Blog PIKON Deutschland AG
Search
sap-silver-partner-logo
blank

Wie Sie mit Data Science smart planen …und die Früchte ernten

Nachdem wir in den vorherigen Artikeln etwas über die Historie erfahren haben und darüber wie KI wertschöpfend eingesetzt werden kann, beschäftigen wir uns in diesem Beitrag näher mit einem speziellen Fall: Und zwar, wie Daten mithilfe von KI dazu genutzt werden können, die Absatzplanung, oder auch andere Planungen, zu verbessern und in Teilen zu automatisieren.

Data Science am Beispiel Vorhersage des Absatzes von Früchten

Um den Einsatz von KI in der Absatzplanung zu erklären, nehmen wir uns ein Beispiel, mit dem bestimmt jeder etwas anfangen kann. Denn wer isst nicht gerne Früchte? Nur wann genau werden welche Früchte gegessen? Was hat einen Einfluss darauf, ob Kunden bei den Kirschen im Supermarkt zugreifen oder sich doch eher für eine Melone oder Mandarinen entscheiden?

Aber jetzt ans Eingemachte: Versetzen Sie sich in die Lage eines Lebensmittelverkäufers. Um es einfach zu halten, stellen Sie sich einen auf Wassermelonen, Kirschen, Mandarinen und Nüsse spezialisierten Lebensmittelverkäufer vor. Da dies alles verderbliche Lebensmittel sind und der Lagerplatz nicht unbegrenzt ist, wüssten Sie gerne jede Woche, wie viel von welcher Sorte Obst verkauft wird. Allerdings können Sie leider nicht in die Zukunft schauen, weshalb Ihnen in manchen Wochen Lebensmittel verderben und in anderen die heiß begehrten Früchte viel zu früh ausgehen. Tja – gegen den Zufall können Sie eben nichts tun. Oder ist es etwa kein Zufall?

Sie haben gelesen, dass mit Hilfe von KI bessere Vorhersagen über den Absatz von Produkten gemacht werden können. Also geben Sie dem Ganzen eine Chance und fragen eine Bekannte, die sich mit dem Thema beschäftigt und der Sie vertrauen, ob sie Ihnen dabei behilflich sein kann. Und ehe Sie sich versehen, stecken Sie mitten in einem KI- oder wie Ihre Bekannte es nennt, Data Science Projekt.

Vorbereitender Workshop zum Sammeln der möglichen Einflüsse

Als erstes stellt sie Ihnen einige Fragen:

Was verkaufst du denn? Wie planst du bisher deinen Absatz und somit auch den Einkauf? Hast du eine Ahnung davon, was einen Einfluss auf deinen Absatz haben könnte?

Sie fragen sich zwar was das alles soll, geben Ihr aber dennoch geduldig die Antworten auf die Fragen. Nach einem kurzen „Workshop“ hat sie sich ein Bild von Ihrer Situation gemacht und einige wichtige Informationen von Ihnen erhalten.

Sie wussten natürlich, dass logischerweise der Preis, für den Sie Ihre Früchte anbieten, einen Einfluss auf den Verkauf hat. Auch die Saison ist natürlich irgendwie entscheidend. Wer isst denn im Winter überteuerte Wassermelonen oder im Sommer Mandarinen – abgesehen von den Ausnahmen? Wenn sie Werbung machen oder bestimmte Rabatte anbieten, macht das natürlich auch einen Unterschied. Auch die Qualität bestimmt, wie gut sich die Früchte verkaufen.

Sie hat auch noch die Frage gestellt, ob Sie sich Wetterprognosen anschauen. Natürlich machen Sie das. Aber nicht, um den Absatz für die kommenden Tage festzulegen. Könnte aber Sinn machen, geben Sie zu.

Dann kommt auch noch die Frage, ob Sie die Preise anhand des Wetters, der Qualität, der Saison usw. festlegen und dann den Absatz bestimmen. Sie schauen sie nur fragend an und sagen, ich bin Obstverkäufer und stehe den ganzen Tag in meinem Laden. Wann genau soll ich das denn alles abschätzen, geschweige denn berechnen? Abends, während ich meinem Kind etwas vorlese?

Sie schaut Sie lächelnd an und sagt: „Okay, ich bin mir ziemlich sicher, dass ich dir dabei helfen kann.“

Machine-Learning-Modell für die Absatzprognose

Nach ein paar Tagen kommt sie mit einem Poster zu Ihnen, das Ihnen den Zusammenhang zwischen den verschiedenen Faktoren, die Sie in dem Workshop besprochen haben, aufzeigt und Ihnen näherbringen soll, wie ein sogenanntes Machine-Learning-Modell zukünftig unterstützen kann.

Data Science an Beispiel: Machine Learning mit verschiedene Faktoren, die den Absatz beeinflussen.

Sie erklärt Ihnen, dass sie die verschiedenen Daten, die Sie in der Vergangenheit gesammelt haben, aufbereitet hat. Neben Preis und Qualität hat sie auch Ihre Werbung und Angebote betrachtet. Zudem hat sie aus externen Quellen Wetterprognosen und Ferienzeiten (welche anscheinend ein entscheidender Einflussfaktor sind) mit einbezogen. Mit all diesen Faktoren hat sie das Modell trainiert, welches dann gelernt hat, welche Faktoren welchen Einfluss auf den Absatz haben. Data Mining nennt sie das. Ergänzend hat sie durch das Prognostizieren von Vergangenheitswerten auch bestimmt, wie gut das Modell den Absatz bestimmen kann.

Natürlich, sagt sie, kann ein solches Modell den Absatz nicht haargenau vorhersagen. Wenn sie es aber mit Ihren Einkäufen der Vergangenheit vergleicht, gäbe es hier ein Einsparpotential von durchschnittlich 10%. Am Beispiel von Wassermelonen kann man das in den Jahren 2016, 2017 sehr gut erkennen, sagt sie und zeigt Ihnen ein Diagramm. Hier ist sowohl der Ist-Absatz und die vom Modell erstellte Prognose, als auch der getätigte Einkauf abgebildet. Dein Bauchgefühl was saisonale Effekte betrifft ist schonmal nicht schlecht, meint sie. Du neigst aber eher dazu viel zu viele Wassermelonen zu kaufen. Das Modell könnte dir hier eine bessere Prognose geben.

Absatzprognose am Beispiel Wassermelonen mit Data Science erstellt.

Sie erwähnt, dass sie insbesondere den August 2016 interessant findet. In dem Monat sind die Melonen sogar ausgegangen. Das Modell hätte hier einen höheren Absatz prognostiziert. Eventuell hättest du hier mehr Melonen verkaufen können, sagt sie. Leider kann man solche Gegebenheiten im Nachhinein nicht mehr überprüfen.

Sie zeigt noch weitere Diagramme mit tagesgenauen Zahlen, die sehr ähnlich aussehen. Interessiert schauen Sie sich die Zahlen an und sind erstaunt, wie viel man aus einer solchen Betrachtung in Erfahrung bringen kann.

Echtzeitassistent für genauere Umsatzprognosen

Da ich momentan mit einem Freund an einem kleinen Projekt arbeite, hätte ich da noch etwas für dich, schließt sie an. Es hat sich herausgestellt, dass die Qualität der Früchte und der Preis, für den sie angeboten werden, einen nicht zu unterschätzenden Effekt auf den Absatz haben. Da dies schwierig einzuplanen ist, könnten er und ich dir eine Smartphone-App entwickeln, mit der du auf dem Markt, nachdem du die Qualität der Früchte eingeschätzt hast, diese direkt eintragen und mit dem Verkaufspreis spielen könntest. So könnte eine Simulation der Planung dir zeigen, wieviel du ungefähr einnehmen könntest. Im Gegenzug fallen dann vielleicht ab und zu ein paar Früchte für mich ab, sagt sie mit einem Augenzwinkern.

Smarte Planung in Ihrem Unternehmen

Zurück zur Realität. Natürlich – Ihr Unternehmen ist kein kleiner Früchtehändler. Bei Ihnen im Unternehmen dreht sich nicht alles um den Verkauf von nur vier Sorten Früchten. Auch ist der Gewinn am Ende des Tages leider nicht so leicht abzuschätzen wie in unserer kleinen Geschichte.

Dennoch will ich Ihnen anhand des Beispiels zeigen, wie solche Modelle grundsätzlich erstellt und auf Tauglichkeit geprüft werden können, aber auch wie wichtig es ist, Daten im Unternehmen zu sammeln und externe Daten hinzuzuziehen. Mit den entsprechenden Experten, die sowieso schon ein gutes Gefühl für ihren Teil der Planung haben und dafür, von welchen Faktoren das Ergebnis abhängt, kann Data Mining gute Ergebnisse erzielen und die Arbeit somit erleichtern.

Beispielsweise können solche Modelle ohne jegliche Zuarbeit rollierend Prognosen bereitstellen, die dann durch entsprechendes Expertenwissen noch einmal überprüft und angepasst werden können. Mit einem solchen „Human in the Loop“-Vorgehen kann man sowohl die fakten- und wahrscheinlichkeitsbasierte Technologie als auch das Risikobewusstsein und oftmals sehr gute „Bauchgefühl“ des Menschen (der beispielsweise auch mit seinen Kunden spricht) miteinander verbinden.

Vielleicht haben Sie solche Predictive Analytics aber auch schon längst im Einsatz und wollen diese in einem weiteren Schritt besser -wie im App Beispiel- integrieren. Ein Beispiel dafür, wie KI oder in diesem Fall besser gesagt Data Mining als Werkzeug genutzt werden kann.

Haben Sie weitere Fragen? Wir sind für Sie da!

TAGS
Teilen Sie diesen Beitrag
LinkedIn
XING
Facebook
Twitter
Über den Autor
Benjamin Duppe
Benjamin Duppe
Benjamin Duppe hat bei PIKON als Chief Data Scientist, gemeinsam mit dem Data Science Team und Experten anderer Fachbereiche, an der Integration von Data Science & KI in Geschäftsprozesse gearbeitet.

Schreibe einen Kommentar

Weitere Blog-Artikel zu diesem Thema