Beschaffungsoptimierung mit maschinellem Lernen
|
|
- Irmela Straub
- vor 6 Jahren
- Abrufe
Transkript
1 Beschaffungsoptimierung mit maschinellem Lernen Fashion Roundtable - Düsseldorf 2017 Daniel Grüßing - Director Retail Optimization 1
2 2
3 Kurzfristigkeit von Trends 3
4 Fidget Spinner 4
5 Aktuelles Beispiel im Mai
6 Herausforderungen Abverkaufszyklen verkürzen sich. Nachorder immer seltener möglich Trends werden vom Kunden bestimmt, nicht vom Handel vorgegeben Verschiedene Kanäle mit unterschiedlichen Einflussfaktoren machen Nachfragevorhersage ungenauer 6
7 Vorhersagen für Modeartikel Initialmengenschätzung Prognose zu einem sehr frühen Zeitpunkt Unsichere Informationen über Marketingeinsätze Preis Rahmenbedingungen zum Verkaufsstart Keine Informationen über Nachorder und Folgeeinsatz Prognose nach Start des ersten Abverkaufs Vorhandene Informationen Kurzfristige Marketingeinsätze Preis aktuelle Rahmenbedingungen aktuelle Abverkäufe historische Abverkäufe des Produktes Preiselastizitäten 7
8 Methoden zur Berechnung von Vorhersagen bei Nachorder W1 W2 W3 W4 W5 W6 W7 W8 W9 W10 W11 8
9 Methoden zur Berechnung von Vorhersagen bei Nachorder W1 W2 W3 W4 W5 W6 W7 W8 W9 W10 W11 9
10 Methoden zur Berechnung von Vorhersagen bei Nachorder W1 W2 W3 W4 W5 W6 W7 W8 W9 W10 W11 10
11 Ansatz ohne aktuelle Verkäufe 11
12 Wie funktioniert die Intuition des Einkäufers? Inspiration Erfahrung Kenntnis 12
13 Welche Einflussfaktoren auf Nachfrage kennen wir? Saison Sortiment (Fashion, Accessoires, Schuhe, etc.) Warengruppen Kollektionsrahmenplanung Marke Einsatz-Marktphase Preis & Preisklasse Ersteinsatz, erste Promotion Einschätzung (des Category Manager) Artikelfarbe Umsatzplanung pro Marke/Warengruppe Historische Abverkaufszahlen (sofern vorhanden) 13
14 Artikelähnlichkeiten Mittlere Ansprache ähnlicher Artikel aus dem Vorjahr (gewichtet mit Artikelähnlichkeit) Hohe Korrelation zur tatsächlichen Ansprache Herausforderung: Messung von Artikelähnlichkeit 14
15 Nutzung von Bilderkennung Ähnlichkeit: 0.86 Ähnlichkeit: 0.76 Ähnlichkeit:
16 Einkäufereinschätzung? Erwarteter Zusammenhang Einschätzung der erwarteten Absatzmenge Typischerweise ein gute Indikator Sehr gut um restliches implizites Wissen des Einkaufs zu externalisieren. Zusammenspiel zwischen Mensch und Maschine 16
17 Scheinbare Korrelationen Korrelation: 0,97 Habilitationen von Frauen im Bereich Humanmedizin/ Gesundheitswissenschaften Platin-Awards für Musikprodukte von Helene Fischer Quelle: Statistisches Bundesamt & Bundesverband Musikindustrie
18 Tauchgang ins maschinelle Lernen Eine vereinfachte Darstellung, wie eine Vorhersage für Modeartikel gerechnet wird. 18
19 Berücksichtigung vieler Einflüsse sind kritisch Ausgangsgröße (mittlerer Abverkauf ) Flexible und transparente Darstellung aller x Einfluß Wochentag x Einfluß Öffnungszeiten im Handel Einflussfaktoren, aggregiert oder im zeitlichen Verlauf Abverkauf / St. Prognose = Produkt vieler Einflußfaktoren 19
20 Kontinuierlicher Einflussfaktor am Beispiel des Verkaufspreises Durchschnittlicher Nettoabsatz pro Artikel Einflussfaktor 20
21 Kontinuierlicher Einflussfaktor am Beispiel des Verkaufspreises Modell lernt den Einfluss des Faktors auf den Absatz aus historischen Daten Je günstiger ein Artikel, desto besser verkauft er sich 21
22 Einflussfaktoren Farbe
23 Ein Beispielartikel Einflussgröße Saison Sortiment Warengruppe Marke Beispielartikel Frühjahr Fashion Poloshirts H Men s Fit Einsatz-Marktphase / -dauer 1 / 3 VK / Preisklasse 29,99 / 5 Ersteinsatzpromotion Einschätzung Farbe Titel Website Strong grün Plan-Absatz Marke ( Anzahl Artikel pro Marke) 912 Plan-Absatz WG ( Anzahl Artikel in WG) 1449 Historische Absätze: -2 Saisons / -3 Saisons - / - 23
24 Ausgangswert Ausgangswert für das Faktorenmodell: Mittlerer historischer Abverkauf aller Artikel pro Saison Die exakte Definition hängt von Details der Modellierung/Implementierung ab In diesem Fall: ca. 912 Stück/Saison Der Ausgangswert wird für jeden Artikel mit individuellen Faktoren multipliziert, die sich aus dessen Eigenschaften ergeben -> artikelindividuelle Prognose Prognose =
25 Saison 0,94 1 = Durchschnitt FS 25
26 Sortiment 1,54 Fashion
27 Warengruppe 1,61 Warengruppe Poloshirt H 27
28 Plan-Absatz Marke 1,
29 Mehrdimensionale Faktoren Grün 1,01 Warengruppe Poloshirt H 29
30 Finale Prognose Produkt des Ausgangswertes Faktor Basiswert Einfluss 912 Stück (gemittelt) mit allen artikelindividuellen Faktoren Saison 0,94 Sortiment 1,54 Warengruppe 1,61 Plan-Absatz-Marke 1,58 Farbe in Abh. von WG 1,01 viele weitere Summe Stück 30
31 Herausforderungen der Datenqualität 31
32 Prognosegüte Mit maschinellem Lernen können Prognosen für eine Reihe von Sortimenten durchgeführt werden Categorie 1 Categorie 2 Categorie 3 ähnliche Prognosequalität über alle Sortimente hinweg! Categorie 4 Categorie 5 Categorie 6 hochskalierbares Modell Categorie 7 Categorie 8 Woher kommen die Unterschiede? 32
33 Prognosegüte: Einfluss d. Datenqualität Ein geringer durchschnittlicher Füllgrad ist verbunden mit einer hohen Erstorderprognoseunsicherheit und umgekehrt Categorie 1 Datenqualität Categorie 2 Categorie 3 Categorie 4 Categorie 5 Categorie 6 Categorie 7 Categorie 8 33
34 Wie berechnen wir die Beschaffungsmenge 34
35 Wie kommt ein Bestellvorschlag zustande? BY Absatzprognose: Wahrscheinlichkeitsverteilung für Absatz Kombination von Firmenpolitik und Absatzprognose Bestellvorschlag Firmenpolitik, z.b.: Abschriften nicht so schlimm, hohe Verfügbarkeit wichtig! Wir wollen Abschriften reduzieren, bei optimaler Verfügbarkeit. 35
36 Impact der BY optimierten Bestellvorschläge Status Quo Arbeitspunkt frei wählbar entsprechend der Beschaffungspolitik BlueYonder- Bestellvorschläge 36
37 Impact der BY optimierten Bestellvorschläge -12% OOS, gleicher Writeoff Status Quo -19% Writeoff, gleiches OOS BlueYonder- Bestellvorschläge 37
38 Impact der BY optimierten Bestellvorschläge -6% OOS, -9% Writeoff Status Quo BlueYonder- Bestellvorschläge 38
39 Blue Yonder Best decisions, delivered daily Daniel Grüßing Director Retail Optimisation Blue Yonder GmbH Ohiostraße Karlsruhe Germany Blue Yonder Software Limited 19 Eastbourne Terrace London, W2 6LG United Kingdom Blue Yonder Analytics, Inc Tennyson Parkway Suite 250 Plano, Texas USA
Erfolgreicher Einsatz von Bedarfsprognosen bei dm
Erfolgreicher Einsatz von Bedarfsprognosen bei dm Case Study 01 Wie künstliche Intelligenz bei der Drogeriemarktkette Mehrwert schafft dm-drogerie markt 02 Case Study Case Study 03 Der Mensch im Mittelpunkt
MehrErfolgreicher Einsatz von Bedarfsprognosen bei dm
Erfolgreicher Einsatz von Bedarfsprognosen bei dm Case Study 01 Wie Machine-Learning-Algorithmen bei der Drogeriemarktkette Mehrwert schaffen dm-drogerie markt 02 Case Study Der Mensch im Mittelpunkt dm
MehrOptimiertes Abschriftenmanagement bei Ernsting s family
Optimiertes Abschriftenmanagement bei Ernsting s family Der Textileinzelhändler beschleunigt mit künstlicher Intelligenz den Abverkauf und steigert die Handelsspanne 02 Case Study Mit künstlicher Intelligenz
MehrPrice Optimization. Täglich automatisierte Preisentscheidungen für den Lebensmittelhandel
01 Price Optimization Täglich automatisierte Preisentscheidungen für den Lebensmittelhandel 02 03 Die Herausforderungen Preisgestaltung ist eine zentrale strategische Komponente, die Auswirkungen auf die
Mehrbonprix setzt auf künstliche Intelligenz zur Preissteuerung
bonprix setzt auf künstliche Intelligenz zur Preissteuerung Wie das Modeunternehmen mithilfe von KI-Technologie in Russland seine Geschäftszahlen verbessert 02 Mit künstlicher Intelligenz Mehrwert schaffen
MehrCustomer Experience im Lebensmittelhandel: Frische macht den Unterschied
Customer Experience im Lebensmittelhandel: Frische macht den Unterschied Blue Yonder 01 Eine globale Studie mit 4.000 Konsumenten zu Produktfrische und -verfügbarkeit Einleitung 03 Was Kunden wollen Blue
MehrReplenishment Optimization
01 Datenblatt Replenishment Optimization Replenishment Optimization Automatisierte Entscheidungen mit Blue Yonder Die Blue Yonder Lösung zur Bestands- und Dispositionsoptimierung nutzt historische Verkaufsdaten,
MehrDemand Forecast & Replenishment. Die Lösung für die Supply Chain: Gewinn steigern und optimale Warenverfügbarkeit sicherstellen
01 Demand Forecast & Replenishment Die Lösung für die Supply Chain: Demand Forecast & Replenishment Gewinn steigern und optimale Warenverfügbarkeit sicherstellen 02 Demand Forecast & Replenishment Demand
MehrPrice Optimization bei Magazine zum Globus. Der Premium-Retailer verbessert mit künstlicher Intelligenz sein Markdown Pricing
Price Optimization bei Magazine zum Globus Der Premium-Retailer verbessert mit künstlicher Intelligenz sein Markdown Pricing 02 Case Study Case Study 03 Mit künstlicher Intelligenz meistert Globus die
MehrForecasting and Replenishment. Die Lösung für die Supply Chain: Gewinn steigern und optimale Warenverfügbarkeit sicherstellen
01 Die Lösung für die Supply Chain: Gewinn steigern und optimale Warenverfügbarkeit sicherstellen 02 03 Die Herausforderungen Die Profitabilität im Einzelhandel hängt maßgeblich von Skaleneffekten ab.
MehrReplenishment und Price Optimization bei OTTO. Wie der Multichannel-Händler seine Kunden begeistert und gleichzeitig den Umsatz steigert
Replenishment und Price Optimization bei OTTO Wie der Multichannel-Händler seine Kunden begeistert und gleichzeitig den Umsatz steigert 02 Case Study Wie OTTO mit Predictive Applications die Customer Experience
MehrOptimiertes Abschriftenmanagement bei Ernsting s family
Optimiertes Abschriftenmanagement bei Ernsting s family Der Textileinzelhändler beschleunigt mit künstlicher Intelligenz den Abverkauf und steigert die Handelsspanne 02 Case Study Mit künstlicher Intelligenz
MehrWorkshop Preisoptimierung
Workshop Preisoptimierung Fashion Roundtable - Düsseldorf 217 Dr. Hannes Sieling (Blue Yonder) Dr. David Fischer (Blue Yonder) 1 Agenda Datengetriebene Preisoptimierung Dr. David Fischer, Blue Yonder GmbH,
MehrBrötchen und Wolken wie passt das zusammen?
Brötchen und Wolken wie passt das zusammen? Eine Bäckerei nutzt regionale Wetterprognosen für die Bestelloptimierung Dr. Björn Christensen 07. November 2012 2012 IBM Corporation 2012 meteolytix GmbH Das
MehrBlue Yonder. Mit künstlicher Intelligenz im Einzelhandel den Umsatz steigern, die Margen erhöhen und die beste Customer Experience bieten
Blue Yonder Blue Yonder 01 Mit künstlicher Intelligenz im Einzelhandel den Umsatz steigern, die Margen erhöhen und die beste Customer Experience bieten 02 Blue Yonder Blue Yonder 03 Unsere Vision Intelligenter
MehrAutomatisierte Warenbeschaffung. bei Heine, einem Multi Channel Retailer
Automatisierte Warenbeschaffung bei Heine, einem Multi Channel Retailer Themen Perfekte Bestellvorschläge für das Warenwirtschaftssystem Exakte Berechnung der Retourenquote Optimierung der Logistikkosten
MehrReplenishment und Price Optimization bei OTTO. Wie der Multichannel-Händler seine Kunden begeistert und gleichzeitig den Umsatz steigert
Replenishment und Price Optimization bei OTTO Wie der Multichannel-Händler seine Kunden begeistert und gleichzeitig den Umsatz steigert 02 Wie OTTO mit Machine Learning die Customer Experience verbessert
MehrBlue Yonder. Mit künstlicher Intelligenz im Einzelhandel den Umsatz steigern, die Margen erhöhen und die beste Customer Experience bieten
Blue Yonder Blue Yonder 01 Mit künstlicher Intelligenz im Einzelhandel den Umsatz steigern, die Margen erhöhen und die beste Customer Experience bieten 02 Blue Yonder Blue Yonder 03 Unsere Vision Intelligenter
Mehrbonprix setzt auf künstliche Intelligenz zur Preissteuerung
bonprix setzt auf künstliche Intelligenz zur Preissteuerung Wie das Modeunternehmen mithilfe von KI-Technologie in Russland seine Geschäftszahlen verbessert 02 Case Study Mit künstlicher Intelligenz Mehrwert
MehrPrice Optimization. Die Lösung für Einkauf und Vertrieb: Jederzeit und automatisiert den richtigen Preis setzen
01 Die Lösung für Einkauf und Vertrieb: Jederzeit und automatisiert den richtigen Preis setzen 02 03 Die Herausforderungen Der Preisgestaltungsprozess ist heute durch riesige Datenmengen und eine Vielzahl
MehrDemand Forecast & Replenishment. Die Lösung für die Supply Chain: Gewinn steigern und optimale Warenverfügbarkeit sicherstellen
01 Die Lösung für die Supply Chain: Gewinn steigern und optimale Warenverfügbarkeit sicherstellen 02 Die Herausforderungen Die Profitabilität im Einzelhandel hängt maßgeblich von Skaleneffekten ab. Die
MehrReplenishment und Price Optimization bei OTTO
Replenishment und Price Optimization bei OTTO Wie der Multichannel-Händler mihilfe von künstlicher Intelligenz seine Kunden begeistert und gleichzeitig den Umsatz steigert 02 Case Study Wie OTTO mit künstlicher
MehrRELEX Solutions GmbH. Sofware für Supply-Chain-Optimierer und Category Manager
RELEX Solutions GmbH Sofware für Supply-Chain-Optimierer und Category Manager 17.8.2017 Über RELEX >450 talentierte und motivierte Mitarbeiter >120 Zufriedene Kunden 10 Büros UK, FI, SE, NO, DK, DE, USA,
Mehrswiss marketing academy GmbH Seite 1 von 11
AUFGABE 1a Nennen Sie 3 fallbezogene Gliederungszahlen und beschreiben Sie pro Gliederungszahl die Aussagekraft. 6 Punkte Gliederungszahl = Verhältnis eines Teiles zum gleichartigen Ganzen. Nennung Beschreibung
MehrPrice Optimization für E-Commerce
1 Datenblatt Price Optimization für E-Commerce Price Optimization für E-Commerce Automatisierte Preisgestaltung von Blue Yonder Blue Yonder Price Optimization für den Onlinehandel testet und misst den
MehrMorrisons setzt neue Maßstäbe
Morrisons setzt neue Maßstäbe Wie der Lebensmittelhändler künstliche Intelligenz nutzt, um seine Warenverfügbarkeit zu verbessern und die Kundenzufriedenheit zu erhöhen 02 Case Study Optimierte Bedarfsplanung
MehrMöglichkeiten und zeitliche Horizonte regionaler Wirtschaftsprognosen - Grundlage von Flächenbedarfsprognosen
Möglichkeiten und zeitliche Horizonte regionaler Wirtschaftsprognosen - Grundlage von Flächenbedarfsprognosen 6. Dresdner Flächennutzungssymposium (DFNS) Wolfgang Nagl & Robert Lehmann ifo Institut 12.
Mehr1.2 Unterschiede zwischen B2C- & B2B-E-Commerce
1.2 Unterschiede zwischen B2C- & B2B-E-Commerce Vereinfacht gesagt, unterteilt sich der E-Commerce in zwei große Blöcke. Auf der einen Seite gibt es den B2C-E-Commerce (Business to Consumer), auf der anderen
MehrReplenishment und Price Optimization bei OTTO
Replenishment und Price Optimization bei OTTO Wie der Multichannel-Händler mihilfe von künstlicher Intelligenz seine Kunden begeistert und gleichzeitig den Umsatz steigert 02 Case Study Wie OTTO mit künstlicher
MehrSkriptteufel Klausurvorbereitung
Skriptteufel Klausurvorbereitung Workshop Produktion Was haben wir vor? Möglichst zielgenaue Klausurvorbereitung Erklären der Aufgabentypen und zugehöriger Lösungswege Aufteilung in fünf große Blöcke:
MehrAUDIOEFFEKT-SPEZIAL: RADIO DER BOOSTER IM MEDIA-MIX PROF. DR. ALEXANDER PREUẞ, 12. APRIL 2018
AUDIOEFFEKT-SPEZIAL: RADIO DER BOOSTER IM MEDIA-MIX PROF. DR. ALEXANDER PREUẞ, 12. APRIL 2018 Agenda Einleitung: Modelling Branchenübergreifende Erkenntnisse Branchenspezifische Erkenntnisse Praktische
MehrNo.31. Werbung schafft Markenwerte Ergebnisse einer Grundlagenstudie
Ein Unternehmen der ProSiebenSat.1 Media AG SE No.31 Werbung schafft Markenwerte Ergebnisse einer Grundlagenstudie Fragestellung: Welchen Einfluss hat Werbung auf den wahrgenommenen Wert einer Marke? 2
MehrOut-of-Stock Prognose
Out-of-Stock Prognose Verschafft einen ersten Einblick über Out-of-Stock Prognose im Lebensmitteleinzelhandel Research, Analysis & Consulting www.schwerdtundfeger.de 1 Projektsteckbrief Projekt: Out-of-Stock
MehrMurphy s Gesetz im Hotel. Brendan May Pricing & Distribution Day 2013
Murphy s Gesetz im Hotel Brendan May Pricing & Distribution Day 2013 Agenda Murphy s Gesetz im Hotel Wochentags-Schema Geschäftsmix Pricing Vorstellung - IDeaS Best Practices Murphy s Gesetz Gesetz # 1:
MehrBerechnung von Unsicherheitsbändern durch Kombination von Ensemble-Technik und ProFound-Analyse
Berechnung von Unsicherheitsbändern durch Kombination von Ensemble-Technik und ProFound-Analyse DANIEL VARGA REFERAT 43 - HYDROLOGIE, HOCHWASSERVORHERSAGE Operationeller Betrieb an der HVZ BW Vorhersagen
Mehrstrategıx Space & Category Management Focus on Assortment Optimization Josef Ilgen Principal Business Consultant Demand Chain Supply Chain
strategıx Space & Category Management Focus on Assortment Optimization Josef Ilgen Principal Business Consultant Supply Chain Demand Chain Space & Category Management Trends Shopper Insights Lokale, automatisch
MehrTreffsichere Absatzprognose mit Predictive Analytics
Treffsichere Absatzprognose mit Predictive Analytics BIG DATA & ANALYTICS Kongress in Köln, 19.06.2012 Otto (GmbH & Co. KG) Michael Sinn Das vielfältige Portfolio der Otto Group Die Geschäftstätigkeit
MehrBeschaffungsmarkt China & BME Herausforderungen, Bedeutung, Potenziale
Beschaffungsmarkt China & BME Herausforderungen, Bedeutung, Potenziale Hamburg, 25.04.2017 Veranstaltung der BME Region Hamburg Riccardo Kurto Leiter Strategie, Projekte & Koordination / Chinabeauftragter
MehrBestimmung der Gewinnschwelle
Bestimmung der Gewinnschwelle Die Gewinnschwelle bezeichnet den Punkt, bei dem der Gewinn 0 beträgt. In Mengeneinheiten: 0 = d b K f Kritische Menge: b = K f /d Der Break-Even-Punkt kann damit sehr einfach
MehrOnline Marketing Services. Attributionsmodelle. Theorie. Praxis. Herausforderungen.
Online Marketing Services Attributionsmodelle Theorie. Praxis. Herausforderungen. Alexander Gut SEO und Affiliate- Marketing Inhouse AdWords Kampagnen- Betreuung Conversion Optimierung Zahlreiche erfolgreiche
MehrGemeinsame Wege gehen
Gemeinsame Wege gehen Shopper Insights als Grundlage für ein optimiertes Regal und hohe Kundenzufriedenheit Heiko Kordmann Einkaufs- und Vertriebskoordinator / CM Nordbayern Sachsen - Thüringen Stephan
MehrBrötchen und Wetter wie passt das zusammen?
Brötchen und Wetter wie passt das zusammen? Bäckereien nutzen regionale Einflüsse und Wetterprognosen für die Bestelloptimierung Dr. Florian Siedenburg 2013 IBM Corporation 2 Der Zusammenhang von Wetter
MehrINHALTSVERZEICHNIS ABKÜRZUNGSVERZEICHNIS ABBILDUNGSVERZEICHNIS. 1. Einleitung 1
INHALTSVERZEICHNIS ABKÜRZUNGSVERZEICHNIS ABBILDUNGSVERZEICHNIS I II 1. Einleitung 1 1.1. Problemstellung 1 1.2. Zielsetzung und Forschungsfragen 2 1.3. Wissenschaftliche Methode, 3 1.4. Aufbau der Studie
MehrIntelligente Brille. Aufgabennummer: B-C6_27. Technologieeinsatz: möglich erforderlich S
Intelligente Brille Aufgabennummer: B-C6_27 Technologieeinsatz: möglich erforderlich S Eine technische Innovation die intelligente Brille soll auf den Markt kommen. Es werden die Zusammenhänge zwischen
MehrMaximaler Erfolg auf Amazon
Maximaler Erfolg auf Amazon Franz Jordan Gründer & Geschäftsführer Marketplace Analytics www.marketplace-analytics.de E-Mail: Franz.jordan@marketplace-analytics.de Die führende Optimierungssoftware für
MehrWetter, Wiener Schnitzel und Big Data Wie passt das zusammen? innovativ. effizient. nachhaltig
Wetter, Wiener Schnitzel und Big Data Wie passt das zusammen? effizient innovativ nachhaltig Die meteolytix GmbH vereint das Know-How statistischer Datenanalyse mit Expertenwissen hochwertiger Punktwettervorhersagen.
MehrProfessionelle Konversions- Analyse und -Optimierung
Professionelle Konversions- Analyse und -Optimierung etracker GmbH 1 Ich verschreibe Ihnen eine Sammlung an Medikamenten auf Basis von Best-Practices. Probieren Sie die Medikamente der Reihe nach aus und
MehrBaugruppenfertigung im Maschinen- und Anlagenbau. Die Lösung im Überblick. Maschinenbau. Siemens PLM Software
Baugruppenfertigung im Maschinen- und Anlagenbau Die Lösung im Überblick Maschinenbau Siemens PLM Software Lösung für den Maschinenund Anlagenbau im Überblick Erfolgreiche Entwicklung zunehmend komplexer
MehrDas Problem des Weihnachtsbaumhändlers
Das Problem des Weihnachtsbaumhändlers Weihnachtsmarkt alle Bäume verkauft Kunden gehen leer aus alle Bäume verkauft kein Kunde geht leer aus Bäume bleiben übrig Beschaffungsmenge an Weihnachtsbäumen nur
MehrPrice Optimization. Die Lösung für Einkauf und Vertrieb: Jederzeit und automatisiert den richtigen Preis setzen
01 Die Lösung für Einkauf und Vertrieb: Jederzeit und automatisiert den richtigen Preis setzen 02 Die Herausforderungen Der Preisgestaltungsprozess ist heute durch riesige Datenmengen und eine Vielzahl
MehrOptimierung von Prospekten im Fashion-Handel
Optimierung von Prospekten im Fashion-Handel Konzept für einen vierstufigen Studienansatz GfK Shopper Oktober 017 1 Hintergrund, Zielsetzung und Kundennutzen 1 Hintergrund Prospekte im Fashion-Handel bilden
MehrLineare Funktionen. Die lineare Funktion
1 Die lineare Funktion Für alle m, t, aus der Zahlenmenge Q heißt die Funktion f: x m x + t lineare Funktion. Die Definitionsmenge ist Q (oder je nach Zusammenhang ein Teil davon). Der Graph der linearen
MehrTV SHOT MODELLING-ANALYSE VON WERBEWIRKUNG SEPTEMBER 2015
TV SHOT MODELLING-ANALYSE VON WERBEWIRKUNG SEPTEMBER 2015 FRAGESTELLUNG ERKLÄRUNG DER WERBEERINNERUNG DURCH VERSCHIEDENE FAKTOREN Welcher Zusammenhang besteht zwischen TV-Werbeausgaben und der gestützten
MehrTest von Hypothesen: Signifikanz des Zusammenhangs (F-Test)
Test von Hyothesen: Signifikanz des Zusammenhangs (F-Test) Die Schätzung der Regressionsfunktion basiert auf Daten einer Stichrobe Inwiefern können die Ergebnisse dieser Schätzung auf die Grundgesamtheit
MehrSchönes zum Wohlfühlen im Shop, im Netz und zu Hause Auf dem Weg zum Omnichannel-Retailing bei DEPOT
Schönes zum Wohlfühlen im Shop, im Netz und zu Hause Auf dem Weg zum Omnichannel-Retailing bei DEPOT 1 A G E N D A Vorstellung Gries Deco Company (DEPOT) Relevanz von Omnichannel-Retailing Ausgangssituation
MehrFallstudie Zalando E-Commerce
Fallstudie Zalando E-Commerce Vom Fashion-Start-up zum Taktgeber des Onlinehandels Zalando ist Europas führende Online-Plattform für Mode. Seit seiner Gründung im Jahr 2008 als Onlinehändler für Schuhe
MehrProduktions- und Absatzwirtschaft der Ernährungsindustrie
Produktions- und Absatzwirtschaft der Ernährungsindustrie Sommersemester 2011 Prof. Dr. Justus Wesseler Technische Universität München - Weihenstephan Justus.wesseler@tum.de 08161 / 71-5632 Lernziele:
MehrInternationales Kundenbeziehungsmanagement
Internationales Kundenbeziehungsmanagement Prof. Dr. Ellen Roemer DATUM 23. Oktober 2015 Übungsaufgaben zur Veranstaltung II Teil I - Aufgaben zu 3.3.1 - Loyalitätsprogramme Sie sind Marketingmanager eines
MehrSmart City Lösung für den Tourismus!
Smart City Lösung für den Tourismus! Richard Palmetzhofer A1 Telekom Austria 24. Oktober 2017 A1 macht auch deine City smart Current buzzwords and trends Device Mgmt API Smart Energy Lighting Smart Parking
MehrBinnenmarktanzeiger Leistungsbewertung nach Governance-Instrument Binnenmarkt-Informationssystem
Binnenmarktanzeiger Leistungsbewertung nach Governance-Instrument Binnenmarkt-Informationssystem (Berichtszeitraum: 05/2012-04/2013) Hintergrundinformationen Das Binnenmarkt-Informationssystem (IMI) ist
MehrBig Data Analytics Mit Daten Vorhersagen treffen Dr. Thomas Keil, SAS,
Big Data Analytics Mit Daten Vorhersagen treffen Dr. Thomas Keil, SAS, 8.5.2017 SAS und Heidelberg 14.000 Mitarbeiter weltweit, etwa 380 davon in Heidelberg (seit 1982 hier) 3,2 Mrd. $ Umsatz weltweit,
MehrBROI Die ROI-Studie im Biermarkt
BROI Die ROI-Studie im Biermarkt BROI Die ROI-Studie im Biermarkt Ziel der Analyse Im Rahmen von BROI Die ROI-Studie im Biermarkt wurden insgesamt zehn Biermarken untersucht Ziel der Analysen war es, die
MehrSmart TV in Deutschland: Status Quo und Ausblick
Smart TV in Deutschland: Status Quo und Ausblick Informationen aus dem GfK PoS Tracking und dem Konsumentenpanel GfK Media*Scope May 31st, 2016 Haus der Bayerischen Wirtschaft Bettina Steinbrenner, GfK
MehrHDE-Frühjahrs-Pressekonferenz Düsseldorf, 14. April mit Ergebnissen der HDE-Konjunkturumfrage Frühjahr 2015
HDE-Frühjahrs-Pressekonferenz Düsseldorf, 14. April 2015 mit Ergebnissen der HDE-Konjunkturumfrage Frühjahr 2015 1 Prognose: Stabile Entwicklung im Einzelhandel 500 450 Umsatz in Mrd. Euro - Veränderung
MehrPREDICTIVE ANALYTICS & BIG DATA DR. THOMAS KEIL, SAS DGI PRAXISTAGE, FRANKFURT,
PREDICTIVE ANALYTICS & BIG DATA DR. THOMAS KEIL, SAS DGI PRAXISTAGE, FRANKFURT, 11.11.2016 BIG DATA WAS PASSIERT 2016 IN EINER INTERNET MINUTE? BIG DATA BELIEBTESTE APPS Internet der Dinge BIG DATA BITKOM
MehrVerordnung über den Finanz- und Lastenausgleich
[Signature] [QR Code] Verordnung über den Finanz- und Lastenausgleich (FiLaV) Änderung vom... Der Schweizerische Bundesrat verordnet: I 1. Die Verordnung vom 7. November 2007 1 über den Finanz- und Lastenausgleich
MehrAdvanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc.
Advanced Analytics Michael Ridder Was ist Advanced Analytics? 2 Was heißt Advanced Analytics? Advanced Analytics ist die autonome oder halbautonome Prüfung von Daten oder Inhalten mit ausgefeilten Techniken
MehrMethodische Ansätze zur Regionalisierung von Daten
Methodische Ansätze zur Regionalisierung von Daten Berechnung der Lohnsummen für die Wirtschaftsregion Zürich Methode «Bottom-up» Inhalt Projekt Regionale Wirtschaftsstatistik (RWS) Ausgangslage Anwendung
MehrAufgabensammlung für das Modul Wirtschaftswissenschaften
Aufgabensammlung für das Modul Wirtschaftswissenschaften Aufgabengruppe Wirtschaftliche Zusammenhänge analysieren Bei der Aufgabengruppe "Wirtschaftliche Zusammenhänge analysieren" (WZA) müssen Diagramme,
MehrWas wir vorhersagen, soll auch eintreffen! Integrierte Unternehmensplanung liefert zuverlässige Daten und ermöglicht vorausschauendes Management
Was wir vorhersagen, soll auch eintreffen! Case Study // Integrierte Unternehmensplanung liefert zuverlässige Daten und Management Summary Stichworte Unternehmensplanung SAP ERP Controlling Plankostenrechnung
MehrMobilität ist Teilhabe
Mobilität ist Teilhabe Erkenntnisse aus der Mobilitätsforschung Dr. Herbert Kemming Inputreferat im Rahmen der Veranstaltung Sozialpass & Sozialticket Eine starke Kombination Düsseldorf, 05. Oktober 2012
MehrWanderungsdaten nach Ziel und Herkunft
Stand: Oktober 2016 Wanderungsdaten nach Ziel und Herkunft Hannah Amsbeck, Bertelsmann Stiftung / Frank Osterhage, Institut für Landes- und Stadtentwicklungsforschung ggmbh (ILS) Das Datenportal Wegweiser
Mehr' %
1. Kennzahlen Logiernächte Februar Website-Besuche über Social-Media-Kanäle Umsatz 171 376 8 935 824 623 +7.73% -20.62% +36.60% Newsletter-Abonnenten Visits zermatt.ch Conversion Rate 64 106 2'094 663
MehrFASHION & LIVING RAPPORT
FASHION & LIVING RAPPORT #HERBST/WINTER Nach unser erste Publizierte FASHION RAPPORT sahen wir vielen Möglichkeiten um Ihnen noch ein besser Übersicht zu geben von der kommende Trends. Wenn Sie nämlich
MehrVorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser
Vorlesung Gesamtbanksteuerung Mathematische Grundlagen III / Marktpreisrisiken Dr. Klaus Lukas Stefan Prasser 1 Agenda Rendite- und Risikoanalyse eines Portfolios Gesamtrendite Kovarianz Korrelationen
Mehrautomatische Filialdisposition: Mit dem Bedarf von morgen heute bestellen Köln, 08.07.2015
: Mit dem Bedarf von morgen heute bestellen Köln, 08.07.2015 Agenda Einleitung Projektkonzept Einblick Buisness Case 2 2015: Trends in der IT Am Anfang steht der Buisness Case Software as a Service Predictive
MehrGlobal Data Synchronisation Artikelstammdatensynchronisation bei Coop
Global Data Synchronisation Artikelstammdatensynchronisation bei Coop Ralph Becker B2B EDI-Organisation 04.10.2012 Agenda 1. Artikelstammdatensynchronisation Wozu? 1.1 Ausgangslage Wunsch Geschäftspartner
MehrFacebook & Instagram Preis Index Q1/2016
Facebook & Instagram Preis Index Q1/216 Über diesen Preis Index Für diesen Preis-Index wurden die Kampagnendaten von über 18 Werbekunden aus allen wichtigen Branchen des deutschen Marktes aggregiert und
MehrEin Konzept zur Transparenz, Verantwortung und Steuerung
Inventory Management. Ein Konzept zur Transparenz, Verantwortung und Steuerung Gerhard Ritz 1 Die Vision Mit einem Blick und einer Zahl die Lagerbestandsentwicklung mit seinen Einflussgrößen und Auswirkungen
MehrPrüfungsklausur Mathematik II für Wirtschaftsingenieure,
HTWD, Fakultät Informatik/Mathematik Prof. Dr. M. Voigt Prüfungsklausur Mathematik II für Wirtschaftsingenieure, 15.7.2014 A Name, Vorname Matr. Nr. Sem. gr. Aufgabe 1 2 3 4 5 6 gesamt erreichbare P. 10
MehrKapitel 5. Prognose. Zeitreihenanalyse wird aus drei Gründen betrieben: Beschreibung des Verlaufs von Zeitreihen.
Kapitel 5 Prognose Josef Leydold c 2006 Mathematische Methoden V Prognose 1 / 14 Lernziele Aufgabe der Prognose Problemtypen Ablauf einer Prognoseaufgabe Zeitreihe Josef Leydold c 2006 Mathematische Methoden
MehrMedia Offensive 2019
Media Offensive 2019 Media Offensive S 04 Beihefter F/S 19 S 06 09 4 Seasons Jacket S 10 DOB S 12 Hosen S 13 Prosecco S 14 Popcorn S 15 Brand Academy S 16 Verkaufsrallye S 17 Bildmaterial S 18 B2B-Portal
Mehresome Preis-Index Q1/2017
esome Preis-Index Q1/217 Über diesen Preis-Index Travel Spezial Für diesen Preis-Index wurden die Kampagnen-Daten von über 19 Werbetreibenden aus allen wichtigen Branchen des deutschen Marktes aggregiert.
MehrKI Preistrend-Analyse Kosten senken durch richtiges Timing beim Kunststoffeinkauf Kunststoff Information
KI Preistrend-Analyse Kosten senken durch richtiges Timing beim Kunststoffeinkauf Das richtige Timing - der Erfolgsfaktor beim Kunststoffeinkauf Der Markt für Polymere ist höchst volatil: Wirtschaftsentwicklungen,
MehrSortimentsreport. Marke: Mustermarke Artikelgruppe: Mineralwasser. Inhalt. Gesamtmarkt. Artikelgruppe Mineralwasser
Sortimentsreport aus dem biovista Handels-Panel Betrachtungszeitraum von 01.2009 bis 06.2009 Marke: Mustermarke Artikelgruppe: Mineralwasser Inhalt Gesamtmarkt Übersicht Kennzahlen im Handel Distributionsgrad
MehrEntstehung und Verwendung von Konjunkturprognosen. Prof. Dr. Aymo Brunetti Universität Bern
Entstehung und Verwendung von Konjunkturprognosen Prof. Dr. Aymo Brunetti Universität Bern Inhalt 1. Wer macht Prognosen und wozu? 2. Die Konzepte hinter einer Konjunkturprognose 3. Prognosemethoden 4.
MehrBRAINAGENCY NEWSLETTER. Insights September 2015
BRAINAGENCY NEWSLETTER Insights September 2015 Agenda Insights September 2015 01 Customer Journey Analyse Fashion 02 4 Trends, die Programmatic Trading voranbringen Customer Journey Analyse Fashion So
MehrLernsituation 67. Lagerkennzahlen. Hausmitteilung. Ralf Gerland. Arbeitsaufträge
Lernsituation 67 SB k TAF 12.5 3 Hausmitteilung Absender Empfänger mit der Bitte um Geschäftsführung Geschäftsführung Kenntnisnahme Zentralsekretariat Zentralsekretariat Erledigung Controlling Controlling
MehrBEE-Hintergrund zur anstehenden Prognose der EEG-Umlage 2012
BEE-Hintergrund zur anstehenden Prognose der EEG-Umlage 2012 Berlin, 08. September 2011 BEE-Hintergrund: Anstehende Prognose der EEG-Umlage 2 Aktuelle Berichterstattung Aktuelle Presseberichte (vgl. u.a.
MehrDie Nutzerstudie im Rahmen des Flottenversuchs MINI E Berlin
Die Nutzerstudie im Rahmen des Flottenversuchs MINI E Berlin Methodisches Vorgehen und erste Erfahrungen im Rahmen der wissenschaftlichen Begleitforschung. Dieses Projekt wird durch das Bundesministerium
MehrEinstufige Deckungsbeitragsrechnung (erhöhter Schwierigkeitsgrad)
Aufgabe 01 Für ein Einproduktunternehmen liegen folgende Daten vor: Monat Produktions- und Absatzmenge Gesamtkosten Umsatzerlöse Januar 36.430 Stück 1.018.385,00 1.001.825,00 Februar 42.580 Stück 1.138.310,00
MehrSchlussbilanz der Periode -1. Unternehmen: Beispielunternehmen Periode: -1
Schlussbilanz der Periode -1 Unternehmen: Beispielunternehmen Periode: -1 Aktiva Schlussbilanz Passiva Grundstücke u. Gebäude: 6.000.000 Eigenkapital: 8.937.000 Maschinen: 9.700.000 Langfristige Verbindlichkeiten:
MehrÜberschrift. Titel Prognosemethoden
Überschrift Prognosemethoden Überschrift Inhalt 1. Einleitung 2. Subjektive Planzahlenbestimmung 3. Extrapolierende Verfahren 3.1 Trendanalyse 3.2 Berücksichtigung von Zyklus und Saison 4. Kausale Prognosen
MehrMARKT UND PREISBILDUNG Aufgabenset 2
Leitfragen zur Spielauswertung 1. Wenn Käufer und Verkäuferinnen einen Handel abschliessen, entsteht dabei ein Tauschgewinn. Wie berechnet sich dieser? 2. Haben aus Sicht aller Marktteilnehmenden die «richtigen»
MehrRETAIL SYSTEMS WANZL CONNECT. wanzl connect. Macht den stationären Handel digital
RETAIL SYSTEMS WANZL CONNECT wanzl connect Macht den stationären Handel digital RETAIL SYSTEMS WANZL CONNECT Das Einkaufen von morgen beginnt heute Was macht einen guten Einzelhändler zu einem sehr guten
Mehr[ 1 ] Welche der folgenden Aussagen sind WAHR? Kreuzen Sie sie an.
13 Zeitreihenanalyse 1 Kapitel 13: Zeitreihenanalyse A: Übungsaufgaben: [ 1 ] 1 a a) Nach der Formel x t+i berechnet man einen ein f achen gleitenden Durchschnitt. 2a + 1 i= a b) Die Residuale berechnet
MehrMotionLogic Quell-Ziel-Matrizen Aktionspaket
MotionLogic Quell-Ziel-Matrizen Aktionspaket JETZT TESTEN ANHAND IHRER GEMEINDE! FLÄCHENDECKENDE ANALYSEN DER NEUESTEN GENERATION - VERKEHRSSTRÖME AUS anonymisierten SignalisierungsDATEN WIE Bewegt SICH
MehrDie Kunst liegt im Detail. Kennel & Schmenger steht für die Verbindung von Modernität, Design und Qualität mit einer unverwechselbaren Handschrift.
INSIGHTS Die Kunst liegt im Detail Kennel & Schmenger steht für die Verbindung von Modernität, Design und Qualität mit einer unverwechselbaren Handschrift. HISTORY Erfahrung aus 100 Jahren Schuhhandwerk.
Mehr