Absatzprognose von Handelspromotionen

Ab initio Modellierung unterstützt durch Trainingsdaten  

»Zwei zum Preis von einem«, »30% mehr Inhalt«, »Valentinstag Special Edition« – es ist ein bekanntes Bild in Supermärkten: Preissenkungen (Rabatte), Sonderverpackungen, Aufsteller, Zugaben und andere Aktionen, die ein Produkt bewerben. Zusammenfassend: konsumentengerichtete Handelspromotionen.

Der Hersteller muss entscheiden, wann welche Produkte mit welchen dieser verkaufsfördernden Maßnahmen bedacht werden um sein Budget möglichst gewinnbringend einzusetzen. Die Produktverantwortlichen müssen nicht nur ein einzelnes Produkt mit passenden Taktiken bestücken. Vielmehr muss ein Portfolio an Maßnahmen für unterschiedliche Produkte konstruiert werden.

Demoansicht eine Promotionskalenders
© ITWM
Demoansicht eine Promotionskalenders

Kannibalisierungseffekt: »Model learning«-Ansatz bewährt

Wichtige Zielgrößen sind die Kosten, der Gesamtumsatz und die Marge. Jede Maßnahme erzeugt nicht nur ein Plus an Abverkäufen, sondern kann auch den Absatz eigener anderer Marken negativ beeinflussen. Dieser Effekt wird als Kannibalisierung bezeichnet. Beispielsweise bedeutet ein Mehrverkauf der preisreduzierten Nussschokolade wenige Verkäufe der regulär verkauften Vollmilchschokolade.

Die Absatzprognose von Handelspromotionen ist ein Projektbeispiel, in dem sich der »Model learning«-Ansatz, also die Kopplung von Rahmenmodellen mit Kalibrierungsdaten, gegenüber einem rein datengetriebenen »Big Data«-Modell bewährt hat.

Dies ist insbesondere darin begründet, dass verfügbare Absatzdaten aus verschiedenen Quellen nicht immer die nötige Qualität und Quantität aufweisen, als dass sowohl das Basismodell als auch die Ausnahme (Reaktion auf Promotionsmaßnahmen) solide gelernt werden könnte. Durch das unterliegende Modell behält man außerdem die Kontrolle darüber, dass Prognosen stets plausibel sind, beziehungsweise andernfalls Datenqualitätsprobleme offengelegt werden können.