Woche 7 | Session 2: Nachfrageprognose — Regressionsbaum-Fallstudie (FMCG)

Kurs: Supply Chain Digitalisierung — Modul 3: Analytics im SCM

---

Session-Agenda

Hinweis

• Kontext der Fallstudie — FMCG-Bedarfsplanungsproblem
• Datenaufbau — 1000 Einzelhändler, 7 unabhängige Variablen, 1 Ziel
• Regressionsbaum vs. Klassifikationsbaum — Hauptunterschied
• Output des Regressionsbaums — alle 7 Knoten erklärt
• Wie sich die Genauigkeit durch das Hinzufügen von Knoten verbessert
• 4 aus dem Modell abgeleitete Geschäftsregeln
• Berechnungsbeispiel — Einzelhändler A
• Interpretation des Supports
• Nächste Session: Wie man einen Regressionsbaum in Python aufbaut

---

Kontext der Fallstudie — Das FMCG-Problem

• Setting: Großes FMCG-Unternehmen mit einem Netzwerk von Einzelhändlern in ganz Indien
• Problem: Leiter der Bedarfsplanung ist mit der Prognosegenauigkeit unzufrieden. Die Lücke zwischen tatsächlicher und prognostizierter Nachfrage führt entweder zu Überbeständen ODER zu entgangenen Umsätzen.
• Auslöser: Manager nahm an einem KI-ML-Training teil → verstand, dass KI-ML notwendig ist, da sich Nachfragemuster schnell ändern
• Ziel: Entwicklung eines besseren Modells zur Nachfrageprognose, um die Lücke zwischen tatsächlicher und prognostizierter Nachfrage zu verkleinern → geringere Lagerkosten + weniger entgangene Umsätze
• Gewähltes Modell: Regressionsbaum (Entscheidungsbaum mit kontinuierlichem Output) — prognostiziert die BESTELLMENGE für jeden Einzelhändler

Tipp

★ Prüfungstipp: Wissen Sie, warum ein Regressionsbaum gewählt wurde: (1) Nachfrage ist eine kontinuierliche Variable (Anzahl Einheiten) → Regressionsbaum, nicht Klassifikationsbaum. (2) Nicht-lineare Beziehungen zwischen Größe, Alter, Aktionen und Nachfrage. (3) Interpretierbare Geschäftsregeln für Bedarfsplaner.

---

Regressionsbaum vs. Klassifikationsbaum — Hauptunterschied

Aspekt	Klassifikationsbaum	Regressionsbaum
Art der Zielvariablen (Y)	Kategorisch (z.B. Ausfall / Kein Ausfall)	Kontinuierlich (z.B. Bestellmenge in Einheiten)
Vorhersage am Blattknoten	Label der Mehrheitsklasse (z.B. “Ausgefallen”)	Mittelwert (ȳ) aller Y-Werte in diesem Knoten
Aufteilungskriterium	Gini-Index oder Entropie (unreinheitsbasiert)	Mean Squared Error (MSE) / Varianzreduktion
Verwendung in diesem Kurs für	Predictive Maintenance (Maschinenausfall)	Vorhersage der Bestellmenge von Einzelhändlern

---

Datenaufbau — 1000 Einzelhändler, 7 Merkmale, 1 Ziel

• Datensatz: 1000 Einzelhändler. Jede Zeile = ein Einzelhändler in einer Woche.
• Train-Test-Split: 700 Beobachtungen fürs Training (70%) | 300 fürs Testen (30%)
• Ziel (Y): Bestellmenge (Order Quantity) — kontinuierliche Anzahl an Einheiten, die dieser Einzelhändler in dieser Woche bestellt hat

7 unabhängige Variablen (Merkmale) + 1 Zielvariable

#	Variable	Typ / Einheit	Warum es für die Nachfrage wichtig ist
X1	Region	Kategorisch (Süd/Ost/West/Nord)	Geografische Nachfragemuster variieren erheblich nach Region.
X2	Ausstehender Kreditbetrag	Kontinuierlich (₹ Lakhs)	Betrag, den der Einzelhändler dem FMCG-Unternehmen noch schuldet.
X3	Standort	Kategorisch (Urban / Semi-urban / Ländlich)	Städtische Einzelhändler haben typischerweise mehr Laufkundschaft → höhere Nachfrage.
X4	Alter des Einzelhändlers	Kontinuierlich (Jahre)	Ältere Einzelhändler haben stärkere Kundenbeziehungen, treuen Kundenstamm → mehr Laufkundschaft.
X5	Größe des Geschäfts	Kontinuierlich (‘000 sq ft)	Größeres Geschäft → mehr ausgestellte Produkte → mehr Laufkundschaft.
X6	Aktionsangebot (Promotion)	Binär (1 = angeboten, 0 = nicht angeboten)	Aktionen kurbeln die Nachfrage direkt an. In einer Aktionswoche → deutlich höhere Bestellungen.
X7	Anzahl an Feiertagen	Zählung (0, 1, 2, 3…)	Mehr Feiertage → mehr Einkaufsanlässe → höhere Nachfrage in dieser Woche.
Y	Bestellmenge (Ziel)	Kontinuierlich (Bestellte Einheiten)	Wie viele Einheiten der Einzelhändler in dieser Woche bestellt.

---

Output des Regressionsbaums — Alle Knoten

• Verwendetes Modell: Regressionsbaum | Trainingsdaten: 700 Beob. | Baumtiefe: 2
• Vom Modell ausgewählte Variablen: Größe des Geschäfts | Aktionsangebot | Alter des Geschäfts → Modell ignorierte Region, Kredit, Standort, Feiertage als weniger differenzierend

Alle 7 Knoten — Bedingungen, prognostizierte Nachfrage (Mittelwert), Support

Knoten	Typ	Bedingungen zum Erreichen dieses Knotens	Aufteilungsvariable & Schwellenwert	Prognostizierte Nachfrage (ȳ)	Beob.	Support
0 (Wurzel)	Intern	Alle Trainingsdaten	Größe ≤ 30.5K sq ft	2270 (Basiswert)	700	100%
1	Intern	Größe des Geschäfts ≤ 30.5K sq ft	Aktion (0 oder 1)	1902	612	87%
2	Intern	Größe des Geschäfts > 30.5K sq ft	Alter (≤ 17.5 Jahre)	4829	88	13%
3 (Blatt)	BLATT	Größe ≤ 30.5K sq ft, Aktion = 0	STOPP	943	198	28%
4 (Blatt)	BLATT	Größe ≤ 30.5K sq ft, Aktion = 1	STOPP	2360	414	59%
5 (Blatt)	BLATT	Größe > 30.5K sq ft, Alter ≤ 17.5 Jahre	STOPP	2887	56	8%
6 (Blatt)	BLATT	Größe > 30.5K sq ft, Alter > 17.5 Jahre	STOPP	8227	32	5%

Hinweis

★ Bei einem Regressionsbaum entspricht die Vorhersage im Blattknoten dem Mittelwert (ȳ) aller Y-Werte, die in diesen Knoten fallen. Im Gegensatz zum Klassifikationsbaum, der die Mehrheitsklasse verwendet. Je verfeinerter der Knoten, desto näher liegt ȳ an der tatsächlichen Nachfrage des einzelnen Einzelhändlers.

---

Wie sich die Vorhersage mit jeder Aufteilung verbessert

Stufe	Verwendete Informationen	Prognostizierte Nachfrage	Interpretation
Knoten 0 (Keine Info)	Keine — Zufallsauswahl aus 700 Einzelhändlern	2270 (ȳ für alle)	Basiswert: einfacher Durchschnitt aller Bestellungen.
Nach Split 1 (Knoten 1)	Geschäftsgröße ≤ 30.5K sq ft	1902 (↓ von 2270)	Hinzufügen von Größeninfos verfeinert Prognose für kleine Geschäfte.
Nach Split 1 (Knoten 2)	Geschäftsgröße > 30.5K sq ft	4829 (↑ von 2270)	Große Geschäfte bestellen viel mehr. Prognose springt auf 4829.
Nach Split 2 (Knoten 4)	Größe ≤ 30.5K + Aktion = 1	2360 (Aktionseffekt: +458)	Gleiches kleines Geschäft, aber mit Aktion → Nachfrage steigt.
Nach Split 2 (Knoten 6)	Größe > 30.5K + Alter > 17.5 J.	8227 (alt + groß = am höchsten)	Großes UND altes Geschäft = höchste prognostizierte Nachfrage.

Kernlogik: Mehr relevante Informationen über einen Einzelhändler → verfeinerte Gruppe, in die er fällt → Mittelwert dieser Gruppe liegt näher an seiner tatsächlichen Nachfrage.

---

4 Geschäftsregeln — Referenzkarte für die Praxis

Regel	Bedingung 1 (Größe)	Bedingung 2 (Aktion oder Alter)	Profil des Einzelhändlers	Prognostizierte Nachfrage	Support
R1 (Knoten 3)	Größe ≤ 30.5K sq ft	Aktion = 0 (Kein Angebot)	Kleines Geschäft, keine Aktion → wöchentlich geringe Nachfrage	943 Einheiten	28%
R2 (Knoten 4)	Größe ≤ 30.5K sq ft	Aktion = 1 (Angebot aktiv)	Kleines Geschäft ABER Aktion läuft → Nachfrage angekurbelt	2360 Einheiten	59%
R3 (Knoten 5)	Größe > 30.5K sq ft	Alter ≤ 17.5 J. (Relativ neu)	Großes, aber neueres Geschäft — noch kein starker Kundenstamm	2887 Einheiten	8%
R4 (Knoten 6)	Größe > 30.5K sq ft	Alter > 17.5 J. (Alt, etabliert)	Großes UND altes Geschäft → treue Kunden, hohe Laufkundschaft → höchste Nachfrage	8227 Einheiten	5%

Hinweis

★ 4 einfache Regeln ersetzen einen komplexen Prognoseprozess. Jeder Bedarfsplaner ohne Data-Science-Hintergrund kann diese Regeln nutzen, um die Einzelhandelsnachfrage vorherzusagen.

Berechnungsbeispiel — Einzelhändler A

Gegebene Daten für Einzelhändler A: Region: West | Kredit: ₹10 Lakh | Standort: Urban | Alter: 12 Jahre | Geschäftsgröße: 8.000 sq ft (8K) | Aktionsangebot: Ja (1) | Anzahl Feiertage: 3

1. Geschäftsgröße prüfen: 8K sq ft ≤ 30.5K sq ft → gehe zu Knoten 1 (linker Zweig)
2. Aktion prüfen: Aktion = 1 → gehe zu Knoten 4 (rechter Zweig von Knoten 1)
3. Ergebnis: Knoten 4 → Prognostizierte Nachfrage = 2360 Einheiten

---

Interpretation des Supports — Wie zuversichtlich ist die Vorhersage?

Support = % der Trainingsbeobachtungen, die in diesen Blattknoten fallen.

• Knoten 4 (59% Support): Am zuverlässigsten — deckt die Mehrheit der kleinen Geschäfte + Aktions-Einzelhändler ab.
• Knoten 6 (5% Support): Geringste Zuversicht — nur 32 von 700 sind große + alte Geschäfte.

Hinweis

★ Knoten 6 prognostiziert die höchste Nachfrage (8227), hat aber den geringsten Support (5%). Das bedeutet nicht, dass die Vorhersage falsch ist — diese großen alten Geschäfte bestellen wahrscheinlich wirklich sehr große Mengen. Es bedeutet nur, dass weniger Beobachtungen dies bestätigen.

Können wir uns noch weiter verbessern? — Tieferer Baum

• Ja: Knoten mit zusätzlichen Merkmalen weiter aufteilen → geringerer Mean Squared Error innerhalb jedes Blattes → Vorhersagen rücken näher an die tatsächliche Nachfrage heran.
• Nachteil: Tieferer Baum = bessere Trainingsgenauigkeit, ABER höheres Risiko für Overfitting. Es gelten die gleichen Stoppkriterien wie beim Klassifikationsbaum (Max. Tiefe, Min. Beobachtungen, Min. Varianzreduktion).

---

Zusammenfassung der Session

• Fall: Leiter der Bedarfsplanung eines FMCG-Unternehmens → nutzt Regressionsbaum zur Prognose von Bestellmengen.
• Regressionsbaum vs. Klassifikationsbaum: Kontinuierliches Ziel → Blatt prognostiziert den Mittelwert (ȳ). Aufteilungskriterium = Varianzreduktion (nicht Gini).
• Modell wählt 3 von 7 Merkmalen: Größe des Geschäfts | Aktionsangebot | Alter des Geschäfts
• 4 Blattknoten → 4 Geschäftsregeln: 943 (klein, keine Aktion) | 2360 (klein + Aktion, 59% Support) | 2887 (groß + jung) | 8227 (groß + alt — höchste Nachfrage)
• Vorhersage für Einzelhändler A: Größe = 8K sq ft (≤ 30.5K) | Aktion = 1 → Knoten 4 → Prognostizierte Nachfrage = 2360 Einheiten
• Nächste Session: Erstellen eines Regressionsbaums in Python + Fehlermetriken für Nachfrageprognosen (MAE, RMSE, MAPE)