Nachfrageprognose für neue Produkte

00:00:04 Herausforderungen bei der Prognose von neuen Produktstarts.
00:00:35 Probleme mit traditionellen Prognoseansätzen.
00:02:00 Kritik an der Zeitreihenprognose für neue Produkte.
00:03:45 Alternative Ansätze zur Prognose neuer Produkte.
00:07:22 Deep Learning und Attributanalyse bei der Prognose.
00:09:06 Einfluss der Nachfrage: Produktattribute wie Farbe, Größe.
00:11:23 Deep Learning für die Prognose verschiedener Produktmerkmale.
00:11:58 Unsicherheiten bei neuen Produktstarts.
00:13:38 Vorteile probabilistischer Prognosen bei der Risikobewältigung.
00:14:44 Auswirkungen des Starts neuer Produkte auf bestehende.
00:16:01 Konzept der Produktkannibalisierung, Taktiken der Modeindustrie.
00:18:02 Preisprognoseempfindlichkeit und Komplikationen bei optimalen Preisen.
00:21:20 Überanpassung in statistischen Modellen, Auswirkungen der Preisvorhersage.
00:21:58 Fortschritte in der Technologie der Produktprognose.
00:24:33 Kannibalisierung bei Produktstarts, Forschung zur Kundentreue.

Zusammenfassung

In einem Interview diskutiert Joannes Vermorel, Gründer von Lokad, die Herausforderungen bei der Prognose der Nachfrage nach neuen Produkten. Traditionelle Zeitreihenprognosen funktionieren bei neuen Produkten aufgrund des Mangels an historischen Daten nicht. Vermorel kritisiert herkömmliche Nachfrageplanungssoftware für ihre starke Abhängigkeit von vergangenen Daten. Für neue Produkte schlägt er Marktforschungen vor. Wenn neue Produkte Variationen bereits bestehender Produkte sind, schlägt Vermorel vor, Produktattribute zur Vorhersage der Nachfrage zu nutzen. Er betont Unsicherheit und Kannibalisierung als bedeutende Herausforderungen bei der Prognose neuer Produkte und befürwortet einen probabilistischen Ansatz. Vermorel gibt an, dass Lokads zukünftige Ausrichtung die Nutzung des “sozialen Netzwerks” des Kunden und den Übergang vom Deep Learning zur differenzierbaren Programmierung umfasst.

Erweiterte Zusammenfassung

In einem laufenden Interview erkunden Kieran Chandler und Joannes Vermorel, der Gründer von Lokad, das Potenzial und die Hindernisse bei der Prognose der Nachfrage nach neu eingeführten Produkten. Obwohl es von Natur aus schwierig und unvorhersehbar ist, ist Vermorel der Meinung, dass es möglich ist, für neue Produkte Prognosen zu erstellen, obwohl dies anspruchsvoll ist und einen erheblichen Aufwand erfordert.

Das Interview beginnt mit der Anerkennung der Bedeutung der Prognose von Produktstarts, die es Unternehmen ermöglicht, von dem üblichen Anstieg der Nachfrage nach der Veröffentlichung eines neuen Produkts zu profitieren. Vermorel weist jedoch darauf hin, dass die Standardprognosemethode, die Zeitreihenprognose, bei neuen Produkten nicht ausreicht.

Die Zeitreihenprognose erstreckt sich über historische Trends in die Zukunft, ein Ansatz, der dem Vorhersagen von Wettermustern ähnelt. Zum Beispiel könnte ein einfaches Prognosemodell den Durchschnitt der Verkäufe der letzten Woche verwenden, um die Verkäufe der nächsten Woche vorherzusagen. Bei einem neuen Produkt liegen jedoch keine früheren Verkaufsdaten vor, auf denen Vorhersagen basieren können, was diese Methodik unzureichend macht.

Vermorel kritisiert weiterhin herkömmliche Nachfrageplanungssoftware, die größtenteils auf “verherrlichten Formen gleitender Durchschnitte” basiert, wobei Modelle wie exponentielle Glättung, lineare Regression und ARIMA als ausgefeilte gleitende Durchschnitte fungieren. Obwohl diese Modelle saisonale Koeffizienten und unterschiedliche Durchschnittsfenster berücksichtigen können, sind sie immer noch stark von vergangenen Daten abhängig und daher für neue Produkte ungeeignet.

Um das Problem der Prognose für völlig neue Produkte, wie das erste iPhone, anzugehen, schlägt Vermorel vor, dass statistische Prognosen eine relevante Menge an vergangenen Beobachtungen benötigen. Ohne ähnliche frühere Produkte ist es nahezu unmöglich, eine statistisch fundierte Prognose zu erstellen.

Eine Strategie für solche einzigartigen Szenarien könnte darin bestehen, den Markt zu untersuchen und die Meinungen der Verbraucher zu messen. Trotz der hohen Kosten und des Zeitaufwands glaubt Vermorel, dass bei großen Markteinführungen wie dem iPhone, bei denen wahrscheinlich Hunderte Millionen für Forschung und Entwicklung aufgewendet werden, die Ausgaben für detaillierte Marktforschung gerechtfertigt sein könnten.

Vermorel beginnt damit, die Herausforderungen zu erläutern, die bei der Einführung mehrerer neuer Produkte auftreten. Er argumentiert, dass viele neue Produkte nicht völlig neu sind, sondern oft Variationen bestehender Produkte darstellen, was ihre zukünftigen Verkaufsschätzungen vereinfacht. Er verwendet die Modeindustrie als Beispiel und stellt fest, dass sie zwar jede Saison neue Kollektionen einführt, diese jedoch in der Regel aus vertrauten Artikeln wie Hemden oder Schuhen mit unterschiedlichen Merkmalen bestehen.

Zur Prognose des Verkaufs neuer Produkte schlägt Vermorel vor, das neue Produkt anhand gemeinsamer Merkmale mit vorhandenen Produkten zu vergleichen, eine Methode, die seiner Meinung nach erheblich von herkömmlicher Prognosesoftware abweicht. Diese Merkmale, wie Größe und Farbe, können wertvolle Einblicke bieten. Zum Beispiel könnten extreme Größen oder bestimmte Farben nicht so gut verkauft werden wie häufigere.

Die übliche Methode zur Prognose des Verkaufs neuer Produkte besteht darin, dass ein Supply-Chain-Manager eine Verbindung zwischen einem neuen und einem alten Produkt herstellt. Vermorel kritisiert diesen Prozess als mühsam, insbesondere bei der Einführung Tausender neuer Produkte. Es erfordert die manuelle Überprüfung eines umfangreichen Archivs vergangener Markteinführungen. Jede falsche Zuordnung, die ausschließlich auf Intuition beruht, kann die Prognose völlig fehlerhaft machen.

Vermorel schlägt einen intelligenteren Ansatz vor, bei dem Produktmerkmale zur Vorhersage der Nachfrage verwendet werden. Je nach Branche können diese Merkmale von Größe, Farbe, Preis und Mustern für Modeartikel bis hin zu kompatiblen Patronen und anderen Funktionen für Unterhaltungselektronik variieren. Diese Vielfalt erfordert einen statistischen Algorithmus, der eine breite Palette von Merkmalen verwalten kann, bei dem moderne Machine-Learning-Technologien wie Deep Learning von Vorteil sein könnten.

Das Gespräch wechselt dann zur inhärenten Unsicherheit, die mit der Prognose neuer Produkte verbunden ist. Vermorel erkennt an, dass der Unsicherheitsgrad während einer Produktmarkteinführung in der Regel recht hoch ist, und schlägt vor, dass eine probabilistische Prognose in einem solchen Fall hilfreicher sein könnte. Eine solche Prognose mag zwar nicht sehr präzise sein, der Vorteil besteht jedoch darin, die damit verbundenen Risiken zu erkennen und zu berücksichtigen, da die Prognose einen Bereich potenzieller Zukunftsszenarien liefert.

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

Verkäufe von älteren Kollektionen kannibalisieren können. Um dem entgegenzuwirken, bringt die Branche in der Regel alte Kollektionen vor der Einführung neuer Kollektionen auf den Markt.

Die Diskussion geht mit einer hypothetischen Situation weiter. Wenn Apple beispielsweise gleichzeitig ein iPhone in verschiedenen Farben einführen würde, könnte die Vielfalt der Auswahlmöglichkeiten die Verkäufe steigern, aber es könnte auch zu internem Wettbewerb zwischen den Produkten führen.

In Bezug auf die Preissensibilität fragt Kieran Joannes, ob es möglich ist, die Nachfrage anhand von Preisänderungen vorherzusagen. Joannes bestätigt dies, erklärt jedoch, dass dies die Angelegenheit komplexer macht. Diese Diskussion führt in den Bereich des verstärkenden Lernens und der Notwendigkeit eines sorgfältigen Gleichgewichts, um Überanpassung zu vermeiden, wenn ein Modell auf bekannten Daten gut abschneidet, aber auf unbekannten Daten schlecht abschneidet.

Wenn beispielsweise eine Marke ihre Preisgestaltung ändert, betritt sie möglicherweise unbekanntes Terrain, in dem vergangene Daten weniger relevant werden. Marken passen ihre Preise in der Regel langsam an und nutzen diesen Prozess als Lernmöglichkeit. Joannes stellt klar, dass Überanpassung zu einem Problem werden kann, wenn Marken ihre Prognosemodelle verwenden, um ihre Preise festzulegen. Um dies zu vermeiden, ist es entscheidend, sich bei der Entscheidung über den Preis nicht übermäßig auf die Ausgabe Ihres Prognosemodells zu verlassen.

Die Richtung ändernd, erkundigt sich Kieran nach der nahen Zukunft der Produktprognose. Joannes gibt bekannt, dass Lokad kürzlich eine neue Prognose-Engine auf Basis von Deep Learning eingeführt hat, die laut ihrem Benchmark eine signifikante Verbesserung darstellt und die Fehler bei der Prognose neuer Produkte um über 20% reduziert hat.

Joannes betont auch die Bedeutung des Verständnisses des Konzepts der Produktkannibalisierung bei der Einführung neuer Produkte. Während Einzelhändler versucht sein könnten zu denken, dass die Einführung vieler neuer Produkte den Umsatz signifikant steigern wird, erinnert uns Joannes daran, dass diese neuen Produkte um die gleiche Kundenbasis konkurrieren werden.

Das Gespräch endet damit, dass Joannes ihre laufende Forschung teilt, um das “soziale Netzwerk” der Kunden zu nutzen, was auf die Konsumgewohnheiten ihrer Kundenbasis verweist. Dieser Aufwand wird durch das Verständnis angetrieben, dass neue Produkte tendenziell zuerst in der bestehenden Kundenbasis Fuß fassen. Sie wechseln vom Deep Learning zur differenzierbaren Programmierung, die als Nachfolger des Deep Learning gilt, um diese komplexe Aufgabe effektiv zu bewältigen.

Vollständiges Transkript

Kieran Chandler: Heute werden wir darüber diskutieren, ob die Prognose neuer Produkte tatsächlich möglich ist und auch verstehen, wie viel Vertrauen wir in diese Ergebnisse haben können. Joannes, leider haben wir hier bei Lokad keine Kristallkugel. Können wir also tatsächlich für neue Produkte prognostizieren?

Joannes Vermorel: Die kurze Antwort lautet ja, die längere Antwort lautet, es ist schwierig, es erfordert Aufwand und die richtige Mathematik. Im Grunde genommen stellen sich die Leute, wenn sie an Prognosen denken, oft eine bestimmte Art von Prognose vor, etwas wie Zeitreihenprognosen. Sie denken daran wie an Temperaturprognosen für das Wetter. Im Grunde genommen haben Sie eine Kurve, das, was Sie in der Vergangenheit beobachtet haben, und Sie möchten diese Kurve in die Zukunft strecken, um Ihre Prognose zu erhalten. Die einfachste Prognose, die Sie machen können, ist nur ein gleitender Durchschnitt. Zum Beispiel, wie hoch werden meine Verkäufe nächste Woche sein? Wenn ich meine Verkäufe der letzten Woche durchschnittlich nehme, gibt es mir eine grobe Schätzung. Dieser Ansatz ist naiv, funktioniert aber irgendwie. Für neue Produkte bricht dieser Ansatz jedoch völlig zusammen.

Kieran Chandler: Warum funktioniert dieser Ansatz mit Zeitreihen dann nicht? Warum bricht er zusammen?

Joannes Vermorel: Das liegt daran, dass Sie nichts mehr haben, um es durchschnittlich zu nehmen. Sie möchten in die Vergangenheit zurückgehen und die Zukunft prognostizieren, indem Sie das durchschnittlich nehmen, was Sie hatten. Aber wenn Sie den Umsatz eines Produkts prognostizieren möchten, 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 bringen ein Produkt auf den Markt, hoffentlich werden Sie ein paar Einheiten verkaufen. Der traditionelle gleitende Durchschnittsalgorithmus funktioniert einfach nicht. Es ist interessant, weil die meisten frühen Bedarfsplanungssoftwarelösungen auf glorifizierte Formen gleitender Durchschnitte angewiesen waren. Es gibt viele statistische Modelle mit fancy Namen, die aber nichts anderes als glorifizierte gleitende Durchschnitte sind. Exponentielle Glättung ist ein gleitender Durchschnitt irgendeiner Art, lineare Regression ist kaum besser als ein gleitender Durchschnitt.

Kieran Chandler: Wie können wir also eine Prognose für etwas völlig Neues erstellen? Wenn wir zum Beispiel das Beispiel des iPhones nehmen, bevor es veröffentlicht wurde, gab es nichts Vergleichbares. Können wir dafür tatsächlich prognostizieren?

Joannes Vermorel: Wenn Sie eine Prognose oder zumindest eine statistische Prognose erstellen möchten, benötigen Sie eine relevante Menge 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 schauen können. Wenn Sie ein Produkt haben, das völlig einzigartig ist, dann ist es aus statistischer Sicht vorbei. Sie können nicht statistisch arbeiten. Das Beste, was Sie tun können, ist, den Markt zu untersuchen und Meinungen darüber einzuholen, ob die Leute es kaufen würden oder nicht. Offensichtlich ist dies ein sehr teurer Prozess. Apple konnte es für das iPhone tun, weil sie wahrscheinlich Hunderte von Millionen Dollar in Forschung und Entwicklung investiert hatten, um das iPhone auf den Markt zu bringen. Daher konnten sie es sich immer noch leisten, ein paar hundert oder tausend Dollar für intelligente Umfragen auszugeben.

Kieran Chandler: Für eine grobe Schätzung, wie viel Sie verkaufen werden, können Sie sich offensichtlich keinen so mühsamen Prozess leisten, wenn Sie viele neue Produkte auf den Markt bringen. Die gute Nachricht ist, wenn Sie viele Dinge auf den Markt bringen, wie hoch ist die Wahrscheinlichkeit, dass alles, was Sie auf den Markt bringen, völlig neu ist? In der Praxis fast null, denn Sie können nicht Hunderte von Produkten auf den Markt bringen, die völlig einzigartig sind. Wenn Sie jedes Jahr Hunderte von Produkten auf den Markt bringen, ist die Wahrscheinlichkeit groß, dass sie alle Variationen des gleichen Themas oder Stils sind.

Joannes Vermorel: Genau, Sie können ein bestehendes Produkt mit einer Eigenschaft des neuen Produkts in Verbindung bringen. Wenn Sie zum Beispiel in der Modebranche tätig sind, haben Sie bei jeder Kollektion neue Hemden und neue Schuhe. Aber es sind immer noch Hemden oder Schuhe, und diese Produkte haben Merkmale 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 vorherrschende Größe. Wenn Sie ein statistisches Modell haben möchten, müssen Sie diese Erkenntnis nutzen. Wenn Sie prognostizieren möchten, wie viel zukünftige Nachfrage es für Produkte geben wird, die Sie auf den Markt bringen möchten, müssen Sie alle bisherigen Markteinführungen betrachten, die Sie in der Vergangenheit durchgeführt haben, und das zu startende Produkt über seine Merkmale mit den alten Produkten in Beziehung setzen.

Kieran Chandler: Das ist interessant, insbesondere der attributbasierte Ansatz, der sich von dem unterscheidet, was in den meisten Prognosesoftwaretypischerweise gemacht wird. Mit den Fortschritten in der Deep-Learning-Technologie ist das also die primäre Methode, um diese Merkmale genauer zu betrachten?

Joannes Vermorel: Ja, vergleichen wir es mit der klassischen Perspektive bei der Prognose neuer Produkte. Anfangs haben Sie gleitende Durchschnittsmodelle, das ist alles. Um ein neues Produkt vorherzusagen, würden Sie 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 beantworten sollte: “Welches Produkt ist dem, das Sie gerade auf den Markt bringen möchten, am ähnlichsten?”, damit wir vorgeben können, dass dieses Produkt bereits verkauft wird. Dann können Sie zu Ihrem gleitenden Durchschnittsansatz zurückkehren, weil Sie plötzlich eine Zeitreihe haben; Sie haben vergangene Verkäufe für das Produkt.

Wenn Sie jedoch tausend neue Produkte auf den Markt bringen und für jedes neue Produkt, das Sie auf den Markt bringen möchten, diese Zuordnungsentscheidung treffen müssen und in Ihrer Geschichte wahrscheinlich Zehntausende von Produkten auf den Markt gebracht haben, dann ist der Prozess unglaublich mühsam. Sie müssten ein ganzes Archiv vergangener Markteinführungen manuell untersuchen, um diese Zuordnung vorzunehmen. Wenn Sie die Zuordnung falsch machen und sich nur auf Ihre Intuition verlassen, ist Ihre Prognose völlig nutzlos.

Ein intelligenterer Ansatz besteht darin, die Merkmale zu nutzen und zu berücksichtigen, welche Merkmale die erwartete Nachfrage beeinflussen. Wenn wir zur Mode zurückkehren, sind Größen ein sehr deutlicher Indikator, aber auch die Farbe ist ein wichtiger Faktor. Wenn Sie zum Beispiel Kinderkleidung haben, werden Eltern wahrscheinlich keine übermäßig weiße Kleidung kaufen, weil Kinder sie schmutzig machen werden. Daher ist strahlendes Weiß für Kinder tendenziell keine gute Farbe. Bei Businesshemden hingegen sind die dominierenden Farben wahrscheinlich Weiß, Hellblau und Hellrosa.

Kieran Chandler: Wenn Sie beispielsweise leuchtend gelbe Businesshemden haben möchten, wird dies wahrscheinlich einen verschwindend geringen Prozentsatz Ihrer Verkäufe ausmachen. Solche Beobachtungen können intuitiv gemacht werden, aber die Beziehungen können sehr subtil sein. Merkmale können unglaublich vielfältig sein - Größe, Farbe, Preisgestaltung, Muster auf Kleidung. Oder nehmen wir Unterhaltungselektronik, wenn Sie die Nachfrage nach dem nächsten Drucker prognostizieren möchten, haben Sie eine breite Palette von Merkmalen zu berücksichtigen - kompatible Patronen, andere Funktionen - es ist super vielfältig.

Joannes Vermorel: Hier stehen wir vor einer Situation, in der Sie einen Algorithmus benötigen, der mit dieser überwältigenden Vielfalt umgehen kann. Hier kommt Deep Learning, die moderne Variante des maschinellen Lernens, ins Spiel. Deep Learning-Algorithmen sind besonders gut darin, mit einer unglaublich vielfältigen Merkmalsmenge umzugehen, die sogar einfache Textbeschreibungen der Produkte umfassen kann.

Kieran Chandler: Es gibt eine enorme Menge an Variabilität, viel zu berücksichtigen. Können wir uns auf die Ergebnisse von Prognosen für neue Produkte verlassen?

Joannes Vermorel: Genau das ist der Punkt, den die probabilistische Prognose zu adressieren versucht. Die Unsicherheit beim Start eines neuen Produkts ist in der Regel sehr hoch. Wenn es einfach wäre, ein neues Produkt vorherzusagen, wäre es wahrscheinlich nicht neu, sondern eine einfache Ersetzung eines nahezu perfekten Ersatzes für eines Ihrer bestehenden Produkte. In diesem Fall ist die manuelle Zuordnung, die ich zuvor beschrieben habe, wahrscheinlich gut geeignet. Aber wenn Sie etwas auch nur geringfügig Neues einführen, das nicht vollständig mit dem übereinstimmt, was Sie zuvor verkauft haben, gibt es eine unvermeidliche Unsicherheit. Aber das ist in Ordnung. Ihre Konkurrenten stehen vor derselben Herausforderung. Um besser zu sein als sie, müssen Sie nur besser prognostizieren als sie. Sie haben keine Kristallkugel, aber die Chancen stehen gut, dass sie auch keine haben.

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

Joannes Vermorel: Hier kommt der Vorteil der probabilistischen Prognose ins Spiel. Ja, Ihre Prognose wird ungenau sein, aber wenn Sie eine probabilistische Prognose erstellen, sind Sie sich dieser Ungenauigkeit voll bewusst. In der Praxis sehen Sie eine Verteilung, die sich über viele mögliche Zukunftsszenarien 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 nun die Dinge aus Sicht von Lokad betrachten, betrachten wir eine Reihe von Wahrscheinlichkeiten für das gesamte Geschäft, den gesamten Katalog. Wenn ein einzelnes Produkt eine große Menge oder sehr wenig verkaufen könnte, würde sich das nicht auf die Ergebnisse aller unserer Prognosen auswirken?

Joannes Vermorel: Absolut, das tut es, und das macht das Problem noch herausfordernder.

Kieran Chandler: Es klingt ziemlich kompliziert. Soweit ich verstehe, wenn Sie eine statistische Prognose für neue Produkte erstellen möchten, müssen Sie vergangene Markteinführungen untersuchen und deren Merkmale abgleichen, um relevante Produkte zu finden. Dieser Prozess scheint wie das Konzept des “Matchings”, aber vollständig automatisiert. Wenn Sie jedoch ein neues Produkt einführen, verdrängt dies die Nachfrage nach Ihren bestehenden Produkten. Habe ich recht?

Joannes Vermorel: In der Tat, jedes Produkt, das Sie einführen, wird wahrscheinlich Ihre bestehenden Verkäufe kannibalisieren. Nehmen wir zum Beispiel einen Modehändler, der eine neue Art von Hemd einführt. Wahrscheinlich hat er bereits Hemden verkauft, also wenn ein neues, trendiges Design kommt, gewinnen Sie nicht nur Marktanteile gegenüber Ihren Mitbewerbern. Stattdessen könnten Ihre Kunden dieses neue Produkt einem anderen vorziehen, das Sie bereits verkauft haben. Diese Situation führt zu Kannibalisierung, die sehr herausfordernd zu bewältigen ist.

Kieran Chandler: Es ist so herausfordernd zu bewältigen, 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 vorherigen Kollektionen abzuverkaufen und dann eine neue Kollektion zu starten. Auf diese Weise vermeiden Sie die Kannibalisierung zwischen der neuen Kollektion und der alten. Sie haben den Bestand liquidiert, sodass Sie nicht zwei Kollektionen haben, die zu einem bestimmten Zeitpunkt miteinander konkurrieren.

Kieran Chandler: Wenn Sie also Ihre Prognose für das neue Produkt verfeinern möchten, kann dies nicht isoliert geschehen, oder? Wenn Sie mehrere Produkte einführen, werden sie das, was Sie haben, kannibalisieren und sich auch gegenseitig kannibalisieren.

Joannes Vermorel: Richtig. Wenn zum Beispiel Apple beschließt, ein neues iPhone auf den Markt zu bringen, würden sie nicht die gleichen Verkäufe erzielen, wenn sie nur eine Farbe - zum Beispiel Schwarz - veröffentlichen würden, im Vergleich dazu, wenn sie den Kunden am Veröffentlichungstag die Wahl zwischen fünf verschiedenen Farben lassen. Während mehr Optionen die Verkäufe leicht erhöhen könnten, gäbe es auch viel Kannibalisierung.

Kieran Chandler: Sie haben von Verkäufen gesprochen, was einer Anpassung des Preises des Produkts an die Markttrends entspricht. Gibt es eine Möglichkeit, die Preissensitivität vorherzusagen? Ist es möglich, die Nachfrage nach einem Produkt vorherzusagen, wenn ich den Preis senke?

Joannes Vermorel: Ja, aber das macht das Problem noch komplizierter. Es erfordert den Übergang von klassischem überwachtem Lernen in den Bereich des verstärkten Lernens oder anderer fortgeschrittener Situationen. Warum? Weil Sie kontrollieren, was Sie beobachten werden, sobald Sie den Preis berücksichtigen.

Zum Beispiel hat eine Modemarke nur das Verkaufsmuster für die Preispunkte beobachtet, die sie in der Vergangenheit praktiziert hat. Wenn Sie sich also in Richtung teurerer Preispunkte bewegen, betreten Sie unbekanntes Terrain, in dem Ihre vergangenen Daten nicht sehr relevant sind. Viele Marken würden allmählich übergehen, damit sie immer noch eine Chance haben zu lernen und zu sehen.

Aus statistischer Sicht besteht die Herausforderung darin, dass, wenn Sie ein Prognosemodell erstellen, das einen Preispunkt als Eingabe verwendet, die Prognose mit dem Preispunkt angepasst werden kann. Die Gefahr besteht jedoch darin, was passiert, wenn Sie die Ausgabe Ihres Prognosemodells verwenden.

Kieran Chandler: Also sprechen Sie von einem Modell zur Behandlung der Preisgestaltung. Als ob man ein Prognosemodell erstellen könnte, den Preis anpassen und “Was-wäre-wenn”-Szenarien durchführen könnte, indem man den Start desselben Produkts zu unterschiedlichen Preisen simuliert. Dieser Ansatz zielt darauf ab, den optimalen Preis auszuwählen, der uns am meisten nutzt. Wenn dies jedoch naiv durchgeführt wird, würde es nicht zu einem bestimmten Überanpassungsproblem führen?

Joannes Vermorel: Ja, in der Tat. Wenn Sie diese Übung viele Male mit minimalen Preisvariationen wiederholen, könnte der von Ihnen gewählte Preis nur eine Schwankung Ihres Prognosemodells selbst sein. Im Wesentlichen verstärken Sie jedes Überanpassungsproblem, das Sie in Ihrem Lernprozess haben könnten. Überanpassung tritt auf, wenn ein statistisches Modell auf den Daten, die Sie bereits haben, gut abschneidet, aber auf den Daten, die Sie nicht haben, nicht so gut abschneidet. Ironischerweise möchten Sie bei einer statistischen Prognose, dass Ihr Modell auf den Daten, die Sie nicht haben, gut abschneidet.

Kieran Chandler: Das wirft in der Tat eine interessante Frage darüber auf, wie Sie die Genauigkeit eines solchen Modells messen. Aber das können wir ein anderes Mal besprechen. Zurück zu dieser Preisfrage, es scheint, als ob die Nutzung des Preises in einem solchen Modell außerordentlich kompliziert werden könnte. Und natürlich möchten Sie keinen massiven Überanpassungsfehler durch die Erkundung der Preisvariable erzeugen, oder?

Joannes Vermorel: Genau, die Erkundung der Preisvariable kann zu massiver Überanpassung führen, was ein sehr kniffliger Aspekt ist, der zu bewältigen ist.

Kieran Chandler: Es scheint, dass dies ein ziemlich komplexes Problem ist, das gelöst werden muss. Als abschließende Frage, wie sieht die nahe Zukunft in Bezug auf die Prognose neuer Produkte aus? Welche Fortschritte gibt es in der Technologie, auf die wir uns freuen können?

Joannes Vermorel: Nun, erst im vergangenen 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 Genauigkeitsgewinn bei der Prognose neuer Produkte lag bei über 20% in der Reduzierung des Fehlers, was ziemlich signifikant ist. Eine Sache, die wir mit diesem Modell gelernt haben, ist die Fähigkeit, einfache Textbeschreibungen zu nutzen, was sehr nützlich sein kann. Wenn Sie zum Beispiel Einzelhändler sind und vorhersagen möchten, wie viele Einheiten Sie für Lego-Boxen verkaufen werden. Das ist ein kniffliges Problem, denn zum Beispiel bringt Lego jedes Jahr eine neue mittelalterliche Burg heraus.

Kieran Chandler: Mittelalterliche Burgen sollten nicht mit elfischen Burgen verwechselt werden. Eine ist für Jungen ausgerichtet, während die andere für Mädchen ausgerichtet ist. Das ist jedoch subtil, und Sie haben nicht alle Feinheiten, um das widerzuspiegeln, wenn Sie Tausende von Spielzeugen in Ihrem Geschäft verkaufen.

Joannes Vermorel: Tatsächlich basiert alles auf den Attributen, aber oft haben Sie nicht so viele Daten von Ihrem Lieferanten. Und Sie haben nicht unbedingt die Zeit, sie manuell hinzuzufügen oder anzupassen. Daher benötigen Sie manchmal eine Prognose-Engine, die in der Lage ist, die einfache Textbeschreibung zu verarbeiten. Ein Bereich, an dem wir derzeit arbeiten, ist die Nutzung dieser Details, um spezifischere und genauere Prognosen zu erstellen.

Bei Produktstarts ist es wichtig, das Konzept der Kannibalisierung zu berücksichtigen. Wenn Sie mehr Produkte einführen, bedeutet das nicht, dass Ihre Verkäufe in die Höhe schießen. Alle neuen Produkte, die Sie einführen, konkurrieren um die gleichen Kunden, die Sie bereits haben. Daher konzentrieren wir uns in einem Forschungsbereich darauf, unsere Kundenbindung Datenbank zu nutzen.

Typischerweise wissen Einzelhändler, welcher Kunde was kauft. Das ist völlig anders als aus einer Zeitreihenperspektive, bei der Sie nur darüber nachdenken, wie viele Einheiten pro Tag oder pro Woche für ein bestimmtes Produkt verkauft wurden. Hier möchten Sie das soziale Netzwerk der Kunden berücksichtigen, die die Produkte in der Vergangenheit konsumiert haben. Die Idee ist, dass ein neues Produkt in erster Linie in Ihrer bestehenden Kundenbasis Fuß fassen wird.

Wenn Sie mathematische Modelle haben möchten, die das soziale Netzwerk Ihrer Kunden verarbeiten können, müssen Sie in der Regel von Deep Learning zu differenzierbarer Programmierung wechseln, 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 hierbei belassen, aber die Prognose von sozialen Medien und die Prognose von Kundenbindung sind wirklich interessante Konzepte. Vielen Dank, dass Sie sich heute die Zeit genommen haben.

Joannes Vermorel: Vielen Dank.

Kieran Chandler: Das war alles für diese Woche. Wenn Sie Probleme bei der Prognose neuer Produkte haben, würden wir gerne von Ihnen hören. Schicken Sie uns eine E-Mail oder hinterlassen Sie einen Kommentar unten. Wir interessieren uns für die Herausforderungen, mit denen Sie konfrontiert sind. Das war alles für diese Woche, aber wir sehen uns nächstes Mal wieder. Auf Wiedersehen für jetzt.