💬 NLP

EventCast: Hybrid Demand Forecasting in E-Commerce with LLM-Based Event Knowledge

EventCast ist ein modulares Forecasting-Framework für den E-Commerce, das LLM-basierte Ereignisanalysen mit Zeitreihenprognosen kombiniert, um durch die Integration unstrukturierter Geschäftsdaten die Vorhersagegenauigkeit bei unvorhersehbaren Nachfragespitzen wie Flash-Sales oder Feiertagen signifikant zu verbessern.

Ursprüngliche Autoren: Congcong Hu, Yuang Shi, Fan Huang, Yang Xiang, Zhou Ye, Ming Jin, Shiyu Wang

Veröffentlicht 2026-02-12

📖 3 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Congcong Hu, Yuang Shi, Fan Huang, Yang Xiang, Zhou Ye, Ming Jin, Shiyu Wang

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Die Geschichte vom „Hellseher-Koch“: Warum herkömmliche Vorhersagen im E-Commerce oft scheitern

Stell dir vor, du bist der Chef eines riesigen Supermarktes. Dein Job ist es, jeden Morgen genau zu wissen: Wie viele Erdbeeren, wie viel Mehl und wie viele Sonnencremes müssen wir bestellen? Wenn du zu viel bestellst, verdirbt alles und du verlierst Geld. Wenn du zu wenig bestellst, stehen die Kunden vor leeren Regalen und sind sauer.

Das Problem: Die „Chaos-Tage“

Normalerweise ist das einfach. Du schaust in dein Tagebuch der letzten Jahre: „Im Mai kaufen die Leute immer mehr Sonnencreme.“ Das nennt man historische Daten. Dein Computer lernt diese Muster und sagt dir die Zukunft voraus.

Aber dann passiert etwas Unvorhersehbares:

Der „Flash-Sale“: Plötzlich verkündet ein berühmter Influencer: „Heute gibt es 50 % Rabatt auf alle Erdbeeren!“
Der Feiertag: Es ist plötzlich Ramadan oder ein großes religiöses Fest. Die Leute kaufen plötzlich ganz andere Dinge (vielleicht mehr Datteln statt Sonnencreme) oder die Lieferwagen dürfen wegen der Feierlichkeiten gar nicht fahren.
Das Chaos im Text: Die Informationen über diese Events stehen oft in unordentlichen Notizen von deinen Mitarbeitern: „Achtung, am Fr. gibt’s mega Rabatt auf Erdbeeren, aber nur wenn man 3 Packungen nimmt! (vielleicht auch nicht, wenn der LKW kommt...)“

Ein normaler Computer ist wie ein sehr fleißiger, aber etwas dummer Buchhalter. Er sieht nur Zahlen. Er sieht die Zahl „100“ von gestern und „110“ von heute, aber er versteht nicht, warum die Zahl steigt. Er sieht die Notiz über den Influencer nicht, weil er nur mit Zahlen rechnen kann. Er „sieht“ das Chaos nicht kommen.

Die Lösung: EventCast – Der Koch mit dem „Weltwissen“

Die Forscher von ByteDance haben EventCast entwickelt. Man kann sich EventCast wie einen Profi-Koch vorstellen, der nicht nur ein Rezeptbuch (die Zahlen) hat, sondern auch eine Zeitung und ein Internetzugang (das Weltwissen).

Das System besteht aus zwei „Türmen“ (einem Duo):

Der Zahlen-Turm (Der Buchhalter): Er schaut sich die nackten Zahlen der Vergangenheit an. Er erkennt den normalen Rhythmus: „Montags ist immer wenig los, Samstags viel.“
Der Wissens-Turm (Der schlaue Assistent mit LLM): Hier kommt die Magie der Künstlichen Intelligenz (wie ChatGPT) ins Spiel. Dieser Teil liest die unordentlichen Notizen der Mitarbeiter. Er versteht, was „B2G1“ (Buy 2 Get 1) bedeutet. Er weiß sogar, dass während des Ramadan die Menschen sich anders verhalten als an einem normalen Dienstag. Er übersetzt das Chaos der Texte in eine klare Botschaft: „Achtung, am Freitag gibt es einen riesigen Ansturm wegen des Rabatts!“

Das Finale: Die perfekte Mischung

Am Ende führen die beiden Türme ihre Informationen zusammen. Der „Buchhalter“ sagt: „Der Trend geht leicht nach oben.“ Der „schlaue Assistent“ flüstert: „Aber am Freitag knallt es richtig durch den Sale!“

Das Ergebnis? Eine Vorhersage, die nicht nur auf alten Zahlen basiert, sondern die Zukunft versteht.

Warum ist das so genial? (Die Ergebnisse)

In der echten Welt (in 4 Ländern und 160 Regionen getestet) war EventCast ein absoluter Champion. Besonders an den „Chaos-Tagen“ (Feiertage, Sales) war er den alten Systemen haushoch überlegen. Während die alten Computer völlig daneben lagen, weil sie die Rabatt-Aktion nicht „verstanden“ hatten, wusste EventCast genau, was auf die Regale zukommt.

Zusammenfassend: EventCast macht aus einem reinen „Zahlen-Rechner“ einen „intelligenten Planer“, der nicht nur die Vergangenheit kennt, sondern auch die Welt und die Pläne der Menschen versteht.

Zusammenfassung: EventCast

1. Problemstellung (The Problem)

Die Nachfrageprognose im E-Commerce ist aufgrund von extremen Schwankungen hochkomplex. Traditionelle Zeitreihenmodelle basieren meist auf dem „Self-Stimulation-Assumption“, also der Annahme, dass zukünftige Muster aus historischen Daten ableitbar sind. Dies versagt jedoch in kritischen Phasen wie:

Flash Sales und Werbekampagnen: Plötzliche Nachfragespitzen durch Rabattaktionen.
Religiöse und kulturelle Feiertage: Komplexe Muster (z. B. Anstieg vor dem Ramadan, Abfall während des Festes).
Unstrukturierte Daten: Informationen über zukünftige Ereignisse liegen oft in unstrukturierten Texten (Kampagnenberichten, Logistikplänen) vor, die Tippfehler, Abkürzungen und kulturelle Nuancen enthalten.

Bisherige Ansätze scheitern entweder an der Starrheit strukturierter Merkmale (Categorical Flags) oder an der mangelnden numerischen Präzision von Large Language Models (LLMs), wenn diese direkt zur Vorhersage genutzt werden.

2. Methodik (Methodology)

Das Team schlägt EventCast vor, ein modulares Hybrid-Framework, das die Stärken von LLMs (semantisches Verständnis) von der Stärke spezialisierter Zeitreihenmodelle (numerische Präzision) trennt. Das System nutzt eine Dual-Tower-Architektur:

LLM als Reasoning-Agent (Semantic Tower): Anstatt das LLM zur Vorhersage der Zahlen zu nutzen, dient es als „Experte“. Es liest unstrukturierte Daten aus einer operativen Datenbank (Kampagnenkalender, Feiertage, Anreizsysteme) und wandelt diese durch Prompt Engineering in interpretierbare, textuelle Zusammenfassungen um (z. B. „Nachfragespitze aufgrund von Ramadan und Gratisversand“).
Historischer Tower (Numerical Tower): Ein Transformer-Encoder verarbeitet multivariate historische Zeitreihenmerkmale, um Trends und saisonale Muster zu erfassen.
Feature Alignment & Fusion: Die textuellen Zusammenfassungen des LLMs werden in lernbare Embeddings umgewandelt und mit den historischen Embeddings in einem gemeinsamen Merkmalsraum fusioniert.
Interpretable Forecasting: Die Vorhersage wird in zwei Komponenten zerlegt: einen Trend-Teil (aus historischen Daten) und einen Event-Anpassungsteil (aus dem LLM-Wissen). Die finale Prognose ist eine gewichtete Kombination beider Teile ( $\hat{y} = \lambda \cdot \hat{y}_{trend} + (1 - \lambda) \cdot \hat{y}_{event}$ ).

3. Kernbeiträge (Key Contributions)

Entkopplung von Reasoning und Prediction: EventCast nutzt LLMs ausschließlich für das semantische Verständnis zukünftiger Ereignisse, was das System leichtgewichtiger, skalierbarer und präziser macht als Modelle, die LLMs als direkte Regressoren nutzen.
Nutzung unstrukturierter Daten: Das Framework kann komplexe, unstrukturierte Geschäftsinformationen (inkl. Tippfehlern und kulturellen Kontexten) ohne aufwendiges Feature-Engineering verarbeiten.
Interpretierbarkeit: Durch die textuellen Zusammenfassungen können menschliche Entscheider (z. B. Lagerleiter) nachvollziehen, warum eine Prognose steigt oder fällt.
Modularität: Die Komponenten (LLM, Forecasting-Modul) sind austauschbar, was die Wartung in industriellen Pipelines erleichtert.

4. Ergebnisse (Results)

Das Modell wurde in einem realen Szenario über 10 Monate in 4 Ländern und 160 Regionen getestet.

Gesamtleistung: EventCast übertrifft State-of-the-Art-Modelle wie ChronosX oder iTransformer deutlich.
Event-getriebene Perioden: In Phasen mit hoher Volatilität (Feiertage/Sales) erzielt EventCast massive Verbesserungen: Eine Reduktion des MAE (Mean Absolute Error) um bis zu 57,0 % und des MSE (Mean Squared Error) um bis zu 83,3 % im Vergleich zu industriellen Baselines.
Überlegenheit gegenüber LLM-Forecastern: Im Vergleich zu Modellen wie Time-LLM, die versuchen, Zeitreihen direkt in Text umzuwandeln, ist EventCast wesentlich präziser, da es die numerische Modellierung spezialisierten Schichten überlässt.

5. Bedeutung (Significance)

EventCast demonstriert einen Paradigmenwechsel: LLMs sollten nicht als Rechenmaschinen für Zahlen, sondern als semantische Brücken zwischen der unstrukturierten Geschäftswelt und der strukturierten mathematischen Welt der Zeitreihenanalyse eingesetzt werden. Die praktische Implementierung in einer realen E-Commerce-Pipeline (seit März 2025) beweist die industrielle Reife und die Fähigkeit, die Effizienz der Lieferkette durch präzisere Bestandsplanung und Personalplanung signifikant zu steigern.