Ein Demonstrator ist ein funktionsfähiger Prototyp, der eine Technologie oder ein Verfahren praxisnah erlebbar macht, ohne dass es bereits als fertiges Produkt vorliegt. Er dient dazu, Konzepte anschaulich zu präsentieren, zu erproben und als Grundlage für spätere Weiterentwicklungen zu nutzen.
Vor diesem Hintergrund wurde ein Demonstrator entwickelt, der zeigt, wie Verfahren des maschinellen Lernens zur Absatzprognose (Sales Forecasting) in kleinen und mittleren Unternehmen (KMU) eingesetzt werden können. Ziel ist es, das Potenzial datenbasierter Planungsprozesse greifbar zu machen und die oft komplexe Technologie hinter KI-Methoden praxisnah und verständlich zu vermitteln.
Der Demonstrator „Sales Forecast“ ist modular aufgebaut und kann sowohl mit realen als auch mit simulierten Verkaufsdaten arbeiten. Er kombiniert klassische Verfahren der Zeitreihenanalyse mit modernen Ansätzen des maschinellen Lernens. Grundlage ist eine zentrale Datenbank, in der historische Absatzdaten strukturiert gespeichert sind. Ergänzend werden externe Einflussgrößen wie Feiertage, Wetterdaten oder standortspezifische Faktoren integriert, um die Prognosegüte zu verbessern. Auf dieser Basis lassen sich saisonale Muster ebenso wie unregelmäßige Nachfrageschwankungen erfassen und auswerten.
Für die Vorhersage künftiger Absatzmengen kommen verschiedene Prognosemodelle zum Einsatz, unter anderem XGBoost. Dieses Verfahren basiert auf Gradient Boosting von Entscheidungsbäumen und zählt zu den leistungsfähigen Methoden des überwachten Lernens. Anhand historischer Daten optimiert XGBoost eine Vielzahl schwacher Entscheidungsmodelle zu einem robusten Gesamtmodell. So kann es komplexe Zusammenhänge zwischen Einflussfaktoren – etwa Wetter, Wochentag oder Aktionspreise – und den Absatzmengen erkennen und für präzisere Prognosen nutzen.
Die Softwarearchitektur des Demonstrators ist klar in Module gegliedert: Datenimport, Datenaufbereitung (inklusive Feature-Engineering), Modelltraining sowie Ergebnisdarstellung. Diese Trennung ermöglicht es, einzelne Komponenten unabhängig voneinander zu erweitern, auszutauschen oder an unterschiedliche Datenquellen anzupassen. Die Module kommunizieren über definierte Schnittstellen, wodurch eine flexible Skalierbarkeit gewährleistet ist.
Ein zentrales Element ist die webbasierte Benutzeroberfläche. Über sie können Anwender:innen Prognosezeiträume festlegen, verschiedene Modelle vergleichen und die Ergebnisse in interaktiven Visualisierungen betrachten. Zusätzlich werden Prognoseunsicherheiten angegeben und automatisch Hinweise eingeblendet, wenn die Datenlage starke Schwankungen aufweist oder deutliche Abweichungen vom erwarteten Verlauf auftreten.
Der Demonstrator ist damit nicht nur ein technisches Exponat, sondern ein praxisnahes Werkzeug, das exemplarisch zeigt, wie maschinelles Lernen die Vertriebsplanung unterstützen kann. Er eignet sich als Schulungsinstrument, als Inspirationsquelle und als Ausgangspunkt für eigene Entwicklungsprojekte – insbesondere für Unternehmen, die bisher wenig Erfahrung mit KI gesammelt haben, deren Potenzial aber zukünftig erschließen möchten.
.
