Methoden der Nachfrageprognose: Mit maschineller Lernfunktion und Predictive Analytics in die Zukunft des Vertriebes sehen
Was ist der stärkste Schmerzpunkt für Führungskräfte in der Wirtschaft? Gartner, das weltgrößte IT-Forschungsunternehmen, gibt eine klare Antwort: Nachfrageschwankungen. Zu viele Faktoren – von Wetterschwankungen bis hin zu den Beiträgen von Social-Media-Einflussfaktoren – wirken sich auf die Käufer aus und führen dazu, dass sie häufig ihre Meinung ändern.
Schlimmer noch, Dinge, die die Absichten der Kunden verändern, geschehen ganz unerwartet. Denken Sie zum Beispiel an die jugendliche Klimaaktivistin Greta Thunberg. Ihre Flugverweigerung aus Umweltschutzgründen war der Auslöser für die “flight shame”-Bewegung, die in Schweden zu einem fünfprozentigen Rückgang der Fluggastzahlen führte.
Es gibt keinen Zauberstab, um Szenarien wie den “Thunberg-Effekt” vorherzusagen. Aber es gibt Technologien, die die Genauigkeit der Nachfrageprognose verbessern. Ehrlich gesagt, sie wird nie 100 Prozent genau sein, aber sie kann präzise genug sein, um Ihnen zu helfen, Ihre Geschäftsziele zu erreichen.
In diesem Artikel werden wir uns die Möglichkeiten fortschrittlicher Prognosemethoden ansehen und ihre derzeitigen Grenzen umreißen.
Die Rolle der Vorhersage in der Nachfrage- und Angebotsplanung
Die Nachfrageprognose ist die Abschätzung einer wahrscheinlichen zukünftigen Nachfrage nach einem Produkt oder einer Dienstleistung. Der Begriff wird oft in Verbindung mit der Nachfrageplanung verwendet, wobei letztere ein umfassenderer Prozess ist, der mit der Prognose beginnt, aber nicht darauf beschränkt ist.
Laut dem Institut für Unternehmensprognosen und -planung (IBF) werden bei der Nachfrageplanung “Prognosen und Erfahrungen zur Abschätzung der Nachfrage nach verschiedenen Artikeln an verschiedenen Punkten der Lieferkette herangezogen”. Neben der Erstellung von Schätzungen nehmen Bedarfsplaner an der Bestandsoptimierung teil, stellen die Verfügbarkeit der benötigten Produkte sicher und überwachen die Differenz zwischen Prognosen und tatsächlichen Verkäufen.
Die Nachfrageplanung dient als Ausgangspunkt für viele andere Aktivitäten, wie z.B. Lagerhaltung, Versand, Preisprognosen und insbesondere die Angebotsplanung, die auf die Befriedigung der Nachfrage abzielt und Daten über den voraussichtlichen Bedarf der Kunden benötigt.
Auch hier kehren wir wieder zu den Prognosen zurück. Der Schlüssel zur Effizienzsteigerung in der gesamten Lieferkette liegt in der größtmöglichen Nähe zur Realität. Wie erreicht man die höchstmögliche Genauigkeit? Die Antwort hängt vom Geschäftstyp, den verfügbaren Ressourcen und den Zielen ab. Vergleichen wir die bestehenden Optionen: traditionelle statistische Prognosen, Algorithmen des maschinellen Lernens, prädiktive Analysen, die beide Ansätze kombinieren, und Nachfragesensorik als unterstützendes Werkzeug.
Traditionelle statistische Vorhersagen – gut für stabile Märkte, schlecht geeignet für Veränderungen
Traditionelle statistische Methoden (TSM) gibt es schon seit langem und sie sind nach wie vor ein Grundpfeiler von Prognoseprozessen. Der einzige Unterschied im Vergleich zum vorigen Jahrhundert besteht darin, dass alle Berechnungen automatisch durch moderne Software durchgeführt werden. So können Sie beispielsweise Zeitreihenprognosen für Verkäufe und Trends in Excel erstellen.
Datenquellen. Um die Zukunft vorherzusagen, verwendet die Statistik Daten aus der Vergangenheit. Deshalb werden statistische Vorhersagen oft als historisch bezeichnet. Die gängige Empfehlung lautet, Daten über Verkäufe für mindestens zwei Jahre zu sammeln.
Warum sollten Sie es benutzen: Traditionelle Prognosen sind immer noch der beliebteste Ansatz zur Umsatzvorhersage, und das aus gutem Grund. In der Regel lassen sich Bedarfsplanungslösungen, die auf statistischen Techniken basieren, nahtlos in Excel und bestehende ERP-Systeme (Enterprise Resource Planning) integrieren, ohne dass zusätzliche technische Fachkenntnisse erforderlich sind. Die fortschrittlichsten Systeme können sowohl Saisonalität und Markttrends berücksichtigen als auch zahlreiche Methoden zur Feinabstimmung der Ergebnisse anwenden.
Dinge, die zu berücksichtigen sind. Eine wichtige Voraussetzung für die statistische Vorhersagegenauigkeit ist Stabilität. Wir gehen davon aus, dass sich die Geschichte wiederholt: Situationen, die vor zwei oder drei Jahren aufgetreten sind, werden sich wiederholen. Was weit davon entfernt ist, wahr zu sein. In einer idealen Welt sind statistische Methoden oft nicht in der Lage, unlogische Veränderungen der Kundenpräferenzen vorherzusehen oder vorherzusagen, wann eine Marktsättigung eintreten wird.
Alles in allem bietet die automatisierte statistische Prognose ein zufriedenstellendes Maß an Genauigkeit für:
- mittel- bis langfristige Planung,
- gut eingeführte Produkte, die sich einer stabilen Nachfrage erfreuen, und
- Vorhersage der Gesamtnachfrage und nicht des Verkaufs von separaten Lagerhaltungseinheiten (SKUs).
Ist es wirtschaftlich sinnvoll, in anspruchsvollere Technologien zu investieren? Wir werden versuchen, die Dinge im nächsten Abschnitt zu klären.
Maschinelles Lernen für die Bedarfsplanung – fortgeschrittene Genauigkeit zum Preis von zusätzlicher Komplexität
Die gestiegene Computerleistung einerseits und die erhöhte Nachfragevolatilität andererseits schufen die Voraussetzungen für eine breitere Nutzung des maschinellen Lernens (ML) zur Erstellung von Vorhersagen.
Datenquellen. Aufbauend auf statistischen Modellen nutzt das maschinelle Lernen zusätzliche interne und externe Informationsquellen, um genauere, datengesteuerte Vorhersagen zu treffen. ML-Engines können sowohl mit strukturierten als auch mit unstrukturierten Daten arbeiten, einschließlich vergangener Finanz- und Verkaufsberichte (historische Daten), Marketingumfragen, makroökonomischer Indikatoren, Social-Media-Signale (Retweets, Aktien, Spitzen bei den Anhängern), Wettervorhersagen und mehr.
Warum sollten Sie es benutzen? Das maschinelle Lernen wendet komplexe mathematische Algorithmen an, um automatisch Muster zu erkennen, Bedarfssignale zu erfassen und komplizierte Beziehungen in großen Datensätzen zu erkennen. Abgesehen von der Analyse riesiger Informationsmengen trainieren intelligente Systeme kontinuierlich Modelle neu und passen sie an sich ändernde Bedingungen an, um so der Volatilität zu begegnen. Diese Fähigkeiten ermöglichen es ML-basierter Software, genauere und zuverlässigere Vorhersagen in komplexen Szenarien zu erstellen.
Was heißt eigentlich genauer? Unternehmen, die ihre bestehenden Systeme um maschinelles Lernen erweitert haben, berichten von einer Steigerung der Prognosesicherheit um 5 bis 15 Prozent (bis zu 85 und sogar 95 Prozent). Darüber hinaus wird Ihr Team von zeitaufwändigen manuellen Anpassungen und Rekalibrierungen befreit.
Dinge, die zu berücksichtigen sind. Um die Vorteile der maschinellen Lernlösung nutzen zu können, benötigen Sie eine ausreichende Rechenleistung und wirklich große Datenmengen von hoher Qualität. Andernfalls ist das System nicht in der Lage, zu lernen und wertvolle Vorhersagen zu erstellen.
By loading the video, you agree to YouTube’s privacy policy.
Learn more
Bedenken Sie auch die zusätzliche Komplexität in Bezug auf die Software-Wartung und die Interpretation der Ergebnisse. Während die ML-Mechanismen ohne menschliches Eingreifen zu Schlussfolgerungen kommen, liegt es an einem Live-Tech-Experten zu bestimmen, welche Funktionen in das Modell eingespeist werden sollten, welche davon den größten Einfluss auf die Ausgabe haben und warum das Modell eine bestimmte Vorhersage generiert.
All dies treibt Ihre Ausgaben für Ausrüstung und Humanressourcen in die Höhe, stellen Sie also besser sicher, dass die Einnahmen aus einer 5-prozentigen Verbesserung der Genauigkeit die damit verbundenen Kosten decken.
Best fit: Die Liste der Situationen, in denen maschinelles Lernen definitiv besser funktioniert als die traditionelle Statistik, umfasst
- kurz- bis mittelfristige Planung,
- volatile Nachfragemuster,
- die sich schnell verändernde Umgebung, und
- die Einführung neuer Produkte.
Maschinelle Lernlösungen für die Bedarfsprognose
Wie Sie sehen können, ist der Einsatz von maschinellem Lernen mit einigen Kompromissen verbunden. Je nach Planungshorizont, Datenverfügbarkeit und Aufgabenkomplexität können Sie unterschiedliche Statistik- und ML-Lösungen einsetzen.
Predictive Sales Analytics: Modellierung der Zukunft
Eine häufigste Unternehmensanwendung des maschinellen Lernens in Verbindung mit statistischen Methoden ist die predictive Analytics. Sie ermöglicht nicht nur die Abschätzung der Nachfrage, sondern auch das Verständnis dessen, was den Verkauf antreibt und wie sich die Kunden unter bestimmten Bedingungen wahrscheinlich verhalten werden.
Um Ihnen dabei zu helfen, herauszufinden, was in der Zukunft passieren kann, führt die Predictive-Analytics-Software die folgenden Operationen aus:
- Aggregieren von historischen und neuen Daten aus verschiedenen Quellen, einschließlich ERP- und Customer Relationship Management (CRM)-Systemen, Verkaufsstellen (POS), Sensoren, Kundenbedarfsstudien, soziale Medien, Marketingumfragen;
- Bereinigung von Daten;
- Bestimmen, welcher Prognose-Algorithmus am besten zu Ihrem Produkt passt;
- Aufbau von Vorhersagemodellen, um wahrscheinliche Ergebnisse zu identifizieren und Beziehungen zwischen verschiedenen Faktoren zu entdecken; und
- Monitormodelle, um ihre Geschäftsergebnisse zu messen und die Vorhersagegenauigkeit zu verbessern.
Die Tools für die vorausschauende Analyse ermöglichen es Unternehmen, Unternehmensinformationen mit wichtigen Wirtschaftsindikatoren, Werbeveranstaltungen, Wetteränderungen und anderen Faktoren zu kombinieren, die sich auf Kundenpräferenzen und Kaufentscheidungen auswirken. Sie erleichtern das Erkennen neuer Marktchancen und ermöglichen einen genaueren Einblick in die zukünftige Nachfrage.
Nachteile: Die prädiktive Analyse ist nicht die einfachste Technik, da sie komplexe Algorithmen des maschinellen Lernens beinhaltet. Außerdem ist sie darauf ausgerichtet, Vorhersagen für mindestens einen Monat zu erstellen, und sie ist ungeeignet und nicht dazu gedacht, die nähere Zukunft zu visualisieren.
Wenn es um kürzere Zeiträume und tägliche Granularität geht, kommen nachfrageorientierte Instrumente ins Spiel.
Bedarfsermittlung: Verwaltung von Änderungen in Echtzeit
Ein relativ neues Konzept im Planungsprozess, die Bedarfsermittlung, setzt maschinelles Lernen ein, um Schwankungen im Kaufverhalten in Echtzeit zu erfassen. Viele Experten betrachten es nicht als eigenständige Prognosemethode, sondern vielmehr als eine Möglichkeit, bestehende Vorhersagen anzupassen. Dennoch kann die Technologie für Unternehmen, die in sich schnell verändernden Märkten tätig sind, von großer Hilfe sein.
Demand Sensing-Lösungen extrahieren tägliche Daten aus POS-Systemen, Lagern und externen Quellen, um eine Zunahme oder Abnahme der Verkäufe im Vergleich zu historischen Mustern zu erkennen. Das System bewertet automatisch die Bedeutung jeder Abweichung, analysiert die Einflussfaktoren und bietet Anpassungen der kurzfristigen Pläne an.
Die Einführung der Bedarfsermittlung reduziert angeblich die Fehler bei der zeitnahen Vorhersage um 30 bis 40 Prozent. Sie versetzt Unternehmen in die Lage, schnell auf plötzliche Änderungen der Kundenbedürfnisse zu reagieren und erleichtert den Aufbau einer datengesteuerten Lieferkette. Natürlich können Sie nicht alle Entscheidungen allein auf der Grundlage dieser Technik treffen, da sie nicht für die mittel- oder langfristige Planung geeignet ist. Aber sie kann als wertvolle Ergänzung zu den traditionellen Prognosemethoden dienen.
Nachteile: Da sie sich stark auf Algorithmen des maschinellen Lernens stützt, erbt die Bedarfsermittlung alle Vor- und Nachteile von ML. Sie erfordert erhebliche Rechenleistung, enorme Datenmengen und eine große Bibliothek mit vorgefertigten Modellen. Darüber hinaus können einige hochempfindliche Modelle falsche Signale senden, so dass Sie menschliche Logik benötigen, um die von einer Bedarfsermittlungsmaschine erzeugten Ergebnisse zu analysieren.
Wann maschinelles Lernen für die Bedarfsplanung am besten funktioniert: erfolgreiche Anwendungsfälle
Nicht jedes Unternehmen benötigt kostspielige Lösungen für maschinelles Lernen, um einen zuverlässigen Bedarfsplan zu entwickeln. Wenn Sie jedoch mit einem sehr volatilen Umfeld konfrontiert sind, keine historischen Daten haben oder eine große Anzahl von Variablen berücksichtigen müssen, werden sich Investitionen in intelligentere Technologien in hohem Maße auszahlen. Im Folgenden werden typische Szenarien betrachtet, in denen maschinelles Lernen den größten Nutzen für einen Prognoseprozess bringt.
Einführung neuer Produkte (NPI)
Traditionelle Prognosen benötigen zwei bis fünf Jahre an Verkaufsdaten, um ein akzeptables Maß an Genauigkeit zu gewährleisten. Bei neuen Artikeln haben Sie keine Verkaufshistorie. Dennoch können Sie die Bedarfsprognose nicht vernachlässigen, da sie mehrere wichtige Prozesse antreibt, von der Beschaffung über das Logistikmanagement bis hin zur Marketingunterstützung.
Abgesehen von Marktforschung und der Einholung von Expertenmeinungen besteht der häufigste Ansatz zur Prognose von Markteinführungen darin, Cluster von Vorgängern mit ähnlichen Eigenschaften und Produktlebenszykluskurven zu identifizieren. Algorithmen des maschinellen Lernens können eingesetzt werden, um spezifische Muster aus großen Mengen unstrukturierter Daten zu extrahieren, Ähnlichkeiten zu finden und Vorhersagen zu entwickeln, wobei andere Quellen für relevante Informationen wie Webanalyse und soziale Medien berücksichtigt werden können. Dies bringt einen höheren Grad an Genauigkeit mit sich und reduziert die für die Erstellung von Vorhersagen benötigte Zeit von Tagen auf Stunden.
Produkte mit einem kurzen Lebenszyklus
In einigen Branchen aktualisieren die Unternehmen ihr Sortiment alle paar Monate, was die Aufgabe der Prognose erheblich erschwert. Beispielsweise bringen Modeunternehmen mindestens zweimal im Jahr neue Produkte auf den Markt, und die Kleidung sollte schnell verkauft werden, um Platz für die nächste Kollektion zu schaffen. In diesem Szenario muss eine Nachfrageschätzung die Untersuchung von Modetrends, Saisonalität und anderen externen Faktoren umfassen – zusammen mit historischen Daten, die sich auf frühere Kollektionen beziehen.
Das maschinelle Lernen hat sich in solch komplizierten Szenarien als effektiv erwiesen, und die Erfahrung der globalen Marke Luxottica veranschaulicht diese Tatsache. Das weltgrößte Unternehmen der Brillenindustrie setzt maschinelles Lernen ein, um die Nachfrage nach 2000 neuen Stilen, die jährlich in die Kollektion aufgenommen werden, vorherzusagen. Dank des intelligenten Motors, der Daten aus früheren Markteinführungen analysiert und Muster des üblichen Nachfrageverhaltens erkennt, hat der Hersteller seine Verkaufsprognosegenauigkeit um 10 Prozent verbessert – eine bedeutende Verbesserung für eine große Anzahl von Produkten, die schnell aus der Mode kommen.
Witterungsempfindliche Produkte
Wetterveränderungen können erhebliche Nachfrageschwankungen auslösen, insbesondere bei saisonalen Produkten (von Badebekleidung über Regenschirme bis hin zu Wintermäntel), Kosmetika, Lebensmitteln und Fahrzeugen. Algorithmen des maschinellen Lernens helfen den Unternehmen, die Auswirkungen von meteorologischen Elementen auf den Umsatz zu erkennen und zu messen, und mit Hilfe der prädiktiven Analyse können Sie “Was-wäre-wenn”-Modelle für verschiedene Szenarien erstellen.
Dieser Ansatz ermöglicht es Lieferanten und Einzelhändlern, wetterbedingte Schwankungen und Rückgänge der lokalen Nachfrage wirksam zu bekämpfen. Berichte von ML-Prognoseanwendern zeigen, dass die Berücksichtigung von Witterungseinflüssen (z.B. von ungewöhnlich hohen Temperaturen im Winter) die Prognosegenauigkeit für einzelne Lebensmittel um 5 bis 15 Prozent und für Produktgruppen um bis zu 40 Prozent verbessert.
Werbeveranstaltungen
Unternehmen führen Tausende von Verbraucherwerbeaktionen durch, die den Verkauf ankurbeln sollen. Leider zeigen verschiedene Umfragen, dass 20 bis 50 Prozent dieser Veranstaltungen keine spürbare Nachfragebelebung bewirken. Darüber hinaus argumentiert eine Studie von Nielsen Holdings, der Nummer eins unter den Marktforschungsunternehmen in den USA, dass 59 Prozent der Handelspromotions nicht kostendeckend sind, oder, mit anderen Worten, zu zusätzlichen Ausgaben führen, nicht zum Gewinn. Ironischerweise erscheinen 59 Prozent in einem Gartner-Bericht, der sich auf die Anzahl der Unternehmen bezieht, die immer noch Tabellenkalkulationen zur Planung von Werbeaktionen und zur Prognose ihrer Auswirkungen verwenden.
Offensichtlich können Unternehmen ohne verbesserte Technologien kaum zuverlässige Vorhersagen für kostspielige Marketingkampagnen erstellen. Der Grund dafür? Die Ergebnisse von Werbekampagnen hängen von zahlreichen Faktoren mit komplexen Beziehungen ab, die in großen Mengen von Rohdaten verborgen sind. Glücklicherweise kann maschinelles Lernen diese anspruchsvolle Aufgabe bewältigen, das hat der weltgrößte Joghurthersteller Danone bewiesen. Dank des Einsatzes einer Maschine für maschinelles Lernen konnte der Molkerei-Riese eine 20-prozentige Reduzierung der Fehler bei der Vorhersage von Werbeaktionen sowie eine 30-prozentige Verringerung der Umsatzverluste verzeichnen.
Insgesamt bringen Verbesserungen bei der Vorhersehbarkeit von Beförderungen zwei unmittelbare Vorteile mit sich. Erstens verhindern sie, dass Marketing-Teams zu viel Geld für Veranstaltungen ausgeben, die sich nicht auszahlen. Zweitens führen sie zu einem präziseren Bestandsmanagement, wodurch das Risiko von Über- oder Unterbeständen eliminiert wird.
Zu viele Variablen
Dies ist das häufigste Problem, das sich auf die Prognosegenauigkeit auswirkt. Eine sehr variable Umgebung, Dutzende von Faktoren, die das Kaufverhalten beeinflussen, viele Arten von Daten – all dies macht die Bedarfsplanung oft zu komplex, um mit einfachen Tools erfolgreich durchgeführt werden zu können.
Die erhebliche Komplexität der Lieferkette, kurzfristige Nachfragespitzen und die hohen Kosten von Fehlern (bei denen Menschenleben auf dem Spiel stehen) veranlassten die Abteilung Blut und Transport des britischen National Health System (NHS), von Tabellenkalkulationen und manuellen Datenbanken auf ein ML-gestütztes Planungssystem mit verbesserten Prognosefähigkeiten umzustellen. Dadurch konnten die Krankenhäuser den Abfall aus den Blutüberbeständen um 30 Prozent reduzieren, ohne dass die Qualität der Dienstleistungen darunter litt, und sie konnten schnell auf potenzielle Engpässe reagieren. “Wenn es keinen Joghurt im Supermarktregal gibt – nun, das ist bedauerlich. Wenn es kein Blut im Krankenhaus gibt, sind die Folgen ganz anders”, erklärte ein NHS-Führungskraft als Grund für die hohe Investition in die fortschrittliche Lösung.
Menschliche Gehirne sind immer noch wichtig
Die Vorhersage der Nachfrage ist eine anspruchsvolle Aufgabe, die noch viel Raum für Verbesserungen hat. Eine kürzlich durchgeführte Studie zeigt, dass weniger als 30 Prozent der Geschäftsabschlüsse genau prognostiziert werden.
Wie bereits erwähnt, kann die Einführung von Werkzeugen für maschinelles Lernen die Kluft zwischen Antizipation und Realität etwas verringern. Das bedeutet aber nicht, dass jedes Unternehmen sofort auf komplexe intelligente Technologie umsteigen sollte. Sie können mit kleinen Erweiterungen Ihres bestehenden Systems beginnen, die die Probleme angehen, die mit traditionellen Methoden nur schwer zu lösen sind. Verwenden Sie zum Beispiel ein Modul für maschinelles Lernen, um datengesteuerte Änderungen in der kurzfristigen Planung vorzunehmen und die langfristige Vorhersage den Statistiken der alten Schule zu überlassen.
Wie klug Ihre Prognoselösung auch sein mag, die wichtigsten Entscheidungen liegen immer noch beim Humankapital. Sie benötigen Branchenspezialisten, um zu definieren, welche Faktoren in Ihren Vorhersagemodellen berücksichtigt werden sollten. Es ist immer noch menschliche Logik erforderlich, um die Relevanz der von digitalen Gehirnen erzeugten Ergebnisse zu bewerten und endgültige Schlussfolgerungen auf der Grundlage des gesunden Menschenverstands und der umfassenden Fachkenntnisse zu ziehen. Aus diesem Grund enthalten selbst ML-gestützte Nachfrageplanungssysteme oft eine kollaborative Plattform, die es ermöglicht, verschiedene Spezialisten in einen Prognoseprozess einzubinden. Nur wenn Sie das Beste aus dem Angebot der künstlichen und menschlichen Intelligenz herausholen, können Sie eine bessere Zukunft für Ihr Unternehmen sehen und planen.
Bei weitere Fragen wenden Sie sich an:
