Nachfrageprognose für neue Produkte

00:00:04 Herausforderung bei der Prognose von neuen Produkteinführungen.
00:00:35 Probleme mit traditionellen Prognoseansätzen.
00:02:00 Kritik an Zeitreihenprognosen für neue Produkte.
00:03:45 Alternative Ansätze zur Prognose neuer Produkte.
00:07:22 Deep Learning und Attributanalyse in der Prognose.
00:09:06 Nachfrageeinfluss: Produkteigenschaften wie Farbe, Größe.
00:11:23 Deep Learning für die Prognose vielfältiger Produkteigenschaften.
00:11:58 Unsicherheiten bei der Einführung neuer Produkte.
00:13:38 Vorteile probabilistischer Prognosen im Risikomanagement.
00:14:44 Auswirkungen von Neueinführungen auf bestehende Produkte.
00:16:01 Das Konzept der Kannibalisierung von Produkten, Taktiken in der Modeindustrie.
00:18:02 Sensitivität der Preisprognose und Komplikationen bei optimalen Preisen.
00:21:20 Overfitting in der statistischen Modellierung, Auswirkungen der Preisprognose.
00:21:58 Fortschritte in der Produktprognosetechnologie.
00:24:33 Kannibalisierung bei Produkteinführungen, Forschung zur Kundenloyalität.

Zusammenfassung

In einem Interview diskutiert Joannes Vermorel, der Gründer von Lokad, die Herausforderungen der Prognose der Nachfrage nach neuen Produkten. Die traditionelle Zeitreihen-Prognose scheitert bei neuen Produkten aufgrund fehlender historischer Daten. Vermorel kritisiert herkömmliche Demand-Planning-Software für ihre starke Abhängigkeit von vergangenen Daten. Für neuartige Produkte schlägt er vor, Marktforschungen durchzuführen. Wenn neue Produkte Varianten bestehender Produkte sind, empfiehlt Vermorel, Produkteigenschaften zur Abschätzung der Nachfrage zu nutzen. Er hebt Unsicherheiten und Kannibalisierung als wesentliche Herausforderungen bei der Prognose neuer Produkte hervor und befürwortet einen probabilistischen Ansatz. Vermorel weist darauf hin, dass die zukünftige Ausrichtung von Lokad die Nutzung des “sozialen Netzwerks” der Kunden und den Übergang von Deep Learning zu differenzierbarem Programmieren umfasst.

Erweiterte Zusammenfassung

In einem fortlaufenden Interview erkunden Kieran Chandler und Joannes Vermorel, der Gründer von Lokad, das Potenzial und die Hindernisse bei der Prognose der Nachfrage für neu eingeführte Produkte. Obwohl es von Natur aus schwierig und unvorhersehbar ist, ist Vermorel der Ansicht, dass es möglich ist, für neue Produkte Prognosen zu erstellen, auch wenn dies anspruchsvoll ist und erhebliche Anstrengungen erfordert.

Das Interview beginnt mit der Erkenntnis der Bedeutung, Produkteinführungen vorherzusagen, da dies Unternehmen ermöglicht, von dem üblichen Nachfrageschub nach der Markteinführung eines neuen Produkts zu profitieren. Allerdings weist Vermorel darauf hin, dass die Standard-Prognosemethode, die Zeitreihenprognose, bei neuen Produkten nicht ausreicht.

Die Zeitreihenprognose überträgt historische Trends in die Zukunft, ein Ansatz, der der Wettervorhersage ähnelt. Beispielsweise könnte ein einfaches Prognosemodell den Durchschnitt der Verkäufe der letzten Woche heranziehen, um die Verkäufe der nächsten Woche vorherzusagen. Bei einem neuen Produkt gibt es jedoch keine vergangenen Verkaufsdaten, auf denen man die Vorhersagen stützen könnte, sodass diese Methodik unzureichend ist.

Vermorel kritisiert weiterhin herkömmliche Demand-Planning-Software, die größtenteils auf “verherrlichten Formen von gleitenden Durchschnitten” beruht, wobei Modelle wie exponentielle Glättung, lineare Regression und ARIMA als anspruchsvolle gleitende Durchschnitte fungieren. Obwohl diese Modelle saisonale Koeffizienten und unterschiedliche Durchschnittszeiträume berücksichtigen können, sind sie dennoch stark von vergangenen Daten abhängig, was sie für neue Produkte ungeeignet macht.

Um das Problem der Prognose völlig neuer Produkte, wie beispielsweise des ersten iPhones, anzugehen, schlägt Vermorel vor, dass statistische Prognosen einen relevanten Satz an vergangenen Beobachtungen benötigen. Ohne vergleichbare frühere Produkte ist es nahezu unmöglich, eine statistisch fundierte Prognose zu erstellen.

Eine Strategie für solch einzigartige Szenarien könnte darin bestehen, den Markt zu befragen und die Meinungen der Verbraucher zu messen. Trotz der hohen Kosten und des erforderlichen Aufwands ist Vermorel der Meinung, dass bei großen Produkteinführungen wie dem iPhone – das wahrscheinlich Hunderte Millionen Dollar in Forschung und Entwicklung kostete – die Ausgaben für detaillierte Marktforschung gerechtfertigt sein könnten.

Vermorel beginnt damit, die Herausforderungen zu skizzieren, die mit der Einführung mehrerer neuer Produkte einhergehen. Er argumentiert, dass viele neue Produkte nicht völlig neuartig sind, sondern oft Varianten bestehender Produkte, was die zukünftige Verkaufsschätzung vereinfacht. Er führt die Modeindustrie als Beispiel an und weist darauf hin, dass, obwohl jeden Saison neue Kollektionen eingeführt werden, diese in der Regel aus bekannten Artikeln wie Hemden oder Schuhen mit verschiedenen Merkmalen bestehen.

Für die Prognose neuer Produktverkäufe schlägt Vermorel vor, das neue Produkt mit bestehenden Produkten anhand gemeinsamer Attribute zu vergleichen, eine Methode, die sich erheblich von herkömmlicher Prognose-Software unterscheidet. Diese Attribute, wie Größe und Farbe, können wertvolle Einblicke liefern. Beispielsweise könnten außergewöhnliche Größen oder spezifische Farben nicht so gut verkauft werden wie gängigere Varianten.

Die übliche Methode zur Prognose neuer Produktverkäufe verlangt von einem supply chain manager, eine Verbindung zwischen einem neuen und einem alten Produkt herzustellen. Vermorel kritisiert diesen Prozess als mühsam, insbesondere wenn Tausende neuer Produkte eingeführt werden. Es erfordert die manuelle Durchsicht eines umfangreichen Archivs vergangener Einführungen. Jede fehlerhafte Zuordnung, die sich rein auf Intuition stützt, kann die Prognose völlig verfehlen.

Vermorel schlägt einen intelligenteren Ansatz vor, bei dem Produkteigenschaften zur Vorhersage der Nachfrage genutzt werden. Je nach Branche können diese Eigenschaften von Größe, Farbe, Preispunkt und Mustern bei Modeartikeln bis hin zu kompatiblen Patronen und anderen Merkmalen bei Unterhaltungselektronik variieren. Diese Vielfalt erfordert einen statistischen Algorithmus, der in der Lage ist, eine breite Palette von Merkmalen zu verarbeiten, wobei moderne machine learning Technologien wie Deep Learning von Vorteil sein könnten.

Das Gespräch wechselt dann zum inhärenten Unsicherheitsfaktor, der mit Prognosen für neue Produkte verbunden ist. Vermorel räumt ein, dass das Ausmaß der Unsicherheit bei einer Produkteinführung in der Regel sehr hoch ist, und schlägt vor, dass eine probabilistische Prognose in einem solchen Fall hilfreicher sein könnte. Zwar mag eine solche Prognose nicht sehr präzise sein, der Vorteil liegt jedoch darin, die damit verbundenen Risiken zu erkennen und zu berücksichtigen, da die Prognose eine Bandbreite möglicher Zukünfte aufzeigt.

Joannes lenkt die Aufmerksamkeit auf das Problem der Kannibalisierung, insbesondere bei der Einführung neuer Produkte, da diese oft den Marktanteil von bestehenden Produkten übernehmen. Dieses Problem ist in der Modeindustrie weit verbreitet, wo neue Kollektionen

den Verkauf älterer Kollektionen canibalisieren. Um dem entgegenzuwirken, werden in der Branche alte Kollektionen in der Regel durch Ausverkäufe abverkauft, bevor neue eingeführt werden.

Die Diskussion führt dann in eine hypothetische Situation über. Wenn Apple ein iPhone gleichzeitig in verschiedenen Farben auf den Markt bringen würde, könnte das Angebot einer Vielzahl von Optionen die Verkäufe ankurbeln, aber es könnte auch zu einem internen Wettbewerb zwischen den Produkten führen.

Im Zusammenhang mit der Preissensitivität fragt Kieran Joannes, ob es möglich sei, die Nachfrage auf Basis von Preisänderungen vorherzusagen. Joannes bestätigt dies, erklärt aber, dass dies die Problematik weiter verkompliziert. Diese Diskussion führt in den Bereich des Reinforcement Learning und verdeutlicht die Notwendigkeit eines sorgfältigen Ausgleichs, um Overfitting zu vermeiden, wenn ein Modell bei bekannten Daten gute, bei unbekannten Daten jedoch schlechte Leistungen erbringt.

Bei Preisänderungen betritt eine Marke beispielsweise unbekanntes Terrain, in dem vergangene Daten an Bedeutung verlieren. Marken passen ihre Preise in der Regel langsam an und nutzen diesen Prozess als Lerngelegenheit. Joannes erläutert, dass Overfitting zu einem Problem werden kann, wenn Marken beginnen, ihre Prognosemodelle zur Festlegung ihrer Preise zu verwenden. Um dies zu vermeiden, ist es entscheidend, sich nicht zu stark auf die Ausgabe des Prognosemodells zu verlassen, wenn der Preis festgesetzt wird.

In einem Richtungswechsel erkundigt sich Kieran nach der näheren Zukunft der Produktprognose. Joannes berichtet, dass Lokad kürzlich eine neue Prognose-Engine auf Basis von Deep Learning eingeführt hat, die laut ihrem Benchmark einen signifikanten Fortschritt darstellt und die Fehlerquote bei der Prognose neuer Produkte um über 20 % reduziert hat.

Joannes betont außerdem die Bedeutung, das Konzept der Produkt-Kannibalisierung bei der Einführung neuer Produkte zu verstehen. Während Einzelhändler versucht sein könnten, zu glauben, dass die Einführung vieler neuer Produkte die Verkäufe erheblich steigern werde, erinnert uns Joannes daran, dass diese neuen Produkte um denselben Kundenstamm konkurrieren werden.

Das Gespräch endet damit, dass Joannes ihre laufende Forschung vorstellt, um das “soziale Netzwerk” der Kunden zu nutzen, also die Konsumgewohnheiten des Kundenstamms. Dieser Ansatz basiert auf der Erkenntnis, dass neue Produkte zunächst innerhalb des bestehenden Kundenstamms an Fahrt gewinnen. Sie befinden sich im Übergang von Deep Learning zu differenzierbarem Programmieren, das als Nachfolger von Deep Learning gilt, um diese komplexe Aufgabe effektiv zu bewältigen.

Vollständiges Transkript

Kieran Chandler: Heute werden wir darüber diskutieren, ob es tatsächlich möglich ist, neue Produkte zu prognostizieren, und auch, wie viel Vertrauen wir in diese Ergebnisse haben können. Joannes, leider haben wir hier bei Lokad keine Kristallkugel. Also, können wir tatsächlich Prognosen für neue Produkte erstellen?

Joannes Vermorel: Kurz gesagt, ja, doch die ausführlichere Antwort lautet, dass es schwierig ist, Aufwand erfordert und die richtige Mathematik benötigt. Im Grunde genommen, wenn Menschen an Prognosen denken, stellen sie sich oft eine bestimmte Art von Prognose vor, nämlich eine Zeitreihenprognose. Sie denken daran wie an eine Temperaturvorhersage für das Wetter. Grundsätzlich haben Sie eine Kurve, das, was Sie in der Vergangenheit beobachtet haben, und Sie wollen diese Kurve in die Zukunft spannen, um Ihre Prognose zu erhalten. Die einfachste Prognose, die Sie erstellen können, ist lediglich ein gleitender Durchschnitt. Zum Beispiel: Wie hoch werden meine Verkäufe in der nächsten Woche sein? Wenn ich den Durchschnitt meiner Verkäufe der letzten Woche bilde, erhalte ich eine grobe Schätzung. Dieser Ansatz ist naiv, aber irgendwie funktioniert er. Für neue Produkte jedoch bricht er völlig zusammen.

Kieran Chandler: Warum funktioniert dieser Zeitreihenansatz dann nicht? Warum scheitert er?

Joannes Vermorel: Es liegt daran, dass es nichts gibt, was man glätten könnte. Man möchte in die Vergangenheit blicken und die Zukunft prognostizieren, indem man das, was man hatte, mittelt. Aber wenn Sie die Verkäufe eines Produkts vorhersagen wollen, das noch nicht verkauft wurde, haben Sie keine Daten. Wenn Sie einfach null prognostizieren, weil Sie letzte Woche null verkauft haben, ergibt das keinen Sinn. Sie führen ein Produkt ein, und hoffentlich werden einige Einheiten verkauft. Der traditionelle gleitende Durchschnittsalgorithmus funktioniert einfach nicht. Interessanterweise basierte die meisten der frühen Demand-Planning-Software auf verherrlichten Formen von gleitenden Durchschnitten. Es gibt viele statistische Modelle mit ausgefallenen Namen, die nichts anderes sind als verherrlichte gleitende Durchschnitte. Exponentielle Glättung ist eine Art von gleitendem Durchschnitt, und die lineare Regression ist kaum besser als ein gleitender Durchschnitt.

Kieran Chandler: Wie können wir also tatsächlich eine Prognose für etwas erstellen, das vollkommen neu ist? Wenn wir zum Beispiel das iPhone nehmen, bevor es auf den Markt kam, gab es nichts Vergleichbares. Können wir dafür tatsächlich eine Prognose erstellen?

Joannes Vermorel: Wenn Sie eine Prognose oder zumindest eine statistische Prognose erstellen möchten, benötigen Sie einen relevanten Satz an Beobachtungen aus der Vergangenheit. Sie versuchen immer noch, die Zukunft zu projizieren, indem Sie in den Rückspiegel schauen, aber Sie müssen etwas haben, worauf Sie blicken können. Wenn Sie ein Produkt haben, das völlig einzigartig ist, dann ist es aus statistischer Sicht Spiel vorbei. Statistisch kann man nicht arbeiten. Das Beste, was Sie tun können, ist, den Markt zu befragen und Meinungen darüber einzuholen, ob die Leute es kaufen würden oder nicht. Offensichtlich ist dies ein sehr kostspieliger Prozess. Apple konnte dies für das iPhone machen, da sie vermutlich Hunderte Millionen Dollar in Forschung und Entwicklung investiert haben, um das iPhone auf den Markt zu bringen. Somit konnten sie es sich immer noch leisten, ein paar Hundert oder Tausend Dollar in intelligente Umfragen zu investieren.

Kieran Chandler: Also, für eine grobe Schätzung, wie viel Sie verkaufen werden, können Sie sich, wenn Sie viele neue Produkte einführen, einen so mühsamen Prozess offensichtlich nicht leisten. Die gute Nachricht ist: Wenn Sie eine Menge Produkte einführen, wie hoch sind die Chancen, dass alles, was Sie einführen, völlig neu ist? In der Praxis fast null, denn man kann nicht Hunderte von Produkten, die völlig einzigartig sind, auf den Markt bringen. Wenn Sie jedes Jahr Hunderte von Produkten einführen, dann sind diese höchstwahrscheinlich alle Varianten desselben Themas, oder der gleichen Art oder des gleichen Stils.

Joannes Vermorel: Genau, man kann ein bestehendes Produkt in Beziehung zu einem Merkmal des neuen Produkts setzen. Wenn Sie beispielsweise in der Modebranche tätig sind, haben Sie mit jeder Kollektion neue Hemden und neue Schuhe. Aber sie sind immer noch Hemden oder Schuhe, und diese Produkte besitzen Eigenschaften wie Größen. Selbst wenn Sie nicht wissen, wie viele Einheiten Sie verkaufen werden, verstehen Sie, dass extreme Größen nicht so gut verkauft werden wie die gängigen Größen. Wenn Sie ein statistisches Modell haben möchten, müssen Sie diesen Erkenntnisgewinn nutzen. Wenn Sie prognostizieren wollen, wie hoch die zukünftige Nachfrage für die Produkte sein wird, die Sie einführen möchten, müssen Sie alle bisherigen Einführungen betrachten und das einzuführende Produkt anhand seiner Attribute mit den alten in Beziehung setzen.

Kieran Chandler: Das ist interessant, besonders der Attributansatz, der sich deutlich von dem zu unterscheiden scheint, was in den meisten Prognose-Softwares üblich ist. Wird mit den Fortschritten in der Deep Learning-Technologie nun hauptsächlich diese Methode verwendet, um diese Attribute genauer zu betrachten?

Joannes Vermorel: Ja, vergleichen wir das mit der klassischen Perspektive auf die Prognose neuer Produkte. Anfangs hat man nur gleitende Durchschnitte, das ist alles. Um ein neues Produkt zu prognostizieren, würde man den supply chain manager bitten, eine Verbindung zwischen einem neuen Produkt und einem alten herzustellen. Dieser traditionelle Ansatz erforderte einen Menschen, einen supply chain manager, der die Frage beantwortet: “Welches Produkt ist demjenigen, das Sie gerade auf den Markt bringen wollen, am ähnlichsten?”, damit wir so tun können, als ob dieses Produkt bereits verkauft wird. Dann kann man zu seinem Ansatz mit gleitenden Durchschnitten zurückkehren, denn plötzlich hat man eine Zeitreihe; man hat vergangene Verkäufe des Produkts.

Wenn Sie jedoch tausend neue Produkte auf den Markt bringen und diese Zuordnungsentscheidung für jedes neue Produkt, das Sie einführen wollen, treffen müssen, und in Ihrer Historie haben Sie wahrscheinlich zehntausende Produkte eingeführt, dann ist dieser Prozess unglaublich mühsam. Man müsste ein ganzes Archiv vergangener Produkteinführungen manuell durchgehen, um diese Zuordnung vorzunehmen. Wenn Sie die Zuordnung fehlerhaft vornehmen und sich dabei ausschließlich auf Ihre Intuition verlassen, ist Ihre Prognose völlig nutzlos.

Ein intelligenterer Ansatz besteht darin, die Attribute zu nutzen und zu berücksichtigen, welche Attribute die zu erwartende Nachfrage steuern. Zurück zur Mode: Größen sind ein sehr klarer Indikator, aber auch die Farbe ist ein wesentlicher Faktor. Zum Beispiel, wenn Sie Kinderkleidung haben, werden Eltern wahrscheinlich keine übermäßig weißen Kleider kaufen, da Kinder sie schmutzig machen. Daher ist strahlend weiß bei Kinderkleidung in der Regel nicht die beste Wahl. Bei Business-Hemden hingegen sind die dominierenden Farben wahrscheinlich Weiß, Hellblau und Hellrosa.

Kieran Chandler: Wenn Sie zum Beispiel ein knallgelbes Business-Hemd haben möchten, wird das wahrscheinlich nur einen verschwindend kleinen Prozentsatz Ihrer Verkäufe ausmachen. Solche Beobachtungen kann man intuitiv anstellen, aber die Zusammenhänge können sehr subtil sein. Die Attribute können unglaublich vielfältig sein – Größe, Farbe, Preispunkte, Muster auf der Kleidung. Oder nehmen wir die Unterhaltungselektronik: Wenn Sie die Nachfrage für den nächsten Drucker prognostizieren wollen, müssen Sie eine Vielzahl von Merkmalen berücksichtigen – kompatible Patronen, weitere Eigenschaften – es ist äußerst vielfältig.

Joannes Vermorel: Hier stehen wir vor der Situation, dass Sie einen Algorithmus benötigen, der mit dieser überwältigenden Vielfalt zurechtkommt. Hier kommt deep learning, der moderne Zweig des maschinellen Lernens, ins Spiel. Deep Learning-Algorithmen sind besonders gut darin, mit einer unglaublich vielfältigen Menge an Merkmalen umzugehen, zu denen sogar reine Textbeschreibungen der Produkte gehören können.

Kieran Chandler: Es gibt eine enorme Variabilität, es gibt viel zu bedenken. Können wir Vertrauen in die Ergebnisse der Prognosen für neue Produkte haben?

Joannes Vermorel: Genau das ist der Punkt, den die probabilistische Prognose angeht. Das Maß an Unsicherheit bei der Einführung eines neuen Produkts ist typischerweise sehr hoch. Wäre es einfach, ein neues Produkt zu prognostizieren, wäre es wahrscheinlich gar nicht neu, sondern lediglich ein einfacher Ersatz für einen nahezu perfekten Ersatz für eines Ihrer bestehenden Produkte. In diesem Fall passt die manuelle Zuordnung, die ich zuvor beschrieben habe, wahrscheinlich gut. Aber wenn Sie etwas auch nur geringfügig Neues einführen, das nicht vollständig mit dem übereinstimmt, was Sie bisher verkauft haben, gibt es eine irreduzible Unsicherheit. Aber das ist in Ordnung. Ihre Wettbewerber stehen vor der gleichen Herausforderung. Um besser zu sein als sie, müssen Sie nur besser prognostizieren. Sie haben keine Kristallkugel, aber wahrscheinlich haben sie auch keine.

Kieran Chandler: Mit dieser irreduziblen Unsicherheit, welche Erwartungen können wir haben?

Joannes Vermorel: Genau hier liegt der Vorteil der probabilistischen Prognose. Ja, Ihre Prognose wird ungenau sein, aber wenn Sie eine probabilistische Prognose erstellen, sind Sie sich dieser Ungenauigkeit voll bewusst. In der Praxis werden Sie eine Verteilung sehen, die sich über viele mögliche zukünftige Szenarien erstreckt, sodass Ihre Entscheidungen das Risiko berücksichtigen, dass die Nachfrage deutlich über oder unter Ihrer Prognose liegt. Es geht darum, alle Möglichkeiten in Betracht zu ziehen.

Kieran Chandler: Wenn wir die Dinge aus der Perspektive von Lokad betrachten, schauen wir auf ein Spektrum von Wahrscheinlichkeiten für das gesamte Geschäft, den gesamten Katalog. Wenn ein einzelnes Produkt eine riesige Menge oder sehr wenig verkauft werden könnte, würde das nicht die Ergebnisse all unserer Prognosen verändern?

Joannes Vermorel: Absolut, das tut es, und genau das macht das Problem so herausfordernd.

Kieran Chandler: Das klingt ziemlich kompliziert. Soweit ich das verstehe, müssen Sie, wenn Sie eine statistische Prognose für neue Produkte erstellen möchten, vergangene Produkteinführungen untersuchen und deren Attribute abgleichen, um relevante Produkte zu finden. Dieser Prozess scheint dem Konzept des “Matchings” zu ähneln, aber vollständig automatisiert zu sein. Allerdings verlagert die Einführung eines neuen Produkts die Nachfrage von Ihren bestehenden Produkten. Habe ich das richtig verstanden?

Joannes Vermorel: In der Tat, jedes Produkt, das Sie einführen, wird vermutlich Ihre bestehenden Verkäufe kannibalisieren. Nehmen Sie zum Beispiel einen Modehändler, der eine neue Art von Hemd einführt. Wahrscheinlich haben sie bereits Hemden verkauft, sodass, wenn ein neues, trendiges Design erscheint, Sie nicht nur Marktanteile gegenüber Ihren Wettbewerbern gewinnen. Stattdessen könnten Ihre Kunden sich dieses neue Produkt gegenüber einem anderen, bereits von Ihnen verkauften Produkt vorziehen. Diese Situation führt zu Kannibalisierung, die sehr schwierig zu managen ist.

Kieran Chandler: Es ist so schwierig zu managen, dass es einer der Hauptgründe ist, warum Modemarken Kollektionen haben, oder?

Joannes Vermorel: Genau. Anstatt zu versuchen, dieses komplexe Kannibalisierungsproblem zu lösen, ist es einfacher, einen Ausverkauf zu machen, alle bisherigen Kollektionen zu räumen und dann eine neue Kollektion zu starten. Auf diese Weise vermeiden Sie eine Kannibalisierung zwischen der neuen und der alten Kollektion. Sie haben den Lagerbestand abgebaut, sodass nicht zwei Kollektionen zu einem bestimmten Zeitpunkt miteinander konkurrieren.

Kieran Chandler: Wenn Sie Ihre Prognose für neue Produkte verfeinern wollen, kann das also nicht isoliert erfolgen, oder? Wenn Sie mehrere Produkte einführen, werden sie Ihre bestehenden Verkäufe kannibalisieren und auch untereinander kannibalisieren.

Joannes Vermorel: Richtig. Zum Beispiel, wenn Apple beschließt, ein neues iPhone auf den Markt zu bringen, würden sie nicht die gleichen Verkaufszahlen erzielen, wenn sie nur eine Farbe – zum Beispiel Schwarz – herausbringen, im Gegensatz dazu, wenn sie den Kunden an Tag der Markteinführung die Auswahl aus fünf verschiedenen Farben ermöglichen würden. Zwar könnten mehr Optionen die Verkäufe leicht steigern, aber es würde auch zu viel Kannibalisierung kommen.

Kieran Chandler: Sie haben den Verkauf erwähnt, was so etwas ist wie die Anpassung des Produktpreises in Reaktion auf Markttrends. Gibt es eine Möglichkeit, die Preissensitivität zu prognostizieren? Ist es möglich, die Nachfrage für ein Produkt vorherzusagen, wenn ich den Preis senke?

Joannes Vermorel: Ja, aber das macht das Problem noch komplizierter. Es erfordert, dass man über das klassische überwachte Lernen hinausgeht und in den Bereich des Reinforcement Learning oder anderer fortgeschrittener Ansätze vordringt. Warum? Weil Sie kontrollieren, was Sie beobachten werden, sobald Sie den Preis berücksichtigen.

Zum Beispiel hat eine Modemarke lediglich das Verkaufsmuster für die Preispunkte beobachtet, die sie in der Vergangenheit praktiziert hat. Wenn Sie sich also dafür entscheiden, sich in Richtung höherpreisiger Segmente zu bewegen, begeben Sie sich in unbekanntes Terrain, in dem Ihre bisherigen Daten nicht sehr aussagekräftig sind. Viele Marken würden allmählich übergehen, damit sie noch die Chance haben zu lernen und zu beobachten.

Aus statistischer Sicht besteht die Herausforderung darin, dass wenn Sie ein Prognosemodell erstellen, das einen Preispunkt als Eingabe nimmt, Sie die Prognose mit dem Preispunkt anpassen können. Die Gefahr liegt jedoch darin, was passiert, wenn Sie beginnen, den Output Ihres Prognosemodells zu nutzen.

Kieran Chandler: Sie sprechen also von einem Modell, das die Preisgestaltung behandelt. Als ob man ein Prognosemodell erstellen, den Preis anpassen und Was-wäre-wenn-Szenarien durchführen könnte, indem man die Markteinführung desselben Produkts zu unterschiedlichen Preisen simuliert. Dieser Ansatz zielt darauf ab, den optimalen Preis zu wählen, der uns am meisten nützt. Wenn dies jedoch naiv gemacht wird, würde es dann nicht zu einem speziellen Überanpassungsproblem führen?

Joannes Vermorel: Ja, in der Tat. Wenn Sie diese Übung viele Male mit minimalen Preisvariationen wiederholen, könnte der gewählte Preis lediglich eine Schwankung Ihres eigenen Prognosemodells sein. Im Wesentlichen verstärken Sie damit jedes Überanpassungsproblem, das in Ihrem Lernprozess auftreten könnte. Überanpassung bedeutet, dass ein statistisches Modell bei den bereits vorhandenen Daten gut funktioniert, aber bei den nicht vorhandenen Daten nicht so gut. Ironischerweise wollen Sie bei einer statistischen Prognose, dass Ihr Modell bei den Daten, die Sie nicht haben, gut funktioniert.

Kieran Chandler: Das wirft in der Tat eine interessante Frage auf, wie man die Genauigkeit eines solchen Modells misst. Aber das können wir ein anderes Mal behandeln. Zurück zur Preisfrage: Es scheint, als könnte die Einbeziehung des Preises in ein solches Modell äußerst kompliziert werden. Und natürlich möchten Sie nicht durch die Erforschung der Preisvariable einen massiven Überanpassungsfehler erzeugen, oder?

Joannes Vermorel: Genau, die Erforschung der Preisvariable kann zu massiver Überanpassung führen, was ein sehr kniffliger Aspekt ist, den es zu managen gilt.

Kieran Chandler: Das klingt, als ob das ein ziemlich komplexes Problem wäre. Eine abschließende Frage: Wie sieht die nahe Zukunft in Bezug auf die Prognose neuer Produkte aus? Welche technologischen Fortschritte können wir erwarten?

Joannes Vermorel: Nun, erst letzten Dezember haben wir unsere neue Prognose-Engine eingeführt, die auf deep learning basiert. Laut unserem eigenen Benchmark war dies wahrscheinlich eines unserer bedeutendsten Upgrades in Bezug auf inkrementelle Genauigkeitsgewinne. Der Genauigkeitszuwachs bei der Prognose neuer Produkte lag bei über 20 % bei der Verringerung des Fehlers, was ziemlich bedeutend ist. Eine Erkenntnis, die wir mit diesem Modell gewonnen haben, ist die Fähigkeit, reine Textbeschreibungen zu nutzen, was sehr nützlich sein kann. Zum Beispiel, wenn Sie ein Händler sind und prognostizieren möchten, wie viele Einheiten Sie von Lego-Boxen verkaufen werden. Das ist ein kniffliges Problem, denn beispielsweise bringt Lego jedes Jahr eine neue mittelalterliche Burg auf den Markt.

Kieran Chandler: Mittelalterliche Burgen sollten nicht mit elbischen Schlössern verwechselt werden. Das eine ist eher für Jungen, das andere für Mädchen ausgerichtet. Allerdings ist das subtil, und man hat nicht wirklich alle Detailattribute, um dies widerzuspiegeln, wenn man tausende Spielzeuge in seinem Geschäft verkauft.

Joannes Vermorel: In der Tat, alles basiert auf den Attributen, aber oft haben Sie nicht so viele Daten von Ihrem Lieferanten. Und Sie haben nicht unbedingt die Zeit, diese manuell hinzuzufügen oder anzupassen. Daher benötigt man manchmal eine Prognose-Engine, die in der Lage ist, reine Textbeschreibungen zu verarbeiten. Ein Bereich, an dem wir derzeit arbeiten, besteht darin, diese Details zu nutzen, um spezifischere und genauere Prognosen zu erzielen.

Bei Produkteinführungen ist es entscheidend, die Idee der Kannibalisierung zu akzeptieren. Wenn Sie mehr Produkte auf den Markt bringen, bedeutet das nicht, dass Ihre Verkäufe in die Höhe schießen werden. Alle neuen Produkte, die Sie einführen, konkurrieren um dieselben Kunden, die Sie bereits haben. Daher konzentriert sich ein Forschungsbereich, auf den wir uns fokussieren, darauf, unsere loyalty Datenbank zu nutzen.

Typischerweise, wenn Sie ein Händler sind, wissen Sie, welcher Kunde was kauft. Das ist völlig anders als aus einer Zeitreihenperspektive, bei der man nur daran denkt, wie viele Einheiten pro Tag oder Woche für ein bestimmtes Produkt verkauft wurden. Hier möchten Sie das soziale Netzwerk von Kunden berücksichtigen, die in der Vergangenheit die Produkte konsumiert haben. Die Idee ist, dass, wenn Sie ein neues Produkt auf den Markt bringen, dieses zunächst vor allem innerhalb Ihrer bestehenden Kundenbasis an Fahrt gewinnt.

Wenn Sie mathematische Modelle entwickeln möchten, die in der Lage sind, das soziale Netzwerk Ihrer Kunden zu verarbeiten, müssen Sie in der Regel von deep learning zu differentiable programming übergehen, was der Nachfolger von deep learning ist. Das ist der Punkt, an dem wir uns jetzt befinden.

Kieran Chandler: Das ist faszinierend. Wir müssen es dabei belassen, aber die Prognose von social media und die Prognose von loyalty sind wirklich interessante Konzepte. Vielen Dank, dass Sie sich heute die Zeit genommen haben.

Joannes Vermorel: Danke.

Kieran Chandler: Das war also alles für diese Woche. Wenn Sie Probleme bei der Prognose neuer Produkte haben, würden wir uns freuen, von Ihnen zu hören. Schicken Sie uns eine E-Mail oder hinterlassen Sie unten einen Kommentar. Wir sind daran interessiert, mehr über die Herausforderungen zu erfahren, denen Sie gegenüberstehen. Das war alles für diese Woche, aber wir sehen uns beim nächsten Mal wieder. Auf Wiedersehen fürs Erste.