Forscher präsentieren hochdimensionales Auswahlmodell für den Online-Handel

In einer neuen Studie haben Forscher ein Modell entwickelt, das Online-Händlern hilft, Kundenkäufe aus einer breiten Produktpalette in komplexen Online-Shopping-Umgebungen genauer vorherzusagen und so die Fehler bei der Verkaufsprognose im Vergleich zu herkömmlichen Methoden um 10 bis 30 Prozent zu reduzieren. Ihre Studie mit dem Titel „Ein hochdimensionales Auswahlmodell für den Online-Einzelhandel,“ ist erschienen in der Zeitschrift Managementwissenschaft.

Forscher der Carnegie Mellon University, der University of Michigan und der Washington University schlagen diese Methode vor, um die Herausforderungen zu bewältigen, die der digitale Fortschritt im Einzelhandel mit sich bringt. Während Online-Shopping für Verbraucher bequemer ist, wird es für Einzelhändler komplexer, es zu verwalten. Es sind erhebliche Anstrengungen erforderlich, um effektive Entscheidungen hinsichtlich Preisgestaltung, Lagerbestand und Sortiment zu treffen, da Online-Händler oft eine Produktvielfalt anbieten, die die ihrer stationären Konkurrenten übertrifft.

„Diese Arbeit bietet Online-Händlern ein nützliches Werkzeug, um ihre operativen Entscheidungen in diesem herausfordernden neuen Online-Einzelhandelsumfeld zu verbessern“, sagte Zhaohui (Zoey) Jiang, Co-Autorin der Studie und Assistenzprofessorin für Business-Technologien an der Tepper School of Business der Carnegie Mellon University. „Die Fähigkeit unseres Modells, Substitutionsmuster bei einer großen Anzahl von Produkten flexibel und genau zu verstehen, ohne die Skalierbarkeit zu beeinträchtigen, legt eine wichtige Grundlage für effektive operative Entscheidungen.“

Herkömmliche Methoden haben bei einer großen Anzahl von Produkten oft Probleme, da sie nur begrenzt in der Lage sind, genau zu verfolgen, wie Verbraucher zwischen Produkten wechseln. Sie sind durch eine begrenzte Anzahl beobachtbarer und quantifizierbarer Produktmerkmale sowie Skalierbarkeitsprobleme eingeschränkt. Große Technologieunternehmen wie Amazon verfügen zwar über die Rechenleistung und Tracking-Technologien, aber ihre proprietären Methoden sind für kleinere Einzelhändler nicht zugänglich.

Durch die Verwendung von Clickstream-Daten von Verbrauchern und die Kombination von ökonometrischen und maschinellen Lernverfahren erstellten die Forscher ein rechnerisch einfaches Modell, das nicht nur ein flexibles und genaues Verständnis von Produktsubstitutionsmustern liefert, sondern – noch wichtiger – sich leicht skalieren lässt, wenn das Sortiment der Einzelhändler wächst. Diese Muster informieren Einzelhändler darüber, wie sich Änderungen bei einem Produkt (z. B. Preis oder Verfügbarkeit) auf die Verkäufe anderer Produkte auswirken, was ein entscheidender Input für viele Entscheidungen ist, wie z. B. Sortimentsplanung, Bestandsverwaltung und Preisstrategien.

Jiang und ihre Co-Autoren zeigen, dass diese neue Methode im Vergleich zu herkömmlichen Modellen genauere Nachfrageprognosen in einer Vielzahl von Szenarien liefert und den Vorhersagefehler um 10 bis 30 Prozent reduziert. Noch wichtiger ist, dass die Methode keine sehr umfangreiche Rechenleistung erfordert und sich durch die präzise Wiederherstellung von Substitutionsmustern über Produkte hinweg auszeichnet, wodurch die prozentuale Abweichung von den tatsächlichen Werten um etwa die Hälfte reduziert wird.

Die Autoren meinen, dass diese Methode von großen und kleinen Online-Händlern, die komplexe Produktauswahlen in verschiedenen Geschäftsumgebungen verwalten, problemlos angewendet werden kann. Dazu gehören Nachfrageschätzungen für Lagerbestands- und Umschlagsentscheidungen (Verschieben von Waren von einem Schiff auf ein anderes) sowie eine Vielzahl anderer betrieblicher Entscheidungsbereiche wie Werbung und Sortiment. Jiang merkte jedoch auch an, dass weitere Forschung erforderlich sei, um zu sehen, wie diese Methode für neue Produkte und in Umgebungen angepasst werden kann, in denen Online-Klicks nicht verfügbar sind, wie etwa in physischen Geschäften.