Out-of-shelf kann 1/4 des Geschäftsprognosefehlers erklären

Joannes Vermorel

Der Begriff der Prognosegenauigkeit ist subtil, wirklich subtil. Es ist gesunder Menschenverstand zu sagen, dass je näher die Prognosen an der Zukunft sind, desto besser, und doch kann der gesunde Menschenverstand völlig falsch liegen.

Mit dem Start von Shelfcheck, unserem Optimierer für die Verfügbarkeit im Regal, haben wir begonnen, viel mehr Daten auf der Ebene des Point of Sale zu verarbeiten, um automatisch Out-of-Shelf (OOS)-Probleme zu erkennen. In den letzten Monaten hat sich unser Wissen über OOS-Muster deutlich verbessert, und heute fließt dieses Wissen in unsere Kernprognosetechnologie ein.

Lassen Sie uns die Situation veranschaulichen. Das untenstehende Diagramm zeigt die täglich aggregierten Verkaufszahlen auf Filialebene für ein bestimmtes Produkt. Das Geschäft ist 7 Tage die Woche geöffnet. Eine Sieben-Tage-Prognose wird am Ende der Woche 2 erstellt, aber in der Mitte der Woche 3 tritt ein OOS auf. Tage, die mit schwarzen Punkten markiert sind, haben null Verkäufe.

In dieser Situation ist die Prognose ziemlich genau, aber aufgrund des OOS-Problems sieht der direkte Vergleich von Verkäufen versus Prognosen so aus, als ob die Prognose die Verkäufe signifikant überschätzen würde, was jedoch nicht der Fall ist, zumindest nicht an den OOS-freien Tagen. Die Überprognose-Messung ist ein Artefakt, das durch das OOS selbst verursacht wird.

Bisher scheint es, dass OOS nur die wahrgenommene Prognosegenauigkeit verschlechtert, was nicht allzu schlimm erscheint, da vermutlich alle Prognosemethoden gleichermaßen betroffen sein sollten. Schließlich ist kein Prognosemodell in der Lage, das OOS-Problem vorherzusehen.

Nun, OOS kann viel mehr als nur die Prognosegenauigkeit zu verschlechtern, OOS kann sie auch verbessern.

Werfen wir einen Blick auf das Diagramm, um dies zu veranschaulichen. Wieder schauen wir uns tägliche Verkaufsdaten an, aber dieses Mal beginnt das OOS-Problem am allerletzten Tag der Woche 2.

Die Prognose für Woche 3 ist die ganze Woche null. Das Prognosemodell erfasst die Dauer des OOS. Die Prognose ist nicht vollständig präzise, da am letzten Tag von Woche 3 eine Wiederauffüllung vorgenommen wird und die Verkäufe wieder ungleich null sind.

Offensichtlich ist ein Prognosemodell, das die Dauer des OOS-Problems antizipiert, in Bezug auf den numerischen Vergleich von Verkäufen vs. Prognosen äußerst präzise. Aber ergibt das wirklich Sinn? Nein, offensichtlich nicht. Wir wollen die Nachfrage prognostizieren, nicht Verkaufs-Artefakte. Schlimmer noch, eine Null-Prognose kann zu einer Null-Wiederauffüllung führen, welche wiederum die tatsächliche Dauer des OOS-Problems verlängert (und die Genauigkeit unseres OOS-begeisterten Prognosemodells weiter erhöht).

Schlechter Fall von OOS-Overfitting

Wir haben festgestellt, dass die durch die zweite Grafik veranschaulichte Situation bei weitem nicht ungewöhnlich ist. Tatsächlich machen OOS-Situationen bei einer 8%igen Regalunverfügbarkeit (eine typische Kennzahl im Einzelhandel) und einem ungefähren 30%igen MAPE bei täglichen Prognosen typischerweise 8% x 100 / 30 ≈ 27% ≈ 1/4 des insgesamt gemessenen Prognosefehlers aus. In der Tat erzeugt per Definition von MAPE eine nicht-null Prognose an einem Tag ohne Verkauf (OOS) einen Fehler von 100%.

Da der Anteil des Fehlers, der durch OOS verursacht wird, signifikant ist, haben wir festgestellt, dass eine einfache Heuristik wie „wenn der letzte Tag bei einem Topseller-Produkt null Verkäufe aufweist, dann prognostiziere null Verkäufe für 7 Tage“ den Prognosefehler um einige Prozentpunkte reduzieren kann, indem direkt das OOS-Muster genutzt wird. Offensichtlich würden sehr wenige Praktiker eine derartige Regel explizit in ihre Prognosemodelle aufnehmen, aber selbst ein moderat komplexes lineares autoregressives Modell kann dieses Muster in erheblichem Maße lernen und dadurch OOS overfitten.

Natürlich ist Shelfcheck hier, um bei diesen OOS-Angelegenheiten zu helfen. Bleiben Sie dran.

Leser-Kommentare (2)

Hallo Lars, Danke für deine Rückmeldung. Auf Ladenebene ist das Geschehen wirklich unübersichtlich. Man denke an 1 oder 2 verkaufte Einheiten pro Tag und Artikel als typisches Beispiel. 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 zu quantifizieren. Allerdings haben Promotions (die ebenfalls ein Preiseffekt sind, wenn auch ein großer) tatsächlich messbare Auswirkungen, selbst auf Ladenebene. Außerdem integriert Shelfcheck die täglichen Preisinformationen. Allerdings haben wir festgestellt, dass es im Bereich Food & Beverage sehr wohl möglich ist, die Genauigkeit bestehender Systeme (in puncto Prognose) erheblich zu übertreffen, ohne die Preisinformationen zu nutzen. Ich behaupte jedoch nicht, dass Preisinformationen nutzlos sind, sondern nur, dass man sie nicht benötigt, um nahezu jedes einzelne Setup, das wir bisher im Einzelhandel beobachtet haben, erheblich zu verbessern. In Zukunft werden Preisinformationen, aber auch detaillierte Loyalität Daten, zunehmend entscheidend, um im Prognosemarkt wettbewerbsfähig zu bleiben. Joannes Vermorel (6 years ago)

Hallo, im Bereich Food & Beverage besteht oft eine starke Korrelation zwischen der tatsächlich verkauften Menge und dem tatsächlichen Verkaufspreis. Dies wird häufig modelliert mithilfe der Price Elasticity (Preiselastizität) berechnet als Index = Mengende Änderung % / Preisänderungs%. Nach meiner Erfahrung wird eine eindimensionale statistische Prognose, die sich nur auf die tatsächlich verkaufte Menge stützt, ohne den tatsächlichen Durchschnittspreis zu berücksichtigen, eher nutzlos – ein völliger Zeitverschwendung. Sehen Sie das auch so, und wie beurteilen Sie das? Lars (6 years ago)