Seit unserem großen Tags+Events Upgrade im letzten Herbst arbeiten wir intensiv an der Bestandsprognose für Werbeaktionen im Einzelhandel. Wir haben jetzt Tausende von Werbeveranstaltungen in unserer Datenbank, und die Analyse dieser Veranstaltungen hat uns zu sehr interessanten Erkenntnissen geführt.

Es ist auch kaum überraschend, dass wir festgestellt haben, dass:

  • Werbeaktionen, die von Praktikern manuell durchgeführt werden, in der Regel durchschnittlich Prognosefehler von über 60% aufweisen. Ihre Ergebnisse können variieren, aber typische Verkaufsprognosefehler im Einzelhandel liegen normalerweise näher bei 20%.
  • die Einbeziehung von Werbedaten über Tags und Veranstaltungen reduziert den durchschnittlichen Prognosefehler um etwa 50%. Auch hier können Ihre Ergebnisse je nach der Menge an Daten, die Sie zu Ihren Werbeveranstaltungen haben, variieren.

Als weniger intuitive Erkenntnis haben wir auch festgestellt, dass regelbasierte Methoden und lineare Methoden, obwohl sie von einigen Experten und Softwaretools weit verbreitet beworben werden, sehr anfällig für Überanpassung sind und die Bewertung des Prognosefehlers verzerren können, was zu einem falschen Eindruck von Leistung bei der Prognose von Werbeaktionen führt.

Beachten Sie auch, dass diese 50%ige Verbesserung in der Regel mit einer recht begrenzten Menge an Informationen erreicht wurde, normalerweise nicht mehr als 2 oder 3 binäre Merkmale pro Werbeaktion.

Selbst rohe Daten über Ihre Werbeaktionen führen zu signifikanten Verbesserungen der Prognosen, was zu erheblichen Einsparungen im Umlaufvermögen führt.

Der erste Schritt zur Verbesserung Ihrer Werbeaktionen besteht darin, genaue Werbedaten zu sammeln. Nach unserer Erfahrung ist dieser Schritt der schwierigste und kostspieligste. Wenn Sie keine genauen Aufzeichnungen über Ihre Werbeaktionen haben, besteht wenig Hoffnung auf genaue Prognosen. Wie man so schön sagt, Müll rein, Müll raus.

Dennoch haben wir festgestellt, dass selbst ein einzelnes Werbemerkmal, eine binäre Variable, die lediglich angibt, ob der Artikel derzeit beworben wird oder nicht, zu einer signifikanten Verbesserung der Prognose führen kann. Daher müssen Ihre Aufzeichnungen zwar genau sein, aber sie müssen nicht detailliert sein, um Ihre Prognosen zu verbessern.

Daher empfehlen wir Ihnen, den Zeitpunkt Ihrer Werbeaktionen genau zu verfolgen: Wann hat sie begonnen? Wann endete sie? Beachten Sie, dass für den E-Commerce die Anzeige auf der Startseite oft eine Wirkung hat, die einer Produktwerbung vergleichbar ist, daher müssen Sie die Entwicklung Ihrer Startseite verfolgen.

Auch die Artikelbeschreibung ist wichtig. Tatsächlich haben selbst die am häufigsten beworbenen Artikel in unserer Erfahrung in ihrer Marktlebensdauer nicht mehr als ein Dutzend Werbeaktionen. Im Durchschnitt ist die Anzahl der bekannten vergangenen Werbeaktionen für einen bestimmten Artikel lächerlich gering, im Durchschnitt liegt sie zwischen null und einer vergangenen Werbeaktion. Daher können Sie keine zuverlässigen Ergebnisse erwarten, wenn Sie sich nur auf vergangene Werbeaktionen eines einzelnen Produkts konzentrieren, weil die meiste Zeit keine vorhanden sind.

Stattdessen müssen Sie sich auf Artikel konzentrieren, die dem Artikel ähnlich sehen, den Sie bewerben möchten. Mit Lokad können Sie dies tun, indem Sie Tags mit Ihren Verkäufen verknüpfen. In der Regel verwenden Einzelhändler eine Hierarchie, um ihren Katalog zu organisieren. Denken Sie an eine Artikelhierarchie mit Familien, Unterfamilien, Artikeln, Varianten usw.

Die Übersetzung eines hierarchischen Katalogs in Tags kann recht einfach nach dem unten dargestellten Prozess für einen fiktiven Süßwarenhändler erfolgen:

Die Tags, die mit der Verkaufshistorie von mittleren Zitronenlollis verbunden sind, wären LOLLIPOPS, LEMON, MEDIUM

Dieser Prozess erzeugt in der Regel 2 bis 6 Tags pro Artikel in Ihrem Katalog - abhängig von der Komplexität Ihres Katalogs.

Wir haben gesagt, dass selbst sehr begrenzte Informationen über Ihre Werbeaktionen sofort zur Verbesserung Ihrer Verkaufsprognosen verwendet werden können. Doch detailliertere Informationen über die Werbeaktionen verbessern die Prognosegenauigkeit eindeutig.

Wir haben festgestellt, dass zwei Punkte sehr wertvoll sind, um die Prognosegenauigkeit zu verbessern:

  • der Mechanismus, der die Art des Rabatts beschreibt, der Ihren Kunden angeboten wird. Typische Mechanismen sind ein fester Rabatt (z. B. -20%), aber es gibt viele andere Mechanismen wie kostenloser Versand oder Rabatt für größere Mengen (z. B. kaufen Sie eins und erhalten Sie eins kostenlos).
  • die Kommunikation, die beschreibt, wie Ihre Kunden über das Werbeereignis informiert werden. Typischerweise umfasst die Kommunikation Marketingmaßnahmen wie Radio, Zeitungs- oder lokale Anzeigen, aber auch die individuelle Verpackung (falls vorhanden) und die Sichtbarkeit der beworbenen Artikel am Verkaufsort.

Bei größeren Vertriebsnetzen sollte auch die Gesamtverfügbarkeit der Werbeaktion beschrieben werden, wenn Artikel nicht überall beworben werden. Eine solche Situation tritt typischerweise auf, wenn Verkaufsstellenmanager sich von Werbeaktionen abmelden können.

Bei Gesprächen mit Fachleuten haben wir festgestellt, dass viele Einzelhändler von Lokad eine Reihe von Regeln erwarten, die erstellt werden sollen; und diese Regeln sollen Werbeaktionen wie folgt “erklären”:

WENN TV_ADS UND PERCENT25_DISCOUNT 
DANN PROMO_SALES = 5 * REGULAR_SALES;

Im Grunde folgen diese “erwarteten Regeln” immer mehr oder weniger den gleichen Mustern:

  • Eine Reihe von binären Bedingungen, die den Geltungsbereich der Regel definieren.
  • Eine Reihe von linearen Koeffizienten zur Schätzung der Auswirkungen der Regel.

Wir haben festgestellt, dass viele Tools auf dem Softwaremarkt verfügbar sind, um Ihnen bei der Entdeckung dieser Regeln in Ihren Daten zu helfen. Dies hat anscheinend viele Menschen dazu veranlasst zu glauben, dass dieser Ansatz der einzige verfügbare ist.

Doch unseren Experimenten zufolge sind regelbasierte Methoden bei weitem nicht optimal. Schlimmer noch, diese Regeln sind gegen Überanpassung sehr schwach. Diese Schwäche führt häufig zu schmerzhaften Situationen, in denen es eine erhebliche Diskrepanz zwischen der geschätzten Prognosegenauigkeit und der tatsächlichen Prognosegenauigkeit gibt.

Überanpassung ist ein sehr subtiler und dennoch sehr wichtiger Phänomen in der statistischen Prognose. Im Grunde genommen besteht das zentrale Problem bei der Prognose darin, dass Sie ein Modell erstellen möchten, das sehr genau gegenüber den Daten ist, die Sie nicht haben.

Insbesondere die statistische Theorie zeigt, dass es möglich ist, Modelle zu erstellen, die bei Anwendung auf die historischen Daten sehr genau sind und dennoch sehr ungenau sind, um die Zukunft vorherzusagen. Das Problem ist, dass es in der Praxis, wenn Sie das Überanpassungsproblem nicht sorgfältig im Voraus bedenken, nicht nur eine Möglichkeit ist, ein solches Modell zu erstellen, sondern das wahrscheinlichste Ergebnis Ihres Prozesses.

Daher müssen Sie Ihr Modell wirklich gegen die Daten optimieren, die Sie nicht haben. Doch dieses Problem scheint ein vollständiges Paradoxon zu sein, denn per Definition können Sie nichts messen, wenn Sie nicht über die entsprechenden Daten verfügen. Und wir haben festgestellt, dass viele Fachleute dieses Problem aufgegeben haben, weil es ohnehin nicht wie ein lösbares Problem aussieht.

Unser Rat lautet: GEBEN SIE NICHT AUF

Das Kernproblem bei diesen Regeln ist, dass sie auf historischen Daten zu gut abschneiden. Jede Regel, die Sie hinzufügen, reduziert mechanisch den Prognosefehler, den Sie auf Ihren historischen Daten messen. Wenn Sie genügend Regeln hinzufügen, landen Sie bei einem scheinbar nahezu null Prognosefehler. Doch der empirische Fehler, den Sie auf Ihren historischen Daten messen, ist ein Artefakt des Prozesses, der verwendet wurde, um die Regeln überhaupt zu erstellen. Ein null Prognosefehler auf historischen Daten führt nicht zwangsläufig zu einem null Prognosefehler bei zukünftigen Aktionen. Im Gegenteil, solche Modelle tendieren dazu, bei zukünftigen Aktionen sehr schlecht abzuschneiden.

Obwohl es schwierig ist, für die Daten zu optimieren, die Sie nicht haben, bietet die statistische Lerntheorie sowohl theoretisches Verständnis als auch praktische Lösungen für dieses Problem. Die zentrale Idee besteht darin, den Begriff der strukturellen Risikominimierung einzuführen, der den empirischen Fehler ausbalanciert.

Dies wird in einem späteren Beitrag diskutiert, bleiben Sie dran.

(Unverschämte Eigenwerbung) Viele dieser modernen Lösungen, d.h. mathematische Modelle, die sich um das Überanpassungsproblem kümmern, wurden von Lokad implementiert, damit Sie kein Team von Experten einstellen müssen, um davon zu profitieren.


Leserkommentare (1)

Die Handhabung von Nachfragesignaldaten stellt in jeder Branche die gleichen Probleme dar wie Echtzeitdaten: Wie greift man auf große Datenmengen zu, integriert sie und analysiert sie zusammen mit historischen Informationen? Vor 9 Jahren | Geschäftsmöglichkeiten