ca. 30 Minuten
nach Wunsch auch mit VideocallDie Modebranche ist laut einer Studie der europäischen Kommission für zwei bis zehn Prozent der Umweltbelastung verantwortlich. Insbesondere der Abfall von nicht verkaufter Ware, welcher vier Prozent des jährlich produzierten weltweiten Abfalls ausmacht, ist eine große Herausforderung.
Es ist dringend an der Zeit, dieser Problematik entgegenzuwirken. Durch präzise Nachfrageprognosen beispielsweise wären Unternehmen in der Lage, der Nachfrage an ihren Gütern nachzukommen, ohne dabei überhöhte Lagerbestände zu verzeichnen. Auch die damit verbundenen Kosten für Überproduktion, Lagerung oder Entsorgung würden sie somit umgehen.
Zudem wirkt sich eine genauere Bedarfsplanung positiv auf die Umweltbelastung aus, da durch präzise Prognosen der Sicherheitsbestand an Produkten und der damit verbundene „Kleidungsmüll“ reduziert werden könnten.
Kerstin Schümann, Studentin des Studiengangs eCommerce an der Fachhochschule Wedel, hat sich in Zusammenarbeit mit minubo mit dem Thema auseinandergesetzt. In ihrer Abschlussarbeit beleuchtet sie die Herausforderungen von Nachfrageprognosen im Handel und welche Ansätze es zukünftig geben könnte, um diesen Prozess zu optimieren.
Die Herausforderungen im Handel
Für viele Unternehmen in der Modebranche stellt es eine Herausforderung dar, die Nachfrage an ihren Gütern zu prognostizieren.
Fashion-Unternehmen haben häufig ein großes Sortiment mit einer hohen Anzahl an Produktvarianten und auch der Wandel der Modebranche zum „Fast Fashion“ Trend erschwert die Nachfrageprognose. Durch häufige Sortimentswechsel und die kurzen Produktlebenszyklen existieren nur kurze Verkaufshistorien. Dadurch lassen sich die Verkaufszahlen immer schwieriger vorhersagen und große Mengen an Kleidungsstücken werden produziert, die nicht selten in den Regalen zurückbleiben. Zudem haben externe Faktoren wie Modetrends, Wettbewerb oder Wetter einen großen Einfluss auf die Nachfrage und können zu Überproduktionen führen.
Wird die Nachfrage zu hoch eingeschätzt, haben Unternehmen nicht nur mit überhöhten Lager- und Verwaltungskosten zu rechnen, sie haben darüber hinaus viel gebundenes Kapital, welches nicht anderweitig eingesetzt werden kann.
Wird die Nachfrage stattdessen zu gering eingeschätzt, kann es zu Lieferengpässen kommen, wodurch Kundenanfragen nicht bedient werden können. Dadurch steigen die Opportunitätskosten eines Unternehmens, da es weniger Gewinn erzielt als eigentlich möglich gewesen wäre.
Nur also durch präzises Nachfrageprognosen können Unternehmen eine Abschätzung der benötigten Ressourcen für eine Planungsperiode durchführen und ihr volles Potential ausschöpfen.
Demand Forecasting in der Modebranche ist eine komplizierte und aufwendige Angelegenheit. So wie diese wissenschaftliche Arbeit von Kerstin Schümann, beschäftigen sich viele Forschungsarbeiten mit Data Science Technologien, um den Demand Forecasting Prozess zu optimieren, zu vereinfachen und somit eine datengetriebene Grundlage für Businessentscheidungen zu generieren.
Machine Learning für genauere Prognosen
Abhilfe könnten Technologien wie Machine Learning schaffen. Denn insbesondere durch die Entwicklung des wachsenden Datenvolumens, entsteht die Möglichkeit diese Daten zur Informationsgenerierung und Entscheidungsfindung zu nutzen.
Die intelligenten Algorithmen können beim Demand Forecasting unterstützen und somit neben der Ermittlung der zukünftigen Nachfrage auch zu unternehmensrelevanten Planungsrechnungen wie der Absatzplanung, Beschaffungs-, Produktions- und Finanzplanung beitragen.
Methodisches Vorgehen
In der Forschungsarbeit von Kerstin Schümann wurden zwei geeignete Machine Learning Algorithmen identifiziert, vorgestellt und miteinander verglichen. Erkenntnisziel war es, geeignete Algorithmen für die Prognosen, sowie eine geeignete Prognosemethode zu finden, welche den Anforderungen der Fashion Branche entspricht und valide Ergebnisse liefert.
Für die Studie wurden zum einen der DeepAR (Forecasting Algorithm) gewählt, welche von Amazon für die Erstellung von Prognosen entwickelt wurde. Dieser basiert auf rekurrenten neuronalen Netzen, d.h. der Imitation des menschlichen Gehirns. Als zweites wurde der SARIMA Algorithmus als relevant befunden, ein klassischer Machine Learning Ansatz, um Zeitreihen zu prognostizieren.
Beide Algorithmen wurden auf der gleichen Datengrundlage eines minubo Kundens erstellt und getestet. Um eine Verkaufshistorie von 2 Jahren als Grundlage für die Prognosen zu generieren, wurden Produktgruppen auf Basis von Produktmerkmalen gebildet. Insgesamt wurden 20 Produktkategorien getestet, um eine im Ansatz allgemeine Aussage über die Prognosefähigkeit der Algorithmen treffen zu können. Dabei wurde zwischen Produktgruppen mit hohen Verkaufszahlen und Produktgruppen mit durchschnittlichen Verkaufszahlen unterschieden.
Fazit
Grundsätzlich legte die Analyse dar, dass eine Nachfrageprognose durch Machine Learning Algorithmen möglich ist und die angewandten Algorithmen dazu in der Lage sind, effizient für eine große Anzahl von Produkten Prognosen zu erstellen. Die Voraussetzung für den erfolgreichen Einsatz von diese rTechnologien ist unter anderem die Verfügbarkeit und Qualität der Datenbasis. Die eingesetzten Algorithmen können nur „lernen“ und auf diese Weise bessere Ergebnisse in Form aussagekräftiger Analysen und Handlungsempfehlungen liefern, wenn sie Erkenntnisse aus einer möglichst umfassenden, aktuellen und qualitativ hochwertigen Datenmenge erlangen. Die Ergebnisse der insgesamt 20 untersuchten Kategorien zeigten, dass beide Algorithmen eine Tendenz aufweisen, die Verkaufszahlen zu unterschätzen (positive Differenz).
Es lässt sich weitergehend festhalten, dass für die Prognose mit den am häufigsten verkauften Kategorien, der SARIMA- Algorithmus mit einer Differenz von ca. zwölf Prozent eine deutlich geringere Abweichung aufweist, als der DeepAR-Algorithmus mit einer Differenz von 64 Prozent. Vermutungen zufolge könnte das mit dem “Lernverhalten” des jeweiligen Algorithmus zusammenhängen.
Die durchgeführte Studie wird als Grundlage für weitere Analysen betrachtet. Um zukünftig die Präzision zu verbessern, können weitere Produktmerkmale in die Algorithmen implementiert und getestet werden.
Dieser Blogbeitrag basiert auf den Ergebnissen der Projektarbeit „Demand Forecasting durch Machine Learning in der Modebranche” von Kerstin Schümann. Sie ist auch weiterhin als Werkstudentin bei minubo tätig. Falls Sie detaillierte Fragen zur Studie haben, freut sie sich über eine Mail.
Wenn Sie auch zukünftig über Neuigkeiten informiert werden möchten, abonnieren Sie unseren monatlichen Commerce Insights Newsletter.
Über die FH Wedel: Die in der Metropolregion Hamburg liegende Fachhochschule Wedel steht seit über 70 Jahren für ein interdisziplinäres, praxisnahes und internationales Studium. Die Hochschule legt besonders hohen Wert auf die Verknüpfung von Praxis und Theorie. Damit Studenten die Möglichkeit bekommen, echte Probleme und Herausforderungen in der Wirtschaft lösen zu können, kooperiert die FH Wedel mit rund 200 Partnern aus der Industrie und Wirtschaft – minubo zählt seit 2017 zu den Mitgliedern.
