Die Preisanpassung basiert auch auf individuell berech-
neten Preiselastizitäten, die auf granularster Ebene
aufgrund historischer und aktueller Absatzzahlen und
Preise berechnet werden. Diese Elastizitäten werden
genutzt, um zu entscheiden, bei welchen Artikeln
Preisänderungen durchgeführt werden können. Die
Anpassungen können unter der Berücksichtigung von
strategischen Zielen durchgeführt werden. Dabei ste-
hen unter anderem Absatz- oder Umsatzoptimierung
sowie auch Rentabilitätsoptimierungen zur Wahl.
Erfolgsfaktor Daten
Der Erfolg von Verfahren der statistischen Datenana-
lyse ist stark von den zur Verfügung stehenden Infor-
mationen abhängig. Sowohl die Qualität als auch die
Quantität der Daten ist entscheidend für die Genauig-
keit einer Vorhersage.
Die Quantität der Daten lässt sich in zwei Kategorien
einteilen:
1. Die Anzahl der Variablen, die als relevante Ein-
flussfaktoren betrachtet werden: Als mögliche Ein-
flussfaktoren gelten alle Daten, die dazu dienen kön-
nen, Schwankungen der vorherzusagenden Werte zu
erklären. Im Handel können dies beispielsweise Infor-
mationen über das Wetter sein. Auch Preisänderungen
der Artikel, Marketingaktionen und Konkurrenzpreise
können als erklärende Faktoren dienen. Man nennt
diese Variablen im statistischen Sprachgebrauch auch
exogene Variablen, während die vorherzusagende
Größe eine endogene Variable ist. Je mehr dieser Daten
existieren, desto wahrscheinlicher ist es, signifikante
Zusammenhänge zwischen diesen Daten herzustellen.
2. Die Länge der zur Verfügung stehenden Historie
dieser Variablen: Eine längere Datenhistorie ermög-
licht eine bessere Erkennung periodisch auftretender,
zum Beispiel an Feiertage gekoppelte, Ereignisse, aus
denen Muster und Zusammenhänge gelernt werden
können. Dabei gilt, dass die notwendige Länge der
Datenhistorie mit dem Vorhersagehorizont zunimmt.
Die Länge der Datenhistorie steigt auch, wenn die
Periodizität der Ereignisse, die als exogene Variablen
berücksichtigt werden sollen, sehr gering ist. Ein
Beispiel hier ist der Einfluss von Olympischen Win-
terspielen auf Nachfrage nach Wintersportartikeln.
Da olympische Spiele nur alle vier Jahre vorkommen,
muss eine Datenhistorie zur Analyse dieses Effekts
mindestens vier Jahre betragen.
Den Effekt der Länge der zur Verfügung stehenden
Historie konnte Blue Yonder in verschiedenen Pro-
jekten messen. Beispielsweise konnte in einer Studie
zur Absatzprognose von Promotionware festgestellt
werden, dass die Vorhersagegenauigkeit bei Ver-
wendung von zwei Jahren Datenhistorie gegenüber
einem Jahr um ca. 15 % und bei einer Erweiterung
der Historie auf drei Jahre um weitere 10 % verbessert
werden kann.
Aus der Darstellung wird ersichtlich, dass für histo-
rische Daten im Allgemeinen ein abnehmender
Grenznutzen vorliegt. Da die Kosten der Speicherung
historischer Daten jedoch kontinuierlich abnehmen,
sollte eine vollständige Erfassung von Unterneh-
mensdaten erfolgen. Insbesondere sollten Stammda-
ten historisiert und Bewegungsdaten nicht gelöscht
werden. Dies ist auch vor dem Hintergrund relevant,
ist Professor für experimen-
telle Elementarteilchenphysik
des Karlsruher Instituts für
Technologie (KIT) und Chief Scientific Advisor
sowie Mitglied des Beirates der Blue Yonder
GmbH in Karlsruhe.
Prof. Dr. Michael Feindt
Hamburg, ist Head of Consul-
ting der Blue Yonder GmbH in
Karlsruhe.
Daniel Grüßing
10_11
Prescriptive Analytics
