Nachfrageprognose und Sortimentsoptimierung nach Store-Cluster

# Nachfrageprognose und Sortimentsoptimierung nach Store-Cluster

Eine Filiale an der KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →üste Floridas und eine Filiale im Vorortgebiet von Minnesota tragen dasselbe Logo, folgen demselben zentralen Planogramm und ordern oft dieselbe Winterjacke. Die eine verkauft im Juli alle Regenschirme aus. In der anderen stehen Schneeschaufeln bis Mai im Lager. Beide verschenken Geld.

Das ist der Kernkonflikt im Handel: eine nationale Einkaufsentscheidung trifft auf Tausende hyperlokale Nachfragerealitäten. Mit Daten lässt sich diese Lücke schließen, nicht perfekt, aber so weit, dass es zählt.

Die zwei Kosten, die Sie ausbalancieren

Jede Sortimentsentscheidung ist eine Wette gegen zwei entgegengesetzte Fehler.

Entgangene Umsätze (Stockouts): Ein Kunde will das Produkt, das Regal ist leer, ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → geht (oder kauft beim Wettbewerb). Diesen Umsatz sehen Sie nie, deshalb ist ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → in Ihren Reports unsichtbar. Und genau das macht ihn gefährlich.

Überbestand mit Markdown-Folge: Sie haben zu viel eingekauft, es hat sich nicht verkauft, und jetzt senken Sie den Preis, um es abzuverkaufen. Der Markdown (eine dauerhafte Preisreduzierung zum Abbau von Bestand) frisst Ihre Marge und oft auch Ihre Lagerfläche.

Gute Prognose ist die Kunst, zwischen diesen beiden zu sitzen. Sie werden nie beide beseitigen. Ziel ist es, die Gesamtkosten des Irrtums zu minimieren.

Warum eine nationale Prognose scheitert

Eine einzige kettenweite Prognose für eine SKU (Stock Keeping Unit, der eindeutige Code für eine bestimmte Produktvariante, etwa „Herren-Fleece, navy, Größe L") setzt voraus, dass jede Filiale derselben Nachfrage gegenübersteht. Das ist nicht so.

Die Nachfrage in einer Filiale wird geprägt von:

• Saisonalität: vorhersehbare Kalendermuster (Schulanfang, Grillsaison, Weihnachtsbacken).
• Wettersignale: Eine Hitzewelle treibt Ventilatoren und kalte Getränke; ein früher Frost zieht die Pullover-Nachfrage vor.
• Lokale Demografie: Altersstruktur, Haushaltsgröße, Einkommen, Ethnie und Sprache im Einzugsgebiet (die Geografie, aus der eine Filiale ihre Kunden tatsächlich zieht).

Jede von Tausenden Filialen einzeln zu prognostizieren ist teuer und verrauscht. Die gesamte Kette zu prognostizieren ist günstig, aber falsch. Der praktikable Mittelweg ist Store-Clustering.

Store-Clustering: die Arbeitspferd-Technik

Clustering gruppiert Filialen, die sich ähnlich verhalten, sodass Sie für eine Handvoll Cluster statt für Tausende Filialen prognostizieren und sortieren.

Sie clustern nicht allein nach Geografie. Eine Innenstadtfiliale in Chicago kann sich stärker wie eine Innenstadtfiliale in Denver verhalten als wie eine Vorortfiliale 20 Meilen entfernt. Übliche Clustering-Inputs:

• Historischer Umsatzmix nach Kategorie (was dort tatsächlich verkauft wird).
• Demografie des Einzugsgebiets (aus Zensusdaten).
• Filialformat und -größe (Quadratmeter, urban vs. Highway).
• Klimazone.

Kostenlose, hochwertige Demografiedaten für US-Einzugsgebiete gibt es im Datenportal des U.S. Census Bureau, das viele Händler als Ausgangsschicht nutzen, bevor sie zugekaufte Datensätze ergänzen.

So sieht ein einfacher Clustering-Schritt mit Umsatz- und Demografie-Features aus:

from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

# features: eine Zeile pro Filiale
# z. B. pct_sales_outdoor, pct_sales_baby, median_income,
#        avg_summer_temp, store_sqft
X = store_features[feature_cols]
X_scaled = StandardScaler().fit_transform(X)   # skalieren, damit kein Feature dominiert

km = KMeans(n_clusters=8, random_state=42)
store_features["cluster"] = km.fit_predict(X_scaled)

Acht Cluster sind illustrativ, keine Regel. Sie wollen wenige genug Cluster, um sie zu steuern, aber genug, um echte Unterschiede zu erfassen. Händler landen oft zwischen 5 und 20 und benennen sie in Klartext: „urban young professional", „family suburban", „rural value", „tourist seasonal".

Der Sinn eines Namens ist Handlungsfähigkeit. Ein Einkäufer kann über „tourist seasonal"-Filialen nachdenken. Über „Cluster 6" kann niemand nachdenken.

Nachfrageprognose auf SKU-Ebene

Sind die Filialen geclustert, prognostizieren Sie die Nachfrage auf Cluster- und SKU-Ebene. Ein moderner Ansatz schichtet mehrere Signaltypen übereinander.

1. Baseline aus saisonaler Historie

Starten Sie mit dem, was die SKU (oder eine ähnliche SKU) im Vorjahr in diesem Cluster getan hat, kalenderbereinigt. Das erfasst den wiederkehrenden Rhythmus: die Sonnencreme-Kurve, den Weihnachts-Peak.

Bei wirklich neuen Produkten ohne Historie leihen Sie die Kurve eines vergleichbaren Produkts (ein Like Item oder attributbasiertes Analogon) und skalieren sie.

2. Wettersignale ergänzen

Wetter ist eines der wertvollsten externen Signale im Handel, weil es sowohl prädiktiv als auch im Voraus verfügbar ist. Kurzfristprognosen (etwa eine bis zwei Wochen) sind zuverlässig genug, um die Nachbestellung auf Filialebene zu verschieben.

Ein konkretes Beispiel: Ein Getränkelieferant weiß, dass die Nachfrage nach kalten Getränken nichtlinear anspringt, sobald die Tageshöchstwerte eine lokale Schwelle überschreiten. Die Schwelle unterscheidet sich je Region, denn ein „heißererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → Tag" in Phoenix ist kein heißererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → Tag in Seattle. Clustering plus lokale Wetter-Baselines fangen das auf.

3. Lokale Demografie und Events einbeziehen

Demografie ändert sich selten von Woche zu Woche, sie prägt daher vor allem die Baseline und das Sortiment (siehe unten). Lokale Events (ein Stadionspielplan, ein Festival, ein Schulkalender) sind die schärferen kurzfristigen Treiber.

Eine Anmerkung zur Genauigkeit

Keine Prognose ist exakt. Verfolgen Sie den Fehler ehrlich. Eine verbreitete Metrik ist MAPE (Mean Absolute Percentage Error), die durchschnittliche Größe Ihrer Abweichung in Prozent des tatsächlichen Umsatzes. Niedriger ist besser, aber die Jagd nach einer perfekten Zahl ist eine Falle: Der Wert liegt darin, weniger falsch zu sein als Ihr aktueller Prozess, nicht darin, richtig zu sein.

Achten Sie auch auf Bias (prognostizieren Sie systematisch zu hoch oder zu niedrig?). Eine Prognose, die abweicht, aber ausgewogen ist, lässt sich handhaben. Eine Prognose, die immer zu niedrig liegt, erzeugt leise chronische Stockouts.

Von der Prognose zur Sortimentsentscheidung

Die Prognose sagt Ihnen *wie viel*. Das Sortiment sagt, *was Regalfläche verdient*.

Regalfläche ist begrenzt und teuer. Jede SKU, die Sie führen, konkurriert um Platz, um im Bestand gebundenes Kapital und um Arbeitszeit. Sortimentsoptimierung entscheidet unter dieser Restriktion, welche SKUs in welchem Cluster geführt werden.

Die Logik pro Cluster:

1. SKUs nach erwartetem Beitrag ranken: Prognosenachfrage mal Marge, bereinigt um die Kosten der Bestandshaltung.

2. Substitution berücksichtigen. Wenn Sie eine SKU streichen, fließt ein Teil ihrer Nachfrage zu einer ähnlichen. Zwei nahezu identische navyfarbene Fleeces verdienen vielleicht nicht beide Platz. Das ist Sortimentskannibalisierung, und wer sie ignoriert, überschätzt den Wert doppelter Artikel.

3. Den „Must-Stock"-Kern schützen. Manche Artikel existieren wegen Frequenz oder Markenversprechen, nicht wegen Marge (Milch, Basisgrundnahrungsmittel). Sie bleiben unabhängig vom Ranking.

4. Der Fläche anpassen. Ergänzen Sie SKUs entlang der Rangliste, bis das Regal oder das Kapitalbudget voll ist.

Das praktische Ergebnis ist ein clusterspezifisches Planogramm (das Diagramm, das genau zeigt, welche Produkte wo im Regal stehen). Das Minnesota-Cluster „family suburban" bekommt Schneeausrüstung und eine tiefe Babyabteilung. Das Florida-Cluster „tourist seasonal" bekommt Sonnencreme-Facings und Reisegrößen. Dieselbe Kette, andere Regale.

Typische Fehlermuster

Einmal clustern und vergessen. Einzugsgebiete verschieben sich, wenn sich Viertel verändern. Clustern Sie nach Plan neu (viele Händler prüfen jährlich) und kontrollieren Sie, ob Filialen zwischen Clustern gewandert sind.

Umsatz für Nachfrage halten. Ihre Umsatzdaten zeigen nur, was Sie verkaufen *konnten*, gegeben das, was im Regal lag. War ein Artikel ausverkauft, war die echte Nachfrage höher. Die Korrektur dafür heißt Unconstraining oder Demand Recovery. Lassen Sie sie weg, und Ihre Prognose wird Ihre Bestseller weiter unterbestellen, ein sich selbst verstärkender Fehler.

Den Tail zu stark kürzen. Langsamdreher zu streichen fühlt sich effizient an, aber ein dünnes Sortiment kann Kunden zu Wettbewerbern treiben, die die volle Bandbreite führen. Der Long Tail existiert manchmal, um den ganzen Warenkorb zu halten.

Ein Modell für alles. Ein stabiler Basisartikel (Zahnpasta) und ein volatiler Modeartikel verhalten sich unterschiedlich. Mode hat kurze Lebenszyklen und kaum Wiederholungshistorie; Basisartikel sind vorhersehbar. Nutzen Sie Prognoseansätze, die zum Verhalten des Produkts passen.

Ein durchgerechnetes Mini-Szenario

Ein regionaler Lebensmittelhändler clustert seine Filialen und findet ein Cluster „high-density urban", in dem die Warenkörbe klein sind und Kunden häufig kommen. Der kettenweite Plan weist jeder Filiale die volle Bandbreite großererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → Familienpackungen Cerealien zu.

Die Cluster-Prognose, informiert durch Demografie (kleinere Haushalte, weniger Vorratsplatz), sagt schwache Nachfrage nach den größten Packungen und starke Nachfrage nach Single-Serve voraus. Der Händler verteilt die Regalfläche neu: weniger Familienpackungen, mehr Single-Serve und kleine Premiumformate.

Richtung des Ergebnisses (keine garantierte Zahl): weniger Markdowns auf unverkauften Familienpackungen, weniger Stockouts bei den Single-Serve-Artikeln, die die Kunden tatsächlich wollten. Das Regal passt endlich zum Kunden.

Wichtigste Erkenntnisse

• Sie minimieren die Kosten des Irrtums, im Ausgleich zwischen unsichtbaren entgangenen Umsätzen und margenfressenden Markdowns. Keines von beiden geht auf null.
• Clustern Sie Filialen, dann prognostizieren Sie. Pro Filiale ist zu verrauscht, kettenweit zu grob. Benennen Sie Cluster in Klartext, damit Einkäufer damit arbeiten kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen.
• Schichten Sie Signale: saisonale Historie für die Baseline, Wetter für kurzfristige Verschiebungen, Demografie und lokale Events für Kontext.
• Unconstrainen Sie Ihre Nachfrage. Umsatzdaten verbergen Stockouts; prognostizieren Sie auf Rohumsatz, unterbestellen Sie chronisch Ihre Gewinner.
• Sortiment ist eine Flächen- und Kapitalentscheidung. Ranken Sie SKUs nach Beitrag, berücksichtigen Sie Substitution, schützen Sie den Kern und übersetzen Sie das in clusterspezifische Planogramme.