KI-Unterstützung beim Absatz-Forecast bei der Badischen ... / 3.5 Die entscheidenden Einflussfaktoren

Grundsätzlich können die entscheidenden Einflussfaktoren in vier Kategorien eingeordnet werden (siehe Abb. 1).

1. Zeitreihen-/Kalenderinformationen. Das heißt, der Trend und die Saisonalität der historischen Daten sowie die Feiertage, die Ferien und während der Corona-Zeit der Lockdown.
2. Wetterdaten. Insbesondere die Temperatur, der Niederschlag sowie die Sonnenstunden.
3. Preisstrategie der Konkurrenz: Einflussfaktoren sind z. B. der unverbindliche Verkaufspreis (UVP), die Anzahl an Angeboten und die Angebotsaggressivität.
4. Preisstrategie von Rothaus.

Abb. 1: SHAP Value-Grafik über die Einflüsse auf das Modell

Jeder Punkt auf der x-Achse von Abb. 1 beschreibt den Einfluss eines Merkmals auf die Absatzmenge. Punkte nahe der Nulllinie haben einen geringeren Einfluss als die weiter entfernten Punkte. Die Färbung der Punkte beschreibt die Merkmalsausprägung. Das heißt, hohe Ausprägungen sind rot eingefärbt und niedrige Ausprägungen blau. Beispiel: Bei der Temperatur kann festgehalten werden, dass hohe Temperaturen einen positiven Effekt auf die Absatzmenge haben.

Die Prognosegenauigkeit zeigt sich in Tab. 2. Hier sieht man drei Prognosemodelle, welche alle dieselben Einflussgrößen verwenden, jedoch unterschiedliche Algorithmen verwenden. Je nach Zeitreihe kann das eine Modell besser als das andere funktionieren. Der Anwender kann zukünftig anhand seiner Erfahrungswerte einschätzen, welches Modell am besten zu welcher Zeitreihe passt, oder den Durchschnitt der drei Modelle verwenden, um einen Orientierungswert für die Planung zu erhalten. Die tatsächliche Absatzmenge von Rothaus wurde bei Tab. 3 auf den Wert 100 normiert. Die Prognosewerte wurden dementsprechend ebenfalls normiert. So kann die Genauigkeit der Prognosen dargestellt werden, ohne dass Rückschlüsse auf die tatsächliche Absatzmengen gezogen werden können. In Tab. 3 wird erkennbar, dass die durchschnittliche Prognose auf Basis der KI-Modelle nie weit von der tatsächlichen Menge abweicht. Es gibt aber größere Abweichungen, wenn man die einzelnen Prognosemodelle mit den Ist-Mengen vergleicht. Welcher Algorithmus sich für welche Zeitreihe am besten eignet, oder ob die Verwendung aller drei Modelle zu Errechnung der Durchschnittswerte genauer ist, muss noch durch fortlaufende Verwendung getestet werden.

Monat	Prognose-Modell 1	Prognose-Modell 2	Prognose-Modell 3	Prognose-Modell Ø	Ist-Menge	Abweichung Ist-Prognose
Januar 2023	91,4	92,3	93,0	92,2	100,0	8,4 %
Februar 2023	93,7	92,7	111,2	99,2	100,0	0,8 %
März 2023	97,7	83,2	105,5	95,4	100,0	4,8 %
April 2023	91,4	102,6	106,8	100,3	100,0	-0,3 %
Mai 2023	86,6	87,0	111,6	95,1	100,0	5,2 %

Tab. 2: Prognosemodelle und IST-Absatzmenge (100 %) im Vergleich

Welche Wirkung die KI-gestützte Prognose entfaltet, zeigt sich besonders beim Jahresvergleich der Monate Januar bis Mai (siehe Tab. 3). Die KI-gestützte Prognose 2023 ist in den meisten Zeiträumen deutlich genauer als das klassische Verfahren in den Jahren zuvor. Beispielsweise verfehlen die Absatzprognosen für Januar 2021 und Januar 2022 die tatsächliche Absatzmenge mit über 30 %, während das KI-Modell im Januar2023 nur 12,5 % daneben liegt. Im März 2022 und Mai 2022 war die KI-Prognose in denselben Monaten schlechter. Grund dafür könnte sein, dass andere Variablen hier eine Rolle gespielt haben, die das KI-Modell nicht zur Verfügung hatte, um diese zu berücksichtigen. Das KI-Modell war trotzdem nicht stark ungenau.

Monat	2021	2022	2023
Januar	39,1 %	32,3 %	12,5 %
Februar	20,7 %	15,4 %	2,3 %
März	5,6 %	2,8 %	4,8 %
April	22,9 %	22,8 %	8,0 %
Mai	9,0 %	3,1 %	7,5 %

Tab. 3: Abweichung abschließende Absatzplanung zum IST-Absatz

An diesem Beispiel zeigt sich, dass die KI den Controller nicht ersetzen kann, sondern als Unterstützung einsetzbar ist, da die betriebswirtschaftliche Erfahrung eines Controllers nicht mit einem Algorithmus ersetzt werden kann. Dabei ist zu berücksichtigen, dass die Prognoseergebnisse im Jahr 2023 nicht den endgültigen Planungswert darstellen, sondern im Rahmen des Planungsprozesses die Werte "manuell" angepasst wurden. Der Prognosewert dient lediglich als Orientierung für die Vertriebsplaner.