Aktionen prognostizieren: Baseline, Uplift und Kannibalisierung

Eine Aktion zu prognostizieren heisst, drei Dinge getrennt zu schätzen: die Baseline, also was ohne Aktion verkauft worden wäre, den Uplift, also die zusätzliche Menge, die die Aktion verursacht, und die Kannibalisierung, also die Menge, die sie anderen Produkten wegnimmt. Die meisten Prognosefehler bei Aktionen entstehen, weil diese drei vermischt werden. Eine gute Methode hält sie deshalb auseinander.

Dieser Erklärtext beschreibt jede Komponente, die nötigen Daten, die Messung der Genauigkeit und wo maschinelles Lernen hilft und wo nicht. Er stützt sich auf veröffentlichte akademische und Referenzquellen und verzichtet auf Aussagen zu Ergebnissen einzelner Händler.

Was ist eine Aktions-Baseline?

Die Baseline ist eine Schätzung des Absatzes im Aktionszeitraum, wenn keine Aktion gelaufen wäre. Sie wird nie direkt beobachtet und muss daher modelliert werden. Der Uplift ist dann die Differenz zwischen tatsächlichem Absatz und dieser Baseline. Ist die Baseline falsch, ist jede darauf aufbauende Uplift-Zahl ebenfalls falsch.

Eine einfache Baseline nimmt den letzten Wert vor der Aktion. Eine Studie der Aalto-Universität zur Kannibalisierung verwendete genau diesen naiven Ansatz, nahm den letzten Wert vor der Aktion und verglich ihn mit der ersten Aktionswoche, und merkte an, dass bessere Optionen wie lineare Interpolation mit Glättung oder Prophet besser abschneiden würden. In ihrer Simulation war die glättungsbasierte Interpolation etwa 40 bis 50 % besser als die naive Baseline. Die Studie verwendete simulierte Daten, die Grösse des Gewinns wird mit realen Daten also abweichen, doch die Richtung ist nützlich: Die Qualität der Baseline ist enorm wichtig.

In der Mode ist eine Baseline schwieriger als im Lebensmittelhandel. Styles sind kurzlebig, Grössen verkaufen sich ungleichmässig, und ein beworbener Artikel hatte womöglich nie eine Phase ohne Aktion. Teams leihen sich dann Informationen von ähnlichen Artikeln, früheren Saisons oder den ersten Wochen desselben Styles.

Wie wird der Aktions-Uplift geschätzt?

Der Uplift wird geschätzt, indem der Aktionsabsatz mit der Baseline verglichen wird, meist in Stück. Er hängt von Rabatttiefe, Aktionsmechanik (Prozent Rabatt, Bundle, kostenloser Versand), Kanal, Timing, Marketingunterstützung und Warenverfügbarkeit ab. Ein Modell lernt diese Effekte aus früheren Aktionen und braucht daher eine Aufzeichnung jeder Aktion mit Terminen, Mechanik und Umfang.

• Erfassen Sie jede Aktion mit Start- und Enddatum, Tiefe, Mechanik, Kanal und betroffenen Artikeln.
• Erfassen Sie die Warenverfügbarkeit, denn ein Out-of-Stock in einer Aktionswoche sieht wie schwacher Uplift aus, sind aber in Wahrheit entgangene Verkäufe.
• Erfassen Sie überlappende Aktivitäten wie Kampagnen, E-Mail-Versände und von Wholesale getriebene Rabatte bei Handelspartnern.
• Führen Sie eine saubere Historie ohne Aktion für denselben oder vergleichbare Artikel, denn daraus lernt die Baseline.

Lesen Sie auch

KI für Merchandiser und Planer: ein Praxisleitfaden

Was ist Kannibalisierung, und warum ist sie wichtig?

Kannibalisierung ist ein Absatzrückgang eines Produkts, der durch die eigene Aktivität des Unternehmens verursacht wird. Referenzdefinitionen beschreiben sie als verlorenes Absatzvolumen, verlorenen Umsatz oder verlorenen Anteil, verursacht dadurch, dass dasselbe Unternehmen ein neues Produkt auf den Markt bringt, und nennen Rabattierung als ein Beispiel: Niedrigere Preise für ein Produkt ziehen Käufer von teureren Alternativen ab, und der Effekt klingt ab, wenn die Preise wieder normal sind.

Die Studie der Aalto-Universität definiert sie für Aktionen genauer: der Anteil des Mengen-Uplifts eines beworbenen Artikels, der Substitutprodukten entzogen wird. Sie arbeitet mit Mengen statt Umsatz, weil die Menge direkter mit der Konsumentenentscheidung verbunden ist. Negative Werte deuten auf Komplementarität hin, also darauf, dass zwei Artikel zusammen verkauft werden. Für einen Merchandiser bedeutet das: Eine Aktion mit starkem Uplift bei einem Style verschiebt womöglich Verkäufe zwischen Styles, statt neue Nachfrage zu schaffen.

Wie schätzen Methoden des maschinellen Lernens die Kannibalisierung?

Die Aalto-Arbeit beschreibt eine regularisierte Methode der alternierenden kleinsten Quadrate mit Elastic Net, die eine Kannibalisierungsmatrix zwischen Artikelpaaren schätzt. Sie maskiert Uplifts für Artikel ohne Aktion, setzt die Selbstkannibalisierung auf null und nutzt eine Validierungsprüfung, um Überanpassung zu begrenzen. In Simulationen konvergierte die Methode unabhängig vom Startwert zur selben Lösung, doch der Fehler wuchs mit mehr Produkten und höherem Rauschen. Die Autoren berichten von einer Laufzeit von etwa zwei Stunden für 40 Produkte über drei Jahre realer Filialdaten auf einem Laptop und merken an, dass reale Handelsdaten wahrscheinlich weniger genaue Ergebnisse liefern, weil das Konsumentenverhalten von den Annahmen des Modells abweicht.

Nüchtern gelesen heisst das: Die Kannibalisierung zwischen Artikeln lässt sich schätzen, aber nicht präzise und nicht für sehr grosse Sortimente ohne Vereinfachung. Viele Teams schätzen sie daher auf Ebene von Produktgruppen oder nutzen sie nur, um die stärksten Kannibalisierer zu identifizieren, statt exakte Zahlen zu berechnen, was der von den Autoren selbst vorgeschlagenen Nutzung entspricht.

Wie sollte eine Aktionsprognose bewertet werden?

Die Genauigkeit sollte an Daten beurteilt werden, die das Modell nicht gesehen hat. Das Prognoselehrbuch von Hyndman und Athanasopoulos empfiehlt einen Testsatz von etwa 20 % der Stichprobe, mindestens so lang wie der längste Prognosehorizont, und warnt, dass eine gute Anpassung an die Trainingsdaten keine guten Prognosen garantiert. Es listet auch die Schwächen prozentualer Fehler auf: Der MAPE ist undefiniert, wenn ein Istwert null ist, in der Nähe von null instabil und bestraft negative Fehler stärker als positive. Skalierte Fehler wie der MASE teilen durch den Fehler einer naiven Prognose, sodass ein Wert unter 1 den naiven Benchmark schlägt.

Dasselbe Buch hält fest, dass jede neue Prognosemethode mit der naiven und der saisonal naiven Methode verglichen werden sollte und dass sie nicht in Betracht zu ziehen ist, wenn sie diese nicht schlagen kann. Für Aktionen ist ein nützlicher zusätzlicher Benchmark die eigene Schätzung des Planers, was zum Ansatz des Forecast Value Added führt, den unsere Praxisanleitung zu diesem Thema beschreibt.

Lesen Sie auch

KI im Merchandising der Mode: was sie leistet, was sie braucht und wo sie scheitert

Wo liegen die Grenzen für die Mode?

• Kurze Lebenszyklen lassen für denselben Artikel wenig Historie, sodass Modelle von ähnlichen Artikeln und früheren Saisons borgen.
• Ein Positionspapier zur lernbasierten Prognose in der Mode merkt an, dass klassische Methoden wie ARIMA nicht angepasst werden können, wenn keine Historie oder nur wenige Beobachtungen vorliegen, was bei neuen Styles häufig ist.
• Wholesale-getriebene Marken sehen die Aktionen ihrer Partner oft nicht, sodass das Sell-out-Signal unvollständig ist.
• Aktionen beeinflussen sich gegenseitig und die Abverkaufsaktivitäten, sodass in einem Zeitraum gemessene Effekte nicht auf den nächsten übertragbar sein müssen.

Unter Beachtung dieser Grenzen ist die Aktionsprognose ein Weg, Planungsannahmen explizit zu machen: eine benannte Baseline, ein benannter Uplift und eine benannte Kannibalisierungsschätzung, die nach dem Ereignis geprüft und korrigiert werden können.