Aktionsplanung im Einzelhandel für Allgemeinwaren – Optimierungsherausforderungen

Joannes Vermorel

Bisher haben wir Datenherausforderungen und Prozessherausforderungen im Kontext von Aktionsprognosen behandelt. In diesem Beitrag, dem letzten der Reihe, befassen wir uns mit dem Begriff der quantitativen Optimierung im Hinblick auf Aktionen. In der Tat ist die Wahl des methodischen Rahmens, der zur Erstellung der Aktionsprognosen und zur Messung ihrer quantitativen Leistung verwendet wird, von entscheidender Bedeutung und wird dennoch in der Regel (fast) vollständig vernachlässigt.

Wie das alte Sprichwort sagt, gibt es keine Optimierung ohne Messung. Aber im Falle von Aktionen, was wird eigentlich gemessen?

Quantifizierung der Leistung von Aktionen

Die fortschrittlichsten prädiktiven Statistiken bleiben ziemlich dumm, insofern als dass es nichts anderes als die Minimierung einer mathematischen Fehler-Funktion ist. Folglich, wenn die Fehlerfunktion nicht eng mit dem Geschäft in Einklang steht, ist keine Verbesserung möglich, da das Maß der Verbesserung selbst danebenliegt.

Es spielt keine Rolle, sich schneller bewegen zu können, solange man nicht einmal weiß, ob man in die richtige Richtung geht.

Wenn es um Aktionen geht, betreffen die Herausforderungen nicht nur die üblichen bestandstechnischen wirtschaftlichen Kräfte:

• Lagerkosten Geld; allerdings kann es im Vergleich zu dauerhaften Lagerbeständen mehr kosten, wenn die Waren normalerweise nicht im Geschäft verkauft werden, da alle Überbleibsel nach Ende der Aktion die Regale verstopfen.
• Aktionen bieten die Möglichkeit, die Marktanteile zu steigern, jedoch meist zulasten der Marge des Einzelhändlers; ein wesentlicher Rentabilitätstreiber ist die Bindung des Impulses, der den Kunden vermittelt wird.
• Aktionen werden verhandelt und nicht bloß geplant; eine bessere Verhandlung mit dem Lieferanten kann mehr Gewinn bringen als eine bessere Planung.

All diese Kräfte müssen quantitativ berücksichtigt werden; und hier liegt die große Schwierigkeit: Niemand möchte quantitativ verantwortlich sein für einen so unbeständigen und unsicheren Prozess wie Aktionen. Ohne quantitative Verantwortlichkeit ist es jedoch unklar, ob eine bestimmte Aktion überhaupt einen Mehrwert schafft, und falls doch, was für die nächste Runde verbessert werden kann.

Eine quantitative Bewertung erfordert ein gewisses ganzheitliches Maß, beginnend mit der Verhandlung mit dem Lieferanten und endend mit den weitreichenden Folgen einer unvollkommenen Bestandskontrolle auf Ladenebene.

In Richtung Risikoanalyse mit Quantilen

Obwohl ganzheitliche Messungen wünschenswert sind, sind sie für die meisten Einzelhandelsorganisationen, die sich auf mediane Prognosen zur Erstellung der Aktionsplanung verlassen, typischerweise unerreichbar. Tatsächlich sind mediane Prognosen implizit gleichbedeutend mit der Minimierung des Mean Absolute Error (MAE), der, ohne falsch zu sein, das Archetyp der Metrik bleibt, die strikt agnostisch gegenüber allen wirtschaftlichen Kräften in der Präsenz ist.

Aber wie könnte es falsch sein, den MAE zu verbessern? Wie üblich sind Statistiken trügerisch. Betrachten wir einen relativ unbeständigen beworbenen Artikel, der in 100 Geschäften verkauft werden soll. Es wird angenommen, dass die Geschäfte ähnlich sind, und der Artikel hat eine 1/3 Chance, auf eine Nachfrage von 6 Einheiten zu stoßen, und eine 2/3 Chance, auf eine Nachfrage von null Einheiten zu stoßen. Die beste mediane Prognose wäre hier null Einheiten. In der Tat wären 2 Einheiten pro Geschäft nicht die beste mediane Prognose, sondern die beste mittlere Prognose, also die Prognose, die den MSE (Mean Square Error) minimiert. Offensichtlich ist es fehlerhaft, eine Null-Nachfrage in allen Geschäften zu prognostizieren. Dieses Beispiel verdeutlicht, wie stark der MAE die wirtschaftlichen Kräfte verfehlen kann. MSE zeigen in anderen Situationen ähnliche Fehlfunktionen. Es gibt kein kostenloses Mittagessen; man kann keine Metrik haben, die sowohl unwissend bezüglich des Geschäfts als auch im Einklang mit dem Geschäft ist.

Quantilprognosen stellen einen ersten Schritt dar, um realistischere Ergebnisse bei Aktionsprognosen zu erzielen, weil es dann möglich wird, eine Risikoanalyse durchzuführen, bei der Fragen wie folgende beantwortet werden:

• Im oberen 90%-Bestfall: Wie viele Geschäfte werden vor Ende der Aktion mit einem Fehlbestand konfrontiert sein?
• Im unteren 10%-Schlechtfall: Wie viele Geschäfte bleiben mit einem Lagerbestand von mehr als 2 Monaten zurück?

Das Design der Aktion kann als Risikoanalyse betrachtet werden, die wirtschaftliche Kräfte integriert und auf Quantilprognosen aufbaut. Aus praktischer Sicht hat die Methode den erheblichen Vorteil, eine Prognose strikt von der Risikoanalyse zu entkoppeln, was die statistische Analyse erheblich vereinfacht.

Verknüpfung von Preis- und Nachfragemodellierung

Während eine quantitative Risikoanalyse bereits eine einfache mediane Prognose übertrifft, bleibt sie von Natur aus in ihrer Fähigkeit, die Verhandlungskräfte des Lieferanten abzubilden, relativ begrenzt.

Ein Einzelhändler könnte in der Tat versucht sein, die Aktionsprognosen mehrfach zu regenerieren, wobei er die Aktionsbedingungen variiert, um die mit dem Lieferanten verhandelten Szenarien widerzuspiegeln, jedoch würde eine solche Nutzung des Prognosesystems zu erheblichen Überanpassungen führen.

Einfach ausgedrückt, wenn ein Prognosesystem wiederholt verwendet wird, um die Maximierung einer auf den Prognosen basierenden Funktion zu suchen, d.h. um den besten Aktionsplan unter Berücksichtigung der prognostizierten Nachfrage zu finden, dann ist der extremste von dem System erzeugte Wert sehr wahrscheinlich ein statistischer Zufall.

Daher muss der Optimierungsprozess stattdessen in das System integriert werden, wobei gleichzeitig sowohl die Nachfrageelastizität als auch die variierenden Bedingungen des Lieferanten analysiert werden, d.h. je größer der Auftrag, desto günstiger die Lieferantenkonditionen.

Offensichtlich ist die Gestaltung eines solchen Systems weitaus komplizierter als ein einfaches, auf medianen Aktionsprognosen basierendes System. Dennoch kann das Unterlassen des Bestrebens, ein solches System in einem großen Einzelhandelsnetzwerk umzusetzen, als ein Laternenpfahl-Effekt angesehen werden.

Ein Polizist sieht einen Betrunkenen, der unter einer Straßenlaterne nach etwas sucht, und fragt, was dieser verloren habe. Der Betrunkene antwortet, er habe seine Schlüssel verloren, woraufhin beide gemeinsam unter der Straßenlaterne nachsehen. Nach ein paar Minuten fragt der Polizist, ob er sich sicher sei, dass er sie hier verloren habe, worauf der Betrunkene entgegnet, dass er sie im Park verloren habe. Der Polizist fragt, warum er hier suche, und der Betrunkene antwortet: “Hier, wo das Licht ist.”

Die verpackte Technologie von Lokad bietet nur begrenzte Unterstützung im Umgang mit Aktionen, aber dies ist ein Bereich, den wir mit mehreren großen Einzelhändlern umfassend behandeln, wenn auch in einer eher ad hoc Art und Weise. Zögern Sie nicht, uns zu kontaktieren, wir können helfen.