P-DisΔ: wo die Retourenquote wirklich abweicht

Welcher Kanal verkauft welches Sortiment überdurchschnittlich gut? Und ist das groß genug, um sich darum zu kümmern? Fragen dieser Art stellt man nicht einmal, sondern jeden Monat wieder. Bisher hieß das jedes Mal: Auswertung bauen, Zahlen prüfen, Ergebnis erklären. Pythia macht daraus einen Baukasten.

Zwei Zutaten, ein Rezept

P-DisΔ funktioniert wie eine Backmischung, bei der man nur noch zwei Eier dazugibt. Man wählt zwei Zutaten – etwa Kanal und Sortiment, oder Retourenquote und Qualität –, und Pythia liefert das passende Analyserezept dazu: welche Rechenmethode gilt, was verglichen wird, wie das Ergebnis zu lesen ist.

Drei Rechenmethoden stehen dahinter:

• Relativer Index: Welche Kombination liegt über oder unter dem, was ihre Randsummen erwarten lassen? Verkauft ein Kanal ein Sortiment stärker, als sein Gesamtanteil vermuten ließe?
• Signalreaktion: Wie reagiert ein Sortiment auf das Kaufwetter?
• Quotenvergleich: Wo weicht die Retourenquote ab – nach Kanal, Sortiment, Warengruppe, Artikel oder Qualität?

Größe vor Prozent

Jede Ergebniszeile ist ein Satz, und dieser Satz beginnt mit der Größe: klein, mittel oder groß. Dazu kommt eine Sicherheitsstufe – Beobachtung, Zusammenhang oder bestätigte Richtung. Das Wort „kausal“ kommt nicht vor.

Eine hohe Quote in einer winzigen Zelle ist auffällig, aber unwichtig. P-DisΔ stellt kleine Zellen ans Ende und sortiert Quoten nach dem Mehrbetrag in Euro.

So verliert die Zahl, die am meisten auffällt, ihre Scheinwichtigkeit, und die, die wirklich Geld kostet, rückt nach oben.

Wiederholen, festhalten, weitergeben

Jedes Ergebnis lässt sich prüfen, mit dem Vorjahr einordnen und als Schnappschuss festhalten – mit Datenstand und Regelversion, damit man in einem Jahr noch weiß, worauf es beruhte. Export gibt es als JSON und als CSV, das sich ohne Umwege in einer Tabellenkalkulation öffnen lässt.

Was als Nächstes kommt

Pythia steht heute fest auf den ersten drei Stufen: Was ist passiert, warum – und hätte die Prognose gestimmt? Die dritte Stufe, Validate, prüft genau das: Was hätte Pythia damals vorhergesagt – mit dem Wissen von damals, nicht mit dem von heute? Die nächsten Stufen sind geplant und beschrieben:

• Attribute: Geschätzte Beiträge von Wetter, Aktion und Preis zu einem Absatzsprung, ausdrücklich als Schätzung.
• Predict: Eine Timeline, die mit Korridor in die Zukunft reicht und geplante Aktionen als Annahmen kennt.
• Simulate: Szenarien nebeneinander, durchgerechnet bis zu Umsatz, Deckungsbeitrag und Bestand.
• Decide: Ein Einkaufsvorschlag mit Herleitung und dem Risiko, zu wenig oder zu viel zu kaufen.

Die Grundlage dafür ist gelegt: vollständige Daten, eine Erwartung, die sich erklärt, ein Signalspeicher, der weiß, was man wann wusste, und Regeln, die man nachlesen kann. Die Geschichte von Pythia geht weiter – und dieser Blog mit ihr.