognosemodelle nehmen Zeitreihen als Dateneingabe (diese Zeitreihen repräsentieren die historischen Daten des Unternehmens)und geben Rücklaufdauer-Serien aus. Diese Ausgaben repräsentieren die Verkaufsprognosen des Unternehmens.
Einfach ausgedrückt: Prognosen verlängern Zeitreihen in die Zukunft. Statistische Prognosen neigen dazu alle anderen Ansätze zu übertreffen, falls historische Daten für die meisten Kurzzeit- und mittelfristigen Prognosen zur Verfügung stehen - auch wenn dies nicht weitgehend anerkannt ist.
Beschränkungen des klassischen Models
Unser Framework Tags+Ereignisse erweitert das klassische Modell der Zeitreihenprognose durch zusätzliche Meta-Daten, nämlich
Tags und
Ereignisse. Zum besseren Verständnis, warum Lokad eine solche Erweiterung besitzt, lassen Sie uns einen näheren Blick auf die Beschränkungen des klassischen Prognosemodells werfen.
Kurze Zeitreihen
Das klassische Modell ist zur Erstellung der Prognose ausschließlich auf die Information in der rohen Zeitreihe angewiesen. Schauen wir uns eine kurze Zeitreihe an: zum Beispiel die aggregierten monatlichen Umsätze eines Produktes pro Woche. Das Produkt wurde lediglich 4 Wochen vorher auf den Markt gebracht. Die Menge an Information die in dieser Zeitreihe entahlten sind ist daher sehr beschränkt. Hier besteht diese lediglich aus 4 Datenpunkten.
Es steht offensichtlich außer Frage, dass wir mit dieser Datenmenge keine, auch nur bescheiden komplexe Muster, wie beispielsweise Saisonabhängigkeit, berechnen könnten. Hierzu sind mindestens 12 Monate an Datengeschichte notwendig. Selbst wenn wir, um eine Saisonabhängigkeit durch eine Datenkorrelation zu erhalten, versuchen würden diese 4 Wochen mit anderen Zeitreihen zu verknüpfen, wäre der Zeitraum immer noch zu kurz um eine reliable Verknüpfung, auf einer rein statistischen Basis, eine reliable Saisonabhängigkeit, für das Produkt ableiten zu können. Bei kurzen Zeitreihen, ist der klassische Prognoseansatz lahmgelegt. Die Prognose einer Produkteinführung steht offensichtlich außer Frage.
Externe Faktoren
Das klassische Modell erfasst keine externen Faktoren, die einen Einfluss auf die Zeitreihe haben. Diese Information sollte eigentlich in den Zeitreihen enthalten sein. Schauen wir uns dennoch einen externen Faktor, wie beispielsweise die Verkaufsförderung an, können wir zwei Probleme erkennen:
- vergangene Werbeaktionen haben die historischen Daten künstlich aufgeblasen, und werden diese Daten nicht korrigiert, wird das Prognosemodel das vergangene Verkaufsniveau und entsprechend die Verkaufsprognosen überschätzt.
- ist zukünftig eine Werbeaktion geplant, kann das klassische Modell dieses Ereignis nicht berücksichtigen. Als Ergebnis werden die Prognosen, die das Zeitpunktintervall der bevorstehenden Werbeaktion abbilden, unterschätzt.
Auch wenn das klassische Modell seine Berechtigung bei der internen Datenanalyse, wie beispielsweise der Trendanalyse hat, ist es für eine Prognose, die externe Faktoren in Betracht ziehen muss, nicht geeignet.
Es sei angemerkt, dass klassische Modelle theoretisch externe Faktoren durch
Kovariaten bewerkstelligen könnten. Dies dehnt jedoch die Definition davon, was
klassisch und
umfassend an der Zeitreihenprognose ist. Die meisten Prognosewerkzeuge bieten keine systemintere BewerBewerkstelligung solcher Informationen. Diejenigen unter ihnen, die es versuchen, bieten üblicherweise geringe oder gar keine Automatisierung.
Das primäre Ziel unseres Tags+Ereignis Frameworks ist das Angebot einer effizienten und rein statistischen Lösung für die oben dargstellten Probleme.
Die Lösung bringen Tags+Ereignisse
Die im vorigen Abschnitt erwähnten Beschränkungen können wie folgt zusammengefasst werden: Zeitreihen sind nicht ausreichend
expressiv, um die Komplexität des Phänomens, dass wir prognostizieren wollen, wiederzuspiegeln. Daher müssen wir die Rohdatenwerten durch zusätzliche Elemente anreichern. Tags+Ereignisse sind genau diese zusätzlichen Elemente.
Tags
Ein
Tag ist nichts anderes als ein Schlüsselwort oder Ausdruck. Wir nutzen den Begriff "Tag" anstelle des Begriffs "Schlüsselwort", um zu betonen, dass wir uns nicht auf die Bedeutung des Schlüsselwortes konzentrieren. Der Tag wird lediglich als Bezeichner genutzt. Lokad konzentriert sich auf die rohe statistische Bearbeitung, nicht die semantische und linguistische Analyse. Jede Zeitreihe kann mit mehreren Tags (die derzeitige Beschränkung von Lokad liegt bei 1000 Tags) oder auch mit keinerlei Tags, assoziiert werden.
Beispiel: für einen Süßwareneinzelhändler, kann der Tag
Zitrone auf alle Zeitreihen angewendet werden, die mit dem Süßwarenverkauf assoziiert sind, wenn diese Süßware einen
Zitronen-Geschmack hat.
Tags sind benutzerdefiniert: daher kann jede Kombination an Buchstaben als Tag genutzt werden. Es muss kein Wort sein das in der englischen oder irgendeiner anderen Sprache existiert. Der
Tag spiegelt eine Beschreibung wieder, die vom Benutzer selbst festgelegt wurde.
Die Nützlichkeit von Tags leitet sich aus einem Vergleich von einem möglichen mehrmaligen Auftretens desselben Tags ab. Dies impliziert, das man mehrere Zeitreihen braucht (in der Praxis 12 oder mehr), die mit dem gleichen Tag getagt sind. Andererseits kann kein statistisches Muster durch die Anwesenheit (oder Abwesenheit) des Tags abgeleitet werden.
Beispiel: für den Süßwarenhändler, der alle Süßwaren mit
Zitronen-Geschmack mit
Zitrone getagt hat, kann Lokad den Tag
Zitrone nutzen, um herauszufinden ob spezifische Verkaufsmuster für Süßwaren mit Zitronen-Geschmack existieren, z.B. eine
geteilte Saisonabhängigkeit.
Tags können auch kombiniert werden. Auch wenn eine einzelne Zeitreihe nicht mit mehr als 1000 Tags auf einmal assoziiert werden kann, gibt es keine Beschränkung bezüglich der Gesamthöhe eindeutiger Tags. Daher ist es möglich höchst deskriptive Mengen an Tags festzulegen. Lokad kann wirksam komplexe Tagkombinationen einsetzen, um subtile statistische Muster aufzudecken und zur weiteren Verfeinerung der Prognose zu nutzen - nicht nur naive Unterteilungen, die, wie oben illustriert, auf einem einzelnen Tag basieren.
Ereignisse
Ereignisse sind den Tags ähnlich, jedoch ein wenig komplizierter. Ein Ereignis ist prinzipiell ein
terminierter Tag. Dies ist sozusagen ein Tag, der zusätzlich mit einer Terminierung versehen ist. Dieser gibt den Zeitpunkt wieder, zu dem das Ereignis stattfand. Präziser formuliert, ein Ereignis hat vier Eigenschaften:
- einen Anfangszeitpunkt
- ein bekannt-seit (diese Eigenschaft ist ein wenig subtiler und wird weiter unten im Detail dargestellt)
- das Merkmal (um Verwirrungen mit der Lokad Terminierung für Tag zu vermeiden, benutzen wir hier nicht noch einmal das Wort Tag)
Beispiel: Ein Süßwarenhändler führt jedes Jahr, eine Woche vor dem Weihnachtsfest, eine Aktion für Schokoladenlutscher durch: kaufe einen Lutscher, erhalte einen gratis. Die Zeitreihe, die mit dem Verkauf von Schokoladenlutschern assoziiert ist, erhält den Kodenamen
kauf1bekomm2. Das Ereignis beginnt jedes Jahr am 18. Dezember. Durch Vorab-Anwendung des Ereignisses, Anfang Dezember, erhält der Händler die Möglichkeit, unter Beachtung des anstehenden Werbeeffektes, 3 Wochen im Voraus, die richtige Anzahl an Schokoladenlutschern bereit zu halten.
Wenn das gleiche Ereignis (z.B. Ereignisse haben das gleiche Merkmal) mehrere Male innerhalb derselben Zeitreihe auftritt, wird Lokad befähigt, das statistische Muster, das mit dem Auftritt dieses Ereignisses verbunden ist, zu extrahieren. Bezieht sich das Ereignis auf ein Zeitintervall in der Zukunft, passt Lokad seine Prognosen, durch Assoziation dieser Ereignisse mit den statistischen Mustern, innerhalb der Prognosen an.
Wie auch für die Tags, benötigt Lokad zur Identifikation von Ähnlichkeiten in Zeitreihen und als Konsequenz zur Verfeinerung ihrer Prognosen, mehrere Ereignisse mit identischen Merkmalen. Konventionellerweise werden Ereignisse mit identischen Merkmalen als
ähnlich angenommen. Dennoch können ähnliche Ereignisse über mehrere Zeitreihen verteilt sein. Den einfachsten Analysefall stellt eine Situation dar, in der eine einzelne Zeitreihe ähnliche Ereignisse aufweist. In der Praxis stellen sich Situationen jedoch häufig komplizierter dar und ein einzelnes Produkt hat vielleicht während seiner gesamten Lebensdauer nur ein einzelnes Ereignis. Durch Vergleich des Effektes des Ereignisses auf andere Produkte, verfeinert Lokad seine Prognose, selbst wenn das Ereignis bei dem in Betracht gezogenen Ereignis vorher noch nie aufgetreten ist.
Beispiel: Ein Süßwarenhändler führt jedes Jahr, eine Woche vor dem Weihnachtsfest, eine Aktion für Schokoladenlutscher durch:
kaufe einen Lutscher, erhalte einen gratis. Die Zeitreihe, die mit dem Verkauf von Schokoladenlutschern assoziiert ist wird mit dem Merkmal
kauf1bekomm2 benannt. Jedes Jahr wählt der Süßwarenhändler für seine Werbeaktion, zur Erneuerung der Präsentationshilfe wie auch Verfolgung aktueller Markttrends, eine andere Geschmacksrichtung. Jedes Jahr werden neue Geschmacksrichtungen angeboten, daher hat der Süßwarenhändler für diese neuen Geschmacksrichtungen in Zusammenhang mit Weihnachtswerbeaktionen, keinerlei historische Daten vorliegen. Nichtsdestotrotz kann Lokad den Effekt des Merkmals
kauf1bekomm2, durch Nutzung der bei den anderen Lutschern beobachteten Muster, einbeziehen.
Bekannt-seit Eigenschaften von Ereignissen
Der Einfachheit halber wurden im vorherigen Abschnitt lediglich die 3 Haupteigenschaften eines Ereignisses im Detail besprochen: ein Merkmal, ein Anfangszeitpunkt und eine Dauer. Aber jedes Ereignis hat eine vierte Eigenschaft: das
bekannt-seit Datum. Da der Zweck dieser Eigenschaft etwas subtiler ist, haben wir uns die Erklärung für diesen Abschnitt aufgehoben.
Die Eigenschaft
bekannt-seit repräsentiert den Zeitpunkt, an dem die Information bezüglich des Ereignisses dem prognosedurchführenden System (z.B. Lokad) zur Verfügung gestellt wurde. Mit anderen Worten, die Existenz dieses Ereignisses ist
bekannt-seit diesem spezifischen Zeitpunkt.
Bestimmte Ereignisse, wie beispielsweise Werbeaktionen sind üblicherweise Wochen im Voraus bekannt, während andere, wie beispielweise ein Stromausfall, plötzlich und ungeplant auftreten. Die Eigenschaft bekannt-seit zeigt an, ob vergangene Ereignisse zur Verfeinerung der Prognose, als im Voraus bekannt betrachtet werden könnten, oder nicht.
Der Grund warum dieser subtile Aspekt eine Rolle spielt, liegt in dem, für jede gute Prognosetechnologie, äußerst wichtigen Aspekt einer akkuraten Messung (Lokad stellt hier keine Ausnahme dar). Die von diesem Ereignis getragene Information verbessert üblicherweise die Genauigkeit. Aber wenn in wirklichen Unternehmenssituationen, einige Ereignisse nicht bis nach deren Eintreten bekannt sind, würden die historischen Daten, eingeschlossen der nachträglich erworbenen Daten, dem Prognosesystem einen falschen Sinn der Genauigkeit vorgaukeln und, während das Prognosemodell mittels der Daten erstellt wird, zu einer suboptimalen Optimierungen führen.
Datenbeschaffung für Tags und Ereignisse
Wir haben beschrieben wie Tags und Ereignisse zur Verfeinerung der Prognosen genutzt werden können. Obwohl wir gesagt haben, dass sowohl Tags, wie auch Ereignisse beliebig und nutzerdefiniert sind (Tags und Merkmale als beliebige Kombination an Buchstaben), werden Tags und Ereignisse üblicherweise nicht manuell in Lokad eingespeist.
Lokads Ziel ist nicht nur die
Optimierung, sondern auch auf die
Automatisierung. Für einen Süßwarenhändler mit tausenden von Produkthinweisen wäre die manuelle Eingabe tausender Tags und Ereignisse nicht nur eine mühsame, zeitintensive Aufgabe, sondern auch ein fehleranfälliger Prozess.
Daher empfehlen wir üblicherweise einen Prozess einzurichten, um Tags und Ereignisse automatisch aus der dahinterliegenden Unternehmens IT-Lösung (typischerweise das Warenwirtschafts-, Disponenten- oder Kundenverwaltungssystem) zu extrahieren. Auch wenn dieser Prozess normalerweise bereichsspezifisch, wenn nicht sogar unternehmensspezifisch, ist, wird im Folgenden eine allgemeine Rahmenempfehlung angeboten.
Schlußfolgerungen
Wir haben die Beschränkungen des klassischen Prognosemodels im Detail erläutert. Lokad adressiert diese Einschränkungen durch die Einführung eines reicheren Datenmodells, das nicht nur rohe Zeitreihen handhaben kann, sondern auch generische Metadaten, auch
Tags und
Ereignisse genannt. Sowohl Tags als auch Ereignisse werden zur Anreicherung von Zeitreihen genutzt. Tags gehen von einer impliziten Idee der Ähnlichkeit zwischen kompletten Zeitreihen aus, während Ereignisse von der impliziten Idee der Ähnlichkeit zwischen bestimmten Zeitintervallen innerhalb der Zeitreihen ausgehen. Diese Ähnlichkeiten nutzt Lokad um Ihre Prognosen auf eine Art zu verfeinern, die von klassischen Modellen nicht geleistet werden kann.
Die Wahl der Tags+Ereignisse im Einzelhandel und der Fertigung
Dieser Abschnitt konzentriert sich auf die
Nutzung der Tags und Ereignisse im Einzelhandel und der Fertigung. Typische Situationen in diesen Geschäftsbereichen bestehen in der Prognose von Produktverkäufen für jede
SKU - Bestandseinheit, zur Optimierung der Höhe jeder SKU. Wir erläutern hier im Detail, wie Tags und Ereignisse genutzt werden können, um die Inventurverwaltung durch verfeinerte Prognosen zu verbessern.
Produkte durch Tags
Der primäre Zweck der Tags besteht in der Umschiffung der Beschränkung des klassischen Prognosemodells, welches zur Berechnung der Prognosen lediglich das historische Bedarfsniveau berücksichtigt. Tags bieten eine zusätzliche Reihe an Informationen, die über die strengen historischen Daten hinausgehen (d.h. historische Verkäufe).
Produkte und Güter können auf vielfache und sehr detaillierte Weise beschrieben werden, angefangen mit ihren physikalischen Eigenschaften (Farbe, Gewicht, Dimensionen, Material etc.) bis hin zu eher abstrakten Eigenschaften (Produktfamilie, Markenname, Garantiedauer etc.).
Auf der anderen Seite
haben Tags eine beschränkte Aussagekraft: für eine Zeitreihe, die mit einer Produktverkaufshistorie assoziiert ist, kann ein Tag lediglich anwesend oder abwesend sein und es existiert eine Beschränkung auf 1000 Tags pro Zeitreihe. Obwohl Tags, trotz ihrer Einfachheit, dennoch bemerkenswert ausdrucksfähig sind, kommt die Kodierung einer ausführlichen, feinkörnigen Beschreibung der physikalischen Eigenschaften eines Produktes hiermit nicht in Frage.
Wir konzentrieren uns jedoch auf
effektive, nicht allumfassende Produktbeschreibungen. Da die anstehende Aufgabe in einer Bedarfsprognose besteht, wird die Effektivität der Beschreibung anhand der
Höhe der Verbesserung der Prognosegenauigkeit durch die zusätzlichen Daten beurteilt.
Auch wenn dies anfänglich als ein komplexes Unterfangen erscheint, können doch einige einfache Richtlinien angewendet werden, um Tags, die effektive Verbesserungen bringen, auszuwählen.
Die Hauptidee ist, dass die Beschreibung sich nicht auf die Produkte selbst, sondern auf deren Beziehungen untereinander konzentriert und speziell auf die Beziehungen, die das Potential haben ähnliche Verkaufsmuster aufzudecken. Üblicherweise stellt die Produkthierarchie, wie in Produkt- oder Herstellerkatalogen beschrieben, eine gute Augsangsbasis für Tags dar.
Beispiel: ein Süßwarenhändler hat den folgenden Katalog (die Produktbezüge sind in Klammern angegeben):
- Kaugummi
- Colageschmack (1)
- Zitronengeschmack (2)
- Minzgeschmack
- Dauerlutscher
- Apfelgeschmack
- Zitronengeschmack (7)
- Minzgeschmack
- Geleebohnen
Im Katalog existieren 10 Süßwaren. Die folgenden Tags wurden gewählt:
- Kaugummi, Geleebohnen, Dauerlutscher, für die Süßwarenkategorien
- Apfel, Cola, Zitrone, Minze für die Geschmacksrichtungen
- Green, hellgrün, weiß für die Farben
Nun können wir die folgenden Tags mit jedem Süßwarenbezug assoziieren:
- Kaugummi, Cola
- Kaugummi, Zitrone
- Kaugummi, Minze, weiß
- Kaugummi, Minze, hellgrün
- Dauerlutscher, Apfel, hellgrün
- Dauerlutscher, Apfel, grün
- Dauerlutscher, Zitrone
- Dauerlutscher, Minze, weiß
- Dauerlutscher, Minze, hellgrün
- Geleebohnen, Cola
Wir haben vorher erwähnt, dass Tags, die nur einmal in einer Zeitreihe erscheinen, einen geringen Nutzen haben, da sie uns keine direkten Vergleiche mit anderen Zeitreihen erlauben. Auch wenn dies, grob betrachtet, stimmen mag, hat Lokad jedoch die Fähigkeit, nur einmal erscheinende Tags (wenn auch in eingeschränktem Maße) zu nutzen. Diese können zur Definition der
Höhe des Unterschieds zwischen zwei Zeitreihen, wie in den unterschiedlichen Tags dargestellt, nützlich sein, auch wenn einige Tags nur 1-mal auftreten.
In der Praxis empfehlen wir, mehr Aufmerksamkeit auf die allgemeine Hierarchie, als auf die Mikroverfeinerung von Tags, zu verwenden. Lokad ist Störungen gegenüber belastbar. Das Vorhandensein vieler Tags, auch solcher die nicht direkt zur Prognose benötigt werden, stell kein Problem dar, da diese herausgefiltert werden. Solange die
wertvollen Tags nicht massiv von den
Störtags überwogen werden, werden die Prognosen nicht negativ beeinflusst.
Als Faustregel gilt: je bedeutungsvoller und lesbarer die Hierarchie (sobald sie in eine Reihe von Tags abgeflacht wurde), desto wahrscheinlicher wird diese gute und nützliche Informationen, zur Verfeinerung der Prognose, liefern.
Hier eine kurze Liste an
Eigenschaften, die als effektive Tags genutzt werden könnten:
- Ortschlüssel für SKU: das gleiche Produkt kann an verschiedenen Verkaufsorten (POS) verkauft werden. Der Orts-Tag kann von Lokad genutzt werden, um die für den POS spezifischen Verkaufsmuster, zu identifizieren.
- Preispositionierung: auch wenn Tags rein qualitativ sind (ein Tag kann keine Menge repräsentieren), ist die Preispositionierung üblicherweise ein wichtiger Verkaufsfaktor. Eine typische Positionierung wäre: Anfangspreis, bester Preis: Qualitätsverhältnis, Spitzenqualität.
- Sichtoptionen: beispielsweise die zur Auslage gewählte Reihe.
Werbeaktionen durch Ereignisse
Werbaktionen sind
bedeutende Ereignisse, die den Umsatz stark beeinflussen. Die Berücksichtigung von Werbeaktionen ist aus zwei Gründen wichtig:
- Antizipation von Bedarfsspitzen, die nicht anderweitig prognostiziert werden können. Dies ist der direkteste und offensichtlichste Nutzen der Werbeaktion-Informationen.
- zur Beseitigung von Verzerrungen in den historischen Daten, die durch andere Muster eingeführt würden. Zum Beispiel, wurde eine vergangene Werbeaktion nicht als solche gekennzeichnet, kann dies einen ungünstigen Einfluss auf die saisonabhängige Schätzung haben und zu falschen Werten führen.
Für mehr Details, sehen Sie auch unseren Eintrag
Genauere Werbeprognosen im Einzelhandel.
Wie Produkte, so können auch Werbeaktionen mit einer enormen Menge an feinkörnigen Details beschrieben werden. Unser Fokus liegt jedoch nicht auf alles-einschliessenden Details hinsichtlich der Werbeaktionen, sondern eher in der Betonung salienter Aspekte, die am nützlichsten zur Verfeinerung der Prognose erscheinen.
Wie wir gesehen haben, hat jedes
Lokad Ereignis 4 Eigenschaften: ein Merkmal, eine Startzeit, eine Dauer und ein bekannt-seit Datum. Um eine komplexe Unternehmensmaßnahme, wie eine Werbeaktion, zu repräsentieren, werden üblicherweise mehrere Ereignisse genutzt. Da sich alle Ereignisse auf dieselbe Maßnahme beziehen, empfehlen wir, dass diese dieselben drei Werte für die drei zeitbezogenen Eigenschaften (Anfangsdatum, Dauer und bekannt-seit Datum) annehmen.
Daher kann ein
komplexes Ereignis mit vier verschiedenen Eigenschaften betrachtet werden: Eine Reihe an Merkmalen, einem Anfangsdatum, einer Dauer und einem bekannt-seit Datum.
Lassen Sie uns anschauen, wie jede dieser vier Eigenschaften definiert werden könnte. Zeitbezogene Eigenschaften sind recht offensichtlich:
- das Anfangsdatum spiegelt den Tag wieder an dem die Werbeaktion angefangen hat,
- die Dauer, zeigt die Länge der Maßnahme an,
- das bekannt-seit Datum repräsentiert den Zeitpunkt der Entscheidung zur Werbeaktion (üblicherweise Wochen im Voraus im Vergleich zum Anfangsdatum der Werbeaktion).
Da die Eigenschaft
bekannt-seit etwas ungewöhnlich ist, verfolgen die klassischen Warenwirtschaftssysteme diese Information nicht. Für Werbeaktionen können wir jedoch mit Sicherheit annehmen, dass diese stets im Voraus bekannt sind. Daher kann jeder Zeitpunkt, der weit vor dem Anfangsdatum liegt, genutzt werden. Zum Beispiel,
1. Januar 1902 könnte ein Pseudo-Platzhalterwert sein, der die Tatsache zum Ausdruck bringt, dass die Werbeaktion im Voraus bekannt war.
Die Menge an Merkmalen ist offensichtlich diejenige Eigenschaft, die die meisten Informationen zur Definition der Werbeaktion bereithält. Was wir über Tags gesagt haben, behält Gültigkeit: Merkmale sollten sich auf die Ähnlichkeiten, die zwischen den Unternehmensmaßnahmen liegen, konzentrieren.
Üblicherweise ist eine Werbeaktion mit zwei Mengen an Deskriptoren versehen:
- Die Mechanismen, die die Art des Rabatts beschreiben
- Die Kommunikation, die darlegt, wie Ihre Kunden in Kenntnis gesetzt werden
Der Mechanismus ist, zum Beispiel,
kaufe Sie einen und erhalten Sie einen gratis. Große Einzelhändler bieten normalerweise Dutzende an Werbemechanismen, angefangen bei einem Sofort-Skonto, über komplexere Systeme, die vielfache Produkte einbeziehen bis hin zu multiplen Handlungen von Kunden, an.
Rabatte werden üblicherweise als Prozentsatz ausgedrückt (zum Beispiel: -15% des Produktpreises). Tags jedoch sind qualitative, nicht quantitative Attribute (Sehen Sie hierzu auch den Abschnitt Handhabung quantitativer Variablen, zum Feintuning Ihrer Tag-Repräsentation in der Anwesenheit quantitativer Faktoren, weiter unten).
Die Kommunikation involviert üblicherweise mehrer Kanäle:
- die Verpackung für das beworbene Produkt
- eine bestimmte Positionierung, wie z.B. Regalende
- Radiowerbung im Lokalsender
- Briefwurfsendungen
- ...
Jeder Kanal würde typischerweise mit seinem eigenen Kodenamen assoziiert und in der Beschreibung der Werbeaktion platziert.
Beispiel: Ein Süßwarenhändler hat die folgende Ereignis-Repräsentation
- Mechanismus:
- Kaufe1bekomme2
- Kaufe2bekomme3
- Kaufe1minus20prozent
- Kommunikation:
- Schaufensterauslage
- Briefwurfsendungen in der Nachbarschaft
- Werberegal
Der Einzelhändler plant eine Frühlingsaktion bei der die Kunden 3 Lakritze für den Preis von Zweien kaufen können. Er hängt ein großes Schild in sein Schaufenster und führt eine Briefwurfsendung in der Nachbarschaft durch, widmet aber den beworbenen Lakritzen kein spezielles Regal. Die Werbeaktion soll am 15. April anfangen und eine Woche lang dauern. Die Beschreibung der Werbeaktion im Lokad Framwork lautet:
ProduktRef: Lakritz (gleichzeitig der Name der Zeitreihe, die mit dem Lakritzverkauf assoziiert ist)
Namen: Kaufe2bekomme3, Schaufensterauslage, Briefwerbung in der Nachbarschaft
Anfangsdatum: 15. April
Dauer: 7 Tage
Bekannt-seit: 1. März
Es sollte angemerkt werden, dass Produkt-Tags, die zusätzlich auf die Ereignisse angewendet werden, sehr nützlich für die Werbeprognose sein können. Lokad wird die Werbemuster effektiver zuordnen können, falls die Produktbeschreibungen zusätzlich zu den Ereignissen angeboten werden.
Produkteinführungen durch Tags und Ereignisse
Produkteinführungen stellen für die meisten Prognosewerkzeuge eine
pathologische Situation dar, da für das einzuführende Produkt keine Verkaufsdaten zur Verfügung stehen. Nichtsdestotrotz,
Lokad kann Produkteinführungen auf vollautomatisierte Weise prognostizieren. Wie üblich ist der Prozess rein statistisch: Lokad setzt bei vorherigen Produkteinführungen beobachtete Muster wirksam ein, um die Verkaufsmuster für das einzuführende Produkt zu bestimmen.
Natürlich bedarf die Prognose einer Produkteinführung eine signifikante Verkaufsgeschichte mit üblicherweise Dutzenden oder mehr bereits eingeführten Produkten. Ist das einzuführende Produkt, das erste Produkt eines Unternehmens (ausgenommen: der Fall der Firmenneugründung), dann ist ein statistischer Ansatz nicht möglich.
Aus Sicht von Lokad, sind Produkteinführungen den Werbaktionen sehr ähnlich, ausgenommen der Tatsache, dass keine historischen Daten für die Produkteinführung zur Verfügung stehen. Zur Repräsentation einer Produkteinführung empfehlen wir 3 distinkte Daten:
- einen Nullzeitwert, genau vor der Einführung
- eine Menge an Tags zur Beschreibung des Produktes
- eine Menge an Ereignissen, zur Beschreibung der Einführung selbst dienen
Der
Nullzeitwert bietet Lokad einen Kontext, so dass Prognosen stattfinden können. Lokad verfolgt bei seinen Prognosen einen
datenzentrischen Ansatz. Einfach ausgedrückt:
Prognosen fangen dort an, wo die historischen Daten aufhören. Die Null dient lediglich als Hinweis, so dass Lokad die erste Prognose korrekt positionieren kann.
Im Kontext einer Produkteinführung werden Tags benötigt, da Lokad sich auf keine historischen Daten berufen kann. Lokad ist vollständig von den Informationen, die in
anderen Produktverkäufen enthalten sind, abhängig.
Schlussendlich sind Ereignisse nicht erforderlich; da aber die Menge an Informationen, die in Tags enthalten sind (im Gegensatz zu den üblichen Prognosesituation mit verfügbaren historischen Verkaufsdaten) eher dünn ist, werden die Zusatzinformationen, die in den Ereignissen enthalten sind, zu einer signifikanten Verbesserung der Genauigkeit beitragen.
Andere Arten von Ereignissen
Werbeaktionen sind wahrscheinlich die wichtigsten Muster, die durch Ereignisse im Einzelhandel, modeliiert werden können. Es besteht keinerlei Notwendigkeit Lokad von saisonabhängigen Ereignissen, wie Weihnachten, zu berichten. Lokad bietet eine implizite, systemeigene Verwaltung dieser wiederkehrenden Ereignisse, die einen Einfluss auf eine große Anzahl an Unternehmen haben.
Es gibt weitere Arten von Ereignissen, wie beispielsweise:
- partielle Fehlmengen: diese würden als sinkender Bedarf in den Daten angezeigt, obwohl die tatsächlich anzeigen, dass es zu einem bestimmten Zeitpunkt, nicht möglich war, das Produkt zu erwerben
- spezielle geschlossene Tage: diese können auf einer Vielzahl an Ereignissen beruhen, wie Inventur, Sturm oder Bau-, oder Renovierungsarbeiten
Zum jetzigen Zeitpunkt handhabt Lokad, zur Verfeinerung der Prognose basierend auf örtlichen Wettermustern, noch nicht die Eingabe von Wetterdaten. Diese Funktionalität ist eines unserer mittelfristigen Ziele.
Einen Schritt weiter mit Tags und Ereignissen
Dieser Abschnitt beschäftigt sich mit eher subtilen Situationen, die wir zum besseren Verständnis, noch nicht behandelt haben.
Die Handhabung quantitativer Variablen
Das Tags+Ereignis Framework handhabt keine systemeigenen, quantitativen Variablen. Zum Beispiel: unter der Annahme, dass ein Süßwarenhändler einen 10% Rabatt auf Dauerlutscher und einen 30% Rabatt auf Geleebohnen gibt, können wir zwei Merkmale festlegen
Rabatt10 und
Rabatt30. Dies teilt Lokad aber nicht mit, ob zwischen den beiden Rabattmerkmalen eine Beziehung besteht.
Um die Beziehung zwischen quantitativen Werten, durch qualitative Variablen, auszudrücken (so genannte diskrete oder Boolesche Variable), können wir beispielsweise eine
diskrete Abstufung etablieren, zum Beispiel:
- -10% wird mit Rabatt10 assoziiert
- -20% wird mit Rabatt10, Rabartt20 assoziiert
- -30% wird mit Rabatt10, Rabattt20, Rabatt30 assoziiert
- ...
Diese Methode ist effektiv, sollte aber nicht in dem Sinne missbraucht werden, dass man eine zu feinkörnige Einteilung vornimmt. Eine solche feinkörnige Skala würde die Genauigkeit sehr wahrscheinlich verschlechtern. Tatsächlich würde dies, auf eine Art, einen informatives Merkmal in einen großen Teich nicht so informativer Merkmale spülen. In der Praxis empfehlen wir Abstufungen kleiner als 5 Merkmale zu halten, außer es gibt einen sehr guten Grund dies nicht zu tun.
Handhabung von Ereignissen, die selten auftreten
Einige Variablen könnten auch implizit ein quantitatives Phänomen reflektieren, jedoch mit einem subtilen Twist bezüglich Ihrer Häufigkeit. Zum Beispiel, je außergewöhnlicher das Phänomen, desto stärker ist der Einfluss auf das Unternehmen. Außergewöhnliche Phänomene tendieren jedoch dazu selten aufzutreten, was wiederum die Quantifizierung erschwert.
Beispiel: Regen, Sturm und Hurrikane beeinflussen den Umsatz des Süßwarenhändlers negativ: je schlechter das Wetter, desto größer ist dessen negativer Einfluss auf den Umsatz. Allerdings sind Regen, Sturm und Hurrikane Ereignisse, die nicht regelmäßig auftreten, die sehr unterschiedliche Häufigkeiten haben. An dem Ort des Süßwarenhändlers durchschnittlich:
- Regen an 10 Wochen im Jahr (1)
- Sturm an 5 Tagen im Jahr (2)
- Hurrikan einmal alle drei Jahre (3)
Unter der Annahme, dass der Einzelhändler an 10 Wochen im Jahr Regen erlebt, ist ein Blick auf die Daten des letzten Jahres ausreichend, um den Einfluss des Regens auf das Einzelhandelsunternehmen zu quantifizieren (die statistische Methode mag vielleicht kompliziert sein, aber zumindest sind die Daten präsent). Auf der anderen Seite, enthalten die Daten des letzten Jahres womöglich kein einziges Hurrikan-Ereignis. Daher ist der Einfluss eines Hurrikan schwer zu quantifizieren.
Die Herausforderung besteht darin, dass ohne weitere Information, das statistische Modell wahrscheinlich das Ereignis Hurrikane ignorieren wird, da es einfach nicht genug Daten bereitstellt, um ein robustes Datenmuster zu etablieren. Es gab tatsächlich nur zwei Hurrikane in der gesamten Geschichte des Unternehmens.
Daher folgen wir dem gleichen Ansatz, den wir im vorherigen Abschnitt für die Quantifizierung von Variablen besprochen haben; der Süßwarenhändler wählt eine graduelle Repräsentation dieser Ereignisse:
- Regen
- Regen, Sturm
- Regen, Sturm, Hurrikan
Dies erlaubt Lokad seine Prognosen für einen Hurrikan, basierend auf den Ereignissen Sturm oder Regen, zu verfeinern. Sind nicht genügend Daten zur Quantifizierung des Ereignisses Hurrikan verfügbar, kann Lokad sich dem Effekt immer noch durch eine erhöhte Häufigkeit an Regen annähern.
Der Ansatz, den wir hier dargestellt haben, ist eine kraftvolle Art, mit wenig häufig auftretenden, außergewöhnlichen Phänomenen umzugehen. Auch hier möchten wir darauf hinweisen, diese Methode nicht überzustrapazieren. Normalerweise ist es am besten sich auf eine Abstufung von 1 bis 3 Merkmalen zu beschränken.
Datenschutz durch Entstellung
Tags und Ereignisse sind möglicherweise unternehmenssensitive Informationen. Auch wenn der Datenschutz grundsätzlich für Lokad eine hohe Prioritöt einnimmt, können sie sich zusätzlich dafür entscheiden, die Daten entstellt an Lokad zu senden. Dieser Prozess stellt sicher, dass die Lokad zur Verfügung gestellten Daten, nicht für andere Zwecke als strikte statische Prognosen, verwendet werden können. Für weitere Details, besuchen Sie auch unsere Seite
Entstellung.