Ein Pop-up-Händler prognostizierte die Nachfrage anhand kleiner Teststarts, nicht anhand von Expertenurteilen

Das gesamte Geschäftsmodell des Händlers bestand aus Pop-up-Ware: kurze Serien neuartiger Produkte, die schnell wieder verschwanden. Expertenurteile stießen an ihre Grenzen, weil die Produkte trendig waren, keine historischen Absatzkurven hatten und das Unternehmen mit teurem Lagerbestand zurücklassen konnten, der nie verkauft wurde.

Statt Experten zu bitten, die gesamte Serie zu schätzen, nutzte das Unternehmen ein Testmarktprotokoll. Zunächst wurden kleine Mengen zum Verkauf angeboten, wodurch frühe Nachfragesignale entstanden, die mit anderen Daten zu 508 Produkten kombiniert und mit Lasso und stochastischem Gradient Boosting modelliert wurden.

Das Ergebnis war praktisch, nicht akademisch geschliffen: Die Verwendung von prädiktiver Analytik statt Expertenmeinung reduzierte den Anteil der Artikel, die unverkauft blieben, um etwa 40 %, sodass das Unternehmen weniger tote Produkte herstellte und seine Lieferkette mit weniger Verschwendung bewirtschaftete.

Lassen Sie kleine Teststarts die Prognose lehren

Der Testmarkt verwandelte eine unbekannte Mode-Wette vor der Vollproduktion in ein messbares Signal.

Regularisierte und Boosting-Modelle verarbeiteten viele Produktmerkmale, ohne einer einzelnen Experten-Erzählung zu sehr zu vertrauen.

Das Ergebnis passte zur Geschäftsentscheidung: ob mehr Einheiten hergestellt werden sollten, nicht ob das Produkt stilvoll erschien.

Für neue Produkte ohne Zeitreihe gilt: Informationen günstig kaufen, bevor Lagerbestand teuer gekauft wird.

Der INFORMS-Artikel berichtet, dass das Unternehmen die prädiktiven Prognosen übernahm, um weniger Produkte herzustellen, die nie verkauft werden, und um seine Lieferkette effektiver zu bewirtschaften. Der Fall ist ein kompaktes Beispiel dafür, geschmacksbasierte Prognosen durch günstige, gestufte Evidenz zu ersetzen.