Machine-Learning-Grundlagen für Merchandiser: Modelle, Features und Trainingsdaten

DAS WICHTIGSTE Zusammenfassung der Redaktion

1. Im Machine Learning sind Features die Eingangsvariablen, die ein Modell nutzt, das Label ist der Wert, den es vorhersagt, und Training ist der Prozess, bei dem die Gewichte des Modells angepasst werden, um die Abweichung zwischen vorhergesagten und tatsächlichen Werten zu verringern.
2. Für Bedarfsprognosen in der Mode umfassen nützliche Features typischerweise Preis und Rabatt, Warenverfügbarkeit, Produktattribute wie Marke und Kategorie sowie Saisonalität.
3. Forschende von Zalando berichteten 2023, dass ein Deep-Learning-Modell zur Bedarfsprognose, das 26 Wochen im Voraus in wöchentlicher Auflösung prognostiziert, bei Zalando seit 2019 in verschiedenen Versionen im Einsatz ist.
4. Overfitting bedeutet, dass ein Modell seine Trainingsdaten so genau lernt, dass es bei neuen Daten versagt; deshalb müssen Modelle mit Daten bewertet werden, die sie noch nicht gesehen haben.
5. Prognosemodelle sollten an späteren Zeiträumen getestet werden als denen, mit denen sie trainiert wurden, eine Methode, die als Zeitreihen-Kreuzvalidierung oder Bewertung mit rollierendem Prognoseursprung bekannt ist.

Machine Learning ist eine Art, Software zu entwickeln, die Muster aus historischen Daten lernt, statt von Hand geschriebenen Regeln zu folgen. Für Merchandiser ist die häufigste Anwendung die Prognose: Ein Modell betrachtet vergangene Verkäufe zusammen mit Informationen wie Preis, Bestand und Produktattributen und schätzt die künftige Nachfrage pro Modell, Farbe oder Grösse. Wer eine Handvoll Begriffe versteht (Modell, Feature, Label, Trainingsdaten und Validierung), kann zu jeder Prognose, die ein System liefert, die richtigen Fragen stellen.

Was ist ein Machine-Learning-Modell?

Ein Modell ist eine mathematische Funktion, die Eingaben in eine Vorhersage umwandelt. Der Machine Learning Crash Course von Google verwendet die lineare Regression als Einstiegsbeispiel: eine einfache Gleichung, in der jede Eingabe mit einem Gewicht multipliziert und aufsummiert wird, um einen vorhergesagten Wert zu erhalten. Beim Training berechnet das Modell die Gewichte und den Bias, die die besten Vorhersagen liefern, indem es die Differenz zwischen vorhergesagten und tatsächlichen Werten verringert.

Komplexere Modelle wie Gradient-Boosted Trees oder tiefe neuronale Netze folgen demselben Prinzip mit sehr viel mehr Parametern. Sie können Wechselwirkungen erfassen, etwa dass ein Rabatt bei einem Basic-T-Shirt anders wirkt als bei einem saisonalen Kleid, brauchen aber auch mehr Daten und sind schwerer zu erklären.

Die meisten Anwendungen im Merchandising nutzen überwachtes Lernen (Supervised Learning), bei dem das Modell aus Beispielen lernt, für die die richtige Antwort bekannt ist, etwa vergangene Wochen mit erfassten Verkäufen. Es gibt auch andere Ansätze: Clustering gruppiert ähnliche Filialen oder Kunden ohne vordefinierte Labels, was die Sortimentsplanung unterstützen kann, und Empfehlungsmodelle lernen, welche Produkte häufig zusammen gekauft werden. Unabhängig von der Methode ist es das Geschäftswissen der Merchandiser, das den Eingabedaten Bedeutung verleiht, etwa das Wissen, dass eine Woche mit schwachen Verkäufen auf eine verspätete Lieferung und nicht auf geringe Nachfrage zurückging.

Was sind Features und Labels?

In der Terminologie von Google ist ein Feature eine Eingangsvariable, die für eine Vorhersage genutzt wird, und das Label der Wert, den das Modell vorhersagt. Im Merchandising ist das Label meist die verkaufte Stückzahl oder die Nachfrage in einer bestimmten Woche, Filiale oder einem bestimmten Kanal. Features sind alles, was diese erklären könnte. Die Tabelle zeigt typische Beispiele.

Lesen Sie auch

KI in der Sortimentsplanung nutzen, ohne die Marke zu verlieren

Wie nutzen Modehändler Machine Learning für Prognosen?

Ein gut dokumentiertes Beispiel stammt von Zalando. In einem Papier von 2023 beschrieben Forschende von Zalando ein Deep-Learning-Modell, das die Nachfrage 26 Wochen im Voraus in wöchentlicher Auflösung prognostiziert und laut dem Papier seit 2019 in verschiedenen Versionen bei Zalando im Einsatz ist. Zu seinen Eingaben gehören Rabatte, die unverbindliche Preisempfehlung, Lagerbestände, historische Verkäufe, Marke und Warengruppe sowie eine Kodierung des jährlichen Saisonzyklus. Die Autoren benennen die Herausforderungen, die Prognosen in der Mode schwierig machen: grosse Datenmengen, unregelmässige Nachfrage, hohe Sortimentsrotation und die Notwendigkeit, sorgfältig zu modellieren, wie der Preis die Nachfrage beeinflusst.

Die Lehre für Merchandiser: Das Modell ist nur ein Teil der Arbeit. Der grösste Aufwand fliesst in die Entscheidung, welche Features einbezogen werden, in deren Bereinigung und in die Sicherstellung, dass der Zusammenhang zwischen Preis, Bestand und Nachfrage korrekt abgebildet ist.

Was sind Trainingsdaten, und warum bestimmen sie die Qualität?

Trainingsdaten sind die historischen Aufzeichnungen, aus denen das Modell lernt. Ihre Qualität setzt die Obergrenze für die Prognosequalität. In der Mode gibt es drei typische Probleme:

• Zensierte Nachfrage: Ist eine Grösse ausverkauft, unterschätzen die erfassten Verkäufe die tatsächliche Nachfrage. Ohne Bestandsdaten lernt das Modell, dass der Artikel weniger beliebt war, als er tatsächlich war.
• Kurze Historien: Die meisten Modelle laufen nur eine Saison, daher muss das Modell über die Attribute von ähnlichen Produkten lernen statt aus der eigenen Vergangenheit des Artikels.
• Veränderte Bedingungen: Ungewöhnliche Saisons, neue Kanäle oder eine geänderte Preisstrategie bedeuten, dass die Vergangenheit ein schwächerer Wegweiser für die Zukunft ist.

Was ist Overfitting, und wie werden Modelle getestet?

Google beschreibt Overfitting als Situation, in der ein Modell die Trainingsdaten so genau lernt, dass es bei neuen Daten keine korrekten Vorhersagen trifft: Es funktioniert im Labor, aber nicht in der Realität. Die Abhilfe besteht darin, Daten zurückzuhalten. Modelle werden mit einem Teil der Daten trainiert, mit einem Validierungsdatensatz abgestimmt und mit einem Testdatensatz bewertet, den sie nie gesehen haben.

Bei Prognosen muss die Aufteilung die zeitliche Abfolge berücksichtigen. Das Lehrbuch Forecasting: Principles and Practice von Hyndman und Athanasopoulos beschreibt die Zeitreihen-Kreuzvalidierung, auch Bewertung mit rollierendem Prognoseursprung genannt: Jeder Test verwendet nur Beobachtungen, die vor ihm lagen, und die Genauigkeit wird über viele solcher Tests gemittelt. In der Praxis sollten Merchandiser verlangen zu sehen, wie ein Modell in der letzten Saison abgeschnitten hätte, mit einer Prognose aus den Daten, die vor Beginn dieser Saison verfügbar waren.

Lesen Sie auch

KI für Merchandiser und Planer: ein Praxisleitfaden

Wie sollten Merchandiser mit Machine-Learning-Modellen arbeiten?

1. Sich auf das Label einigen: was genau prognostiziert wird, auf welcher Ebene (Modell, Farbe, Grösse, Filiale) und für welchen Horizont.
2. Die Features prüfen: sicherstellen, dass Preise, Aktionen, Bestände und Attribute einheitlich erfasst werden.
3. Einen fairen Vergleichsmassstab verlangen: das Modell mit der bestehenden Methode für dieselben, ungesehenen Zeiträume vergleichen.
4. Das eigene Urteil einbeziehen: Modelle wissen nichts von einer neuen Kampagne oder einer Lieferverzögerung, solange es ihnen niemand mitteilt.
5. Nach dem Start überwachen: Die Genauigkeit verschiebt sich, wenn sich Sortimente und Kunden verändern, daher brauchen Modelle regelmässige Überprüfung und Nachtraining.

Häufige Fragen

Was ist der Unterschied zwischen einem Feature und einem Label im Machine Learning?

Ein Feature ist eine Eingangsvariable, die das Modell für eine Vorhersage nutzt, etwa Preis, Rabatt oder Produktkategorie. Das Label ist der Wert, den das Modell vorhersagt, etwa die verkaufte Stückzahl in einer bestimmten Woche. Das Training passt das Modell so an, dass die vorhergesagten Labels möglichst genau mit den tatsächlichen übereinstimmen.

Wie viele Daten braucht man für eine Bedarfsprognose in der Mode?

Eine feste Menge gibt es nicht, aber das Modell braucht eine einheitliche Historie von Verkäufen, Preisen, Beständen und Attributen über mehrere Saisons. Da die meisten Modelle in der Mode kurzlebig sind, zählen Breite und Qualität der Produktattribute oft mehr als die Länge der Historie eines einzelnen Artikels.

Was ist Overfitting, einfach erklärt?

Overfitting liegt vor, wenn ein Modell seine Trainingsdaten auswendig lernt, statt allgemeine Muster zu erkennen, sodass es für die Vergangenheit gut, für neue Daten aber schlecht abschneidet. Man erkennt es, indem man das Modell mit Daten testet, die es während des Trainings nicht gesehen hat.

Woran erkenne ich, ob eine KI-Prognose besser ist als unsere aktuelle Planung?

Vergleichen Sie beide Methoden für dieselben vergangenen Zeiträume, die das Modell im Training nicht gesehen hat, und verwenden Sie nur Prognosen, die mit den damals verfügbaren Daten erstellt wurden. Dieser Ansatz, bekannt als Zeitreihen-Kreuzvalidierung, ermöglicht einen fairen Genauigkeitsvergleich, bevor das Modell für Einkaufsentscheidungen eingesetzt wird.

LeitfadenDer umfassende Leitfaden zu KI in Merchandising und EinkaufDen ganzen Leitfaden lesen