Handlungsfeld Arbeit

Kaufverhalten smart analysieren

Abstract

Lektion 2

Kein Kuchen bei gutem Wetter

Die Sache mit dem super Gebrauchtwagenangebot hat sich jetzt wohl erledigt. Für Anton ist das blöd. Lisa hätte auch nicht sofort an Betrug gedacht. Um ihn etwas aufzuheitern, beschließt sie, Anton auf ein Stück Kuchen einzuladen. Um die Ecke gibt es eine Bäckerei, bei der sie schon öfter war und die einen leckeren Pflaumenkuchen haben. Doch als sie ankommen, gibt es leider keinen Pflaumenkuchen mehr in der Auslage.

Image
Image
Grafik 2 Personen gehend im Gespräch

Verkäuferin: Was darf's denn sein?

Lisa: Eigentlich wollten wir zwei Stück Pflaumenkuchen, aber die sind wohl heute schon alle weg?

Verkäuferin: Pflaumenkuchen hatten wir heute gar nicht. Das entscheiden wir immer je nach Wetter.

Lisa: Wie bitte?

Verkäuferin: Ja, unser Chef hat sich neulich von einer Firma beraten lassen. Seitdem wissen wir: Wenn das Wetter zu gut ist, kauft fast niemand unseren Pflaumenkuchen. Am Ende müssen wir eine ganze Menge wegschmeißen.

Image
Image
Grafik 2 Personen am Tresen in einer Bäckerei

Wichtige Wetterdaten

An manchen Tagen sind die Brötchen schon vormittags ausverkauft, an anderen ist das Fach bei Ladenschluss noch halb voll. Mal stehen die Kunden Schlange, mal haben die Verkäufer*innen den halben Tag nichts zu tun. Welche Waren eine Bäckerei wann in welcher Menge herstellt, wann in welcher Filiale wie viele Mitarbeiter*innen zum Einsatz kommen, wird in der Regel nach Erfahrung entschieden. Dabei wird das Kaufverhalten im Lebensmittelhandel von vielen Dingen beeinflusst. Einer der wichtigsten Aspekte ist das Wetter. Inzwischen weiß man, dass zum Beispiel bei höheren Temperaturen weniger dunkles Brot verkauft wird. Während der Ferien, wenn häufiger lang und viel gefrühstückt wird, steigt die Nachfrage nach Brötchen. Der Kuchenabsatz steigt interessanterweise, wenn das Wetter schlecht ist.

Image
Image
Grafik Kuchen, Brötchen neben einem Tablet mit Wettergrafiken

Es gibt Firmen, die sich darauf spezialisiert haben, diese Daten zu sammeln, auszuwerten und zum Beispiel Bäckereien zur Verfügung zu stellen. Dabei kommt eine Analyse-Software zum Einsatz, die erst einmal Daten sammelt: Bei welchem Wetter und an welchen Wochentagen kaufen die Kunden welche Produkte? Zu welchen Uhrzeiten? Wie sieht es an Feiertagen aus? Unglaubliche 400 Variablen werden ausgewertet und darauf basierend Prognosen erstellt. Weicht eine Prognose von den tatsächlichen Verkaufszahlen ab, lernt die Analyse-Software, die Faktoren anders zu bewerten. Dadurch wird sie immer besser. Dies ist ein Anwendungsfall von maschinellem Lernen.

 

Aufgabe

Description

Von Analyse-Systemen ausgewertete Wetterdaten werden inzwischen auch in vielen anderen Bereichen eingesetzt. Dabei geht es nicht nur darum, dass Unternehmen mehr Umsatz machen. Solche Daten können auch dabei helfen, die Umwelt zu schützen.

Interactive tasks

Blick in die Zukunft

Auf dem Nachhauseweg unterhält sich Lisa mit Anton weiter über die Bäckerei. Das ist schon erstaunlich, was man inzwischen alles mit Daten machen kann. Könnte man das nicht auch für die Werkstatt nutzen? Man sammelt einfach alle möglichen Daten und sucht nach Zusammenhängen. Zum Beispiel: Wie viele Kund*innen kommen an bestimmten Tagen? Danach könnte man planen, wie viele Mitarbeiter*innen zum Beispiel an Donnerstagen überhaupt gebraucht werden. Oder wann wie viele Autos mit manipulierten Tachos angeboten werden, ergänzt Anton und lacht.

Image
Image
Grafik 2 Personen, eine mit Gedankenblase eines Stifts und einer Strichliste

Anton hat recht. Bäckereien sind bei weitem nicht die einzigen Unternehmen, die versuchen, mithilfe von Daten aus der Vergangenheit auf Trends und Entwicklungen in der Zukunft zu schließen. Predictive Analytics wird diese Methode auch genannt. Zum Beispiel können Betriebe mithilfe von Datenanalyse schon herausfinden, an welchen Tagen wie viel Personal gebraucht wird. Entscheidend hierfür ist ja einfach eine Auswertung, wie gut es an bestimmten Tagen oder in bestimmten Monaten läuft. Wenn man als Geschäftsführer*in eine solche Übersicht hätte, könnte man zum Beispiel besser planen, wie man seine Mitarbeiter einsetzt. Das spart Kosten und Arbeitszeit.

In der Energiebranche setzt man Predictive Analytics ein, um den Stromverbrauch anhand gespeicherter Verbrauchsdaten vorherzusagen. Das ist vor allem für den Einsatz erneuerbarer Energien wie Wind- und Wasserkraft wichtig, die man immer nach Bedarf regulieren sollte, um nicht zu viel oder zu wenig Strom zu produzieren. Banken schätzen beim sogenannten Kredit-Scoring die Wahrscheinlichkeit ab, mit der Kredite zurückgezahlt werden können – also wie kreditwürdig jemand ist. Auch das ist ein Beispiel für Predictive Analytics. Basierend auf Daten wie „Kunde seit“, „Wohnort“, „Beruf“ und „finanzielle Sicherheiten“ werden Punkte vergeben, gewichtet und dann zu einer einzelnen Note, dem Score, zusammengefasst.

Aufgabe

Description

Predictive Analytics ist ein sehr wirksames Werkzeug. Aber es hat auch seine Grenzen und Risiken. Welche der folgenden Aussagen treffen zu?

Interactive tasks
Text Addition

Erläuterung:

Wie gut Predictive Analytics funktioniert, hängt immer von der Verfügbarkeit und Qualität der Daten ab, die man verwendet. Schließlich bilden sie die Basis für die Vorhersage. Hat man zu wenige oder die falschen Daten, wird es schwierig. Stell dir folgende Situationen vor: Du hast ein gutes Einkommen und wohnst in einem Viertel mit vielen Sozialwohnungen. Eigentlich solltest du keine Probleme haben, einen Kredit zu bekommen, aber dein Kreditscore wird wegen deines Wohnortes heruntergestuft. Oder du bist eine gut verdienende Ingenieurin und dein Kreditrahmen ist unverhältnismäßig gering – einfach, weil du eine Frau bist. Die Analysesoftware der Bank entscheidet, dass du deshalb weniger kreditwürdig bist als ein vergleichbarer männlicher Antragsteller. Solche Dinge passieren tatsächlich.

Trügerische Schlüsse

Anton und Lisa erzählen ihrem Chef, dass die Bäckerei um die Ecke Wetterdaten nutzt, um ihren Verkauf zu optimieren und schlagen ihm vor, so eine Datenanalyse auch in der Werkstatt einzusetzen. Aber da muss Claus Kummer ihren Enthusiasmus ein wenig dämpfen. Bei großen Ketten wie Bäckereien oder Drogerien kann er sich schon vorstellen, dass eine solche Datenanalyse funktioniert. Aber Claus ist sich nicht sicher, ob man einem solchen System wirklich trauen kann.

Image
Image
Grafik Autowerkstatt, Personen in Arbeitskleidung

Lisas Chef ist zu Recht vorsichtig. Angenommen, Anton und Lisa schafften es tatsächlich, eine Menge Daten zu erheben und darin Muster zu erkennen. Dann stellt sich immer noch die Frage, was man daraus ableiten kann. Schau dir mal folgendes Beispiel an: 

Image
Image
Grafik Kausalität
Source
Quelle Daten: https://www.tylervigen.com/spurious-correlations

Die Grafik zeigt einen Zusammenhang zwischen dem Pro-Kopf-Verzehr von Hühnchen und Rohölimporten. Man sagt, die beiden Dinge korrelieren miteinander. Wie dieser Zusammenhang aber genau zustande kommt, kann man nicht sagen. Vielleicht gibt es noch andere Dinge, die Hühnchen und Rohölimporte miteinander verbinden. Die sehen wir aber nicht. Deshalb sollte man aus einem solchen Zusammenhang nicht automatisch auf eine Kausalität schließen: Ein solche Ursache-Wirkung-Beziehung  wäre nur dann gegeben, wenn mehr verzehrte Hühnchen zu höheren Rohölimporten führen würden oder umgekehrt . Doch im Alltag fällt es uns oft erstaunlich schwer, diese beiden Zusammenhänge zu unterscheiden.

Aufgabe

Description

Angenommen, der Pro-Kopf-Verzehr von Hühnchen würde wirklich die Rohölimporte beeinflussen, könnte man das zum Beispiel so erklären.

Interactive tasks