Ein Viertel des Prognosefehlers im Geschäft kann durch Regallücken erklärt werden
Die Vorstellung von Prognosegenauigkeit ist subtil, wirklich subtil. Es ist gesunder Menschenverstand zu sagen, dass je näher die Prognosen an der Zukunft liegen, desto besser, und doch kann der gesunde Menschenverstand völlig falsch sein.
Mit der Einführung von Shelfcheck, unserem Optimierer für die Verfügbarkeit im Regal, haben wir begonnen, eine viel größere Menge an Daten auf der Verkaufsebene zu verarbeiten, um automatisch Regallücken (OOS) zu erkennen. In den letzten Monaten hat sich unser Wissen über das Muster von Regallücken deutlich verbessert, und heute wird dieses Wissen in unsere Kernprognosetechnologie integriert.
Lassen Sie uns die Situation veranschaulichen. Der folgende Graph stellt den täglich aggregierten Umsatz auf Ladenebene für ein bestimmtes Produkt dar. Der Laden ist 7 Tage die Woche geöffnet. Eine siebentägige Prognose wird am Ende der Woche 2 erstellt, aber in der Mitte der Woche 3 tritt eine Regallücke auf. Tage, die mit schwarzen Punkten markiert sind, haben null Verkäufe.
In dieser Situation ist die Prognose ziemlich genau, aber aufgrund des Problems mit der Regallücke sieht der direkte Vergleich von Verkäufen und Prognosen so aus, als ob die Prognose die Verkäufe signifikant überschätzt hätte, was zumindest an den Tagen ohne Regallücke nicht der Fall ist. Die Überschätzung der Prognose ist ein Artefakt, das durch die Regallücke selbst verursacht wird.
Bisher scheint es, dass Regallücken nur die wahrgenommene Prognosegenauigkeit beeinträchtigen können, was nicht allzu schlimm zu sein scheint, da vermutlich alle Prognosemethoden gleichermaßen betroffen sein sollten. Schließlich kann kein Prognosemodell das Problem der Regallücke vorhersehen.
Nun, Regallücken können nicht nur die Prognosegenauigkeit beeinträchtigen, sondern sie auch verbessern.
Schauen wir uns den Graphen an, um dies zu veranschaulichen. Auch hier betrachten wir tägliche Umsatzdaten, aber diesmal beginnt das Problem mit der Regallücke am letzten Tag der Woche 2.
Die Prognose für die Woche 3 beträgt die ganze Woche über null. Das Prognosemodell antizipiert die Dauer der Regallücke. Die Prognose ist nicht vollständig genau, da am letzten Tag der Woche 3 eine Warenverfügbarkeit erfolgt und die Verkäufe wieder ungleich null sind.
Offensichtlich ist ein Prognosemodell, das die Dauer des Problems mit der Regallücke antizipiert, hinsichtlich des numerischen Vergleichs Verkäufe vs. Prognosen äußerst genau. Aber macht das wirklich Sinn? Nein, offensichtlich nicht. Wir möchten die Nachfrage prognostizieren, nicht Verkaufs-Artefakte. Schlimmer noch, eine Nullprognose kann zu einer Null-Warenverfügbarkeit führen, was wiederum die tatsächliche Dauer des Problems mit der Regallücke verlängert (und die Genauigkeit unseres regallückenbegeisterten Prognosemodells weiter erhöht). Dies ist offensichtlich keine wünschenswerte Situation, unabhängig davon, wie gut die Prognose aus einer naiven numerischen Sicht sein mag.
Schlechter Fall von Regallücken-Overfitting
Wir haben festgestellt, dass die Situation, die durch die zweite Grafik veranschaulicht wird, weit davon entfernt ist, ungewöhnlich zu sein. Tatsächlich machen Regallücken bei 8% Nicht-Verfügbarkeit im Regal (eine typische Zahl im Einzelhandel) und einer groben 30%igen MAPE bei täglichen Prognosen typischerweise etwa 8% x 100 / 30 ≈ 27% ≈ ein Viertel des gemessenen Gesamtprognosefehlers aus. Tatsächlich erzeugt eine Nicht-Null-Prognose an einem Tag ohne Verkauf (Regallücke) gemäß der Definition von MAPE einen Fehler von 100%.
Da der Anteil des Fehlers, der durch Regallücken verursacht wird, signifikant ist, haben wir festgestellt, dass eine einfache Heuristik wie “Wenn der letzte Tag null Verkäufe für ein Top-Verkaufsprodukt aufweist, dann prognostiziere null Verkäufe für 7 Tage” den Prognosefehler um einige Prozent reduzieren kann, indem das Muster der Regallücken direkt genutzt wird. Natürlich würden nur sehr wenige Praktiker eine solche Regel explizit in ihre Prognosemodelle aufnehmen, aber selbst ein moderat komplexes lineares autoregressives Modell kann dieses Muster in erheblichem Maße “lernen” und somit Regallücken überanpassen.
Natürlich steht Shelfcheck hier zur Hilfe bei diesen Regallücken-Angelegenheiten. Bleiben Sie dran.
Leserkommentare (2)
Hallo Lars, Danke für Ihre Rückmeldung. Auf der Ladenebene ist es wirklich sehr unruhig. Denken Sie an 1 oder 2 verkaufte Einheiten pro Tag pro Artikel als typischen Fall. Die Preisgestaltung ist sicherlich wichtig, aber in der Praxis ist es auf Ladenebene sehr schwer, den genauen Einfluss einer 5%igen Preisänderung für einen bestimmten Artikel quantitativ zu erfassen. Promotions (die auch eine Preiswirkung sind, wenn auch eine große) haben jedoch tatsächlich messbare Auswirkungen, selbst auf Ladenebene. Dann integriert Shelfcheck die täglichen Preisinformationen. Wir haben jedoch herausgefunden, dass es in der Lebensmittel- und Getränkebranche sehr gut möglich ist, die Genauigkeit der bestehenden Systeme (in Bezug auf Prognosen) erheblich zu übertreffen, ohne die Preisinformationen zu nutzen. Ich sage jedoch nicht, dass Preisinformationen nutzlos sind, sondern dass Sie sie nicht benötigen, um jede einzelne Einrichtung, die wir bisher in der Einzelhandelsbranche beobachtet haben, erheblich zu verbessern. In Zukunft werden jedoch sowohl die Preisgestaltung als auch fein abgestufte Kundentreue Daten zunehmend entscheidend sein, um im Prognosemarkt wettbewerbsfähig zu bleiben. Vor 6 Jahren | Joannes Vermorel
Hallo, Im Lebensmittel- und Getränkebereich besteht oft eine starke Korrelation zwischen der tatsächlich verkauften Menge und dem tatsächlichen Verkaufspreis. Dies wird oft mit dem Preiselastizitäts Index = prozentuale Änderung der Menge / prozentuale Änderung des Preises modelliert. Meiner Erfahrung nach ist eine eindimensionale statistische Prognose, die nur die tatsächlich verkaufte Menge betrachtet, ohne den tatsächlichen Durchschnittspreis zu berücksichtigen, ziemlich nutzlos = eine komplette Zeitverschwendung. Stimmen Sie zu und wie ist Ihre Meinung dazu? Vor 6 Jahren | Lars
