FeelEat stellt smarte Kühlschränke in Unternehmen auf. Für jeden dieser Kühlschränke muss jemand entscheiden, was hineinkommt: welche Gerichte und wie viele von jedem. Verschätzt man sich in die eine Richtung, ist das Gericht weg, das die Leute wollten. Verschätzt man sich in die andere, bleibt Essen unverkauft.
Wir haben das Modell zur KI-gestützten Nachfrageprognose gebaut, das im Planungsmodul von FeelEat steckt. Es berechnet, welche Gerichte und wie viele davon in den Kühlschrank jedes Unternehmens gehören. Die Prognose ist zu 98 % genau, gemessen an den tatsächlichen Verkäufen. Die Fehlbestände sind um 58 % gesunken, die Überbestände um 41 %.
Um die Genauigkeit des Modells mache ich mir in diesem Projekt mehr Sorgen als um alles andere, und diese Genauigkeit hängt von den Daten ab, die hineinfliessen.
Was in eine KI-Nachfrageprognose einfliesst
Für jedes belieferte Unternehmen berücksichtigt die Prognose:
- das Kaufverhalten und die Kaufhistorie dieses Unternehmens
- die Alters- und Geschlechterverteilung der Mitarbeitenden
- die Art ihrer Arbeit
- das Wetter
- die Produktart: Hauptgericht, Dessert oder Getränk
- die Ernährungsform: vegan, vegetarisch, Fisch, Poulet und weitere
- den Preis
Sehen Sie sich diese Liste noch einmal an. Hinter jedem Punkt stecken Daten, die jemand erfassen, pflegen und rechtzeitig liefern muss.
Stellen Sie sich in einem solchen Projekt eine Belegschaft vor, deren Zusammensetzung sich ändert, oder ein Gericht, das der falschen Ernährungsform zugeordnet ist. Das Modell beschwert sich nicht; es liefert weiter Pläne, die genauso sicher aussehen wie die von gestern. Und eine Prognose, die falsch ist, ohne dass es jemand merkt, ist schlimmer als gar keine, weil man ihr vertraut.
Deshalb sage ich: Das Modell ist der einfache Teil. Die tägliche Arbeit steckt in den Eingabedaten.
Genauigkeit eines Prognosemodells: gemessen woran?
Messen Sie die Genauigkeit eines Prognosemodells an dem, was tatsächlich passiert ist. Unser Modell für die smarten Kühlschränke von FeelEat ist zu 98 % genau, verglichen mit den tatsächlichen Verkäufen, und diese Zahl nennen wir auch. Verfolgen Sie daneben die geschäftlichen Ergebnisse: hier 58 % weniger Fehlbestände und 41 % weniger Überbestand.
Ein Wert, der auf historischen Daten berechnet wurde, zeigt, wie gut ein Modell die Vergangenheit abbildet. Der Vergleich mit den tatsächlichen Verkäufen zeigt, wie es sich in der Praxis schlägt, und diese Zahl kann auch sinken. Alle, die sie lesen, wir eingeschlossen, sehen dasselbe.
Wenn Ihnen ein Anbieter eine Genauigkeitszahl zeigt, fragen Sie nur eines: Gemessen woran?
Das Ergebnis ist ein Plan
Das Modell liefert einen Plan: diese Gerichte, jeweils in dieser Menge, für den Kühlschrank jedes Unternehmens. Wer nach einer Prognose handelt, braucht eine Menge, mit der sich arbeiten lässt.
Von da an drehen sich die schwierigen Designfragen um Menschen. Wie sieht der Plan auf dem Bildschirm aus? Und was passiert, wenn jemand etwas weiss, das nicht in den Daten steht, etwa dass ein Team eine Woche lang nicht da ist?
Fehlbestände und Überbestand: die Zahlen, die zählen
Die 98 % fallen zuerst auf. Die beiden Zahlen, auf die ich genauer schaue, sind diese:
- 58 % weniger Fehlbestände. Weniger Leute, die den Kühlschrank öffnen und ihr Gericht nicht mehr finden.
- 41 % weniger Überbestand. Weniger Essen im Kühlschrank, das niemand kauft.
Ein Prognoseprojekt, das die Genauigkeit verbessert und diese beiden Werte nie misst, bleibt eine akademische Übung.
Bevor Sie ein Prognoseprojekt starten
Was ich allen sagen würde, die ein Prognoseprojekt planen:
- Listen Sie Ihre Eingabedaten auf, bevor Sie ein Modell wählen. Bei uns reichte die Liste von der Kaufhistorie bis zum Preis. Halten Sie für jede Eingabe fest, wer dafür verantwortlich ist und woran Sie merken, dass sie falsch ist.
- Wie messen Sie die Genauigkeit? Entscheiden Sie das, bevor etwas gebaut wird, und messen Sie an dem, was tatsächlich passiert ist.
- Gestalten Sie das Ergebnis für die Person, die danach handelt. Bei uns heisst das: wie viele Portionen jedes Gerichts in welchen Kühlschrank kommen. Arbeiten Sie von dort aus rückwärts.
- Verfolgen Sie die geschäftlichen Kennzahlen vom ersten Tag an: Fehlbestände, Überbestand oder was bei Ihnen das Gegenstück dazu ist.
- Lassen Sie einen Menschen mitentscheiden (Human in the Loop). Jemand, der das Geschäft kennt, sollte den Plan ansehen und ändern können, wenn er es besser weiss.
Noch etwas: Wenn Ihre Verkaufshistorie lückenhaft oder unsauber ist, fangen Sie nicht mit einem Prognosemodell an. Fangen Sie damit an, Ihre Verkäufe sauber zu erfassen.
Genau diese Arbeit machen wir in KI- und Machine-Learning-Projekten, und das Modell selbst sehen Sie in der Fallstudie zum Prognosemodell. Mehr zur Rolle der Menschen: Agenten verdienen sich Autonomie wie neue Mitarbeiter. Wenn Sie ein Pilotprojekt haben, das auf dem Papier gut aussieht, aber niemand nutzt, sagen Sie uns, wo es hakt.
