Erkenntnisse über den Kannibalisierungseffekt im Einzelhandel

Es ist erwiesen, dass Machine Learning (ML) Erkenntnisse über Daten und Prozesse liefert und somit in jeder Branche als Grundlage für unternehmerische Entscheidungen dienen kann. Aufgrund des großen Volumens und der hohen Übertragungsgeschwindigkeit der Daten ist es jedoch schwierig, diese Erkenntnisse sowohl proaktiv – abhängig von bereits etablierten Prozessen – als auch reaktiv – unter Berücksichtigung von Unbekannten – zu gewinnen. In diesem Blogeintrag bieten wir Ihnen einen Überblick über die Methodik zur Erkennung und Lösung des Problems der Kannibalisierung von Produkten bei Werbekampagnen im Einzelhandel. Der hier behandelte Anwendungsfall zielt darauf ab, die Auswirkungen von Angebotsprodukten zu analysieren, insbesondere um Kannibalisierungseffekte zu ermitteln – wenn also Werbeaktionen den Absatz von nicht beworbenen Produkten drastisch senken.

Ein Beispiel: Eine Supermarktkette entscheidet sich für eine Verkaufsaktion mit 500 g Hähnchenbrust. Diese Aktion wirkt sich maßgeblich auf die Verkaufszahlen bestimmter anderer Produkte aus. In unserem Beispiel ging der Verkauf von Kalbsschnitzel und verschiedenen Putenprodukten innerhalb des Aktionszeitraums um mehr als 20 % zurück. Viele dieser Zusammenhänge werden jedoch nicht im Vorfeld erkannt. Wenn sich die Geschäftsführung vorab auf solche Auswirkungen der Aktion auf andere Produkte einstellen könnte, dann könnte sie auch ihre Bedarfsplanung so anpassen, dass nur Produkte bestellt werden, für die während des Aktionszeitraums auch wirklich eine Nachfrage erwartet wird – und weniger andere Produkte mit zu erwartender geringerer Nachfrage.

Daher prognostizieren wir für diesen Anwendungsfall die Nachfrage nach Produkten unter Berücksichtigung von Verkaufsaktionen, wodurch sich Bestände anpassen und Warenausschuss reduzieren lassen. Wir haben diesen Anwendungsfall als vollautomatisierte ML-Anwendung implementiert, die in der Lage ist, (i) ML-Modelle mit Daten zu erlernen, (ii) wertvolle Erkenntnisse zu liefern und (iii) eine Überwachung durchzuführen sowie langfristig die ML-Modell-Kompetenz auszuwerten.

Die Eingangsdaten für diesen Anwendungsfall umfassten die Verkaufstransaktionen mehrerer Jahre für eine Produktkategorie (Fleischerzeugnisse) eines Einzelhändlers mit mehreren Supermärkten in verschiedenen Regionen. Die Daten umfassten außerdem Angaben darüber, ob das Produkt über einen bestimmten Zeitraum im Angebot war. Die Ergebnisse dieses Anwendungsfalls sind für zwei Arten von Funktionen hilfreich: (i) für den Bedarfsplaner (Betriebsleistung) und (ii) für den Wirtschaftsanalytiker (ML-Analysen). Die Betriebsleistung bietet u. a. Erkenntnisse über die größten negativen Auswirkungen von Angebotsprodukten auf andere Produkte. Diese Erkenntnisse dienen dazu, dass Supermärkte ihre Bestände entsprechend anpassen und keine Waren wie z. B. schnell verderbliche Lebensmittel bestellen, wenn bei diesen ein geringerer Absatz zu erwarten ist. Das Ergebnis der ML-Analyse umfasst ML-Modelle, Leistungsparameter und langfristige Auswertungsergebnisse. Anhand dieser Erkenntnisse lässt sich die Leistungsfähigkeit von ML-Modellen über einen längeren Zeitraum auswerten, und zwar anhand von Transaktionsdaten zu den Tagesumsatzeingängen, und ein Nachlernen dieser Modelle bei abnehmender Leistung einrichten.

Die Methodik umfasst die Erstellung von ML-Modellen, die Aufschluss über den Kannibalisierungseffekt von Verkaufsaktionen liefern, und die Erstellung von Workflows, welche Lebenszyklus, Überwachung und Auswertung von ML-Modells ermöglichen. Der zentrale Baustein bei diesem Anwendungsfall ist die Plattform A1 Digital ML von BigML. Sie übernimmt die weiterführende Arbeit der manuellen Feinabstimmung von ML-Modellen sowie der Ausführung komplexer Workflows. Die Plattform ermöglicht es uns, die Workflows und deren Ausführung vollständig zu automatisieren.

ML-Modelle in diesem Anwendungsfall umfassen Regressionen, Assoziationsanalyse und Anomaliedetektoren. Regressionsmodelle werden angewandt, um den erwarteten Umsatz von Produkten vorherzusagen, um zu analysieren und abzuschätzen, ob die tatsächlichen Umsätze von nicht beworbenen Produkten aufgrund von Werbekampagnen steigen oder sinken.

Die Assoziationsanalyse deckt „signifikante“ Beziehungen, sogenannte Assoziationsregeln, zwischen beworbenen und nicht beworbenen Produkten auf. Uns interessiert die Ermittlung der negativen Auswirkungen von Werbeaktionen, d. h. Fälle, in denen der erwartete Absatz von Produkten um mehr als 20 % zurückgeht. Abbildung 1 zeigt z. B. die ermittelten Abhängigkeiten der Produktpaare mit einem erheblichen Umsatzrückgang im Vergleich zum erwarteten Umsatz. Ein nicht beworbenes Produkt mit der Kennung id=141 wird vom beworbenen Produkt mit der Kennung id=89 beeinflusst; nicht beworbene Produkte mit id=44 und id=62 werden vom Werbeprodukt id=145 beeinflusst usw.

Machine-Learning-Blog-1.png

Abbildung 1: Assoziationsregeln zwischen beworbenen und nicht beworbenen Produkten

Die Ergebnisse der Assoziationsanalyse werden in einen prozentualen Umsatzrückgang umgerechnet, der vorab angibt, wie der Umsatz bestimmter Produkte je nach Werbeprodukt über den Zeitraum der Verkaufsaktion sinkt. Anhand dieser Ergebnisse lassen sich geplante Verkaufsaktionen vorab analysieren, um frühzeitig die allgemeinen Verkaufsbestände anzupassen. Dies ist besonders bei schnell verderblicher Ware wichtig, wie z. B. bei Lebensmitteln und Getränken. Beispielsweise wird erwartet, dass sich das Aktionsprodukt PRODUCT-45 negativ auf den Verkauf der Produkte PRODUCT-98, PRODUCT-53, PRODUCT-144 usw. auswirkt. Demnach wäre es effizient, von diesen nicht beworbenen Waren über die Dauer der Verkaufsaktion von PRODUCT-45 weniger einzukaufen, um Geld zu sparen und um die Menge eventuell abgelaufener Ware zu reduzieren.

Machine-Learning-Blog-2.png

Abbildung 2: Die Auswirkungen eines Aktionsprodukts PRODUCT-45 auf andere, nicht beworbene Produkte

Neben der Assoziationsanalyse ist auch eine Überwachung der täglichen Leistung der Assoziationsregeln erforderlich – und das konstante Lernen aus Transaktionsdaten für Umsatzeingänge. Aus diesem Grunde trainieren wir Anomaliedetektoren – als leistungsfähiges Hilfsmittel zur Messung der Zuverlässigkeit von Assoziationsregeln. Bei jedem Erstellen der Assoziationsregeln legen wir einen Anomaliedetektor an. Anhand der Berechnung, wie stark die neuen Tagesumsatz-Transaktionsdaten abweichen, können wir ermessen, wie weit die neuen Daten von den Daten entfernt sind, die bei der Erstellung der Assoziationsregeln genutzt wurden, siehe Abbildung 2. Dies liefert ML-Analysten die erforderlichen Angaben darüber, wann die Assoziationsregeln zu aktualisieren sind. Ein hoher Anomaliewert über einen bestimmten Zeitraum bedeutet, dass die Assoziationsregeln nicht mehr zu den neuen Umsatztransaktionen passen – entweder aufgrund eines veränderten Kundenverhaltens oder z. B. aufgrund einer großen Krise wie der Corona-Pandemie, die sich ganz bestimmt deutlich auf die Umsatzzahlen ausgewirkt hat. Nach dem Aktualisieren der Assoziationsregeln ist es wichtig, die neuen Regeln über einen Testzeitraum auszuwerten und zu prüfen, ob sie mit den neuen Umsatztransaktionsdaten besser abschneiden.

Machine-Learning-Blog-3.png

Abbildung 3: Anomalierate bei den täglich eingehenden Umsatztransaktionsdaten

Neben der Berechnung von Anomaliewerten gibt es noch weitere Ansätze zur Bewertung der Assoziationsanalyse. Durch Anwendung der Modelle können wir die Tagesumsatz-Transaktionsdaten mit den prognostizierten Umsatzzahlen vergleichen und die Fehlerquote bei der Leistung der Assoziationsregeln berechnen. Somit geben Fehlerquoten zusammen mit Anomaliewerten an, wann neue Assoziationsregeln anhand der neuesten verfügbaren Verkaufstransaktionsdaten zu erstellen sind. Abbildung 3 zeigt z. B. eine Übersicht über die Modellleistung mit den Beispielauswertungen zweier Assoziationsanalysemodelle: „In Anwendung“ und „In Erprobung“

Machine-Learning-Blog-4.png

Abbildung 4: Die Übersicht über die Modellleistung

Dieser Anwendungsfall ist ein gutes Beispiel dafür, wie Machine Learning einen Überblick darüber geben kann, wie sich Werbekampagnen im Einzelhandel auf den Verkauf nicht beworbener Produkte auswirken. Machine Learning hilft dabei, die negativen Auswirkungen von Werbekampagnen auf andere Produkte zu erkennen und einzudämmen, den Warenbestand proaktiv sowie reaktiv anzupassen, Warenausschuss zu reduzieren und vor allem die Kosten für Einzelhändler zu senken.