Beschaffungsoptimierung mit maschinellem Lernen

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