Die Auswirkung von Marketing-Kampagnen auf die Supply Chain

von Gastbeitrag: Round Earth Consulting Ltd.

Wie maschinelles Lernen dabei hilft, die richtigen Kompromisse zwischen Marketing und Planern zu finden

Werbe- und Marketing-Kampagnen beeinflußen die Nachfragevorhersage

Bild: ToolsGroup

Vorhersagen zur Auswirkung von Marketing-Kampagnen auf die Nachfrageentwicklung zu treffen ist schwierig, da viele verschiedene Faktoren berücksichtigt werden müssen. Dennoch ist dies wichtig. Eine Kampagne kann schnell nach hinten losgehen, wenn die beworbenen Artikel vergriffen sind und neue Lieferungen auf sich warten lassen.


Es ist die Aufgabe der Planer und Disponenten, die Nachfrage für solche Kampagnen zu planen und auf sie zu reagieren. Meist wird die Arbeit von Marketing und Planer nach unterschiedlichen, sich widersprechende Kennzahlen bewertet, was dann schnell zu Kompromissen führt, die zu Lasten der einen oder anderen Partei gehen. Glücklicherweise gibt es heute integrierte Planungslösungen, die mit fortschrittlichen Technologien wie maschinellem Lernen oder Demand Sensing dabei helfen, diese Kompromisse möglichst klein zu halten. Wie diese Technologien genau funktionieren soll im Folgenden aufgezeigt werden.


Die Schwierigkeit vorherzusagen, welche Auswirkungen eine Marketing-Kampagne auf die Nachfrage hat, beginnt bereits mit der Erstellung einer soliden Basisprognose über die normale Nachfrage. Bereits hier fehlt es vielen Unternehmen an Präzision, da sie zu oft auf Intuition, Spekulationen und stark vereinfachte Berechnungen bauen, anstatt moderne Technologien zu nutzen.


In einem nächsten Schritt wird dann eine weitere Prognose erstellt, die ermittelt um wieviel mehr im Vergleich zur Basisprognose die Nachfrage durch eine Kampagne potentiell ansteigt. Mit dieser Prognose können die Disponenten sicherstellen, dass genügend Bestand auf Lager ist. Auch hier fehlt es vielen Unternehmen an Erfahrung und Technologie, um genaue Vorhersagen zu treffen. Nicht selten werden die Berechnungen in Excel durchgeführt. Excel oder andere Tabellenkalkulationen sind aber höchst ungeeignet ist für die Analyse vielen verschiedenen Variablen und Datenquellen, die für solche Prognosen herangezogen werden müssen.


Wie es anders gehen kann zeigen Marktführer wie Danone in Italien. Das Unternehmen nutzt für solche Vorhersagen Algorithmen des Maschinellen Lernens und kann dadurch die Präzision der Nachfragevorhersage stark verbessern.


Danone bietet ein breites Spektrum an Produkten an. Mehr als 30 Prozent dieser Produkte werden mittels Aktionsangebote vertrieben, was zu einer Vorhersage-Ungenauigkeit von beinahe 70 Prozent führte. Danone investiert erheblich in Werbung, was starke Auswirkungen sowohl auf die Vorhersage, als auch den Vertrieb hat.
Danone bemühte sich darum, verschiedene, miteinander verbundene Aktivitäten zu verbessern: Nachfragevorhersage und Planung und Ausführung in verschiedenen Bereichen wie Vertrieb, Account-Planung und Finanzabteilung. Das Unternehmen suchte eine verlässliche Nachfragevorhersage-Plattform, die in der Lage ist, den Einfluss von Werbemaßnahmen auf die Basisnachfrage vorherzusagen und die die notwendige komplexe abteilungsübergreifende Koordination ermöglicht.


Die Implementierung eines auf Maschinellem Lernen basierenden Systems als Teil von Danones "Disc'Over"-Projektes verbesserte die Leistung entlang zahlreicher Geschäftskennzahlen, von der Vorhersage bis zur Produktionsplanung, inklusive:
- 20 Prozent weniger der Vorhersagefehler, Steigerung der Vorhersagegenauigkeit auf 92 Prozent
- 30 Prozent weniger entgangener Umsätze, Steigerung der Service Level auf 98,6 Prozent
- 30 Prozent weniger Produkt-Obsoleszenzen


Neben historischen Verkaufsdaten ziehen diese Systeme auch Daten zu Rendite und Mehrverkauf vergangener Promotionen heran und verknüpfen sie miteinander. Da die Algorithmen von den Daten lernen, wird die Vorhersage der Nachfrageentwicklung mit jeder Kampagne genauer. Mittlerweile kann Maschinelles Lernen sogar noch mehr und schlägt basierend auf angestrebten Umsatz und vergangener Daten neue Kampagnen vor, die geeignet sind, gesetzte Ziele zu erreichen. Wenn Maschinelles Lernen fürs Überwachen und für die Analyse der Bestände eingesetzt wird, kann das System automatisch ermitteln, wann der Lagerbestand knapp wird und entsprechend Warnungen schicken, sodass die Kunden nicht vorm leeren Regal stehen müssen. Das System kann auch ermitteln, wann es genau Zeit wird, eine Promotion zu stoppen, bevor sie unrentabel wird.
Mit Hilfe von Social Sensing können weitere Datenquellen für die Analyse herangezogen werden, wie zum Beispiele Wetter- oder Social Media-Daten, so dass potentielle Einflüsse immer besser erkannt und darauf reagiert werden kann, ohne dass die Kennzahlen der Planer oder des Marketings leiden müssen und alle ihre Ziele erreichen können.


Autor: Mauro Adorno, Geschäftsführer der ToolsGroup GmbH