Im
Einzelhandel spielen spezielle Promotionsangebote eine besondere
Rolle. Durch gezielte Massnahmen kann ein erhöhter Mehrverkauf erzielt werden.
Dieser Mehrverkauf ist von einer Reihe von Parameter abhängig. Die
Vorhersage des Mehrverkaufs gestaltet sich dennoch relativ kompliziert.
Eine Vorgehensweise ist die Extrapolation historischer Daten. Hier
haben sich zwei Hauptlinien entwickelt. Einmal die Anwendung von
Regressionsformeln. Diese basieren auf einer zumindest teilweisen
Vorkenntnis der Zusammenhänge
zwischen den Parametern. Im Falle relativ einfacher Vorhersageprobleme
sind sie relativ erfolgreich. Der andere Ansatz beruht auf der Theorie
der Neuronalen Netzwerke. Hier ist im allgemeinen keine Vorkenntnis
erforderlich. Das System erlernt die Zusammenhänge aus den historischen Daten.
Im Falle von Vorhersagen für Promotionsverfahren
im Einzelhandel sind beide Technologien bisher kommerziell kaum
erfolgreich. Die Implementierung der Neuronalen Netze ist zu aufwendig,
wodurch die Kosten im Endeffekt zu hoch liegen. Die Regressionsmethode
ist zu beschränkt und
weist keinerlei Lernfähigkeit
oder Generalisierungsfähigkeit
auf.in the
Retail promotions offer special promotional offers a special one
Role. Through targeted measures increased sales can be achieved.
This resale depends on a number of parameters. The
Prediction of the sale is still relatively complicated.
One approach is to extrapolate historical data. Here
Two main lines have developed. Once the application of
Regression formulas. These are based on an at least partial
Foreknowledge of the connections
between the parameters. In case of relatively simple prediction problems
are they relatively successful. The other approach is based on theory
of the neural networks. Here is generally no prior knowledge
required. The system learns the relationships from the historical data.
In case of predictions for doctoral procedures
in retail, both technologies are hardly commercially viable so far
successful. The implementation of the neural networks is too expensive,
whereby the costs are in the end too high. The regression method
is too limited and
has no learning ability
or generalization ability
on.
Das
vorliegende Patent umgeht nun dieses Dilemma. In den Regressionsverfahren
wird die Anzahl der Parameter erhöht und zusätzliche Nebenbedingungen eingeführt. Die
aus der Literatur bekannten Regressionsformeln werden dahingehend
erweitert, dass die vorliegenden Parameter auf eine grössere Anzahl
von Zeitintervallen aufgeteilt werden. Statt z. B. eines Parameters
für die
Wirkung des Rabatts wird dieser Parameter auf z. B. zwölf Parameter für den monatlichen
Einfluss der Werbung erweitert. Diese zeitliche Erweiterung erlaubt
eine genauere Approximation der historischen Daten. Eine zu grosse
Anzahl von Parametern kann aber ähnlich
wie im Falle der Neuronalen Netzwerke zu einem Überlernen führen. Dem wirkt ein Glättungsterm
entgegen. Dieser erniedrigt die Anzahl der effektiven Parameter.The
this patent now circumvents this dilemma. In the regression process
the number of parameters is increased and additional constraints introduced. The
From the literature known regression formulas are to the effect
extended that the present parameters to a larger number
be divided by time intervals. Instead of z. B. a parameter
for the
Effect of the discount, this parameter is set to z. B. twelve parameters for the monthly
Influence of advertising expanded. This temporal extension allows
a closer approximation of historical data. Too big
Number of parameters but can be similar
as in the case of neural networks lead to over-learning. This has a smoothing term
opposite. This lowers the number of effective parameters.
Insbesondere
durch den Glättungsterm,
bzw. den die Glättung
bestimmenden Glättungsparameter, lässt sich
die Lernfähigkeit
und die Generalisierungsfähigkeit
des neuen Verfahrens steuern. In der Praxis bedeutet dies ein im
Vergleich zu den Neuronalen Netzwerken geradezu minimaler Aufwand
in der Anpassung des Verfahrens. Die Bestimmung der Parameter bei
gegebener Glättung
wird durch ein Optimierungsverfahren, vorzugsweise Simulated Annealing,
vorgenommen. Als Kostenfunktion dient dabei die Abweichung der kleinsten
Quadrate von den tatsächlich
eingetretenen Mehrverkäufen.
Beispielsweise lernt das System aus den historischen Daten etwa über drei
Jahre. Für
das folgende halbe Jahr werden die Mehrverkäufe vorhergesagt. Diese Mehrverkäufe müssen möglichst
genau vorhergesagt werden.Especially
through the smoothing term,
or the smoothing
determining smoothing parameters, can be
the ability to learn
and the generalization ability
control the new process. In practice this means an im
Virtually minimal effort compared to neural networks
in the adaptation of the procedure. Determination of parameters at
given smoothing
is determined by an optimization method, preferably simulated annealing,
performed. The cost function is the deviation of the smallest
Squares of the actual
occurred additional sales.
For example, the system learns from the historical data about three
Years. For
the next half year, the sales are predicted. These sales must be as possible
be accurately predicted.
Der
grosse Vorteil des neuen Verfahrens liegt nun darin, dass bei geeigneter
Kombination der Anzahl der (zeitaufgelösten) Parameter und des Glättungsparameters
ein den Neuronalen Netzen ähnliches
Lern- bzw. Generalisierungsverhalten auftritt. Der Aufwand aber
vergleichsweise gering ist.Of the
The big advantage of the new method is that with suitable
Combination of the number of (time-resolved) parameters and the smoothing parameter
a similar to the neural networks
Learning or generalization behavior occurs. The effort though
is comparatively low.
Die
Vorgehensweise ist nun folgende: Die in der Literatur bekannten
Regressionsverfahren werden für
das vorliegende Problem identifiziert. Im nächsten Schritt wird die Anzahl
der Parameter erhöht,
in der Regel um ein mehrfaches. Ein Glättungsparameter wird eingeführt, der
zu grosse Abweichungen der Vorhersagen für kleine Parameteränderungen
verhindert. Die Parameter werden in einen Optimierungsverfahren
(Simulated Annealing) unter der Nebenbedingung einer bestimmten
Glättung
der Vorhersage bestimmt.The
The procedure is now the following: The known in the literature
Regression procedures are used for
identified the problem at hand. The next step is the number
the parameter increases,
usually a multiple. A smoothing parameter is introduced which
too large deviations of the predictions for small parameter changes
prevented. The parameters are in an optimization process
(Simulated annealing) under the constraint of a particular
smoothing
the prediction determined.