Dies werden wir anhand von kurzen Praxis-Beispielen in diesem Blogbeitrag versuchen darzustellen.
Nicht jedes Unternehmen benötigt Lösungen für maschinelles Lernen, um eine zuverlässige Bedarfsplanung zu erstellen. Aber wenn Sie mit einer sehr volatilen Umgebung konfrontiert sind oder eine große Anzahl von Variablen berücksichtigen müssen, werden sich Investitionen in intelligente Technologien auszahlen.
Im Folgenden wollen wir Ihnen drei typische Szenarien darstellen, in denen maschinelles Lernen den größten Nutzen für einen Prognoseprozess bringt:
Wetterveränderungen können erhebliche Nachfrageschwankungen auslösen, insbesondere bei saisonalen Produkten, Kosmetika, Lebensmitteln und Elektroartikeln. Algorithmen für maschinelles Lernen helfen Unternehmen dabei, die Auswirkungen meteorologischer Faktoren auf den Absatz zu erkennen und zu messen. Mit Predictive Analytics können Sie "Was-wäre-wenn"-Modelle für verschiedene Szenarien erstellen.
Dieser Ansatz ermöglicht es Lieferanten und Einzelhändlern, effektiv auf wetterbedingte Nachfragespitzen und -einbrüche vor Ort zu reagieren. Auswertungen unserer Kunden zeigen, dass die Berücksichtigung von Wettereffekten (z. B. von ungewöhnlich hohen Temperaturen im Winter) die Prognosegenauigkeit um 5 bis 15 Prozent für einzelne Lebensmittelprodukte und um bis zu 40 Prozent für andere Warengruppen verbessert.
Unternehmen verwenden fast täglich Werbeaktionen, die den Absatz fördern sollen. Allerdings zeigten uns Analysen bei Kunden, dass teilweise 25 bis 50 Prozent zu keiner spürbaren Steigerung der Nachfrage führen.
Dies belegt auch eine Studie von Nielsen, einer führenden Marktforschungsfirma, welche besagt, dass rund 60 Prozent der Werbeaktionen nicht kostendeckend sind oder zu zusätzlichen Kosten und nicht zum Gewinn führen.
Paradoxerweise taucht derselbe prozentuelle Anteil auch in einem Bericht von Gartner auf. Hier jedoch bezieht sich dieser auf Unternehmen, die ihre Werbeaktionen immer noch aufgrund von Excel- oder Tabellenkalkulationen planen und versuchen damit deren Auswirkungen zu prognostizieren.
Anzunehmen ist, dass Unternehmen ohne passende IT-Lösung kaum verlässliche Prognosen für kostspielige Marketingkampagnen erstellen können. Dies mag wiederum daran liegen, dass Ergebnisse von Werbeaktionen von zahlreichen Faktoren und komplizierten Beziehungen abhängen, die in großen Mengen von Rohdaten verborgen sind. Glücklicherweise kann auch hier maschinelles Lernen diese anspruchsvolle Aufgabe bewältigen.
Zusammenfassend lässt sich sagen, dass Verbesserungen der Vorhersage von Werbeaktionen zwei unmittelbare Vorteile mit sich bringen. Zum einen verhindern sie, dass Marketing-Teams zu viel Geld für Aktionen ausgeben, die sich nicht rechnen. Zum anderen führen sie zu einem präziseren Bestandsmanagement, das das Risiko einer Über- oder Unterbestückung ausschließt.
Eine Vielfalt wechselnder Variablen sind der häufigste Grund, warum Prognosen ungenau sind. Ein stark variierender Markt, viele Faktoren, die das Kaufverhalten beeinflussen und eine Vielzahl von Datenpunkten machen die Bedarfsplanung oft zu komplex, um sie mit einfachen Tools wie Excel-Tabellen erfolgreich durchzuführen.
Die daraus hervorgehende hohe Komplexität der Lieferkette, kurzfristige Nachfragespitzen und die daraus resultierenden Kosten für Fehlplanungen sind ein passender Grund von Tabellenkalkulationen und manuellen Datenbanken auf ein ML-gestütztes Planungssystem mit erweiterten Vorhersagefunktionen umzusteigen.
Es ermöglicht die Verschwendung um bis zu 90 % zu reduzieren, ohne dass die Servicequalität darunter leiden wird und ermöglicht schnelle Reaktionen auf mögliche Engpässe.
Der Einsatz von maschinellem Lernen in Verbindung mit neuronalen Netzwerken ist bei der eigenen Umsetzung mit einigen Kompromissen verbunden. Je nach Planungshorizont, Datenverfügbarkeit und Aufgabenkomplexität können unterschiedliche statistische, ML- und KI-Lösungen verwendet werden. Dies hängt auch vom Anwendungsfall und der Zielsetzung ab. Ein konkretes Beispiel könnte im Bereich der Predictive Sales Analytics liegen.
Eine der häufigsten betrieblichen Anwendungen von maschinellem Lernen in Verbindung mit neuronalen Netzwerken ist die vorausschauende Analyse möglicher Absatzzahlen. (Predictive Analytics)
Dies ermöglicht es nicht nur, die Nachfrage zu schätzen, sondern auch zu verstehen, was den Verkauf antreibt und wie sich Kunden unter bestimmten Bedingungen wahrscheinlich verhalten werden. Um herauszufinden, was in der Zukunft passieren könnte.
Dabei ist die Aufbereitung der Daten eine der Hauptaufgaben, denn es gilt bei der Erstellung von Datenmodellen stets die Regel "Garbage in Garbage out" das so viel heißt wie "Wer schlechte Daten hineingibt, bekommt nichts anderes dabei raus". Doch hier kann durch externe Hilfe ausgeholfen werden.
Dienstleistungen oder Lösungen wie die Predictive Analytics Software von Circly führen zum Beispiel folgende Aufgaben aus:
• Aggregation historischer und neuer Daten aus verschiedener interner und externer Quellen wie z.B. Verkaufszahlen, Marketingkampagnen, Wetter, etc.
• Bereinigung von Daten;
• Bestimmung, welcher Prognosealgorithmus am besten zu Ihrem Produkt passt;
• Erstellen von Vorhersagemodellen, um wahrscheinliche Ergebnisse zu identifizieren und Beziehungen zwischen verschiedenen Faktoren zu entdecken;
• die Überwachung der Modelle, um ihre Geschäftsergebnisse zu messen und die Vorhersagegenauigkeit zu verbessern.
Ein Predictive-Analytics-Tool ermöglicht es Ihnen, Unternehmensinformationen mit wichtigen Wirtschaftsindikatoren, Werbetätigkeiten, Wetterveränderungen und anderen Faktoren zu kombinieren, die Kundenpräferenzen und Kaufentscheidungen beeinflussen. Sie erleichtern das Aufspüren neuer Marktchancen und generiert detailliertere Einblicke in die zukünftige Nachfrage.
Da Predictive Analytics aufgrund komplexer maschineller Lernalgorithmen und neuronaler Netzwerke (KI) nicht die einfachste Technologie darstellt, ist es ratsam, Experten zurate zu ziehen oder bestehende und spezialisierte Lösungen wie die von Circly zuzukaufen.
Das Schwierige bei Planungsprozessen wie zum Beispiel der Einkaufs- oder Produktionsplanung ist die realistische Mengenabschätzung. Meist geschieht dies aufgrund von Erfahrungswerten und Auswertungen. Die dabei berechtigte entstehende Unsicherheit, zu wenig einzuplanen und somit den Kunden zu verärgern führt oftmals zu einem großen Sicherheitsbestand.
Produkte die nicht verkauft werden, landen dann meist in der Tonne und werden abgeschrieben. Mithilfe von Predictive-Analytics-Tools kann dies vermieden werden, da verschiedenste Faktoren eingebunden werden können und es keinen Grund für Unsicherheiten gibt, da der reale Bedarf sehr präzise vorhergesagt werden kann.
Die Bedarfsvorhersage ist eine anspruchsvolle Aufgabe, die noch viel Optimierungspotential bietet. Derzeit werden branchenweit weniger als 30 Prozent der Geschäftsvorgänge genau vorhergesagt.
Wie erwähnt, kann der Einsatz von Machine-Learning-Tools oder KI die Differenz zwischen Vorhersage und realem Bedarf verkleinern. Das bedeutet jedoch nicht, dass jedes Unternehmen sofort komplexe Entwicklungsprojekte zur Erstellung eigener Software vornehmen sollte.
Ein Modul für maschinelles Lernen, um datengesteuerte Änderungen in der kurzfristigen Planung vorzunehmen, kann bereits einen Mehrwert erzeugen. Circly zum Beispiel bietet neben einem voll funktionalem Systemen auch die Möglichkeit einer kleinen Erweiterungen Ihres bestehenden Systems. Somit können jene Probleme, die mit traditionellen Methoden nur schwer zu lösen sind, einfach und unkompliziert gelöst werden.
Wie fortschrittlich eine Prognoselösung auch sein mag, die wichtigsten Entscheidungen liegen immer noch beim Menschen selbst. Selbst zur Erstellung von KI-Anwendungen, braucht es spezifisches Branchenwissen, um zu definieren, welche Faktoren im Prognosemodell berücksichtigt werden sollen. Die menschliche Logik ist erforderlich, um die Relevanz der von digitalen „Gehirnen“ erzeugten Ergebnisse zu bewerten und endgültige Schlussfolgerungen zu ziehen, die auf gesundem Menschenverstand und tiefem Fachwissen basieren.
Aus diesem Grund enthalten Circly Systeme einen kollaborativen Ansatz, der es ermöglicht, verschiedene Interaktionen im Prognoseprozess einzubinden. Nur wenn das Beste aus beiden Welten, der künstlichen und menschlichen Intelligenz genutzt werden kann, können optimale entstehen und kostbare Ressourcen eingespart werden.
Kontaktieren Sie uns und vereinbaren Sie sich Ihr individuelles und unverbindliches Gespräch mit unserer Geschäftsführung.
.png)
