{"id":5217,"date":"2018-12-07T12:44:12","date_gmt":"2018-12-07T11:44:12","guid":{"rendered":"https:\/\/blog.pikon.de\/?p=3311"},"modified":"2022-12-07T08:49:01","modified_gmt":"2022-12-07T07:49:01","slug":"wie-sie-mit-data-science-smart-planen","status":"publish","type":"post","link":"https:\/\/www.pikon.com\/de\/blog\/wie-sie-mit-data-science-smart-planen\/","title":{"rendered":"Wie Sie mit Data Science smart planen \u2026und die Fr\u00fcchte ernten"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Nachdem wir in den vorherigen Artikeln etwas \u00fcber die Historie erfahren haben und dar\u00fcber wie KI wertsch\u00f6pfend eingesetzt werden kann, besch\u00e4ftigen wir uns in diesem Beitrag n\u00e4her mit einem speziellen Fall: Und zwar, wie Daten mithilfe von KI dazu genutzt werden k\u00f6nnen, die Absatzplanung, oder auch andere Planungen, zu verbessern und in Teilen zu automatisieren.<\/p>

Data Science am Beispiel Vorhersage des Absatzes von Fr\u00fcchten<\/span><\/p>

Um den Einsatz von KI in der Absatzplanung zu erkl\u00e4ren, nehmen wir uns ein Beispiel, mit dem bestimmt jeder etwas anfangen kann. Denn wer isst nicht gerne Fr\u00fcchte? Nur wann genau werden welche Fr\u00fcchte gegessen? Was hat einen Einfluss darauf, ob Kunden bei den Kirschen im Supermarkt zugreifen oder sich doch eher f\u00fcr eine Melone oder Mandarinen entscheiden?<\/p>

Aber jetzt ans Eingemachte: Versetzen Sie sich in die Lage eines Lebensmittelverk\u00e4ufers. Um es einfach zu halten, stellen Sie sich einen auf Wassermelonen, Kirschen, Mandarinen und N\u00fcsse spezialisierten Lebensmittelverk\u00e4ufer vor. Da dies alles verderbliche Lebensmittel sind und der Lagerplatz nicht unbegrenzt ist, w\u00fcssten Sie gerne jede Woche, wie viel von welcher Sorte Obst verkauft wird. Allerdings k\u00f6nnen Sie leider nicht in die Zukunft schauen, weshalb Ihnen in manchen Wochen Lebensmittel verderben und in anderen die hei\u00df begehrten Fr\u00fcchte viel zu fr\u00fch ausgehen. Tja – gegen den Zufall k\u00f6nnen Sie eben nichts tun. Oder ist es etwa kein Zufall?<\/p>

Sie haben gelesen, dass mit Hilfe von KI bessere Vorhersagen \u00fcber den Absatz von Produkten gemacht werden k\u00f6nnen. Also geben Sie dem Ganzen eine Chance und fragen eine Bekannte, die sich mit dem Thema besch\u00e4ftigt 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.<\/p>

Vorbereitender Workshop zum Sammeln der m\u00f6glichen Einfl\u00fcsse<\/h3>

Als erstes stellt sie Ihnen einige Fragen:<\/p>

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 k\u00f6nnte?<\/p>

Sie fragen sich zwar was das alles soll, geben Ihr aber dennoch geduldig die Antworten auf die Fragen. Nach einem kurzen \u201eWorkshop\u201c hat sie sich ein Bild von Ihrer Situation gemacht und einige wichtige Informationen von Ihnen erhalten.<\/p>

Sie wussten nat\u00fcrlich, dass logischerweise der Preis, f\u00fcr den Sie Ihre Fr\u00fcchte anbieten, einen Einfluss auf den Verkauf hat. Auch die Saison ist nat\u00fcrlich irgendwie entscheidend. Wer isst denn im Winter \u00fcberteuerte Wassermelonen oder im Sommer Mandarinen \u2013 abgesehen von den Ausnahmen? Wenn sie Werbung machen oder bestimmte Rabatte anbieten, macht das nat\u00fcrlich auch einen Unterschied. Auch die Qualit\u00e4t bestimmt, wie gut sich die Fr\u00fcchte verkaufen.<\/p>

Sie hat auch noch die Frage gestellt, ob Sie sich Wetterprognosen anschauen. Nat\u00fcrlich machen Sie das. Aber nicht, um den Absatz f\u00fcr die kommenden Tage festzulegen. K\u00f6nnte aber Sinn machen, geben Sie zu.<\/p>

Dann kommt auch noch die Frage, ob Sie die Preise anhand des Wetters, der Qualit\u00e4t, der Saison usw. festlegen und dann den Absatz bestimmen. Sie schauen sie nur fragend an und sagen, ich bin Obstverk\u00e4ufer und stehe den ganzen Tag in meinem Laden. Wann genau soll ich das denn alles absch\u00e4tzen, geschweige denn berechnen? Abends, w\u00e4hrend ich meinem Kind etwas vorlese?<\/p>

Sie schaut Sie l\u00e4chelnd an und sagt: \u201eOkay, ich bin mir ziemlich sicher, dass ich dir dabei helfen kann.\u201c<\/p>

Machine-Learning-Modell f\u00fcr die Absatzprognose<\/h3>

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 n\u00e4herbringen soll, wie ein sogenanntes Machine-Learning-Modell zuk\u00fcnftig unterst\u00fctzen kann.<\/p>

\"Data<\/p>

Sie erkl\u00e4rt Ihnen, dass sie die verschiedenen Daten, die Sie in der Vergangenheit gesammelt haben, aufbereitet hat. Neben Preis und Qualit\u00e4t 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. Erg\u00e4nzend hat sie durch das Prognostizieren von Vergangenheitswerten auch bestimmt, wie gut das Modell den Absatz bestimmen kann.<\/p>

Nat\u00fcrlich, sagt sie, kann ein solches Modell den Absatz nicht haargenau vorhersagen. Wenn sie es aber mit Ihren Eink\u00e4ufen der Vergangenheit vergleicht, g\u00e4be 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 get\u00e4tigte Einkauf abgebildet. Dein Bauchgef\u00fchl was saisonale Effekte betrifft ist schonmal nicht schlecht, meint sie. Du neigst aber eher dazu viel zu viele Wassermelonen zu kaufen. Das Modell k\u00f6nnte dir hier eine bessere Prognose geben.<\/p>

\"Absatzprognose<\/p>

Sie erw\u00e4hnt, dass sie insbesondere den August 2016 interessant findet. In dem Monat sind die Melonen sogar ausgegangen. Das Modell h\u00e4tte hier einen h\u00f6heren Absatz prognostiziert. Eventuell h\u00e4ttest du hier mehr Melonen verkaufen k\u00f6nnen, sagt sie. Leider kann man solche Gegebenheiten im Nachhinein nicht mehr \u00fcberpr\u00fcfen.<\/p>

Sie zeigt noch weitere Diagramme mit tagesgenauen Zahlen, die sehr \u00e4hnlich aussehen. Interessiert schauen Sie sich die Zahlen an und sind erstaunt, wie viel man aus einer solchen Betrachtung in Erfahrung bringen kann.<\/p>

Echtzeitassistent f\u00fcr genauere Umsatzprognosen<\/h3>

Da ich momentan mit einem Freund an einem kleinen Projekt arbeite, h\u00e4tte ich da noch etwas f\u00fcr dich, schlie\u00dft sie an. Es hat sich herausgestellt, dass die Qualit\u00e4t der Fr\u00fcchte und der Preis, f\u00fcr den sie angeboten werden, einen nicht zu untersch\u00e4tzenden Effekt auf den Absatz haben. Da dies schwierig einzuplanen ist, k\u00f6nnten er und ich dir eine Smartphone-App entwickeln, mit der du auf dem Markt, nachdem du die Qualit\u00e4t der Fr\u00fcchte eingesch\u00e4tzt hast, diese direkt eintragen und mit dem Verkaufspreis spielen k\u00f6nntest. So k\u00f6nnte eine Simulation der Planung dir zeigen, wieviel du ungef\u00e4hr einnehmen k\u00f6nntest. Im Gegenzug fallen dann vielleicht ab und zu ein paar Fr\u00fcchte f\u00fcr mich ab, sagt sie mit einem Augenzwinkern.<\/p>

Smarte Planung in Ihrem Unternehmen<\/h2>

Zur\u00fcck zur Realit\u00e4t. Nat\u00fcrlich \u2013 Ihr Unternehmen ist kein kleiner Fr\u00fcchteh\u00e4ndler. Bei Ihnen im Unternehmen dreht sich nicht alles um den Verkauf von nur vier Sorten Fr\u00fcchten. Auch ist der Gewinn am Ende des Tages leider nicht so leicht abzusch\u00e4tzen wie in unserer kleinen Geschichte.<\/p>

Dennoch will ich Ihnen anhand des Beispiels zeigen, wie solche Modelle grunds\u00e4tzlich erstellt und auf Tauglichkeit gepr\u00fcft werden k\u00f6nnen, aber auch wie wichtig es ist, Daten im Unternehmen zu sammeln und externe Daten hinzuzuziehen. Mit den entsprechenden Experten, die sowieso schon ein gutes Gef\u00fchl f\u00fcr ihren Teil der Planung haben und daf\u00fcr, von welchen Faktoren das Ergebnis abh\u00e4ngt, kann Data Mining gute Ergebnisse erzielen und die Arbeit somit erleichtern.<\/p>

Beispielsweise k\u00f6nnen solche Modelle ohne jegliche Zuarbeit rollierend Prognosen bereitstellen, die dann durch entsprechendes Expertenwissen noch einmal \u00fcberpr\u00fcft und angepasst werden k\u00f6nnen. Mit einem solchen \u201eHuman in the Loop\u201c-Vorgehen kann man sowohl die fakten- und wahrscheinlichkeitsbasierte Technologie als auch das Risikobewusstsein und oftmals sehr gute \u201eBauchgef\u00fchl\u201c des Menschen (der beispielsweise auch mit seinen Kunden spricht) miteinander verbinden.<\/p>

Vielleicht haben Sie solche Predictive Analytics aber auch schon l\u00e4ngst im Einsatz und wollen diese in einem weiteren Schritt besser -wie im App Beispiel- integrieren. Ein Beispiel daf\u00fcr, wie KI oder in diesem Fall besser gesagt Data Mining als Werkzeug genutzt werden kann.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Haben Sie weitere Fragen? Wir sind f\u00fcr Sie da!<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t
\"Daniel<\/a><\/figure>
Daniel Schneider-Ortscheit<\/div>
Customer Success Manager<\/div>
<\/i> +49 (0) 681 379 62 - 183<\/a><\/div>
<\/i> daniel.schneider-ortscheit@pikon.com<\/a><\/div>

[borlabs-cookie id=\"active-campaign-email-marketing-form\" type=\"content-blocker\"]
<\/div>