Was ist Feature Engineering in der Mode?

Kurz erklärt

Feature Engineering ist die Auswahl und Umwandlung von Rohdaten in Eingaben, die einem Machine-Learning-Modell zu besseren Vorhersagen verhelfen. In der Mode werden dabei oft Bestellhistorien, Kalender und Produktattribute in Signale übersetzt, die widerspiegeln, wie Einkäufer und Merchandiser tatsächlich denken.

Wie funktioniert es in der Praxis?

Features sind die Variablen, die ein Modell nutzt. Rohdaten liegen selten in brauchbarer Form vor, daher bereiten Datenteams sie auf. Für ein Modell zur Nachfrageprognose können aus rohen Bestelldaten Features werden wie:

• Wochen vor oder nach Saisonbeginn.
• Ob eine Woche einen Feiertag oder eine Promotion enthält.
• Der bereits verkaufte Anteil der Erstorder eines Styles.
• Der Preis im Verhältnis zu ähnlichen Styles derselben Kategorie.
• Ob es sich um einen Carryover- oder einen neuen Style handelt.

Jedes Feature verschafft dem Modell einen klareren Blick auf die Kräfte, die den Absatz treiben, statt es aus rohen Zeitstempeln und Codes raten zu lassen.

Warum ist das wichtig?

Zwei Teams, die denselben Algorithmus nutzen, können je nach ihren Features sehr unterschiedliche Ergebnisse erzielen. Gute Features sind oft wichtiger als die Modellwahl. Sie machen Ergebnisse zudem leichter erklärbar, weil ein Planer nachvollziehen kann, dass eine Prognose wegen eines starken frühen Abverkaufs gestiegen ist und nicht wegen eines undurchsichtigen Musters.

Fachwissen ist dabei zentral. Einkäufer und Merchandiser wissen, dass Lieferzeitpunkt, Farbgeschichte oder Händlertyp die Performance beeinflussen, und dieses Wissen in Features zu übersetzen, ist einer der wertvollsten Wege, Fachexperten in KI-Projekte einzubinden.

Wie nutzt KI es?

Deep-Learning-Modelle können manche Features automatisch aus Bildern oder Texten lernen, was manuelle Arbeit reduziert. Dennoch profitieren strukturierte Geschäftsdaten wie Bestellungen und Kalender weiterhin von sorgfältig gestalteten Features, und KI-Tools werden zunehmend eingesetzt, um mögliche Features vorzuschlagen und zu testen.

Typische Fallstricke

Der klassische Fehler ist Leakage: die Nutzung von Informationen, die zum Zeitpunkt der Vorhersage nicht verfügbar wären, etwa die finalen Saisonverkäufe. Dadurch wirkt ein Modell im Test hervorragend und versagt in der Realität. Weitere Risiken sind zu viele sich überschneidende Features und Features, die auf häufig fehlenden oder uneinheitlichen Feldern beruhen.

Häufige Fragen

Warum ist Feature Engineering für die Nachfrageprognose wichtig?

Die Nachfrage hängt von Faktoren wie Saisontiming, Preis und frühem Abverkauf ab, die in Rohdaten nicht offensichtlich sind. Feature Engineering macht diese Faktoren explizit, damit das Modell aus ihnen lernen kann.

Brauchen moderne KI-Modelle noch Feature Engineering?

Modelle für Bilder und Texte lernen viele Features automatisch. Bei strukturierten Geschäftsdaten wie Bestellungen und Beständen verbessern gut gestaltete Features meist dennoch Genauigkeit und Erklärbarkeit.

Alle Begriffe