Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting

Die Studie zeigt, dass bei der Prognose des Einzelhandelsumsatzes unter Bedingungen wie intermittierender Nachfrage und häufigen Produktwechseln lokale baumbasierte Ensemble-Methoden wie XGBoost komplexeren Deep-Learning-Architekturen überlegen sind und somit die Ausrichtung auf die Problemcharakteristika wichtiger ist als die architektonische Raffinesse.

Das Wesentliche

Vorhersage des Verkaufs: Warum einfache Bäume besser sind als komplexe Roboter im Einzelhandel

Stellen Sie sich vor, Sie führen einen großen Supermarkt. Ihre größte Herausforderung ist es, genau zu wissen, wie viele Seifenstücke, Shampoos oder Zahnpastatuben Sie nächste Woche brauchen. Wenn Sie zu viel lagern, verschwendet sich Geld und Platz. Wenn Sie zu wenig haben, sind die Kunden unglücklich.

Dieser wissenschaftliche Artikel ist wie ein großer Testlauf, bei dem verschiedene „Wahrsager" (Computermodelle) gegeneinander antreten, um zu sehen, wer die Zukunft des Verkaufs am besten vorhersagen kann.

Hier ist die Geschichte dahinter, einfach erklärt:

1. Das Problem: Ein chaotischer Markt

Der Markt, den die Forscher untersucht haben, ist nicht wie ein riesiges Online-Lagerhaus, wo alles glatt läuft. Es ist ein klassischer Laden mit vielen Filialen.

• Das Chaos: Manchmal wird ein Produkt verkauft, manchmal nicht. Oft sind Regale leer, oder es gibt keine Daten, weil ein Artikel gerade nicht im Angebot war.
• Die Herausforderung: Die Daten sind „lückenhaft" und „unterbrochen". Es ist, als würde man versuchen, ein Puzzle zu lösen, bei dem viele Teile fehlen und die anderen Teile ständig ihre Form ändern.

2. Die Kandidaten: Drei Arten von Vorhersage-Maschinen

Die Forscher haben drei Gruppen von Modellen gegeneinander antreten lassen:

• Die Klassiker (Statistik): Das sind die alten, bewährten Methoden. Sie schauen sich die Vergangenheit an und ziehen eine gerade Linie weiter.
  • Metapher: Ein erfahrener, aber etwas starrer Buchhalter, der sagt: „Wenn es letzte Woche so lief, läuft es diese Woche auch so."
• Die Bäume (XGBoost & LightGBM): Das sind moderne, aber nicht übermäßig komplexe Algorithmen. Sie treffen Entscheidungen wie in einem Labyrinth aus Ja/Nein-Fragen.
  • Metapher: Ein sehr schlauer, pragmatischer Verkäufer, der sofort merkt: „Aha, wenn es Dienstag ist UND ein Feiertag ist UND der Preis gesenkt wurde, dann kaufen die Leute mehr." Er passt sich schnell an die kleinen Details an.
• Die Roboter (Neuronale Netze wie N-BEATS, TFT): Das sind die High-Tech-KI-Modelle, die oft in großen Tech-Firmen wie Amazon eingesetzt werden. Sie sind tiefgreifende neuronale Netzwerke.
  • Metapher: Ein genialer, aber etwas überempfindlicher Wissenschaftler im Labor. Er kann riesige Datenmengen verarbeiten, aber wenn die Daten „schmutzig" sind (Lücken haben), wird er verwirrt und macht Fehler.

3. Der große Wettkampf

Die Forscher haben die Modelle in verschiedenen Szenarien getestet:

• Szenario A: Jedes Produkt wird einzeln betrachtet (wie wenn jeder Regalbereich seinen eigenen Berater hätte).
• Szenario B: Alle Produkte werden zusammen betrachtet (ein riesiger Super-Berater für alles).
• Szenario C & D: Die Forscher haben versucht, die fehlenden Daten mit einer KI (SAITS) „aufzufüllen" (Imputation), bevor sie die Modelle trainierten.

Das Ergebnis war überraschend klar:

1. Die Bäume gewinnen: Die Modelle XGBoost und LightGBM waren die absoluten Sieger. Sie hatten den geringsten Fehler.
   • Warum? Sie sind robust. Sie ignorieren das Chaos in den Daten und konzentrieren sich auf das, was wirklich zählt. Sie sind wie ein guter Koch, der auch mit etwas verwelktem Gemüse noch ein tolles Essen macht.
2. Die Roboter verlieren: Die komplexen KI-Modelle (Neuronale Netze) schnitten schlechter ab.
   • Warum? Sie brauchen saubere, riesige Datenmengen, um zu lernen. In einem echten Laden mit vielen Lücken und Unterbrechungen wurden sie verwirrt. Sie versuchten, Muster zu finden, die gar nicht existierten.
3. Das „Flicken"-Experiment: Als die Forscher versuchten, die fehlenden Daten mit einer KI aufzufüllen, passierte etwas Interessantes:
   • Bei den Bäumen (LightGBM) wurde es plötzlich schlechter. Das Auffüllen hat die Daten so verändert, dass der „pragmatische Verkäufer" verwirrt wurde.
   • Bei den Robotern half das Auffüllen etwas, aber sie kamen trotzdem nicht an die Bäume heran.

4. Die große Lektion für die Praxis

Die wichtigste Erkenntnis dieses Artikels ist: Komplexität ist nicht immer besser.

• Für Online-Shops (wo Daten riesig und sauber sind) funktionieren die teuren Roboter-KIs super.
• Für echte Läden (mit vielen Filialen, leeren Regalen und unregelmäßigen Verkäufen) sind die einfacheren Baum-Modelle unschlagbar.

Die Analogie zum Abschluss:
Stellen Sie sich vor, Sie müssen einen Weg durch einen dichten, nebligen Wald finden.

• Der Roboter (KI) versucht, eine perfekte 3D-Karte des gesamten Waldes zu erstellen. Aber weil der Nebel (die fehlenden Daten) zu dicht ist, verliert er den Überblick und läuft gegen Bäume.
• Der Baum-Modell (XGBoost) nimmt einfach einen Kompass und geht Schritt für Schritt. Er ignoriert den Nebel, schaut auf den Boden und findet den Weg viel schneller und sicherer.

Fazit

Wenn Sie ein Geschäft besitzen und Ihre Lagerbestände planen wollen, brauchen Sie keine teuerste, komplizierteste KI. Ein gut trainiertes, einfaches Modell (wie XGBoost), das auf die spezifischen Details Ihres Geschäfts zugeschnitten ist, ist schneller, günstiger und liefert genauere Ergebnisse.

Kurz gesagt: Im echten, chaotischen Einzelhandel gewinnt der pragmatische Praktiker, nicht der theoretische Genie-Roboter.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Comparative Analysis of Modern Machine Learning Models for Retail Sales Forecasting" auf Deutsch:

1. Problemstellung

Die Studie adressiert die Herausforderung der genauen Nachfrageprognose im stationären Einzelhandel (Brick-and-Mortar). Im Gegensatz zum E-Commerce sind physische Geschäfte durch folgende Merkmale gekennzeichnet, die die Prognose erschweren:

• Intermittierende Nachfrage: Häufige Tage ohne Verkäufe (Null-Werte).
• Hohe Datenlücken: Ein signifikanter Anteil fehlender Werte (ca. 21 %), verursacht durch fehlende Daten bei Hilfsvariablen oder Produktwechseln.
• Hohe Fluktuation: Häufige Änderungen im Sortiment und kurze Produktlebenszyklen.
• Lokale Variabilität: Unterschiedliche Nachfrageprofile pro Filiale und Produktgruppe.

Das Ziel ist es, die optimale Modellarchitektur für eine 26-wöchige Prognose (182 Tage) im Hygienebereich zu identifizieren, wobei traditionelle statistische Methoden, Ensemble-Methoden und moderne Deep-Learning-Architekturen verglichen werden.

2. Methodik und Daten

Datensatz:

• Quelle: Ein großer Einzelhändler in Südosteuropa.
• Umfang: 46.841 tägliche Zeitreihen (SKU-Filiale-Kombinationen).
• Charakteristika: Mittlere Zeitreihenlänge von 727 Tagen, 20,93 % fehlende Werte, 99,98 % der Reihen enthalten mindestens einen Tag ohne Verkauf.
• Features: Umfasst Transaktionsdaten, Filialmerkmale, Preise, Promotionen, Lagerbestände sowie externe Daten (Wettbewerberpreise, makroökonomische Indikatoren wie CPI).

Vorverarbeitung (Preprocessing):

• Bereinigung: Entfernung von Out-of-Stock-Daten, um Verzerrungen zu vermeiden.
• Imputation: Ein zentraler experimenteller Aspekt war der Vergleich von Daten ohne Imputation vs. Daten mit Imputation mittels des SAITS-Modells (Self-Attention-based Imputation for Time Series).
• Feature-Engineering: Erstellung von Lag-Features, Rolling-Window-Statistiken, Preisindizes (inflationsbereinigt) und Wettbewerbsmetriken.
• Datenschutz/Leakage: Strikte Trennung von „nur-vergangenen" und „zukünftig-bekannten" Variablen, um Datenlecks zu verhindern.

Modellarchitekturen:
Verglichen wurden vier Kategorien von Modellen:

1. Statistische Baselines: Exponential Smoothing (ETS), Theta-Modell, Croston (CSBA).
2. Gradient-Boosting-Ensembles: XGBoost und LightGBM.
3. Deep Learning (Neuronale Netze): N-BEATS, N-HiTS und Temporal Fusion Transformer (TFT).

Experimentelles Design:
Die Modelle wurden in vier Szenarien evaluiert:

• Lokal vs. Global: Einzelne Modelle pro Produktgruppe (Lokal) vs. ein globales Modell für alle Gruppen.
• Imputiert vs. Nicht-Imputiert: Training mit originalen Daten vs. Daten, die mit SAITS aufgefüllt wurden.
• Evaluiert: Die Prognosen wurden täglich generiert und dann wöchentlich aggregiert, um die Geschäftsanforderungen abzubilden. Als Metriken dienten RMSE, MAE, Demand Error, Bias und RMSSE/MASE.

3. Wichtige Beiträge

1. Praktischer Leitfaden: Bereitstellung einer End-to-End-Pipeline für langfristige Einzelhandelsprognosen, die Datenvorverarbeitung, Feature-Engineering und Trainingsstrategien umfasst.
2. Umfassender Vergleich: Systematischer Vergleich modernster Modelle unter realen Bedingungen (intermittierende Nachfrage, fehlende Werte), die über reine Benchmark-Datensätze (wie M5) hinausgehen.
3. Erkenntnis zur Modellwahl: Demonstration, dass unter den spezifischen Bedingungen des stationären Einzelhandels lokalisierte Ensemble-Methoden globalen neuronalen Architekturen überlegen sind, unabhängig von der Komplexität der Deep-Learning-Modelle.

4. Ergebnisse

Leistungsfähigkeit:

• XGBoost erzielte die beste Gesamtleistung mit einem RMSE von 4,833 (im lokalen, nicht-imputierten Szenario).
• LightGBM folgte knapp dahinter (RMSE 4,847).
• Deep-Learning-Modelle (N-BEATS, N-HiTS, TFT) zeigten in den meisten Szenarien deutlich schlechtere Ergebnisse als die Ensemble-Methoden.
• Statistische Baselines (ETS, Theta) schnitten am schlechtesten ab.

Einfluss der Imputation (SAITS):

• Die Imputation führte zu gemischten Ergebnissen. Während sie die Leistung der neuronalen Netze in globalen Szenarien leicht verbesserte, verursachte sie bei LightGBM einen drastischen Leistungsabfall (RMSE stieg von 4,847 auf 10,758 im lokalen Szenario).
• Die Analyse zeigte, dass SAITS die Varianz der Daten komprimiert und die Verteilung verändert, was für baumbasierte Modelle, die auf diskreten Splits basieren, problematisch ist.

Bias und Verzerrung:

• Ensemble-Modelle neigten zu einer leichten Unterschätzung (negativer Bias).
• Neuronale Netze neigten systematisch zu einer Überschätzung (positiver Bias).

Rechenleistung:

• Ensemble-Methoden waren deutlich effizienter. XGBoost benötigte nur 14,5 Minuten für das Training, während neuronale Netze (z. B. TFT) über 4.400 Minuten (ca. 74 Stunden) benötigten.

5. Bedeutung und Fazit

Die Studie widerlegt die Annahme, dass Deep-Learning-Modelle (insbesondere Transformer) in allen Prognosekontexten überlegen sind. Für den stationären Einzelhandel mit fragmentierten, intermittierenden und lückenhaften Daten sind lokalisierte Gradient-Boosting-Modelle (XGBoost/LightGBM) die überlegene Wahl.

Kernaussagen:

• Passung vor Komplexität: Die Wahl des Modells sollte sich an den Datencharakteristika (Intermittenz, Sparsity) orientieren und nicht an der architektonischen Sophistiziertheit.
• Skalierungsgesetze: Die in der Online-Handelsforschung beobachteten Skalierungsgesetze (bessere Leistung bei mehr Daten für Transformer) traten hier nicht auf, da die Datenmenge und -dichte für physische Geschäfte zu gering sind.
• Imputationsrisiko: Der Einsatz komplexer Imputationsmodelle wie SAITS kann die Leistung von Ensemble-Methoden verschlechtern, wenn die eingefügten Werte die ursprüngliche Verteilung und Varianz verfälschen.

Für die Praxis bedeutet dies, dass Einzelhändler bei der Nachfrageplanung in physischen Filialen auf bewährte Ensemble-Methoden setzen sollten, da diese höhere Genauigkeit, geringere Rechenkosten und bessere Interpretierbarkeit bieten.