KI-Datenanalyse: Nachfrageprognosen statt Wachstumsslogans
Ein Modell lohnt sich, wenn es eine Entscheidung verbessert. Für einen Shop kann das die Nachbestellung eines Produkts sein. Bevor du Machine Learning einsetzt, kläre, welche Informationen der Einkauf benötigt und was eine Fehlentscheidung kostet.
Die Fragestellung begrenzen
Wähle eine Produktgruppe mit nachvollziehbaren Beständen und Verkäufen. Definiere den Prognosehorizont passend zur tatsächlichen Lieferzeit. „Mehr Umsatz durch KI“ ist kein auswertbares Ziel; „Bestellmengen besser planen, ohne Lieferfähigkeit zu verschlechtern“ ist konkreter.
Daten vorbereiten
Erstelle einen Datensatz mit Datum, Produktkennung, verkaufter Menge, Preis, Aktionen und verfügbarer Menge. Dokumentiere:
- Retouren und Stornos: Werden sie abgezogen oder separat ausgewertet?
- Fehlbestände: Keine Verkäufe bei leerem Lager bedeuten nicht fehlende Nachfrage.
- Produktänderungen: Ein neuer Artikel darf nicht unbemerkt die Historie eines anderen übernehmen.
- Saison und Aktionen: Welche Informationen waren zum Prognosezeitpunkt bereits bekannt?
Kundenidentitäten werden für eine aggregierte Nachfrageprognose meist nicht benötigt. Verwende nur notwendige Daten und kläre Zugriffsrechte.
Gegen eine einfache Basis vergleichen
Vergleiche zuerst mit einer einfachen Methode, etwa dem Absatz vergleichbarer vergangener Wochen. Ein aufwendiges Modell muss diese Basis im relevanten Entscheidungsfall sinnvoll verbessern.
Teile historische Daten zeitlich: ältere Abschnitte für Entwicklung, spätere für Validierung und ein unberührter Abschnitt für den Abschlusstest. Ein zufälliges Mischen kann Informationen aus der Zukunft in das Training tragen. Wiederhole die Prüfung mit mehreren vergangenen Prognosezeitpunkten.
Eine Prognoseprüfung nachvollziehbar rechnen
Hypothetisches Beispiel mit frei gewählten Mengen: Für drei aufeinanderfolgende Wochen ist der tatsächliche Absatz 20, 30 und 10 Stück. Die einfache Basis prognostiziert 18, 24 und 12; das Modell 22, 28 und 15.
| Woche | Tatsächlich | Basisfehler absolut | Modellfehler absolut |
|---|---|---|---|
| 1 | 20 | 2 | 2 |
| 2 | 30 | 6 | 2 |
| 3 | 10 | 2 | 5 |
Der mittlere absolute Fehler beträgt für die Basis 10 / 3, also rund 3,33 Stück, für das Modell 9 / 3, also 3 Stück. Das Modell ist nach dieser einen Kennzahl etwas besser, überschätzt aber die dritte Woche stärker. Ob es die bessere Bestellung erzeugt, hängt auch von Lieferzeit, Bestand und Kosten ab. Diese kleine Rechnung ist keine ausreichende Modellvalidierung.
Prüfe im realen Test zusätzlich, welche Produkte betroffen sind und ob Aktionen oder Fehlbestände die Verkaufsdaten verzerren. Bewahre Prognosen so auf, wie sie vor Eintritt der tatsächlichen Verkäufe erstellt wurden. Nachträglich mit bekannten Ergebnissen angepasste Prognosen wären kein ehrlicher Vergleich.
Fehler wirtschaftlich interpretieren
Ein durchschnittlicher Prognosefehler genügt nicht. Prüfe, ob das Modell häufig zu wenig oder zu viel bestellt und wie sich das auf Fehlbestände, Lagerkosten und Verderb auswirkt. Prozentfehler sind bei Produkten mit null oder sehr kleinen Verkaufszahlen besonders problematisch.
Spiele vorgeschlagene Bestellungen zunächst neben dem bestehenden Verfahren durch, ohne sie automatisch auszulösen. Berücksichtige Mindestmengen, Lagerplatz und Liquidität. Dokumentiere Gründe für manuelle Abweichungen.
Welche Rolle spielt ein Chatmodell?
Ein Chatmodell kann eine freigegebene Ergebnistabelle verständlich zusammenfassen oder Codeentwürfe unterstützen. Rechenergebnisse müssen mit nachvollziehbaren Berechnungen kontrolliert werden. Ein überzeugender Text ist keine validierte Prognose.
Für den Betrieb brauchst du eine zuständige Person, Qualitätswarnungen und einen Rückfall auf das bisherige Verfahren. Neu trainiert wird nach überprüftem Bedarf, nicht nach einem pauschalen Kalender. Entscheidend sind nachgewiesener Nutzen und laufende Kosten – nicht erfundene Branchenquoten oder eine versprochene Rendite.