Prognose von Werbeaktionen

00:00:04 Auswirkungen von Werbeaktionen auf Prognosen.
00:00:51 Unterschiede in Werbeaktionen zwischen Branchen.
00:02:12 Herausforderungen bei der Vorhersage von nachfragegetriebenen Werbeaktionen.
00:03:58 Analyse: Risiken traditioneller Supply-Chain-Methoden.
00:06:00 Kritik: Gleitende Durchschnitte und Prognosemethoden.
00:08:01 Kritik: Einfache Prognosemodelle für Werbeaktionen.
00:08:36 Unternehmen verlassen sich auf gleitende Durchschnitte.
00:10:26 Datenanforderungen für die Prognose von Werbeaktionen.
00:13:25 Rolle des maschinellen Lernens bei der Prognose von Werbeaktionen.
00:15:09 Rolle von Werbedaten bei nicht werbebezogener Prognose.
00:17:34 Lerngeschwindigkeit von maschinellen Lernsystemen.
00:20:09 Schwierigkeiten und Strategien bei der Prognose von Werbeaktionen.
00:20:35 Implementierung der Prognose von Werbeaktionen in Organisationen.
00:23:17 Strategische Umsetzung von Werbeaktionen mit Hilfe von maschinellem Lernen.

Zusammenfassung

Das Interview zwischen Kieran Chandler und Joannes Vermorel, dem Gründer von Lokad, dreht sich um Werbeaktionen, Prognosen und Supply-Chain-Optimierung. Vermorel erklärt, dass Werbeaktionen die tatsächliche Nachfrage verzerren können und somit eine Herausforderung für die Nachfrageprognose darstellen. Viele Unternehmen lösen dieses Problem, indem sie Verkaufshistorie überarbeiten, um die Auswirkungen von Werbeaktionen zu neutralisieren. Dieser Ansatz birgt jedoch das Risiko, irreführende Prognosen zu erstellen. Unternehmen setzen hauptsächlich gleitende Durchschnittsmethoden für die Optimierung der Supply Chain ein, die sich als unzureichend erweisen, um Werbeaktionen vorherzusagen. Verbesserte Prognosen erfordern mehr Komplexität, wie zum Beispiel maschinelles Lernen, und erfordern auch hochwertige Daten zu Werbestrategien. Vermorel betont den langfristigen Einfluss von Werbeaktionen und die Notwendigkeit einer strategischen Planung vor der Implementierung von maschinellem Lernen in der Prognose von Werbeaktionen.

Erweiterte Zusammenfassung

Das Gespräch zwischen Kieran Chandler und Joannes Vermorel, dem Gründer von Lokad, dreht sich um das Thema Werbeaktionen und deren Auswirkungen auf Prognosen und die Optimierung der Supply Chain.

Die Diskussion beginnt mit einer Untersuchung, wie Werbeaktionen einen drastischen Einfluss auf den Umsatz haben können, der potenziell positiv ist, wenn er richtig umgesetzt wird, und negativ, wenn er schlecht gehandhabt wird. Sie prägen auch die Erwartungen der Kunden an Rabatte und beeinflussen somit das Kaufverhalten. Chandler und Vermorel erkennen an, dass sich Werbestrategien in verschiedenen Branchen erheblich unterscheiden, wobei bestimmte Sektoren wie Luxusgüter auf Rabatte verzichten, während andere wie Hypermärkte tägliche Werbeaktionen nutzen.

Das Gespräch geht anschließend auf die Komplexität von Werbeaktionen aus Sicht der Prognose ein. Vermorel erläutert, dass obwohl Werbeaktionen im Allgemeinen mit einem Anstieg des Umsatzes verbunden sind, dieser Anstieg nicht unbedingt einem Anstieg der tatsächlichen Nachfrage entspricht. Diese Diskrepanz entsteht, weil der beobachtete Umsatz während einer Werbeaktion die tatsächliche Nachfrage übertreffen kann, da Verbraucher die Gelegenheit niedrigerer Preise nutzen, auch wenn sie das Produkt nicht sofort benötigen. Ein solches Verhalten kann die Wahrnehmung der realen Nachfrage verzerren.

Das Gespräch wechselt dann zu den Auswirkungen auf die Supply Chain. Vermorel weist darauf hin, dass Supply-Chain-Praktiker bei der Planung zukünftiger Nachfrage die durch Werbeaktionen verursachte Verzerrung berücksichtigen müssen. Viele Unternehmen verlassen sich jedoch auf traditionelle Supply-Chain-Methoden und versuchen, den Effekt von Werbeaktionen zu verschleiern, indem sie die Verkaufshistorie umschreiben und damit effektiv Werbeverkaufsspitzen löschen. Dieser Ansatz, der versucht, Verkaufsdaten zu normalisieren, birgt Risiken, da echte historische Daten durch künstliche Konstrukte ersetzt werden, was zu irreführenden Prognosen führen kann.

Chandler äußert Bedenken hinsichtlich dieser potenziellen Gefahren, woraufhin Vermorel näher darauf eingeht, warum Unternehmen diese Methode wählen. Er erläutert, dass die meisten Unternehmen Technologien einsetzen, die hauptsächlich auf Variationen von gleitenden Durchschnitten für ihre Supply-Chain-Optimierung basieren. Diese Methoden sind zwar für nicht werbebezogene Zeiträume einigermaßen geeignet, können jedoch werbebedingte Umsatzsteigerungen nicht vorhersehen, was zu unzureichenden Prognosen führt. Diese Leistungslücke ist es, die viele Kunden von Lokad dazu veranlasst, verbesserte Werbeprognosen anzustreben.

Vermorel beginnt damit, die bedeutende Rolle statistischer Modelle bei der Verbesserung der Prognosegenauigkeit anzuerkennen und stellt fest, dass sie zwar effektiv sind, aber nicht die alleinige Lösung für genaue Prognosen darstellen. Er diskutiert die weit verbreitete Verwendung von gleitenden Durchschnitten in der Branche aufgrund ihrer Einfachheit und Zugänglichkeit, insbesondere da ein großer Teil der Supply Chains immer noch mit grundlegenden Tools wie Microsoft Excel arbeitet. Er weist jedoch darauf hin, dass zwar gleitende Durchschnitte einfach sind, aber bessere Ergebnisse eine deutlich höhere Komplexität erfordern.

Das Gespräch geht dann auf das Konzept des maschinellen Lernens ein, das im Vergleich zu gleitenden Durchschnitten einen erheblichen Fortschritt in Bezug auf Komplexität und potenzielle Ergebnisse darstellt. Maschinelles Lernen erfordert nicht nur ein anspruchsvolleres Verständnis statistischer Methoden, sondern auch einen höheren Qualitätsstandard der Daten. Insbesondere betont Vermorel die Notwendigkeit umfassender, hochwertiger Daten zu Werbestrategien.

Unternehmen müssen umfangreiche Daten zu allen Aspekten sammeln, die zu den Mechanismen von Werbeaktionen beitragen. Dies umfasst nicht nur Preisänderungen, sondern auch die Marketingmaßnahmen, die Werbeaktionen begleiten, und die eingesetzten Sichtbarkeitsstrategien. Vermorel untersucht verschiedene branchenspezifische Beispiele, wie beispielsweise Saisonausverkäufe in der Modebranche oder Produktplatzierungsstrategien im Einzelhandel.

Vermorel betont auch die Bedeutung der Datenqualität. Er erklärt, dass zwar geringfügige Ungenauigkeiten oder Lücken in den Daten ein Unternehmen nicht sofort in den Bankrott treiben können, sie jedoch die Leistungsfähigkeit von maschinellen Lernalgorithmen, die auf genauen Daten beruhen, erheblich beeinträchtigen können. Er schlägt vor, dass die Gewinnung robuster historischer Werbedaten in der Regel erheblichen Aufwand über mehrere Monate erfordert.

Das Interview wendet sich dann der Entwicklung der Datensammlung und ihrer Bedeutung für die Werbeprognose zu. Vermorel schlägt vor, dass mit genauen Daten Prognosen effektiver vorhersagen können, welche Werbeaktionen verwendet werden sollen und wann sie am besten funktionieren könnten. Maschinelle Lernalgorithmen verarbeiten die Daten, indem sie Zeiträume identifizieren und markieren, in denen der Umsatz entweder aufgebläht oder aufgrund von Werbeaktivitäten voraussichtlich gedämpft war. Diese Strategie, erklärt Vermorel, trägt dazu bei, die Genauigkeit der Prognosen auch außerhalb von Werbezeiträumen zu verbessern.

Auf den ersten Blick erscheint dieses Konzept widersprüchlich. Vermorel rechtfertigt es jedoch, indem er erklärt, dass Werbeaktionen eine Auswirkung auf andere, nicht beworbene Produkte haben. Zum Beispiel kann eine bedeutende Werbeaktion für ein Produkt den Umsatz konkurrierender Produkte kannibalisieren, was die Prognose komplexer macht. Das Verständnis dieser indirekten Auswirkungen von Werbeaktionen fügt der Supply-Chain-Prognose also eine weitere Ebene hinzu.

Vermorel betont die Notwendigkeit, zukünftige Ereignisse und deren potenzielle Auswirkungen auf die Supply Chain vorauszusehen. Er schlägt vor, dass Unternehmen, wenn sie solche zukünftigen Ereignisse an eine prognosegesteuerte Maschine-Learning-Engine kommunizieren könnten, diese Daten nutzen und das bevorstehende Ereignis in ihre Vorhersagen einbeziehen könnte.

Chandler fragt nach der Lernfähigkeit des maschinellen Lernens und wie schnell es Ergebnisse liefern kann. Vermorel klärt auf, dass es hauptsächlich ein statistisches Spiel ist. Die Geschwindigkeit, mit der der maschinelle Lernalgorithmus lernt, hängt von der Häufigkeit von Werbeaktionen ab. Wenn beispielsweise nur einmal im Jahr eine Werbeaktion für ein Produkt stattfindet, ist das Lernen langsam. Der Algorithmus lernt jedoch schneller bei regelmäßigen Werbeaktionen, da er Daten aus ähnlichen vergangenen Werbeaktionen verwenden kann.

Darüber hinaus klärt Vermorel, dass die Vorhersage von Werbeaktionen nicht darin besteht, eine einzelne Zeitreihe vorherzusagen, sondern darin, die typische Auswirkung einer Werbeaktion unter ähnlichen Bedingungen zu untersuchen, wie z.B. Rabatte oder Kommunikationskanäle. Er gibt Beispiele aus der Modeindustrie, wo Saisonende-Werbeaktionen 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 Werbeaktionen in ihren Organisationen. Er betont die Notwendigkeit der Datensammlung und hebt die Bedeutung spezifischer Daten gegenüber umfangreichen Datensätzen hervor. Er empfiehlt, detaillierte Daten über die Werbeaktionen selbst zu sammeln: die Produkte, die Werbemechanismen und andere Variablen wie kostenloser Versand.

Vermorel betont die Notwendigkeit eines Qualitätssicherungsprozesses, um die Genauigkeit und Relevanz der Daten sicherzustellen. Er ermutigt auch Führungskräfte, über den zugrunde liegenden Zweck oder das Endziel ihrer Werbestrategie nachzudenken, da dies in verschiedenen Branchen unterschiedlich ist. Er gibt Beispiele aus der Mode- und dem Allgemeinwarenindustrie, die jeweils einzigartige Ziele hinter ihren Werbeaktionen haben.

Er fordert Organisationen auf, die langfristigen Auswirkungen ihrer Werbeaktionen zu berücksichtigen. Diese Aktivitäten, so sagt er, erziehen Kunden auf eine bestimmte Weise, was langfristige Auswirkungen haben kann. Daher müssen Unternehmen strategisch darüber nachdenken, welche Art von Einfluss sie durch Werbeaktionen auf ihre Kunden ausüben möchten.

Maschinelles Lernen kommt ins Spiel, sobald Organisationen ihr strategisches Denken geklärt und relevante Daten gesammelt haben. Vermorel betont, dass maschinelles Lernen trotz seiner mechanischen Intelligenz keine hochrangigen Strategien entwickeln wird und dass es für Unternehmen unerlässlich ist, vor der Anwendung von maschinellem Lernen für die Vorhersage von Werbeaktionen eine Strategie zu entwickeln.

Vollständiges Transkript

Kieran Chandler: Heute bei Lokad TV. Wir werden über Werbeaktionen und deren Auswirkungen auf Prognosen sprechen. Werbeaktionen können unglaublich variabel und schwer vorhersehbar sein. Wenn sie richtig gemacht werden, können sie Ihren Umsatz erheblich steigern, aber wenn sie falsch gemacht werden, können sie die Glaubwürdigkeit Ihrer Produkte verringern und Ihre Kundenbasis dazu bringen, massive Preisnachlässe zu erwarten. Werbeaktionen machen oft Schlagzeilen aus allen möglichen falschen Gründen. Während des Black Friday kann man Kunden sehen, die in Kaufhäusern um preisreduzierte Produkte kämpfen. Diese Zeiträume sind jedoch zweifellos wichtig für die Einzelhändler, die oft massive Umsatzsteigerungen verzeichnen. Also Joannes, Werbeaktionen sind je nach Branche, in der Sie tätig sind, unglaublich variabel. Um die Dinge in Gang zu bringen, könnten Sie vielleicht erklären, um welche Unternehmen es hier geht.

Joannes Vermorel: Ja, Werbeaktionen gibt es in verschiedenen Varianten, je nach Ihrer Branche. Es reicht von Branchen wie Luxus, die niemals Werbeaktionen machen. Ich meine, Sie werden keine Rolex im Angebot bekommen, bis hin zu Branchen, die täglich Werbeaktionen haben, wie zum Beispiel Hypermärkte, wo Sie täglich Werbeaktionen für verschiedene Produkte sehen. Werbeaktionen können sich auf den Preis beziehen, das ist das, was Sie typischerweise in einem Hypermarkt bekommen, wenn Sie zwei kaufen, bekommen Sie eins gratis. Aber Werbeaktionen im E-Commerce beziehen sich auch darauf, etwas in den Vordergrund zu stellen. Wenn Sie beispielsweise einen Newsletter an eine halbe Million Abonnenten senden, um ein Produkt in den Vordergrund zu stellen, werden Sie einen großen Umsatzanstieg sehen, auch wenn Sie den Preis des Produkts nicht um 1% gesenkt haben. Also ja, es ist dasselbe Wort, aber es bedeutet sehr unterschiedliche Dinge, je nachdem, mit welchem Unternehmen Sie sprechen.

Kieran Chandler: Okay, also im Allgemeinen werden sie eine ziemlich gute Sache sein, weil wir normalerweise einen Umsatzanstieg sehen. Warum machen sie die Dinge kompliziert? Warum gibt es Schwierigkeiten mit Werbeaktionen?

Joannes Vermorel: Sie machen die Dinge kompliziert, weil Sie, wenn Sie Ihre Supply Chain optimieren möchten, die zukünftige Nachfrage vorhersagen möchten. Das Problem ist, dass Sie die zukünftige Nachfrage oder sogar die vergangene Nachfrage nicht beobachten, sondern nur vergangene Verkäufe. Die Verkäufe sind nicht die Nachfrage. Die Verkäufe kommen mit allen möglichen Verzerrungen. Wenn Sie keinen Bestand mehr haben, haben Sie einen Fehlbestand, sodass Sie keine Verkäufe haben, aber die Nachfrage ist immer noch vorhanden. Werbeaktionen haben genau den gegenteiligen Effekt, dass Sie viel mehr Verkäufe sehen können, als tatsächlich Nachfrage besteht. Wenn Sie beispielsweise einen massiven Preisnachlass haben, würden die Menschen vielleicht anfangen, ihren eigenen Vorrat zu Hause mit dem Produkt aufzubauen, das Sie verkaufen, nur weil sie der Meinung sind, dass es eine gute Gelegenheit ist. Die Verkäufe können Ihnen also ein falsches Bild von der tatsächlichen Nachfrage vermitteln. Die meisten Supply Chain-Experten wissen, dass sie nicht einfach einen gleitenden Durchschnitt auf Werbeaktionen anwenden sollten, weil die Werbeaktion die beobachtete Nachfrage naiv in die Höhe treibt. Sie wissen, dass die Verkäufe am Ende der Werbeaktion sinken werden. Das ist das grundlegende Phänomen, das Sie berücksichtigen müssen, sonst wird Ihre Planung völlig falsch sein.

Kieran Chandler: Sie sagen also, es gibt eine völlig falsche Vorstellung von der Nachfrage. Wie gehen Unternehmen damit um? Wie passen sie sich daran an?

Joannes Vermorel: Die traditionelle Methode der Supply Chain besteht darin, die Verkaufshistorie um den Effekt von Werbeaktionen zu verschleiern. Die meisten Unternehmen nehmen ihre Verkaufshistorie, betrachten den Werbezeitraum, sehen den Anstieg und versuchen, die Spitzen aus ihrer Verkaufshistorie zu entfernen. Auf diese Weise wird der gleitende Durchschnitt, der angewendet wird, nicht übermäßig durch die gerade stattgefundene Werbeaktion beeinflusst. Ich sage nicht, dass das richtig ist, aber das ist das, was die meisten Unternehmen heutzutage immer noch tun.

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

Joannes Vermorel: Sie haben völlig recht; es ist sehr gefährlich. Der Grund ist, dass Sie historische Verkaufsdaten, die korrekt sind, durch gefälschte Daten ersetzen, die Sie gerade erfunden haben. Es ist eine Verzerrung der Realität und dann werden Sie Ihre Planung auf dieser erfundenen Datenbasis aufbauen. Ja, es besteht eine reale Gefahr. Es ist eine methodologische Gefahr. Wenn Ihre Korrekturen fehlerhaft sind, werden Ihre Prognosen auf fehlerhaften Eingaben aufbauen, was das Problem in Bezug auf die Supply Chain-Planung verschlimmern könnte.

Warum machen die Leute das überhaupt? Wenn Sie sich die Art der Technologien ansehen, die die meisten Unternehmen immer noch für ihre Supply Chain-Optimierung verwenden, handelt es sich im Grunde um eine glorifizierte Version von gleitenden Durchschnitten. Gleitende Durchschnitte haben verschiedene Namen - exponentielle Glättung, Holt-Winters - aber im Wesentlichen handelt es sich um Variationen von gleitenden Durchschnitten. Diese Methoden sind nur etwas nuancierter, um mit Saisonalität umzugehen, aber der Kern davon ist immer noch ein gleitender Durchschnitt.

Deshalb müssen Sie, wenn Sie nur einen gleitenden Durchschnitt haben, Ihre historischen Verkäufe damit kompatibel machen, was das einzige mathematische Modell ist, das Ihr Unternehmen zur Verfügung hat. Aber es ist eine fehlerhafte Perspektive, weil es viel mehr als nur gleitende Durchschnitte gibt.

Kieran Chandler: Aber diese statistischen Methoden sind sicherlich das, worauf viele dieser Unternehmen ihre zukünftigen Entscheidungen stützen. Funktionieren sie tatsächlich? Sie müssen gut genug sein, wenn Unternehmen auf der ganzen Welt sie verwenden.

Joannes Vermorel: Die Realität ist, dass sie nicht wirklich gut genug sind. Die meisten Unternehmen, die unsere Kunden wurden, haben uns tatsächlich gesagt, dass einer der Hauptgründe darin besteht, bessere Prognosen für Werbeaktionen zu erhalten, da dies ein echtes Problem für sie war.

Ihr gleitender Durchschnitt kann damit umgehen, aber er kann nicht den Anstieg oder die Auswirkungen der Werbeaktion antizipieren. Während er die Prognose für nicht-werbliche Zeiträume aufgrund der Werbeaktion nicht vollständig ruinieren kann, bietet er dennoch nichts, um tatsächlich mit einer bevorstehenden Werbeaktion umzugehen. Der gleitende Durchschnitt rettet Sie ein wenig, aber er löst das Problem nicht im Kern. Er erstellt keine tatsächliche Prognose für Werbeaktionen, sondern verhindert lediglich, dass die Werbeaktionen alle nicht-werblichen Prognosen verzerren. Und übrigens, diese Methode ist sehr schwach; sie funktioniert nicht einmal richtig und bringt viele Probleme mit sich.

Kieran Chandler: Warum arbeiten diese Unternehmen also so gerne mit diesen gleitenden Durchschnitten? Warum ändern sie sich nicht? Warum ist es immer noch ein Problem, das existiert?

Joannes Vermorel: Ich glaube, dass ein gleitender Durchschnitt etwas ist, auf das jeder Ingenieur in etwa zwei Stunden kommen kann. Einfachheit ist also sehr mächtig. Sie werden in zwei Stunden einen gleitenden Durchschnitt neu erfinden und eine Art Rezept entwickeln, um Ihren gleitenden Durchschnitt tatsächlich zum Funktionieren zu bringen, was eine sehr starke Kraft ist.

Denken Sie daran, dass weltweit etwa 80% der Supply Chains immer noch auf Microsoft Excel basieren, daher ist ein gleitender Durchschnitt in Excel sehr, sehr einfach zu schreiben. Das ist wahrscheinlich der Grund.

Ein weiterer Grund ist, dass es erheblich schwieriger ist, besser zu werden. Plötzlich müssen Sie vom gleitenden Durchschnitt zum maschinellen Lernen wechseln. Sie müssen also von einer sehr simplen Methode, die jeder verstehen kann, zum maschinellen Lernen wechseln, was viel komplizierter ist.

Kieran Chandler: Wir diskutieren über einen Algorithmus, der innerhalb von zwei Stunden funktionieren kann, selbst wenn Sie noch nie zuvor maschinelles Lernen gemacht haben. Aber um ihn erfolgreich umzusetzen, müssen Sie auch sehr genau auf die Qualität der Daten zu Ihren Werbeaktionen achten. Können Sie beschreiben, wie dieser Prozess funktioniert und wie wir mit besseren Methoden vorgehen können?

Joannes Vermorel: Natürlich. Unabhängig von einer Alternative zu gleitenden Durchschnitten müssen wir stark auf Daten angewiesen sein. Dieser Faktor macht das Spiel viel komplexer.

Kieran Chandler: Wenn wir versuchen, die Dinge besser zu machen, welche Art von Daten sollten wir sammeln? Sollten es Marketingbemühungen, Preisänderungen oder etwas anderes sein?

Joannes Vermorel: Das Unternehmen muss alles sammeln, was zur Werbemechanik beiträgt. Der Preis ist eine Sache, ja. Wenn Sie den Preis eines Produkts senken, aber niemanden über den Rabatt informieren, bemerkt es niemand, außer den Menschen, die das Produkt bereits kaufen wollten.

Eine Werbeaktion geht also nicht nur um den Preis. Es geht auch darum, die Botschaft zu verbreiten. Es ist entscheidend, den Markt wissen zu lassen, dass Sie eine Werbeaktion haben. In bestimmten Branchen wie der Mode gibt es Saisonverkäufe. Jeder erwartet diese Verkäufe, die eine spezielle Art von Werbeaktion sind. Aber in einigen Bereichen ist es ein völlig anderes Spiel.

Zum Beispiel geht es in Hypermärkten nicht nur darum, den Preis zu senken. Oft geht es darum, ein Produkt an die Spitze der Regalwand zu bringen - den super-premium Platz am Ende des Ganges, wo Produkte sehr gut sichtbar sind. Noch besser wäre es, einen großen Stapel der beworbenen Produkte am Eingang des Geschäfts zu platzieren.

Also lautet die Frage: Verfolgt Ihr ERP System all diese Daten ordnungsgemäß? Wenn Sie nicht richtig verfolgen, was Sie verkaufen oder kaufen, könnte Ihr Unternehmen bankrott gehen. Wenn Sie nicht wissen, was Sie verkaufen oder kaufen, könnten Sie entweder von Kunden oder Lieferanten betrogen werden, was zum Bankrott führen würde.

Andererseits wird Ihr Unternehmen nicht bankrott gehen, wenn das Datum Ihrer Werbeaktion in Ihren ERP-Daten falsch erfasst ist. Aber wenn Sie einen Machine-Learning-Algorithmus mit ungenauen Daten füttern möchten, der Werbeaktionen prognostiziert, wird es nicht funktionieren.

Daher benötigen Sie einen Qualitätskontrollprozess für Ihre Werbedaten. Aus unserer Erfahrung bei Lokad erfordert dieser Prozess viel Aufwand. Für die meisten Unternehmen erfordert es monatelange Anstrengungen, um qualitativ hochwertige historische Werbedaten zu erhalten.

Kieran Chandler: Also sagen Sie, es hat eine echte Entwicklung in der Branche gegeben, weil es kein kritisches Maß ist, das gemessen werden muss, sondern eine Entwicklung, wie wir es messen?

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

Kieran Chandler: Hypothetisch gesehen, wenn ein Unternehmen all diese Dinge gemessen hat und alle Informationen gesammelt hat, bedeutet das, dass Sie uns durch Ihre Prognose sagen können, welche Werbeaktionen am besten funktionieren, wann sie am besten funktionieren und welche Art von Informationen Sie generieren könnten?

Joannes Vermorel: Ja. Das erste, was Sie verstehen müssen, ist, dass ein Machine-Learning-Algorithmus anstatt historische Daten zu korrigieren, diese Daten aus der Perspektive von angereicherten historischen Daten betrachtet. Sie versuchen nicht, Ihre Verkäufe zu optimieren. Sie kennzeichnen die Zeiträume, in denen die Produktverkäufe aufgebläht waren, und die Zeiträume, in denen sie wahrscheinlich zensiert wurden.

Zum Beispiel, am Ende einer Werbeaktion, wenn die Menschen ihren eigenen Vorrat an Waren aufgebaut haben, könnten Sie einen Rückgang der Nachfrage feststellen. Sie könnten sogar eine Zeitperiode haben, in der Sie eine Art zensierte Nachfrage beobachten. Daher müssen Sie all diese Faktoren berücksichtigen.

Kieran Chandler: Also ist der erste Vorteil von Werbeaktionen, der möglicherweise nicht sofort erkennbar ist, das Potenzial, die Qualität Ihrer Prognose auch während nicht werblicher Zeiträume zu verbessern. Dies wird durch die Verwendung eines Algorithmus erreicht, der besser darin ist, Verzerrungen vorherzusagen. Was Sie sagen, ist, dass Werbedaten auch dann verwendet werden, wenn keine Werbeaktionen stattfinden, richtig?

Joannes Vermorel: Ja, es mag kontraintuitiv erscheinen, aber betrachten wir ein Beispiel. Wenn Sie eine große Werbeaktion für eine bestimmte Tomatensorte haben, wird sie wahrscheinlich die Verkäufe aller anderen nicht beworbenen Produkte kannibalisieren. Es ist ziemlich offensichtlich, dass eine bedeutende Werbeaktion für ein bestimmtes Produkt eine massive Kannibalisierungswirkung auf alle anderen Produkte hat, die mit dem beworbenen Artikel konkurrieren. Daher machen Werbeaktionen die Prognose komplexer, nicht nur für das beworbene Produkt, sondern auch für alle nicht beworbenen Produkte.

Kieran Chandler: Ich verstehe, es ist also nicht so kontraintuitiv, wie es auf den ersten Blick erscheint, erfordert aber etwas Überlegung. Nun kommen wir zum Thema der Vorwegnahme zukünftiger Werbeaktionen. Wenn Sie über eine bevorstehende Werbeaktion informiert sind, können Sie den Uplift oder den Anstieg der Verkäufe antizipieren, der sich daraus ergibt. Dies wirft jedoch die Frage nach Ihrem Prozess für die Entscheidung über zukünftige Werbeaktionen auf. Könnten Sie erläutern, wie diese Entscheidungen getroffen werden und wie sie in Ihre Prognose-Engine eingegeben werden?

Joannes Vermorel: Natürlich. Der erste Teil des Prozesses besteht darin, zukünftige Werbeaktionen zu planen. Der zweite Teil besteht darin, sicherzustellen, dass diese Entscheidungen in unsere Prognose-Engine eingegeben werden. Dabei geht es nicht nur um vergangene Daten, sondern auch um zukünftige Erwartungen. Wenn wir eine Veranstaltung planen, die die Supply Chain erheblich beeinflusst, muss die Prognose-Engine im Voraus darüber informiert sein. Eine prognosegesteuerte Maschinenlern-Engine kann, wenn sie rechtzeitig informiert wird, in der Lage sein, sich anzupassen und die bevorstehende Veranstaltung in ihrer Prognose widerzuspiegeln.

Kieran Chandler: Das ist faszinierend, insbesondere die Idee einer Jahrzehnt-Werbeaktion. Aber angesichts der Komplexität des maschinellen Lernens, wie schnell können diese Maschinen lernen und sich anpassen? Wann kann man mit Ergebnissen rechnen?

Joannes Vermorel: Das hängt weitgehend von der Anzahl der Werbeaktionen ab. Es ist ein Spiel mit Statistiken. Wenn Sie nur einmal im Jahr eine Werbeaktion für ein Produkt durchführen, ist es schwer, etwas zu lernen. Denken Sie daran, dass die Prognose von Werbeaktionen nicht die Prognose einer Zeitreihe ist. Jedes Produkt wird möglicherweise nur einmal oder zweimal in seinem Leben beworben. Wenn Sie die Auswirkungen einer Werbeaktion verstehen möchten, müssen Sie berücksichtigen, welche typischen Auswirkungen eine Werbeaktion unter ähnlichen Bedingungen hat - Preisnachlass, Werbemechanismen, Kommunikationskanäle usw. Zum Beispiel gibt es in der Modebranche, die Saisonende-Werbeaktionen durchführt, mehrere Datenpunkte, da dies vier bis acht Mal im Jahr geschieht. Für einen Hypermarkt kann jedes einzelne Produkt ein Datenpunkt sein.

Sie haben Hunderte von Produkten, die jeden Tag beworben werden, und sie wechseln sich ab, es sind nicht immer die gleichen Produkte. Das passiert die ganze Zeit im E-Commerce. Typischerweise haben Sie immer ein oder zwei Produkte, die sich auf der Startseite Ihrer E-Commerce-Website befinden, sodass ständig ein starker Werbemechanismus stattfindet. Aber es wird sehr schwierig, wenn Sie darüber nachdenken, Werbeaktionen zu prognostizieren. Eine Frage, die unsere Kunden stellen, ist, ob unsere Prognose-Engine vielleicht Werbeaktionen prognostizieren kann, aber was sie wirklich möchten, ist zu entscheiden, welche die beste Werbeaktion ist, was eine völlig andere Frage und eine sehr schwierige ist.

Kieran Chandler: Angenommen, einige unserer Zuschauer sind CEOs. Welchen Prozess sollten sie befolgen, wenn sie tatsächlich die Prognose von Werbeaktionen in ihrem Unternehmen implementieren möchten?

Joannes Vermorel: Zuerst müssen sie alle relevanten Daten sammeln. Ich spreche nicht davon, Twitter-Daten zu sammeln oder was die Leute auf Facebook sagen. Es geht eher darum zu wissen, welche Produkte beworben werden, wie der genaue Werbemechanismus aussieht. Wahrscheinlich haben sie ihre eigenen Kategorien von “Kaufe eins, bekomme eins gratis” oder handelt es sich um einen prozentualen Preisnachlass oder eine andere Art von Werbeaktion mit kostenlosem Versand zum Beispiel. Der erste Schritt besteht darin, das zu sammeln, was ich quasi-transaktionale Daten nenne. Es sind keine Transaktionsdaten, weil sie nicht in den Rechnungen oder Zahlungen auftauchen, aber sie sind sehr gut spezifiziert. Sie müssen sie sammeln, in Ihr System integrieren und einen Qualitätskontrollprozess darüber legen.

Der zweite Schritt besteht darin, wirklich darüber nachzudenken, warum Sie Werbeaktionen durchführen, was das Endziel ist. Das Problem ist, dass es typischerweise ein sehr unterschiedliches Endziel je nach Ihrer Branche ist. Zum Beispiel geht es in der Mode darum, den gesamten alten Lagerbestand abzubauen, damit Sie immer Artikel verkaufen können, die dem neuesten Trend entsprechen. Bei allgemeinen Waren werden Werbeaktionen in der Regel nicht vom Einzelhändler, sondern vom Lieferanten als Verhandlungsmittel durchgeführt, um das Bewusstsein für ein neues Produkt, wie zum Beispiel einen neuen Geschmack eines schnell beweglichen Konsumguts, zu erhöhen. Die Endziele sind sehr unterschiedlich, was bedeutet, dass Sie, wenn Sie bewerten möchten, wie Sie vorgehen sollten, die Auswirkungen Ihrer Werbeaktionen berücksichtigen müssen.

Sie versuchen, Ihre Kunden zu beeinflussen, und Sie sollten wirklich darüber nachdenken, welche Art von Einfluss Sie erzeugen möchten. Wenn Sie zum Beispiel Ihre Kunden dazu erziehen, immer Ihre Produkte günstig zu kaufen, weil sie wissen, dass immer eine Werbeaktion stattfindet, werden Ihre Kunden lernen, dass sie nur ein wenig Geduld haben müssen und sie es günstig bekommen werden. Es erfordert wirklich strategisches Denken, und dieses strategische Denken sollte vor dem maschinellen Lernen stattfinden.

Sobald Sie dies richtig gemacht haben, können Sie ein maschinelles Lernsystem haben, das intelligent ist und in der Lage ist, alle Daten zu verarbeiten, die Sie gesammelt und mit Ihrem strategischen Denken abgeglichen haben. Maschinelles Lernen 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 für heute Schluss machen. Wenn Sie über die Erziehung von Kunden sprechen, würde ich mich wahrscheinlich zu den am wenigsten informierten Kunden zählen. Das war es für diese Woche, vielen Dank fürs Zuschauen und wir sehen uns nächstes Mal wieder. Auf Wiedersehen.