Strategy and AI - Exam

Aufgabe 1)

Du bist der Geschäftsführer eines mittelständischen Unternehmens, das Konsumgüter herstellt. Dein Unternehmen steht vor mehreren Herausforderungen und hat bislang keine klare strategische Ausrichtung. Du hast beschlossen, eine SWOT-Analyse durchzuführen, um eine fundierte Strategie zu entwickeln und sicherzustellen, dass Dein Unternehmen wettbewerbsfähig bleibt.

• Stärken: Interne Eigenschaften/Ressourcen, die Wettbewerbsvorteile schaffen
• Schwächen: Interne Mängel/Limitierungen, die Nachteile verursachen
• Chancen: Externe Faktoren/Trends, die Wachstum ermöglichen
• Risiken: Externe Faktoren/Trends, die Bedrohungen darstellen
• Ziel: Strategien entwickeln, um Stärken zu nutzen, Schwächen zu minimieren, Chancen zu ergreifen und Risiken zu begegnen

a)

Aufgabe 1: Liste drei mögliche interne Stärken Deines Unternehmens auf und erläutere kurz, wie diese Stärken Dir helfen können, Wettbewerbsvorteile zu erzielen.

Lösung:

• Hochqualifiziertes Personal: Dein Unternehmen verfügt über gut ausgebildete und erfahrene Mitarbeiter. Diese interne Stärke kann durch die Entwicklung innovativer Produkte und die Verbesserung bestehender Produktionsprozesse genutzt werden, um sich von Mitbewerbern abzuheben.
• Effiziente Produktionsprozesse: Dein Unternehmen hat effiziente und optimierte Produktionsprozesse etabliert, die zur Senkung der Produktionskosten beitragen. Dies ermöglicht es, Produkte zu wettbewerbsfähigen Preisen anzubieten und dabei die Gewinnmargen zu erhalten.
• Starke Kundenbeziehungen: Dein Unternehmen hat langjährige und stabile Beziehungen zu seinen Kunden aufgebaut. Diese Beziehungen fördern Kundentreue und können zu wiederkehrenden Geschäften führen. Auch ermöglichen sie eine frühzeitige Identifikation von Marktbedürfnissen und Trends.

b)

Aufgabe 2: Identifiziere zwei mögliche interne Schwächen und diskutiere, wie diese Schwächen die Wettbewerbsfähigkeit Deines Unternehmens beeinträchtigen könnten. Schlage zudem Maßnahmen vor, wie diese Schwächen minimiert oder behoben werden können.

Lösung:

• Schwäche 1: Veraltete Technologie: Dein Unternehmen nutzt veraltete Produktionsmaschinen und IT-Systeme. Diese interne Schwäche kann die Effizienz und Produktivität beeinträchtigen, wodurch höhere Produktionskosten entstehen und die Produktqualität leidet. Maßnahmen: Investitionen in moderne Technologie und Maschinen; Schulung der Mitarbeiter im Umgang mit neuen Technologien; gegebenenfalls Kooperationen mit Technologiepartnern eingehen.
• Schwäche 2: Geringe Innovationskraft: Es fehlt an neuen Produktideen und Innovationen, wodurch Dein Unternehmen marktseitig hinter der Konkurrenz zurückbleibt. Dies kann zu Umsatzrückgängen und einem Verlust von Marktanteilen führen. Maßnahmen: Aufbau einer Abteilung für Forschung und Entwicklung (F&E); Förderung einer innovationsfreundlichen Unternehmenskultur durch Anreize und Schulungen; Einbindung von Kundenfeedback in den Innovationsprozess; Durchführung von Marktanalysen, um Trends und Bedürfnisse frühzeitig zu erkennen.

c)

Aufgabe 3: Analysiere die aktuellen Markttrends und beschreibe zwei externe Chancen, die Dein Unternehmen nutzen könnte. Erläutere, welche konkreten Maßnahmen Du ergreifen würdest, um diese Chancen gewinnbringend zu nutzen.

Lösung:

• Chance 1: Steigende Nachfrage nach umweltfreundlichen Produkten: Es gibt einen wachsenden Trend und eine Nachfrage nach nachhaltigen und umweltfreundlichen Konsumgütern. Dein Unternehmen könnte diese Marktchance nutzen, um sich als umweltbewusster Hersteller zu positionieren. Maßnahmen: Entwicklung einer Produktlinie aus nachhaltigen Materialien; Erlangung von Umweltzertifizierungen; Investition in umweltfreundliche Produktionsprozesse; Marketingkampagnen, die die Umweltfreundlichkeit der Produkte hervorheben.
• Chance 2: Zunahme des Online-Handels: Der E-Commerce-Sektor wächst stetig und bietet zahlreiche Möglichkeiten, neue Zielgruppen zu erreichen. Dein Unternehmen könnte diese Chance nutzen, um den Absatz zu steigern und neue Märkte zu erschließen. Maßnahmen: Aufbau und Optimierung eines eigenen Online-Shops; Partnerschaften mit bestehenden E-Commerce-Plattformen; Implementierung von digitalen Marketingstrategien (SEO, Social Media, Influencer-Marketing); Verbesserung der Logistik- und Lieferketten, um eine schnelle und zuverlässige Lieferung zu gewährleisten.

d)

Aufgabe 4: Beschreibe zwei potenzielle Risiken, die Dein Unternehmen aufgrund externer Faktoren bedrohen könnten. Entwickle eine detaillierte Strategie, wie Dein Unternehmen diesen Risiken begegnen kann, um langfristig erfolgreich zu bleiben.

Lösung:

• Risiko 1: Wirtschaftliche Abschwünge: Eine wirtschaftliche Rezession könnte zu einem Rückgang der Konsumgüternachfrage führen, was zu Umsatzeinbußen für Dein Unternehmen führt. Strategie:
  • 1. Diversifizierung des Produktportfolios, um Abhängigkeiten von einzelnen Produktgruppen zu verringern.
  • 2. Entwicklung von Produkten, die auch in wirtschaftlich schwierigen Zeiten gefragt sind.
  • 3. Aufbau von Reserven und einer finanziellen Pufferzone, um kurzfristige Umsatzeinbrüche abzufedern.
  • 4. Optimierung der Kostenstruktur durch Effizienzsteigerungen und Prozessverbesserungen.
  • 5. Flexible Preisgestaltung durch Einführung von variablen Kostenmodellen.
• Risiko 2: Stärkere Konkurrenz durch globale Mitbewerber: Der zunehmende Wettbewerb durch internationale Unternehmen mit größeren Ressourcen könnte Marktanteile und Margen bedrohen. Strategie:
  • 1. Fokus auf Qualitätsführerschaft durch kontinuierliche Produktverbesserungen und Innovationsinitiativen.
  • 2. Stärkung der Markenidentität und Aufbau einer starken Markenbindung durch gezielte Marketingkampagnen.
  • 3. Ausbau der Kundenbetreuung und Angebote von personalisierten Dienstleistungen.
  • 4. Zugang zu neuen Märkten durch Expansion und Internationalisierung.
  • 5. Stärkung lokaler Partnerschaften und Netzwerke, um regionale Marktpotenziale besser auszuschöpfen.

Aufgabe 2)

Stellen Sie sich vor, Sie sind ein Strategieberater und Ihre Aufgabe ist es, die Wettbewerbsintensität und Attraktivität einer Branche zu analysieren. Nutzen Sie das Porter'sche Fünf-Kräfte-Modell für Ihre Analyse. Wählen Sie eine spezifische Branche aus, z.B. die Automobilindustrie, die Technologiebranche oder das Gastgewerbe, und wenden Sie das Modell auf diese Branche an.

a)

Subexercise 1: Analysieren Sie die gewählte Branche hinsichtlich der fünf Wettbewerbskräfte des Porter'schen Modells. Erläutern Sie für jede der folgenden Kräfte deren aktuelle und potenzielle Auswirkungen auf die Wettbewerbsintensität und Attraktivität der Branche:

• Bedrohung durch neue Konkurrenten: Wie hoch sind die Barrieren für den Markteintritt? Sind hohe Investitionen erforderlich oder gibt es starke Markentreue seitens der Kunden?
• Verhandlungsmacht der Lieferanten: Haben die Lieferanten eine starke Verhandlungsposition, z.B. aufgrund von Monopolstellungen oder einzigartigen Rohstoffen?
• Verhandlungsmacht der Abnehmer: Wie viel Macht haben die Endkunden? Gibt es viele alternative Anbieter?
• Bedrohung durch Ersatzprodukte: Gibt es viele Substitute für die Produkte oder Dienstleistungen der Branche? Wie stark ist diese Bedrohung?
• Rivalität unter bestehenden Wettbewerbern: Wie intensiv ist der Wettbewerb innerhalb der Branche? Gibt es viele starke Wettbewerber und wie aggressiv sind deren Strategien?

Lösung:

Analyse der Automobilindustrie mit dem Porter'schen Fünf-Kräfte-Modell

• Bedrohung durch neue Konkurrenten: In der Automobilindustrie sind die Eintrittsbarrieren sehr hoch. Hohe Investitionen sind erforderlich, um Produktionsstätten zu errichten, Forschung und Entwicklung durchzuführen und ein Vertriebsnetz aufzubauen. Zudem gibt es eine starke Markentreue seitens der Kunden zu etablierten Marken. Diese Faktoren machen den Markteintritt für neue Wettbewerber schwierig.
• Verhandlungsmacht der Lieferanten: In der Automobilindustrie gibt es eine Vielzahl von Lieferanten für verschiedene Komponenten und Rohstoffe. Einige Lieferanten haben eine starke Verhandlungsposition, insbesondere wenn sie einzigartige oder seltene Rohstoffe liefern, wie z.B. Lithium für Batterien in Elektrofahrzeugen. Allerdings haben große Automobilhersteller oft langfristige Verträge und können so ihre Verhandlungsposition stärken.
• Verhandlungsmacht der Abnehmer: Die Endkunden haben eine wachsende Verhandlungsmacht, da es viele alternative Anbieter gibt. Verbraucher haben Zugang zu umfangreichen Informationen und können verschiedene Modelle und Preise leicht vergleichen. Zudem führt die zunehmende Bedeutung von Online-Verkaufsplattformen dazu, dass Kunden mehr Einfluss auf die Preisgestaltung und Ausstattung der Fahrzeuge haben.
• Bedrohung durch Ersatzprodukte: Die Bedrohung durch Ersatzprodukte ist in der Automobilindustrie moderat. Während öffentliche Verkehrsmittel und Fahrräder als Alternativen zum Auto betrachtet werden können, gibt es keinen vollständigen Ersatz für den individuellen Fahrzeuggebrauch. Allerdings könnte die steigende Popularität von Car-Sharing-Diensten und autonomen Fahrzeugen langfristig den Bedarf an eigenen Fahrzeugen verringern.
• Rivalität unter bestehenden Wettbewerbern: Die Rivalität in der Automobilindustrie ist sehr intensiv. Es gibt viele etablierte und starke Wettbewerber, wie Volkswagen, Toyota, Ford, und BMW, die alle um Marktanteile kämpfen. Die Strategien der Wettbewerber sind oft aggressiv, mit ständigen Innovationen, umfangreichen Marketingkampagnen und Preiskämpfen, um Kunden zu gewinnen und zu halten.

b)

Subexercise 2: Mithilfe der Analyse der fünf Kräfte, berechnen Sie die Gesamteinschätzung der Wettbewerbsintensität und Attraktivität der gewählten Branche. Dabei sollten Sie für jede der fünf Kräfte eine Punktzahl von 1 (sehr niedrig) bis 5 (sehr hoch) vergeben und die durchschnittliche Punktzahl ermitteln. Begründen Sie Ihre Bewertung kurz:

• Bedrohung durch neue Konkurrenten: Punktzahl und Begründung
• Verhandlungsmacht der Lieferanten: Punktzahl und Begründung
• Verhandlungsmacht der Abnehmer: Punktzahl und Begründung
• Bedrohung durch Ersatzprodukte: Punktzahl und Begründung
• Rivalität unter bestehenden Wettbewerbern: Punktzahl und Begründung

Berechnen Sie die durchschnittliche Punktzahl und diskutieren Sie, ob die Branche insgesamt als attraktiv einzustufen ist oder nicht. Definieren Sie Ihre Grenzen der Attraktivität je nach Durchschnittspunktzahl.

Lösung:

Gesamteinschätzung der Wettbewerbsintensität und Attraktivität der Technologiebranche

• Bedrohung durch neue Konkurrenten: Punktzahl: 3 Begründung: Die Technologiebranche hat moderate Eintrittsbarrieren. Technologische Innovationen und kreative Lösungen können es neuen Unternehmen ermöglichen, schneller in den Markt einzutreten. Allerdings benötigt man erhebliche Investitionen in Forschung und Entwicklung und muss sich gegen etablierte Marken durchsetzen.
• Verhandlungsmacht der Lieferanten: Punktzahl: 2 Begründung: In der Technologiebranche gibt es viele alternative Lieferanten für häufig genutzte Komponenten wie Halbleiter und Software. Dies verringert die Verhandlungsmacht der Lieferanten, da die Unternehmen durch Diversifikation und Massenproduktion von günstigeren Bedingungen profitieren können.
• Verhandlungsmacht der Abnehmer: Punktzahl: 4 Begründung: Endkunden haben eine starke Verhandlungsposition aufgrund der verfügbaren Alternativen und der Möglichkeit, Produkte und Preise online zu vergleichen. Kundenloyalität ist oft gering, besonders bei Konsumgütern wie Smartphones und Computern, wodurch Unternehmen gezwungen sind, konstant qualitativ hochwertige Produkte zu wettbewerbsfähigen Preisen anzubieten.
• Bedrohung durch Ersatzprodukte: Punktzahl: 4 Begründung: Die Technologiebranche sieht sich einer starken Bedrohung durch Substitute ausgesetzt. Viele digitale Lösungen bieten Ersatzprodukte für traditionelle Hardware und Software. Zum Beispiel können Cloud-Dienste klassische Server ersetzen, und Streaming-Dienste können traditionelle Medienprodukte ersetzen.
• Rivalität unter bestehenden Wettbewerbern: Punktzahl: 5 Begründung: Der Wettbewerb in der Technologiebranche ist extrem intensiv. Große Unternehmen wie Apple, Google, Microsoft und Amazon konkurrieren aggressiv um Marktanteile in verschiedenen Segmenten. Unternehmen investieren stark in Forschung, Marketing, und Innovation, um ihre Position auf dem Markt zu behaupten.

Berechnung der durchschnittlichen Punktzahl:

• Bedrohung durch neue Konkurrenten: 3
• Verhandlungsmacht der Lieferanten: 2
• Verhandlungsmacht der Abnehmer: 4
• Bedrohung durch Ersatzprodukte: 4
• Rivalität unter bestehenden Wettbewerbern: 5

Durchschnittliche Punktzahl:

\frac{{3+2+4+4+5}}{{5}} = 3.6

Diskussion der Attraktivität:

Die durchschnittliche Punktzahl von 3.6 zeigt, dass die Wettbewerbsintensität in der Technologiebranche hoch ist. Grenzen der Attraktivität:

• Von 1 bis 2.5: Hoch attraktiv
• Von 2.6 bis 3.5: Moderat attraktiv
• Von 3.6 bis 5: Wenig attraktiv

Basierend auf der durchschnittlichen Punktzahl liegt die Technologiebranche im Bereich der geringen Attraktivität. Die hohe Wettbewerbsintensität und Bedrohung durch Ersatzprodukte erschweren es Unternehmen, langfristig nachhaltige Gewinne zu erzielen. Unternehmen müssen sich durch ständige Innovation und Anpassung behaupten, um wettbewerbsfähig zu bleiben.

Aufgabe 3)

Du bist ein Datenwissenschaftler bei einem großen Einzelhandelsunternehmen. Dein Team hat die Aufgabe, Verkaufsdaten zu analysieren, um das Kundenverhalten besser zu verstehen und zukünftige Verkaufsprognosen zu verbessern. Dafür stehen Dir zwei Ansätze des maschinellen Lernens zur Verfügung: überwachte und unüberwachte Lernmethoden. Das Unternehmen hat historische Verkaufsdaten (z. B. welche Produkte verkauft wurden, zu welchem Preis, an welchem Tag, etc.), sowie detaillierte Informationen zu Kunden (z. B. demografische Daten, Kaufhistorie, etc.).

a)

a) Beschreibe, wie Du überwachte Lernmethoden verwenden würdest, um Verkaufsprognosen zu erstellen. Stelle sicher, dass Du die Schritte zur Datenvorbereitung erläuterst und erläutere, welches Modell Du wählen würdest (z. B. lineare Regression oder Entscheidungsbäume) und warum.

Lösung:

• Datenvorbereitung:

1. Datensammlung: Sammle alle historischen Verkaufsdaten und Kundeninformationen. Stelle sicher, dass die Daten vollständig und relevant sind.
2. Datenbereinigung: Bereinige die Daten, indem Du fehlende Werte ergänzt oder entfernst, Ausreißer identifizierst und korrigierst und sicherstellst, dass alle Datenformate konsistent sind.
3. Feature-Engineering: Erstelle neue Merkmale (Features) aus den vorhandenen Daten, die für das Modell nützlich sein könnten. Zum Beispiel könnten zeitliche Merkmale wie Wochentag oder saisonale Trends, sowie Kundenkategorisierungen wie Kundentyp hinzugefügt werden.
4. Datenaufteilung: Teile die Daten in Trainings- und Testdatensätze auf, um die Leistung des Modells zu validieren.

• Modellwahl:

1. Entscheidungsbäume: Entscheidungsbäume sind eine gute Wahl, da sie nicht-lineare Zusammenhänge in den Daten erkennen und leicht interpretiert werden können. Sie sind besonders nützlich, wenn die Daten viele kategorische Merkmale enthalten.

    'from sklearn.tree import DecisionTreeRegressor ' 

2. Rationale:Da Verkaufsdaten komplexe Muster aufweisen können, sind Entscheidungsbäume von Vorteil, da sie diese Komplexität handhaben können und weniger anfällig für Überanpassung (Overfitting) sind im Vergleich zu linearen Modellen.

• Trainingsphase:

1. Modelltraining: Verwende den Trainingsdatensatz, um das Entscheidungsbaum-Modell zu trainieren.

    'model.fit(X_train, y_train)' 

2. Hyperparameter-Tuning: Optimiere die Hyperparameter des Modells durch Kreuzvalidierung (cross-validation) und Grid Search, um die beste Modellkonfiguration zu finden.

    'from sklearn.model_selection import GridSearchCV' 

• Evaluierung und Verfeinerung:

1. Modellbewertung: Bewerte das Modell anhand des Testdatensatzes unter Verwendung von Metriken wie dem R^2-Wert, dem mittleren absoluten Fehler und dem mittleren quadratischen Fehler.

    'from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score ' 

2. Modellverfeinerung: Falls nötig, verfeinere das Modell weiter durch Anpassung der Hyperparameter oder durch Einbeziehung zusätzlicher Merkmale.

• Prognoseerstellung:

1. Prognose: Verwende das trainierte Modell, um zukünftige Verkaufsprognosen zu erstellen. Stelle sicher, dass Du alle relevanten Merkmale für die Vorhersage des Verkaufs berücksichtigst.

    'prognosen = model.predict( X_neue_daten ) ' 

• Zusammenfassung:

Durch den Einsatz überwachter Lernmethoden, insbesondere Entscheidungsbäume, kannst Du robuste Verkaufsprognosen erstellen. Die Schritte zur Datenvorbereitung und Modellwahl sind entscheidend, um genaue und verlässliche Ergebnisse zu erzielen. Entscheidungsbäume bieten dabei die notwendige Flexibilität und Interpretierbarkeit, um komplexe Verkaufsdaten effizient zu analysieren.

b)

b) Erkläre, wie du unüberwachte Lernmethoden einsetzen würdest, um Muster im Kundenverhalten zu identifizieren. Beschreibe den Prozess und erläutere, welches Modell Du wählen würdest (z. B. K-Means-Clustering oder Hauptkomponentenanalyse (PCA)) und warum.

Lösung:

• Datenvorbereitung:

1. Datensammlung: Sammle alle relevanten Kundeninformationen wie demografische Daten, Kaufhistorie, bevorzugte Produkte und Einkaufsfrequenz.
2. Datenbereinigung: Bereinige die Daten, indem Du fehlende Werte ergänzt oder entfernst, Ausreißer identifizierst und sicherstellst, dass alle Datenformate konsistent sind. Schließlich normiere die Daten, um sie in vergleichbare Einheiten zu bringen.
3. Feature-Engineering: Erstelle neue Merkmale (Features) aus den vorhandenen Daten, wie z. B. das durchschnittliche Ausgabenverhalten oder die Häufigkeit der Käufe.

• Modellwahl:

1. K-Means-Clustering: K-Means-Clustering ist ein weit verbreitetes unüberwachtes Lernverfahren, das verwendet wird, um Kundengruppen zu identifizieren, die ähnliche Verhaltensweisen aufweisen.

   'from sklearn.cluster import KMeans'

2. Rationale: K-Means-Clustering ist effektiv und einfach zu implementieren. Es ermöglicht die Segmentierung der Kundenbasis in verschiedene Gruppen, was es Dir erleichtert, gezielte Marketingstrategien zu entwickeln.

• Trainingsphase:

1. Clustering durchführen: Verwende den K-Means-Algorithmus, um die Kunden in verschiedene Cluster zu gruppieren. Bestimme die optimale Anzahl von Clustern durch die Elbow-Methode oder das Silhouette-Verfahren.

   'kmeans = KMeans(n_clusters=5)

   '
2. Cluster-Zugehörigkeit: Weise jedem Kunden eine Cluster-Zugehörigkeit zu, um das Gruppenverhalten der Kunden zu analysieren.

   'labels = kmeans.fit_predict(X)

   '

• Evaluierung:

1. Interpretation der Cluster: Analysiere die Merkmale und das Verhalten der Kunden innerhalb jedes Clusters. Identifiziere ähnliche Muster und spezifische Merkmale, die die Gruppen auszeichnen.
2. Validierung: Überprüfe die Konsistenz der Cluster durch Verwendung von Validierungsmetriken wie dem Silhouette-Score.

   'from sklearn.metrics import silhouette_scorescore = silhouette_score(X, labels)

   '

• Anwendung der Ergebnisse:

1. Strategieentwicklung: Entwickle gezielte Marketing- und Verkaufsstrategien für die verschiedenen Kundengruppen. Beispielsweise könnten Kunden aus einem Cluster mit hoher Kaufbereitschaft spezifische Produktangebote erhalten.
2. Kontinuierliche Anpassung: Analysiere regelmäßig die Cluster, um zu sehen, wie sich das Kundenverhalten ändert, und passe Deine Strategien entsprechend an.

• Zusammenfassung:

Durch den Einsatz unüberwachter Lernmethoden wie K-Means-Clustering kannst Du wertvolle Einblicke in das Kundenverhalten gewinnen. Der Prozess umfasst die sorgfältige Datenvorbereitung, die Wahl des richtigen Modells und die Interpretation der Ergebnisse, um gezielte Geschäftsstrategien zu entwickeln. K-Means-Clustering bietet dabei eine effektive Möglichkeit, homogene Kundengruppen zu identifizieren und die Kundenbindung zu verbessern.

c)

c) Angenommen, Du entscheidest Dich, zur Verkaufsprognose ein lineares Regressionsmodell zu nutzen. Die historische Verkaufsmenge (Y) hängt von Preis (P), Werbungsausgaben (A) und saisonalen Effekten (S) ab. Schreibe die mathematische Darstellung des Modells und erkläre, wie Du die Koeffizienten schätzen würdest. Nutze die folgende Formel: \(Y = \beta_0 + \beta_1 X_P + \beta_2 X_A + \beta_3 X_S + \theta\), wobei \(\theta\) der Fehlerterm ist.

Lösung:

• Mathematische Darstellung des Modells:

Das lineare Regressionsmodell lässt sich wie folgt darstellen:

\[ Y = \beta_0 + \beta_1 X_P + \beta_2 X_A + \beta_3 X_S + \theta \]

Hierbei steht:

• Y für die historische Verkaufsmenge
• \(\beta_0\) für den Achsenabschnitt (Intercept)
• \(\beta_1\) für den Koeffizienten des Preises (P)
• \(\beta_2\) für den Koeffizienten der Werbungsausgaben (A)
• \(\beta_3\) für den Koeffizienten der saisonalen Effekte (S)
• \(\theta\) für den Fehlerterm, der die nicht erklärbaren oder zufälligen Einflüsse berücksichtigt

• Schätzung der Koeffizienten:

1. Datensammlung: Sammle historische Daten zu Verkaufsmenge (Y), Preis (P), Werbungsausgaben (A) und saisonalen Effekten (S).
2. Lineares Regressionsmodell: Verwende die Methode der kleinsten Quadrate (Ordinary Least Squares, OLS), um die Koeffizienten \(\beta_0\), \(\beta_1\), \(\beta_2\) und \(\beta_3\) zu schätzen. Das Ziel ist es, die Summe der Quadrate der Residuen (Differenzen zwischen den tatsächlichen und den vorhergesagten Werten von Y) zu minimieren.

from sklearn.linear_model import LinearRegressionmodel = LinearRegression()model.fit(X, y)

Hierbei:

• \(X\) die Matrix der unabhängigen Variablen (Preis, Werbungsausgaben, saisonale Effekte)
• \(y\) ist der Vektor der abhängigen Variable (historische Verkaufsmenge).

1. Koeffizienten: Nach dem Training des Modells kannst Du die geschätzten Werte für \(\beta_0\), \(\beta_1\), \(\beta_2\) und \(\beta_3\) aus dem Modell extrahieren:

beta_0 = model.intercept_beta_1, beta_2, beta_3 = model.coef_

• Verifikation des Modells:

1. Trainings- und Testdatensatz: Teile die Daten in Trainings- und Testdatensätze auf, um die Leistung des Modells zu validieren.

from sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

1. Modellbewertung: Verwende Metriken wie den mittleren quadratischen Fehler (Mean Squared Error, MSE) und den R^2-Wert, um die Leistung des Modells zu bewerten.

from sklearn.metrics import mean_squared_error, r2_scorey_pred = model.predict(X_test)MSE = mean_squared_error(y_test, y_pred)R2 = r2_score(y_test, y_pred)

• Zusammenfassung:

Durch den Einsatz eines linearen Regressionsmodells kannst Du die Beziehung zwischen Verkaufsmenge, Preis, Werbungsausgaben und saisonalen Effekten quantifizieren. Die Schritte zur Schätzung der Koeffizienten umfassen die Datensammlung, das Training des Modells und die Bewertung der Modellleistung. Durch die Überprüfung und Validierung des Modells stellst Du sicher, dass die Prognosen zuverlässig und genau sind.

Aufgabe 4)

Im Rahmen dieser Aufgabenstellung wirst Du ein prädiktives Analytikmodell für Markttrends und Verbraucherpräferenzen entwickeln. Dabei wird angenommen, dass Dir verschiedene Datenquellen zur Verfügung stehen, darunter historische Verkaufsdaten, sozioökonomische Faktoren, Daten aus sozialen Medien und Wetterdaten. Die Zielsetzung ist es, umsetzbare Erkenntnisse zur Optimierung von Marketingstrategien und Bestandsmanagement abzuleiten. Du wirst verschiedene Modelle wie Regressionsanalyse, Zeitreihenanalyse und Klassifikationsmodelle verwenden.

a)

Erkläre den Unterschied zwischen Regressionsanalyse und Klassifikationsmodellen im Kontext der prädiktiven Analytik. Nenne je ein Beispiel für deren Anwendung im Bereich der Markttrendanalyse.

Lösung:

Unterschied zwischen Regressionsanalyse und Klassifikationsmodellen im Kontext der prädiktiven Analytik

Regressionsanalyse:

• Die Regressionsanalyse wird verwendet, um die Beziehung zwischen einer abhängigen Variable (Zielvariable) und einer oder mehreren unabhängigen Variablen (Prädiktoren) zu modellieren.
• Das Hauptziel der Regressionsanalyse ist es, kontinuierliche numerische Werte vorherzusagen. Zum Beispiel könnte man den zukünftigen Umsatz eines Produkts basierend auf historischen Verkaufsdaten und anderen Variablen wie Werbeausgaben, Jahreszeit und Wirtschaftslage prognostizieren.

Beispiel für Anwendung der Regressionsanalyse:Stelle Dir vor, Du möchtest den nächsten Monatsumsatz eines bestimmten Produkts vorhersagen. Du könntest eine lineare Regressionsanalyse verwenden, um die Beziehung zwischen dem Umsatz und Faktoren wie Werbung, Preisänderungen, saisonalen Effekten und früheren Umsatzdaten zu analysieren.

Klassifikationsmodelle:

• Klassifikationsmodelle werden verwendet, um Daten in verschiedene Kategorien oder Klassen einzuteilen.
• Das Ziel der Klassifikationsanalyse ist es, eine diskrete, kategorische Variable (Zielvariable) vorherzusagen. Zum Beispiel könnte man vorhersagen, ob ein Kunde ein bestimmtes Produkt kaufen wird oder nicht, basierend auf seinem bisherigen Kaufverhalten und soziodemografischen Daten.

Beispiel für Anwendung von Klassifikationsmodellen:Angenommen, Du möchtest vorhersagen, ob ein neuer Kunde in den nächsten drei Monaten-Kundenbindungsprogramm beitreten wird. Du könntest ein Klassifikationsmodell wie die logistische Regression oder ein Entscheidungsbaum-Modell verwenden, um basierend auf Faktoren wie dem bisherigen Kaufverhalten des Kunden, Alter, Geschlecht und Online-Engagement eine Vorhersage zu treffen.

b)

Angenommen, Du hast historische Verkaufsdaten und sozioökonomische Faktoren gesammelt, um den zukünftigen Absatz eines Produkts vorherzusagen. Verwende die Formel des linearen Regressionsmodells \( y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \ldots + \beta_n x_n + \epsilon \), um ein einfaches Vorhersagemodell zu erstellen. Setze \( y \) für Absatz, \( x_1 \) für soziale Medienaktivität und \( x_2 \) für das durchschnittliche Einkommen der Zielgruppe. Stelle die Berechnung kohärent dar, indem Du Erklärungen zu jeder Variable und deren geschätzten Koeffizienten gibst.

Lösung:

Erstellung eines einfachen linearen Regressionsmodells

Um den zukünftigen Absatz eines Produkts vorherzusagen, verwenden wir das lineare Regressionsmodell. Das Modell hat die allgemeine Form:

\[ y = \beta_0 + \beta_1 x_1 + \beta_2 x_2 + \epsilon \]

Hierbei stehen die Variablen und Koeffizienten für:

• y: Der vorhergesagte Absatz.
• \( \beta_0 \): Der Achsenabschnitt oder der konstante Term des Modells. Dies repräsentiert den vorhergesagten Absatz, wenn alle unabhängigen Variablen (x-Werte) 0 sind.
• \( \beta_1 \): Der Koeffizient für die Variable x_1, welcher die soziale Medienaktivität repräsentiert. Dieser Koeffizient gibt an, wie stark die Veränderung in der sozialen Medienaktivität den Absatz beeinflusst.
• \( \beta_2 \): Der Koeffizient für die Variable x_2, welcher das durchschnittliche Einkommen der Zielgruppe darstellt. Dieser Koeffizient gibt an, wie stark das durchschnittliche Einkommen den Absatz beeinflusst.
• \( \epsilon \): Der Fehlerterm, der die unerklärte Variabilität im Modell darstellt.

Schätzung der Koeffizienten

Wenn Du historische Daten für Absatz (y), soziale Medienaktivität (x_1) und durchschnittliches Einkommen (x_2) hast, kannst Du mittels einer Regressionsanalyse die Koeffizienten (\( \beta_0 \), \( \beta_1 \) und \( \beta_2 \)) schätzen.

Angenommen, nach der Berechnung (zum Beispiel durch Verwendung von Tools wie Python oder R) sind die geschätzten Koeffizienten wie folgt:

• \( \beta_0 \) = 500: Dies bedeutet, dass, wenn sowohl die soziale Medienaktivität als auch das durchschnittliche Einkommen null wären, der Grundabsatz 500 Einheiten beträgt.
• \( \beta_1 \) = 10: Dies bedeutet, dass ein Anstieg der sozialen Medienaktivität um eine Einheit den Absatz um 10 Einheiten erhöht, alle anderen Faktoren unverändert.
• \( \beta_2 \) = 2: Dies bedeutet, dass ein Anstieg des durchschnittlichen Einkommens um eine Einheit den Absatz um 2 Einheiten erhöht, alle anderen Faktoren unverändert.

Das Regressionsmodell lautet dann:

\[ y = 500 + 10 x_1 + 2 x_2 + \epsilon \]

Anwendungsbeispiel

Angenommen, die soziale Medienaktivität ist 30 und das durchschnittliche Einkommen der Zielgruppe ist 50. Um den Absatz vorherzusagen, setzen wir diese Werte in das Modell ein:

\[ y = 500 + 10 (30) + 2 (50) \]

\[ y = 500 + 300 + 100 \]

\[ y = 900 \]

Der vorhergesagte Absatz beträgt somit 900 Einheiten.

c)

Diskutiere, wie Wetterdaten in eine Zeitreihenanalyse integriert werden können, um die zukünftige Nachfrage nach einem saisonabhängigen Produkt zu prognostizieren. Welche spezifischen statistischen Methoden könntest Du dabei anwenden, und warum?

Lösung:

Integration von Wetterdaten in eine Zeitreihenanalyse zur Prognose der zukünftigen Nachfrage

Wetterdaten können eine entscheidende Rolle bei der Vorhersage der Nachfrage nach saisonabhängigen Produkten spielen. Um dies zu erreichen, kann eine Zeitreihenanalyse verwendet werden, die historische Wetterdaten zusammen mit Absatzdaten berücksichtigt. Im Folgenden wird beschrieben, wie dies umgesetzt werden kann und welche statistischen Methoden dabei hilfreich sind.

Schritte zur Integration von Wetterdaten

• Sammeln und Bereinigen von Daten: Zunächst müssen historische Absatzdaten und entsprechende Wetterdaten (z. B. Temperatur, Niederschlag, Sonnenscheindauer) gesammelt und bereinigt werden, um sicherzustellen, dass sie vollständig und konsistent sind.
• Transformation der Daten: Wetterdaten müssen in einer Form vorliegen, die sich mit den Absatzdaten verknüpfen lässt. Dies kann durch Aggregation der Wetterdaten auf tägliche, wöchentliche oder monatliche Intervalle erfolgen, je nach Häufigkeit der verfügbaren Absatzdaten.
• Erstellen von Wettervariablen: Zusätzlich zu den rohen Wetterdaten können neue Variablen erstellt werden, etwa Temperaturabweichungen vom Durchschnitt oder binäre Variablen für bestimmte Wetterbedingungen (z. B. „heiße Tage“).
• Integration in das Zeitreihenmodell: Wetterdaten können als exogene Variablen in Zeitreihenmodelle wie ARIMA integriert werden, um deren Einfluss auf die Nachfrage zu modellieren.

Statistische Methoden zur Integration von Wetterdaten

• ARIMA mit exogenen Variablen (ARIMAX): ARIMA (Autoregressive Integrated Moving Average) ist ein bewährtes Modell zur Zeitreihenanalyse. Durch die Integration von Wetterdaten als exogene Variablen (X) entsteht das ARIMAX-Modell, das sowohl vergangene Absatzdaten als auch Wettereinflüsse berücksichtigt. Dies kann nützlich sein, um die saisonale Nachfrage zu prognostizieren.
• GARCH-Modell (Generalized Autoregressive Conditional Heteroskedasticity): Das GARCH-Modell kann verwendet werden, um die Volatilität in den Daten zu modellieren. Dies ist besonders nützlich, wenn die Nachfrage starken Schwankungen unterliegt, die durch Wetterbedingungen verstärkt werden können.
• SARIMA (Seasonal ARIMA): SARIMA erweitert das ARIMA-Modell um saisonale Komponenten. Dies ist besonders nützlich, wenn die Nachfrage nach dem Produkt nicht nur periodisch, sondern auch stark von saisonalen Wetterbedingungen beeinflusst wird.
• State-Space-Modelle und Kalman-Filter: Diese Modelle sind leistungsfähig für die Zeitreihenanalyse, besonders wenn es um die Integration mehrerer Einflussfaktoren wie Wetterdaten geht. Der Kalman-Filter kann verwendet werden, um die Zustände der Zeitreihe unter Berücksichtigung der Wetterdaten zu schätzen.

Schlussfolgerung

Die Integration von Wetterdaten in eine Zeitreihenanalyse ermöglicht eine präzisere Prognose der Nachfrage nach saisonabhängigen Produkten. Die Wahl der spezifischen Methode hängt von der Natur der Daten und der Saisonabhängigkeit ab. ARIMAX, GARCH, SARIMA und State-Space-Modelle bieten unterschiedliche Ansätze zur Modellierung der komplexen Beziehung zwischen Wetter und Nachfrage. Durch die sorgfältige Auswahl und Anwendung dieser Methoden können genauere und umsetzbare Erkenntnisse gewonnen werden, die zur Optimierung von Marketingstrategien und Bestandsmanagement beitragen.

d)

Entwickle ein Klassifikationsmodell, um die Wahrscheinlichkeit zu bestimmen, dass ein neuer Kunde ein bestimmtes Produkt kauft. Beschreibe den Prozess von der Datenvorbereitung bis zur Modellbewertung und nenne mindestens drei Metriken, die zur Bewertung der Modellleistung genutzt werden können. Begründe die Wahl dieser Metriken.

Lösung:

Entwicklung eines Klassifikationsmodells zur Vorhersage der Kaufwahrscheinlichkeit eines Produkts durch einen neuen Kunden

Datenvorbereitung

• Datensammlung: Sammle relevante Daten von bestehenden Kunden, die bereits Aufschluss über ihr Kaufverhalten geben wie demografische Daten, frühere Kaufhistorie, soziale Medieninteraktionen und sozioökonomische Faktoren.
• Datenbereinigung: Entferne unvollständige oder fehlerhafte Daten. Standardisiere die Datenformate und handle fehlende Werte (zum Beispiel durch Imputation oder Entfernen von Einträgen).
• Feature-Engineering: Erzeuge neue nützliche Merkmale (Features) aus den vorhandenen Daten. Dies könnte die Erstellung binärer Variablen (z. B. „Nutzer ist aktiv auf sozialen Medien“) oder aggregierte Metriken (z. B. „Durchschnittliche Ausgaben pro Monat“) umfassen.
• Datenaufteilung: Teile die Daten in Trainings- und Testdatensätze (zum Beispiel 80% für Training und 20% für Testing). Dies stellt sicher, dass das Modell auf einem unabhängigen Datensatz evaluiert werden kann.

Modelltraining

• Modellauswahl: Wähle ein geeignetes Klassifikationsmodell. Gängige Modelle sind beispielsweise logistische Regression, Entscheidungsbäume, Random Forests und neuronale Netze.
• Modelltraining: Trainiere das gewählte Modell auf dem Trainingsdatensatz. Für jedes Modell werden die Parameter angepasst, um die beste Leistung auf den Trainingsdaten zu erreichen.
• Hyperparameter-Optimierung: Verwende Methoden wie Grid Search oder Random Search in Verbindung mit Cross-Validation, um die besten Hyperparameter-Kombinationen zu finden.

Modellbewertung

Um die Leistung des Modells zu bewerten, können verschiedene Metriken herangezogen werden:

• Genauigkeit (Accuracy): Der Anteil der korrekt vorhergesagten Fälle an allen Vorhersagen. Dies ist eine grundlegende Metrik, um die allgemeine Leistung zu bewerten. Accuracy sollte jedoch nicht die einzige Metrik sein, insbesondere wenn die Klassifizierungsdaten unausgewogen sind (d. h. eine Klasse ist viel häufiger als die andere).
• Präzision (Precision): Der Anteil der korrekt vorhergesagten positiven Fälle an allen vorhergesagten positiven Fällen. Dies ist besonders wichtig, wenn falsch positive Klassifikationen (d. h. das Modell sagt voraus, dass der Kunde kaufen wird, tut es aber nicht) sehr kostspielig sind. Precision ist hilfreich, um zu verstehen, wie oft das Modell richtig lag, wenn es einen Kauf vorhersagte.
• Recall (Sensitivität): Der Anteil der korrekt vorhergesagten positiven Fälle an allen tatsächlich positiven Fällen. Dies ist besonders wichtig, wenn es darum geht, alle tatsächlichen Käufer zu erfassen (also keine zu verpassen). Recall gibt Aufschluss darüber, wie gut das Modell tatsächliche Käufer identifizieren kann.
• F1-Score: Der harmonische Mittelwert von Präzision und Recall. Dies ist besonders nützlich, wenn ein ausgewogenes Verhältnis zwischen Precision und Recall wichtig ist. Der F1-Score kombiniert die Vorteile von Precision und Recall und gibt eine ausgewogenere Sicht auf die Modellleistung.

Prozesszusammenfassung

Der Prozess zur Erstellung eines Klassifikationsmodells zur Vorhersage der Kaufwahrscheinlichkeit eines Kunden umfasst mehrere Schritte:

• Sammeln und Bereinigen der Daten
• Engineering relevanter Features
• Aufteilung der Daten in Trainings- und Testsets
• Auswahl und Training eines geeigneten Modells
• Optimierung der Modellhyperparameter
• Bewertung des Modells mit verschiedenen Metriken, wie Genauigkeit, Präzision, Recall und F1-Score

Durch die Anwendung dieser Schritte kannst Du ein robustes Klassifikationsmodell entwickeln und bewerten, das hilfreich bei der Optimierung von Marketingstrategien und Bestandsmanagement ist.