Ein Schweizer Händler für Luxusuhren steht jährlich vor der Herausforderung, aus einer Vielzahl neuer Uhrenmodelle diejenigen mit dem grössten Verkaufspotenzial auszuwählen. Einkaufsentscheidungen basieren dabei häufig auf Erfahrung und persönlicher Einschätzung, obwohl Fehlentscheide zu hohen Lagerkosten oder entgangenen Verkaufschancen führen können. Ziel der Arbeit war die Entwicklung einer datenbasierten Entscheidungsgrundlage zur Unterstützung des Einkaufs.

Die Arbeit orientierte sich am Vorgehensmodell CRISP-DM. Historische Verkaufs-, Lager- und Produktdaten wurden automatisiert über eine asynchrone API aus dem BI-System extrahiert, bereinigt und zu einem konsistenten Datensatz aufbereitet. Zur Berücksichtigung zeitlicher Entwicklungen wurden die daraus abgeleiteten Kennzahlen mithilfe des Exponential Moving Average (EMA) zeitlich gewichtet. Anschliessend wurden Random-Forest-Modelle zur Prognose von relevanten Performance-Kennzahlen entwickelt und als Shiny-Webapplikation auf einem betriebsinternen Server bereitgestellt.

Die entwickelten Random-Forest-Modelle erzielten gegenüber einer einfachen Baseline (Markendurchschnitt) eine um 2 bis 15 % höhere Vorhersagegenauigkeit. Die begrenzte Verbesserung ist hauptsächlich auf die Eigenschaften der Daten zurückzuführen. Aufgrund der geringen Lagerdrehung vieler Luxusuhren weisen die Kennzahlen eine hohe Zufälligkeit auf. Bereits einzelne Verkäufe können die Performance eines Produktes deutlich verändern, wodurch es den Modellen schwerfällt, stabile Muster zu erkennen. Dennoch lieferten die Modelle realistische Handlungsempfehlungen für Einkaufsentscheidungen. Gleichzeitig zeigt die Arbeit grosses Potenzial für weitere Verbesserungen. Die zeitliche Gewichtung mittels EMA sowie die Auswahl und Gewichtung der Kennzahlen wurden nicht analytisch optimiert und beruhen auf betriebswirtschaftlichen Überlegungen. Künftige Arbeiten könnten diese Parameter datenbasiert optimieren sowie spezialisierte Machine-Learning-Modelle und zusätzliche Datenquellen integrieren, um die Vorhersagegenauigkeit weiter zu erhöhen. Die entwickelte Lösung dient derzeit als datenbasierte Entscheidungsunterstützung, ersetzt die Expertise der Produktverantwortlichen jedoch noch nicht.