Nullabsätze durch Regal-Lücken in der Prognosehistorie bereinigen?

[tfuchs]

Wir betreiben etwa 65 Filialen im Lebensmitteleinzelhandel und ziehen für die Absatzprognose täglich Kassenbons und Bestandsdaten ins Data Warehouse. Bei stark nachgefragten Artikeln verzerren Regal-Lücken unsere Historie, weil Nullabsätze als fehlende Nachfrage interpretiert werden und die Folgewoche zu niedrig prognostiziert wird. Aktuell filtern wir Tage mit Bestand null manuell heraus, was mit großem Aufwand verbunden und fehleranfällig ist. Wie bereinigt ihr Out-of-Stock-Phasen systematisch und schätzt die Höhe des entgangenen Absatzes? Nutzt ihr Kennzahlen aus dem Lagerumschlag oder Nachbarfilialen zur Korrektur?

[staylor]

Ursache ist die Vermischung von Absatz und Nachfrage: Bei Bestand null misst die Kasse null, obwohl die Nachfrage weiterläuft, wodurch Mittelwert und Saisonfaktoren systematisch zu niedrig liegen. Lege im DWH eine bereinigte Nachfragekennzahl an, zum Beispiel True Demand, und trenne sie strikt vom Ist-Absatz. Flagge Out-of-Stock-Zeiten automatisiert über Bestands-Snapshots, Regal-Lücken aus Inventurdifferenzen und Zeitfenster ohne Bons bei positivem Vortagesabsatz. Für diese Intervalle ersetze den Absatz nicht durch null, sondern schätze ihn über den medianen Absatz vergleichbarer Wochentage der Filiale oder über den Lift aus Nachbarfilialen mit ähnlichem Cluster und gleichem Promo- und Wetterstatus. Prüfe die Korrektur per SQL-Vergleich von Prognosefehler MAPE vor und nach Bereinigung sowie über Lagerumschlag, Servicegrad und entgangene Absatzgröße. So entfällt das manuelle Filtern und die Folgewoche wird stabiler.