Feiertage sind im Privaten eine Zeit für Entspannung und Freizeit. Das veränderte Verbraucherverhalten schlägt sich in der Geschäftswelt in geänderten Verkaufszahlen nieder: Denn Feiertage spürbare Verschiebungen im Verkaufsverhalten mit sich. So erleben Lebensmittelgeschäfte am Tag vor einem Feiertag oft einen Umsatzschub, während viele Restaurants und Biergärten am Feiertag selbst eine erhöhte Nachfrage verzeichnen. Diese Muster zu verstehen und sie effektiv zu nutzen, kann Unternehmen einen Wettbewerbsvorteil verschaffen.
Mit Camelots Public Holidays Data Product haben wir eine Lösung entwickelt, die Feiertagsdaten in die Umsatzprognose einbezieht. Der folgende Use Case demonstriert die Vorteile sowie den Weg zur Generierung der notwendigen Daten für die Umsatzprognose, die Schritte im Prognoseprozess und die Visualisierung der Ergebnisse zur Gewinnung aussagekräftiger Erkenntnisse vorstellen.
Absatzprognosen sind ein wichtiger Aspekt der Unternehmensplanung. Genaue Prognosen ermöglichen es Unternehmen, ihre Ressourcen effizient zu verwalten, die Nachfrage vorherzusehen und sich daran anzupassen. Durch die Einbeziehung von Feiertagsdaten in die Umsatzprognose können Unternehmen ein differenzierteres Verständnis ihrer Umsatzmuster gewinnen. So können sie Zeiten erhöhter Nachfrage besser vorhersehen, sich angemessen vorbereiten und ihr Umsatzpotenzial maximieren.
Lassen Sie uns die einzelnen Schritte unseres Prozesses näher betrachten, diese sind:
- Datengenerierung
- Absatzprognose
- Zusammenführung der Daten in SAP Datasphere
Daten-Generierung
In dieser Phase haben wir Umsatzdaten mit Python generiert und unsere Skripte auf Google Colab ausgeführt. Die Daten umfassen den Zeitraum von 2018 bis 2022 und bieten uns somit ausreichend historische Daten, um die Genauigkeit unserer Umsatzprognose zu gewährleisten. Im Use Case konzentrierten wir uns auf vier Verkaufsorte in unterschiedlichen deutschen Städten, die sich über mehrere Bundesländer verteilen: München, Augsburg, Berlin und Dresden. Diese Auswahl ist beabsichtigt, da die viele Feiertage in Deutschland nur regional gelten. Der Feiertagsdatensatz liefert hier granular Daten auf der Ebene von Postleitzahlen und Gemeinden.
Der Prozess der Datengenerierung umfasste die Erstellung mehrerer Schlüsselzahlen. Für Variablen wie die Anzahl der Besucher (zwischen 600 und 800) und die durchschnittliche Zahlung (zwischen 15 Euro und 25 Euro) haben wir Zufallszahlen innerhalb eines bestimmten Bereichs vergeben. Die Spalte mit den Einnahmen ergibt sich aus der Multiplikation der Besucherzahl und des Durchschnittspreises.
Um die Auswirkungen von Feiertagen und Sonntagen, an denen die Geschäfte geschlossen sind, zu berücksichtigen, haben wir die Umsätze an diesen Tagen auf Null gesetzt. Die Umsätze am Tag vor einem Feiertag oder an einem Samstag wurden dagegen um 50 Prozent erhöht, um die an diesen Tagen üblicherweise zu beobachtende verstärkte Einkaufsaktivität zu berücksichtigen. Diese Anpassung wurde möglich, indem die Feiertage aus einer separaten CSV-Datei ausgelesen wurden, die aus unserem Feiertagsdatenprodukt stammt, und anhand der Postleitzahl überprüft wurde, ob das jeweilige Datum ein Feiertag war.
Vorhersage des Sales-Potenzials
Nach der Datengenerierung beschäftigten wir uns mit der Umsatzprognose. Für diesen Schritt nutzen wir Python und die Prophet-Bibliothek von Facebook, ein leistungsstarkes Tool für die Vorhersage von Zeitreihendaten. Prophet ist besonders effektiv bei Zeitreihen mit starken saisonalen Effekten und mehreren Saisons historischer Daten, was es zu einer idealen Wahl für unseren Use Case macht.
Die Prophet-Bibliothek wurde für die Vorhersage von Zeitreihendaten entwickelt. Sie verwendet einen additiven Ansatz, der nicht-lineare Muster berücksichtigt und die tägliche, wöchentliche und jährliche Saisonalität sowie die Auswirkungen von Feiertagen einbezieht. Es ist am effektivsten für Datensätze mit ausgeprägten saisonalen Schwankungen und mehreren Jahreszeiten mit historischen Informationen. Eine der Stärken von Prophet ist die Fähigkeit, mit Datenlücken und Trendänderungen umzugehen und Anomalien im Allgemeinen effektiv zu verwalten. Dieses Open-Source-Tool wurde von Facebooks Bereich Core Data Science entwickelt.
Prophet arbeitet auf der Grundlage eines additiven Modells und passt nicht-lineare Trends mit jährlicher, wöchentlicher und täglicher Saisonalität sowie Urlaubseffekten an. Diese Funktion ist für unseren Use Case entscheidend, da sie es dem Modell ermöglicht, die Auswirkungen von Feiertagen und saisonalen Effekten auf den Umsatz zu berücksichtigen.
Die Prophet-Bibliothek arbeitet mit zwei Feldern: “ds”, das sich auf das Datum bezieht, und “y”, das die zu prognostizierende Kennzahl bezeichnet. Unser Code lud die Feiertagsdaten, die dann während des Modelltrainings in den Parameter „Feiertage“ einflossen.
Nach Erstellung und Training des Modells exportierten wir die Daten in eine CSV-Datei. Diese prognostizierten Daten wurden dann mit den tatsächlichen Daten kombiniert.
Zusammenführung der Daten in SAP Datasphere
Im nächsten Schritt wurden die prognostizierten und tatsächlichen Verkaufsdaten in SAP Datasphere geladen. In dem SAP Datasphere-Bereich für den Use Case erstellten wir zunächst eine Tabelle und luden die CSV-Datei, die wir bei der Umsatzprognose extrahiert hatten. Diese Tabelle enthielt sowohl unsere historischen als auch die prognostizierten Verkaufsdaten.
Um unsere Daten anzureichern und mehr Kontext zu liefern, erstellten wir eine grafische Ansicht, in der wir diese Tabelle mit der täglichen Ansicht verbanden. Auf diese Weise konnten wir Informationen zu Feiertagen sowie zusätzliche Informationen zu Bundesländern und Städten in unseren Datensatz einbeziehen, zum Beispiel die Information, dass es in Baden-Württemberg eine Stadt Mannheim gibt. Die Verknüpfung wurde anhand der Datums- und Postleitzahlenfelder durchgeführt, um eine genaue Übereinstimmung zwischen den Verkaufsdaten und den Feiertagsdaten zu gewährleisten.
Die Ergebnisse bewerten
Nachdem wir unsere Daten zusammengeführt und in SAP Datasphere geladen hatten, visualisierten wir die Ergebnisse mit dem SAP Analytics Designer. Eine Kombination aus Zeitreihen- und Balkendiagrammen zeigt die Daten übersichtlich und gibt die Möglichkeit, ungewöhnliche Ereignisse zu entdecken.
In den Ergebnissen sehen wir einen deutlichen Unterschied in den Prognosen für das Einkaufsverhalten abhängig von den Feiertagen an den verschiedenen Standorten. Besonders deutlich wurde dies an der Umsatzprognose für den 8. August: Für diesen Tag liegt die Umsatzprognose der Filiale in Augsburg (DE_AUG_01) bei Null, was dem regionalen Feiertag Augsburger Friedensfest geschuldet ist (s. Abbildung 1). Für die Filiale in München hingegen zeigt sich ein normaler Arbeitstag. Damit ist in der Prognose korrekt berücksichtigt, dass der Feiertag am 8. August nur in Augsburg und nicht in ganz Bayern gilt. Folglich wurde für die Augsburger Filiale am 7. August, dem Tag vor dem Feiertag, eine Umsatzspitze prognostiziert.
Dieses Muster gibt es auch am 15. August (Mariä Himmelfahrt), einem gesetzlichen Feiertag in Bayern. An diesem Tag sanken die prognostizierten Umsätze sowohl für die Münchner als auch für die Augsburger Filiale auf Null, mit einem prognostizierten Umsatzsprung am 14. August, dem Tag vor dem Feiertag.
Das Balkendiagramm in Abbildung 2 veranschaulicht zudem die Auswirkungen von Wochenend-Tagen auf den Umsatz. Es zeigt die Prognose für alle Geschäfte an Sonntagen (1. und 8. September) mit einem Nullumsatz, da die Geschäfte an diesem Tag geschlossen sind. Für die vorangegangenen Samstage (31. August und 7. September) wird eine Umsatzspitze prognostiziert, was auf eine erhöhte Einkaufsaktivität vor der Schließung der Geschäfte hinweist.
Fazit
Die Erkenntnisse aus unserem Umsatzprognosemodell erlaubt Unternehmen ein differenzierteres Verständnis ihrer Umsatztrends, besonders werden die erheblichen Auswirkungen von Feiertagen und Wochenenden auf den Umsatz deutlich. Wenn Organisationen diese Faktoren in ihre strategische Planung einbeziehen, können sie Umsatzschwankungen genauer vorhersehen und fundierte Entscheidungen treffen, die Wachstum und Erfolg fördern.
Schauen Sie sich dieses Video an, um mehr über einen Public Holidays Data Product Use Case zu erfahren!
