Herausforderung
Eine genaue Vorhersage des zu erwartenden Absatzes bestimmter Produkte, Warengruppen oder Hauptwarengruppen eröffnet einem Retail-Unternehmen verschiedene Optimierungspotenziale. Zum einen können Einkauf und Lagerhaltung anhand der Vorhersagen besser gesteuert werden und zum anderen können künftig erwartete Sales-Rückgänge durch entsprechende Promotions abgefedert werden. Unser Kunde, ein internationales Retail-Unternehmen, stand vor der Herausforderung, mittels statistischer Methoden den zu erwartenden Absatz besser vorhersagen zu wollen.
Ansatz
Auf Basis historischer Transaktionsdaten der einzelnen Filialen, die täglich zur Verfügung stehen, haben wir zunächst eine umfangreiche Datenaufbereitung und ‑bereinigung durchgeführt. Hierbei wurden verschiedene Aggregate auf Tagesbasis aus den Daten berechnet. Nach der Datenaufbereitung wurden verschiedene statistische Modelle geschätzt, um den zu erwartenden Absatz in den nächsten 14 Tagen zu berechnen. Es wurden verschiedene lineare und nicht-lineare Verfahren untersucht und im Rahmen eines Backtestings miteinander verglichen. Da die Interpretierbarkeit der Modelle für den Kunden eine wichtige Rolle spielt, wurden keine Machine Learning Modelle eingesetzt.
Ergebnis
Die besten Modelle erzielten in den ersten sieben Tagen eine Prognosegüte zwischen 85 und 93 Prozent, je nach Warengruppe. Das Modell wurde vollständig in R entwickelt und beim Kunden auf einer SQL Server Umgebung deployed. Hier können nun täglich Prognosen erstellt und diese wiederum den Stakeholdern im Rahmen einer BI-Umgebung zur Verfügung gestellt werden.