In dem riesigen, summenden digitalen Marktplatz des modernen E-Commerce hat eine grundlegende Frage Planer lange Zeit rätseln lassen: Wie wissen wir, was als Nächstes passieren wird? Jahrzehntelang stützte sich die Standardantwort auf eine passive Form der Vorhersage. Computer studierten die Vergangenheit, untersuchten, wie sich Verkäufe als Reaktion auf Preise, Feiertage und Werbung bewegten, und verlängerten dann einfach diese Linien in die Zukunft. Es war eine Methode der Extrapolation, die davon ausging, dass die Zukunft der Vergangenheit sehr ähnlich sehen würde, nur leicht verschoben. Dieser Ansatz funktionierte gut genug, als die Welt stabil war und Händler lediglich auf Trends reagierten. Doch im dynamischen, hochriskanten Umfeld des globalen Handels sind Händler keine passiven Beobachter; sie sind aktive Gestalter. Sie ändern ständig ihre Strategien, passen Budgets an, starten Werbeaktionen und verändern Preise, um die Nachfrage umzugestalten, noch bevor sie überhaupt entsteht. Die alte Art der Prognose, die diese menschlichen Entscheidungen als bloßes Hintergrundrauschen behandelte, begann zu versagen. Sie konnte nicht die kritischste Frage beantworten, die eine Führungskraft eines Unternehmens stellen muss: „Wenn ich heute meinen Plan ändere, wie wird der Markt morgen aussehen?“

Dies ist die Herausforderung, die ein Team von Forschern der University of Science and Technology of China und der Alibaba Group zu lösen vorgesetzt hat. Sie erkannten, dass man, um die Zukunft eines Marktplatzes vorherzusagen, aufhören muss, die Zukunft als festes Ziel zu betrachten, und statfangen muss, sie als einen Pfad zu behandeln, den man steuern kann. Ihre Arbeit, die auf einer bedeutenden Data-Science-Konferenz vorgestellt wurde, führt ein neues System namens CEDAR ein. Im Gegensatz zu traditionellen Modellen, die einfach nur dabei zusehen, wie sich die Geschichte entfaltet, ist CEDAR darauf ausgelegt, zu simulieren, was passieren würde, wenn ein Händler spezifische Maßnahmen ergreifen würde. Es errät nicht nur die nächste Zahl; es berechnet das Ergebnis einer Entscheidung. Indem es den natürlichen Fluss des Marktes von den spezifischen Auswirkungen menschlicher Eingriffe trennt und gleichzeitig plötzliche, unvorhersehbare externe Ereignisse berücksichtigt, haben die Forscher ein Werkzeug geschaffen, das verschiedene Budgetstrategien zuverlässig testen kann, bevor auch nur ein einziger Dollar ausgegeben wird.

Der Kern dieses neuen Ansatzes liegt in einer zweiteiligen Architektur, die die Art und Weise nachahmt, wie ein Händler tatsächlich denkt und handelt. Der erste Teil ist eine spezialisierte Engine, die die direkte Verbindung zwischen einer Entscheidung und ihrem unmittelbaren Ergebnis erlernt. In der Vergangenheit mischten Modelle die Handlungen eines Händlers, wie etwa einen Rabatt oder Werbeausgaben, mit den Verkaufsdaten und behandelten sie als einen einzigen, vermischten Informationsstrom. Dies führte dazu, dass das Modell verwirrt wurde und oft annahm, dass ein Verkaufsanstieg durch einen natürlichen Trend verursacht wurde, obwohl er eigentlich das Ergebnis einer spezifischen Werbeaktion war. Das neue System hingegen behandelt die Handlung des Händlers als eine eigenständige, primäre Kraft. Es lernt ein spezifisches Muster, bei dem ein vergangener Zustand zu einer Entscheidung führt und diese Entscheidung direkt den nächsten Zustand vorantreibt. Dies ermöglicht es dem System zu verstehen, dass die Verkäufe wahrscheinlich sinken werden, wenn ein Händler die Ausgaben für Werbung einstellt, selbst wenn der allgemeine Markttrend steigt. Es lernt die Mechanik von Ursache und Wirkung statt nur die Korrelation von Ereignissen.

Der zweite Teil des Systems befasst sich mit dem Chaos der realen Welt. Selbst mit einem perfekten Verständnis dafür, wie die Handlungen eines Händlers den Umsatz beeinflussen, ist die Zukunft niemals vollständig vorhersehbar. Plötzliche Nachrichtenereignisse, virale Social-Media-Trends oder unerwartete Feiertage können dazu führen, dass die Nachfrage in einer Weise steigt oder fällt, die nichts mit dem Budget des Händlers zu tun hat. Um dies zu handhaben, fügten die Forscher ein Korrekturmodul hinzu, das wie ein Feinabstimmungsmechanismus wirkt. Dieses Modul betrachtet externe Signale, wie etwa Schlagzeilen in den Nachrichten und trendende Suchthemen, und nutzt fortschrittliche Sprachverarbeitung, um deren Bedeutung zu verstehen. Es berechnet dann die Differenz zwischen dem, was der erste Teil des Systems vorhergesagt hat, und dem, was tatsächlich geschah, und schreibt diese Differenz diesen externen Schocks zu. Durch dies kann das System seine eigenen Vorhersagen korrigieren und eine Ebene des Realismus hinzufügen, die die unvorhersehbare Natur der Welt berücksichtigt.

Die Forscher testeten dieses System an einem massiven Datensatz der Alibaba 1688-Plattform, der die Verkaufsverläufe von etwa 32 Millionen Produkten über einen Zeitraum hinweg umfasst. Sie verglichen ihre neue Methode mit mehreren der leistungsfähigsten bestehenden Prognosemodelle. Die Ergebnisse waren klar und konsistent. In Simulationen, in denen das System gebeten wurde, Verkäufe unter neuen, bisher ungesehenen Budgetplänen vorherzusagen, hatten die traditionellen Modelle Schwierigkeiten. Sie neigten dazu, an historischen Mustern festzuhalten und reagierten nicht, wenn sich die Strategie des Händlers änderte. Im Gegensatz dazu folgte das neue System dem neuen Pfad präzise und sagte korrekt voraus, wie die Verkäufe als Reaktion auf die spezifischen Interventionen steigen oder fallen würden. Wenn der Prognosehorizont auf zehn Wochen ausgedehnt wurde, reduzierte das neue System die Fehlerrate im Vergleich zu den leistungsstärksten traditionellen Modellen um mehr als die Hälfte. Es erwies sich als besonders geschickt im Umgang mit der langfristigen Planung, bei der kleine Fehler in der Vorhersage zu massiven Fehlkalkulationen kumulieren können.

Um sicherzustellen, dass dies nicht nur eine theoretische Übung war, setzte das Team das System in einer Live-Umgebung auf der Alibaba 1688-Plattform ein. Sie führten einen groß angelegten Test durch, an dem hunderte von Händlern beteiligt waren, die das System zur Planung ihrer Werbebudgets nutzten. Die Händler, die das neue Simulationswerkzeug verwendeten, verzeichneten eine signifikante Verbesserung ihrer Geschäftsergebnisse. Im Durchschnitt stieg ihr Return on Investment um 15 Prozent und ihr Gesamtwert über die Lebenszeit (Lifetime Value) wuchs um 13 Prozent. Diese Gewinne resultierten aus der Fähigkeit, Geld effektiver zu investieren, indem sie Ausgaben für Kampagnen, die nicht funktionieren würden, vermieden und in Strategien investierten, die die Simulation als erfolgreich auswies. Das System ermöglichte es ihnen, die Konsequenzen ihrer Entscheidungen zu sehen, bevor sie diese trafen, und verwandelte den Planungsprozess von einem Glücksspiel in eine kalkulierte Strategie.

Der Erfolg dieser Arbeit deutet auf einen Wandel in der Art und Weise hin, wie wir über die Prognose in komplexen Systemen denken. Er verlagert den Fokus vom bloßen Beobachten der Vergangenheit hin zum Verständnis der Hebel, die die Zukunft kontrollieren. Indem sie die Beziehung zwischen menschlichen Entscheidungen und Marktergebnissen explizit modellieren und diese Entscheidungen vom Rauschen externer Ereignisse trennen, haben die Forscher ein Werkzeug geschaffen, das sowohl genauer als auch nützlicher ist. Es zeigt, dass in einer Welt, in der Handlungen die Realität ständig umgestalten, der beste Weg, die Zukunft vorherzusagen, darin besteht, zu verstehen, wie unsere eigenen Entscheidungen sie aufbauen werden. Die Erkenntnisse bieten Unternehmen einen neuen Weg, um durch Unwägbarkeiten zu navigieren, indem sie eine Möglichkeit bieten, Strategien in einer sicheren, simulierten Umgebung zu testen, bevor sie reale Ressourcen in den volatilen Marktplatz investieren.