Promotionen vorhersagen

00:00:04 Auswirkungen von Promotionen auf Vorhersagen.
00:00:51 Variabilität von Promotionen in verschiedenen Branchen.
00:02:12 Herausforderungen bei der Vorhersage von promotionell bedingter Nachfrage.
00:03:58 Analyse: Risiken traditioneller supply chain-Methoden.
00:06:00 Kritik: Gleitende Durchschnitte und Vorhersagemethoden.
00:08:01 Kritik: Einfache Modelle zur Vorhersage von Promotionen.
00:08:36 Unternehmen verlassen sich auf gleitende Durchschnitte.
00:10:26 Datenbedarf für die Vorhersage von Promotionen.
00:13:25 Die Rolle des maschinellen Lernens bei der Vorhersage von Promotionen.
00:15:09 Die Rolle von Promotionsdaten in nicht-promotionbezogenen Vorhersagen.
00:17:34 Lerngeschwindigkeit von maschinellen Lernsystemen.
00:20:09 Schwierigkeiten und Strategien in der Vorhersage von Promotionen.
00:20:35 Implementierung der Vorhersage von Promotionen in Organisationen.
00:23:17 Strategische Umsetzung von Promotionen mithilfe von maschinellem Lernen.

Zusammenfassung

Das Interview zwischen Kieran Chandler und Joannes Vermorel, dem Gründer von Lokad, dreht sich um Promotionen, Vorhersagen und supply chain optimization. Vermorel erklärt, dass Promotionen die tatsächliche Nachfrage verzerren können, was eine Herausforderung bei der Nachfrageprognose darstellt. Viele Unternehmen lösen dieses Problem, indem sie die sales history überarbeiten, um die Auswirkungen von Promotionen zu neutralisieren, doch dieser Ansatz birgt das Risiko, irreführende Prognosen zu erzeugen. Unternehmen setzen überwiegend Methoden des gleitenden Durchschnitts für die supply chain optimization ein, die sich als unzureichend erweisen, um promotionbedingte Umsatzanstiege vorherzusehen. Verbesserte Prognosen erfordern mehr Komplexität, wie machine learning, und verlangen zudem hochwertige Daten über Promotionsstrategien. Vermorel hebt den langfristigen Einfluss von Promotionen hervor und betont die Notwendigkeit strategischer Planung, bevor maschinelles Lernen in die Vorhersage von Promotionen implementiert wird.

Erweiterte Zusammenfassung

Das Gespräch zwischen Kieran Chandler und Joannes Vermorel, dem Gründer von Lokad, dreht sich um das Thema Promotionen und deren Auswirkungen auf Vorhersagen und supply chain optimization.

Die Diskussion beginnt mit einer Untersuchung, wie Promotionen drastische Auswirkungen auf den Umsatz haben können – potenziell positiv, wenn korrekt umgesetzt, und negativ, wenn schlecht gehandhabt. Sie beeinflussen zudem die Erwartungen der Kunden an Rabatte und damit auch das Kaufverhalten. Chandler und Vermorel erkennen an, dass sich Promotionsstrategien in den Branchen erheblich unterscheiden, wobei bestimmte Sektoren, wie der Luxusgüterbereich, Rabatte vermeiden, während andere, etwa Hypermarkets, tägliche Promotionen nutzen.

Anschließend wendet sich das Gespräch der Komplexität von Promotionen aus der Perspektive der Vorhersage zu. Vermorel erläutert, dass Promotionen zwar generell mit einem Umsatzanstieg einhergehen, dieser Anstieg jedoch nicht zwangsläufig einer tatsächlichen Nachfragesteigerung entspricht. Diese Diskrepanz entsteht, weil der während einer Promotion beobachtete Umsatz die reale Nachfrage übersteigen kann, da Verbraucher die Gelegenheit günstiger Preise nutzen, selbst wenn sie das Produkt nicht sofort benötigen. Ein solches Verhalten kann die Wahrnehmung der tatsächlichen Nachfrage verzerren.

Das Gespräch verlagert sich daraufhin auf die Implikationen für die supply chain. Vermorel weist darauf hin, dass supply chain-Praktiker bei der Planung für future demand die durch Promotionen verursachte Verzerrung berücksichtigen müssen. Allerdings verlassen sich viele Unternehmen auf traditionelle supply chain-Methoden und versuchen, den Effekt von Promotionen zu verschleiern, indem sie den Verkaufsverlauf umschreiben und somit Promotion-Umsatzspitzen effektiv eliminieren. Dieser Ansatz, der darauf abzielt, die Verkaufsdaten zu normalisieren, birgt Risiken, da er reale historische Daten durch künstliche Konstruktionen ersetzt, was zu irreführenden Prognosen führen kann.

Chandler äußert Bedenken bezüglich dieser potenziellen Gefahren, was Vermorel dazu veranlasst, zu erläutern, warum Unternehmen diese Methode wählen. Er erklärt, dass die meisten Unternehmen Technologien einsetzen, die hauptsächlich auf Varianten des gleitenden Durchschnitts für ihre supply chain optimization basieren. Obwohl diese Methoden in nicht-promotionellen Zeiträumen einigermaßen ausreichend sind, versäumen sie es, promotionbedingte Umsatzsteigerungen vorherzusehen, was zu unzureichenden Prognosen führt. Diese Leistungslücke veranlasst viele von Lokads Kunden, eine verbesserte Vorhersage von Promotionen anzustreben.

Vermorel beginnt damit, die bedeutende Rolle statistischer Modelle bei der Verbesserung der forecast accuracy anzuerkennen und stellt fest, dass sie zwar effektiv sind, aber nicht die alleinige Lösung für eine accurate forecasting darstellen. Er erörtert den weit verbreiteten Einsatz von gleitenden Durchschnitten in der Branche aufgrund ihrer Einfachheit und Zugänglichkeit, insbesondere da ein großer Teil der supply chains noch mit grundlegenden Werkzeugen wie Microsoft Excel arbeitet. Allerdings weist er darauf hin, dass, obwohl gleitende Durchschnitte einfach sind, bessere Ergebnisse wesentlich mehr Komplexität erfordern.

Anschließend wendet sich das Gespräch dem Konzept des maschinellen Lernens zu, das einen erheblichen Fortschritt in Bezug auf Komplexität und potenzielle Ergebnisse im Vergleich zu gleitenden Durchschnitten darstellt. Maschinelles Lernen erfordert nicht nur ein anspruchsvolleres Verständnis statistischer Methoden, sondern auch einen höheren Standard an Datenqualität. Insbesondere betont Vermorel die Notwendigkeit umfassender, hochwertiger Daten über Promotionsstrategien.

Unternehmen müssen umfangreiche Daten zu allen Aspekten sammeln, die zu den Mechanismen von Promotionen beitragen. Dies umfasst nicht nur Preisänderungen, sondern auch die begleitenden Marketingmaßnahmen sowie die eingesetzten Sichtbarkeitsstrategien. Vermorel beleuchtet verschiedene branchenspezifische Beispiele, wie etwa Schlussverkäufe in der Mode oder Strategien zur Produktplatzierung in Einzelhandelsmärkten.

Vermorel betont zudem die Bedeutung der Datenqualität. Er erklärt, dass kleine Ungenauigkeiten oder Lücken in den Daten zwar nicht sofort ein Unternehmen in den Bankrott treiben, jedoch die Leistung von maschinellen Lernalgorithmen, die auf präzisen Daten basieren, erheblich beeinträchtigen können. Er schlägt vor, dass das Erreichen robuster historischer Promotionsdaten in der Regel über mehrere Monate hinweg erhebliche Anstrengungen erfordert.

Das Interview wendet sich anschließend der Weiterentwicklung der Datensammlung und deren Bedeutung für die Vorhersage von Promotionen zu. Vermorel schlägt vor, dass mit präzisen Daten Prognosen effektiver vorhersagen können, welche Promotionen eingesetzt werden sollten und wann sie am besten wirken. Maschinelle Lernalgorithmen verarbeiten die Daten, indem sie Zeiträume identifizieren und kennzeichnen, in denen der Umsatz durch Promotionen entweder überhöht oder vermutlich unterdrückt wurde. Diese Strategie, so erklärt Vermorel, trägt zur Verbesserung der Genauigkeit von Prognosen auch außerhalb von Promotionszeiträumen bei.

Auf den ersten Blick erscheint dieses Konzept kontraintuitiv. Vermorel rechtfertigt es jedoch damit, dass Promotionen eine Wellenwirkung auf andere, nicht beworbene Produkte haben. Beispielsweise kann eine bedeutende Promotion für ein Produkt die Umsätze konkurrierender Produkte kannibalisieren und somit die Vorhersage komplexer gestalten. Das Verständnis dieser indirekten Effekte von Promotionen fügt der supply chain forecasting eine weitere Dimension hinzu.

Vermorel betont die Notwendigkeit, zukünftige Ereignisse und deren potenziellen Einfluss auf die supply chain vorherzusehen. Er schlägt vor, dass, wenn Unternehmen solche zukünftigen Ereignisse einer von maschinellem Lernen unterstützten Vorhersage-Engine übermitteln könnten, diese Daten nutzen und das bevorstehende Ereignis in ihre Prognosen einbeziehen würde.

Chandler fragt nach der Lernkapazität des maschinellen Lernens und wie schnell es Ergebnisse liefern kann. Vermorel stellt klar, dass es vorwiegend ein Spiel der Statistik ist. Die Lernrate des maschinellen Lernalgorithmus hängt von der Häufigkeit der Promotionen ab. Beispielsweise würde bei nur einer Promotion pro Jahr für ein Produkt das Lernen langsam vorangehen. Bei regelmäßigen Promotionen lernt der Algorithmus jedoch schneller, da er Daten aus ähnlichen früheren Promotionen nutzen kann.

Zudem stellt Vermorel klar, dass die Vorhersage von Promotionen nicht darin besteht, eine einzelne Zeitreihe zu prognostizieren, sondern den typischen Einfluss einer Promotion unter ähnlichen Bedingungen, wie Rabatten oder Kommunikationskanälen, zu untersuchen. Er liefert Beispiele aus der Modebranche, wo Schlussverkauf-Promotionen üblich sind, und dem E-Commerce, wo Produkte kontinuierlich auf der Startseite der Website beworben werden.

An CEOs oder angehende CEOs gerichtet, skizziert Vermorel einen Prozess zur Einführung der Vorhersage von Promotionen in ihren Organisationen. Er unterstreicht die Notwendigkeit der Datensammlung und betont die Wichtigkeit spezifischer Daten gegenüber umfangreichen Datensätzen. Er empfiehlt, detaillierte Daten über die Promotionen selbst zu sammeln: die Produkte, die Mechanismen der Promotionen und weitere Variablen wie kostenlosen Versand.

Vermorel hebt die Notwendigkeit eines Qualitätssicherungsprozesses hervor, um die Genauigkeit und Relevanz der Daten zu gewährleisten. Er ermutigt Führungskräfte zudem, über den zugrunde liegenden Zweck oder das Endziel ihrer Promotionsstrategie nachzudenken, da dieses in den verschiedenen Branchen variiert. Er führt Beispiele aus der Mode- und der Allgemeinwarenindustrie an, die jeweils unterschiedliche Ziele hinter ihren Promotionen haben.

Er fordert Organisationen dazu auf, die langfristigen Auswirkungen ihrer Promotionen in Betracht zu ziehen. Diese Aktivitäten, so erklärt er, prägen die Kunden in gewisser Weise und können nachhaltige Effekte haben. Daher müssen Unternehmen strategisch darüber nachdenken, welchen Einfluss sie durch ihre Promotionen auf ihre Kunden ausüben möchten.

Maschinelles Lernen kommt ins Spiel, sobald Organisationen ihre strategischen Überlegungen geklärt und die relevanten Daten gesammelt haben. Vermorel betont erneut, dass maschinelles Lernen, trotz seiner mechanischen Intelligenz, keine übergeordneten Strategien entwickeln wird, und hebt hervor, dass es für Unternehmen unerlässlich ist, vor dem Einsatz von maschinellem Lernen zur Vorhersage von Promotionen strategisch zu planen.

Vollständiges Transkript

Kieran Chandler: Heute auf Lokad TV. Wir werden über Promotionen und deren Auswirkung auf Vorhersagen sprechen. Promotionen können unglaublich variabel und schwer vorherzusagen sein. Werden sie richtig umgesetzt, können sie Ihren Umsatz erheblich steigern, werden sie jedoch falsch durchgeführt, können sie die Glaubwürdigkeit Ihrer Produkte mindern und Ihre Kundschaft so verprellen, dass sie enorme Preissenkungen erwartet. Promotionen sorgen oft aus unterschiedlichsten, ungünstigen Gründen für Schlagzeilen. Am Black Friday sind Kunden in Kaufhäusern dabei zu beobachten, wie sie um stark reduzierte Produkte kämpfen. Diese Perioden sind jedoch zweifellos wichtig für die Einzelhändler, die häufig von massiven Umsatzsteigerungen berichten. Also, Joannes, Promotionen variieren enorm je nach Branche. Um anzufangen, könntest du vielleicht die Unternehmen erläutern, über die wir hier sprechen.

Joannes Vermorel: Ja, tatsächlich gibt es Promotionen in verschiedenen Ausprägungen, je nach Ihrem Geschäftsbereich. Sie reichen von Branchen wie dem Luxussegment, das niemals Promotionen durchführt – man wird eben keine Rolex im Ausverkauf finden – bis hin zu Branchen, die täglich Promotionen haben, wie Hypermarkets, wo man täglich Promotionangebote sieht. Promotionen können sich auf den Preis beziehen – so wie man es typischerweise in einem Hypermarket erlebt, wo man beim Kauf von zwei Artikeln einen dritten kostenlos erhält. Aber im E-Commerce geht es bei Promotionen auch darum, etwas besonders hervorzuheben. Wenn Sie beispielsweise einen Newsletter an eine halbe Million Abonnenten senden, um ein Produkt in den Vordergrund zu stellen, werden Sie einen deutlichen Umsatzanstieg beobachten, selbst wenn der Preis des Produkts nicht um auch nur 1 % reduziert wurde. Also, es ist zwar dasselbe Wort, aber es signalisiert ganz unterschiedliche Realitäten, abhängig davon, mit welchem Unternehmen man es zu tun hat.

Kieran Chandler: Also, im Allgemeinen sind sie ja eine ziemlich gute Sache, weil man normalerweise einen Umsatzanstieg sieht. Warum verkomplizieren sie dann die Dinge? Weshalb gibt es Schwierigkeiten im Zusammenhang mit Promotionen?

Joannes Vermorel: Sie verkomplizieren die Dinge, weil das, was vorhergesagt werden soll – wenn Sie Ihre supply chain optimieren möchten – die zukünftige Nachfrage ist. Das Problem dabei ist, dass Sie weder die zukünftige noch die vergangene Nachfrage beobachten, sondern den vergangenen Umsatz. Der Umsatz entspricht nicht der Nachfrage. Er unterliegt allerlei Verzerrungen. Wenn kein Lagerbestand vorhanden ist, kommt es zu einem Fehlbestand, sodass Sie null Umsatz haben, obwohl die Nachfrage besteht. Promotionen bewirken den gegenteiligen Effekt, da Sie viel mehr Umsatz sehen können, als der tatsächlichen Nachfrage entspricht. Zum Beispiel, wenn Sie einen massiven Preisnachlass haben, könnten Verbraucher, obwohl sie das Produkt momentan nicht benötigen, beginnen, sich einen Vorrat für zuhause anzulegen – einfach weil sie die Gelegenheit als vorteilhaft empfinden. So kann der Umsatz Ihnen ein verzerrtes Bild davon vermitteln, was die tatsächliche Nachfrage ist. Die meisten supply chain-Praktiker wissen, dass sie nicht einfach einen gleitenden Durchschnitt über die Promotionen legen sollten, da die Promotion die beobachtete Nachfrage naiv in die Höhe treibt. Man weiß, dass der Umsatz am Ende der Promotion sinken wird. Das ist das grundlegende Phänomen, das berücksichtigt werden muss, sonst wird Ihre Planung völlig fehlerhaft.

Kieran Chandler: Sie sagen also, dass ein fehlgeleitetes Bild der Nachfrage entsteht. Wie setzen die Unternehmen das in die Praxis um? Wie passen sie sich daran an?

Joannes Vermorel: Die traditionelle supply chain-Methode besteht darin, den Verkaufsverlauf umzuschreiben, um den Effekt von Promotionen zu verschleiern. Die meisten Unternehmen nehmen ihren Verkaufsverlauf, betrachten den Promotionszeitraum, erkennen den Ausschlag und versuchen dann, diese Ausschläge zu entfernen. So wird der darauf angewendete gleitende Durchschnitt nicht übermäßig durch die gerade stattgefundene Promotion verzerrt. Ich behaupte nicht, dass das der richtige Ansatz ist, aber genau das machen die meisten Unternehmen heutzutage noch.

Kieran Chandler: Und das Entfernen der Ausschläge, die durch Promotionen verursacht werden, klingt sehr gefährlich. Bekommen Sie daraus nicht sozusagen zwei Versionen der Wahrheit? Warum machen sie das eigentlich?

Joannes Vermorel: Sie haben vollkommen recht; es ist sehr gefährlich. Der Grund ist, dass Sie genaue historische Verkaufsdaten durch erfundene Daten ersetzen, die Sie gerade erfunden haben. Es ist eine Verzerrung der Realität, und dann werden Sie Ihre Planung auf diesen erfundenen Daten basieren. Ja, es besteht eine reale Gefahr. Es ist eine methodische Gefahr. Wenn Ihre Korrekturen fehlgeleitet sind, werden Ihre Prognosen auf fehlerhaften Eingaben aufgebaut, was das Problem hinsichtlich der supply chain Planung verschärfen könnte.

Also, warum machen das die Leute überhaupt? Wenn man sich die Art von Technologien ansieht, die die meisten Unternehmen noch für ihre supply chain Optimierung verwenden, ist es im Grunde eine verherrlichte Version von gleitenden Durchschnitten. Gleitende Durchschnitte sind unter verschiedenen Namen bekannt – exponentielle Glättung, Holt-Winters –, aber im Wesentlichen sind sie alle Variationen von gleitenden Durchschnitten. Diese Methoden sind nur ein wenig nuancierter, um mit Saisonalität umzugehen, aber der Kern bleibt immer noch ein gleitender Durchschnitt.

Deshalb, wenn all das, was Sie haben, ein gleitender Durchschnitt ist, müssen Sie Ihre historischen Verkaufszahlen so anpassen, dass sie damit kompatibel sind, da dies das einzige mathematische Modell ist, das Ihrem Unternehmen zur Verfügung steht. Aber das ist eine fehlerhafte Sichtweise, denn es gibt noch viel mehr als nur gleitende Durchschnitte.

Kieran Chandler: Aber diese statistischen Methoden sind sicherlich Grundlage für die zukünftigen Entscheidungen vieler dieser Unternehmen. Also, funktionieren sie tatsächlich? Sie müssen gut genug sein, wenn Unternehmen sie weltweit einsetzen.

Joannes Vermorel: Die Realität ist, dass sie eigentlich nicht gut genug sind. Die meisten Unternehmen, die zu unseren Kunden wurden, haben uns tatsächlich gesagt, dass einer der Hauptmotivationen darin bestand, bessere Promotionsprognosen zu erhalten, da dies ein echtes Problem für sie darstellte.

Ihr gleitender Durchschnitt kann mithalten, aber er kann weder den Anstieg noch den Effekt der Promotion vorwegnehmen. Auch wenn er die Prognose für Nicht-Promotionszeiträume durch die Promotion möglicherweise nicht vollständig verfälscht, liefert er dennoch nichts, um tatsächlich mit einer bevorstehenden Promotion umgehen zu können. Der gleitende Durchschnitt hilft Ihnen also ein wenig, aber er greift das Problem nicht an der Wurzel. Er erstellt keine tatsächliche Promotionsprognose, sondern verhindert nur, dass die Promotions alle Nicht-Promotionsprognosen verzerren. Und übrigens, diese Methode ist sehr schwach; sie funktioniert nicht einmal korrekt und bringt viele Probleme mit sich.

Kieran Chandler: Warum sind diese Unternehmen so zufrieden damit, mit diesen gleitenden Durchschnitten zu arbeiten? Warum ändern sie nichts? Warum ist es immer noch irgendwie ein bestehendes Problem?

Joannes Vermorel: Ich glaube, dass ein gleitender Durchschnitt etwas ist, an das jeder Ingenieur in ungefähr zwei Stunden denken kann. Einfachheit ist also sehr mächtig. Am Ende werden Sie in zwei Stunden einen gleitenden Durchschnitt und eine Art Rezept neu erfinden, um Ihren gleitenden Durchschnitt tatsächlich zum Laufen zu bringen, was eine sehr starke Kraft darstellt.

Denken Sie daran, dass etwa 80% der weltweiten supply chains immer noch auf Microsoft Excel basieren, weshalb ein gleitender Durchschnitt in Excel sehr, sehr einfach zu erstellen ist. Das ist wahrscheinlich der Grund.

Ein weiterer Grund ist, dass wenn Sie es besser machen wollen, es erheblich schwieriger wird. Plötzlich müssen Sie vom gleitenden Durchschnitt zum Machine Learning wechseln. Sie müssen also von einer sehr simplen Methode, die jeder verstehen kann, zu Machine Learning übergehen, das viel komplizierter ist.

Kieran Chandler: Wir diskutieren hier über einen Algorithmus, der innerhalb von zwei Stunden funktionieren kann, selbst wenn Sie noch nie Machine Learning gemacht haben. Aber um ihn erfolgreich zu implementieren, müssen Sie auch großen Wert auf die Qualität der Daten über Ihre Promotions legen. Könnten Sie beschreiben, wie dieser Prozess funktioniert und wie wir mit besseren Methoden vorgehen können?

Joannes Vermorel: Natürlich. Unabhängig von jeder Alternative zu gleitenden Durchschnitten müssen wir uns maßgeblich auf Daten verlassen. Dieser Faktor macht das Ganze viel komplexer.

Kieran Chandler: Wenn wir es besser machen wollen, welche Art von Daten sollten wir sammeln? Sollten es Marketingaktivitäten, Preisänderungen oder etwas anderes sein?

Joannes Vermorel: Das Unternehmen muss alles erfassen, was zu den Mechanismen der Promotion beiträgt. Der Preis ist dabei eine Sache, ja. Wenn Sie den Preis eines Produkts reduzieren, aber niemanden über den Rabatt informieren, fällt es niemandem auf, außer denjenigen, die bereits vorhatten, das Produkt zu kaufen.

Eine Promotion dreht sich also nicht nur um den Preis. Es geht auch darum, das Wort zu verbreiten. Dem Markt mitzuteilen, dass Sie eine Promotion haben, ist entscheidend. In bestimmten Branchen wie der Mode gibt es Schlussverkäufe. Jeder erwartet diese Verkäufe, die eine spezielle Art der Promotion darstellen. Aber in einigen Bereichen ist es ein völlig anderes Spiel.

Zum Beispiel in Hypermarkten geht es nicht nur darum, einen Preisnachlass zu haben. Oft geht es darum, ein Produkt an den Kopf der Gondel zu setzen – die super-premium Platzierung am Ende des Gangs, wo Produkte besonders sichtbar sind. Noch besser, Sie könnten einen großen Stapel der beworbenen Produkte am Eingang des Geschäfts platzieren.

Die Frage stellt sich also: Erfasst Ihr ERP System all diese Daten ordnungsgemäß? Wenn Sie nicht richtig nachverfolgen, was Sie verkaufen oder kaufen, könnte Ihr Unternehmen bankrottgehen. Wenn Sie nicht wissen, was Sie verkaufen oder kaufen, könnten entweder Kunden oder Lieferanten Sie betrügen, was zur Insolvenz führen würde.

Andererseits, wenn das Datum Ihrer Promotion in Ihren ERP-Aufzeichnungen falsch erfasst wird, wird es Ihr Unternehmen nicht in den Bankrott treiben. Aber wenn Sie einem Machine Learning Algorithmus, der Promotions prognostiziert, ungenaue Daten zuführen, wird es nicht funktionieren.

Daher benötigen Sie einen Qualitätssicherungsprozess für Ihre Promotionsdaten. Nach unserer Erfahrung bei Lokad kann dieser Prozess sehr aufwändig sein. Für die meisten Unternehmen erfordert es monatelange Anstrengungen, qualitativ hochwertige historische Promotionsdaten zu erhalten.

Kieran Chandler: Was Sie also sagen, ist, dass es eine wahre Evolution in der Branche gegeben hat, weil es nicht um das Messen einer kritischen Kennzahl geht, sondern um die Evolution der Messmethoden?

Joannes Vermorel: Ja, es ist sehr schwer zu messen.

Kieran Chandler: Hypothetisch, wenn ein Unternehmen all diese Dinge gemessen hat und all diese Informationen gesammelt wurden, bedeutet das dann, dass Sie uns durch Ihre Prognose sagen können, welche Promotions durchzuführen sind, wann sie am besten wirken, und welche Art von Informationen Sie generieren können?

Joannes Vermorel: Ja. Das Erste, was man verstehen muss, ist, dass ein Machine Learning Algorithmus, anstatt historische Daten zu korrigieren, diese aus der Perspektive angereicherter historischer Daten betrachtet. Sie versuchen nicht, Ihre Verkäufe anzupassen. Stattdessen markieren Sie die Zeiträume, in denen die Produktverkäufe aufgebläht waren, und die Zeiträume, in denen sie wahrscheinlich zensiert wurden.

Zum Beispiel, am Ende einer Promotion, wenn die Leute einen eigenen Warenvorrat angelegt haben, könnte ein Nachfragerückgang zu beobachten sein. Möglicherweise gibt es sogar einen Zeitraum, in dem Sie eine Art zensierte Nachfrage feststellen. Daher müssen Sie all diese Faktoren berücksichtigen.

Kieran Chandler: Der erste Vorteil von Promotions, der nicht sofort ersichtlich sein mag, ist das Potenzial, die Qualität Ihrer Prognosen selbst in nicht-Promotionszeiträumen zu verbessern. Dies wird durch den Einsatz eines Algorithmus erreicht, der Vorurteile besser vorhersagen kann. Was Sie sagen, ist, dass Promotionsdaten selbst dann genutzt werden, wenn keine Promotionen stattfinden, richtig?

Joannes Vermorel: Ja, es mag kontraintuitiv erscheinen, aber betrachten wir ein Beispiel. Wenn Sie eine große Promotion für eine Tomatensorte haben, wird dies wahrscheinlich die Verkäufe aller anderen nicht beworbenen Produkte kannibalisieren. Es ist ziemlich offensichtlich, dass eine signifikante Promotion für ein bestimmtes Produkt einen massiven Kannibalisierungseffekt auf alle anderen Produkte hat, die mit dem beworbenen Artikel konkurrieren. Daher machen Promotionen die Prognose komplexer, nicht nur für das beworbene Produkt, sondern auch für alle nicht beworbenen Produkte.

Kieran Chandler: Ich verstehe, also ist es nicht so kontraintuitiv, wie es auf den ersten Blick scheint, aber es erfordert einige Überlegungen. Nun, kommen wir zum Thema der Vorwegnahme zukünftiger Promotionen. Wenn Sie von einer bevorstehenden Promotion wissen, können Sie den Anstieg, oder die Umsatzsteigerung, die daraus resultiert, antizipieren. Dies wirft jedoch die Frage nach Ihrem Entscheidungsprozess für zukünftige Promotionen auf. Könnten Sie erläutern, wie diese Entscheidungen getroffen werden und wie sie in Ihre Prognose-Engine eingespeist werden?

Joannes Vermorel: Sicher. Der erste Teil des Prozesses besteht darin, über zukünftige Promotionen zu entscheiden. Der zweite Teil beinhaltet, sicherzustellen, dass diese Entscheidungen in unsere Prognose-Engine eingespeist werden. Es geht hierbei nicht nur um vergangene Daten, sondern auch um zukünftige Erwartungen. Wenn wir ein Ereignis planen, das die supply chain erheblich beeinflussen wird, muss die Prognose-Engine im Voraus darüber informiert werden. Eine von Machine Learning gesteuerte Prognose-Engine wird, wenn sie rechtzeitig informiert wird, in der Lage sein, sich anzupassen und das bevorstehende Ereignis in ihrer Prognose zu berücksichtigen.

Kieran Chandler: Das ist faszinierend, besonders die Idee einer Promotion des Jahrzehnts. Aber angesichts der Komplexität von Machine Learning, wie schnell können diese Systeme lernen und sich anpassen? Wann kann man damit rechnen, erste Ergebnisse zu sehen?

Joannes Vermorel: Es hängt größtenteils von der Anzahl der Promotionen ab. Es ist ein Spiel der Statistik. Wenn Sie eine Promotion nur einmal im Jahr für ein Produkt durchführen, ist es schwer, etwas zu lernen. Denken Sie daran, dass es bei der Prognose von Promotionen nicht darum geht, eine Zeitreihe vorherzusagen. Jedes Produkt könnte nur ein- oder zweimal in seinem Leben promotet werden. Wenn Sie den Einfluss einer Promotion verstehen wollen, müssen Sie berücksichtigen, wie die typische Auswirkung einer Promotion unter ähnlichen Bedingungen ist – Preisnachlass, Promotionsmechanik, Kommunikationskanäle usw. Zum Beispiel in der Modebranche, in der es Schlussverkauf-Promotionen gibt, haben Sie mehrere Datenpunkte, da dies vier bis acht Mal im Jahr geschieht. Für einen Hypermarkt könnte jedes einzelne Produkt potenziell ein Datenpunkt sein.

Sie haben Hunderte von Produkten, die jeden Tag promotet werden, und sie rotieren, es sind nicht immer dieselben Produkte. Es ist etwas, das im E-Commerce ständig passiert. Typischerweise gibt es immer ein oder zwei Produkte, die zufällig auf der Startseite Ihrer E-Commerce-Website erscheinen, sodass ständig ein starker Promotionsmechanismus am Werk ist. Aber es wird sehr schwierig, wenn man anfängt, über die Prognose von Promotionen nachzudenken. Eine Frage, die unsere Kunden stellen, ist, ob unsere Prognose-Engine vielleicht Promotionen vorhersagen kann, aber was sie wirklich möchten, ist zu entscheiden, was die beste Promotion ist, was eine völlig andere und sehr schwierige Frage ist.

Kieran Chandler: Nehmen wir an, einige unserer Zuschauer könnten CEOs sein. Welchem Prozess sollten sie folgen, wenn sie tatsächlich Promotionsprognosen in ihrem Unternehmen implementieren wollen?

Joannes Vermorel: Zunächst müssen sie alle relevanten Daten sammeln. Ich spreche nicht davon, Twitter-Daten oder das, was die Leute auf Facebook sagen, zu sammeln. Es geht vielmehr darum, zu wissen, welche Produkte promotet werden und wie der genaue Promotionsmechanismus aussieht. Wahrscheinlich haben sie eigene Kategorien wie „Kaufe eins, erhalte eins gratis“, oder es handelt sich um einen prozentualen Preisnachlass, oder um eine Art Promotion mit kostenlosem Versand zum Beispiel. Der erste Schritt ist, das zu sammeln, was ich quasi-transaktionale Daten nenne. Es sind keine transaktionalen Daten, weil sie nicht in den Rechnungen oder Zahlungen erscheinen, aber sie sind sehr genau spezifiziert. Sie müssen diese sammeln, in Ihr System integrieren und einen Qualitätssicherungsprozess darüber etablieren.

Der zweite Schritt besteht darin, wirklich darüber nachzudenken, warum Sie Promotionen durchführen, was das Endziel ist. Das Problem ist, dass es typischerweise ein sehr unterschiedliches Endziel gibt, je nach Ihrem Sektor. Zum Beispiel in der Modebranche besteht das Ziel darin, Ihren gesamten alten Lagerbestand zu liquidieren, damit Sie immer Produkte verkaufen können, die dem neuesten Trend entsprechen. Bei allgemeinen Handelswaren werden Promotionen typischerweise nicht vom Einzelhändler, sondern von dessen Lieferanten ausgelöst, als Verhandlung, um das Bewusstsein für ein new product zu steigern, wie zum Beispiel einen neuen Geschmack eines schnell drehenden Konsumguts. Die Endziele sind sehr unterschiedlich, was bedeutet, dass Sie, wenn Sie beurteilen wollen, wie Sie vorgehen sollten, über die Auswirkungen Ihrer Promotionen nachdenken müssen.

Sie versuchen, Ihre Kunden zu beeinflussen, und Sie sollten wirklich genau darüber nachdenken, welche Art von Einfluss Sie erzeugen möchten. Wenn Sie beispielsweise Ihre Kunden darauf konditionieren, Ihre Produkte immer billig zu kaufen, weil sie wissen, dass immer eine Promotion kommt, dann lernen Ihre Kunden, dass sie einfach ein wenig geduldig sein müssen, um es günstig zu bekommen. Das erfordert wirklich strategisches Denken, und dieses strategische Denken sollte vor dem Machine Learning stattfinden.

Sobald Sie das richtig hinbekommen, können Sie ein Machine Learning System einsetzen, das intelligent ist und in der Lage, all die Daten zu verarbeiten, die Sie gesammelt und mit Ihrem strategischen Denken in Einklang gebracht haben. Machine Learning ist sehr mechanisch, daher wird es nicht in der Lage sein, eine hochrangige Strategie umzusetzen – das ist Ihre Aufgabe.

Kieran Chandler: Ich fürchte, wir müssen es heute für beendet erklären. Wenn Sie davon sprechen, Ihre Kunden zu bilden, würde ich mich wahrscheinlich zu den am wenigsten gebildeten Kunden zählen. Das war’s für diese Woche, vielen Dank fürs Zuschauen und wir sehen uns beim nächsten Mal. Auf Wiedersehen.