Stellen Sie sich vor, Sie könnten in eine allwissende Glaskugel sehen und Aktienkurse genau vorhersagen. Damit wäre es einfach Investmententscheidungen zu treffen, die die höchsten Gewinne erzielen. Ähnlich effektiv ist es für Unternehmen zu wissen, wie viele Produkte es in Zukunft verkaufen wird, um auf Basis dessen beispielsweise die Produktion zu optimieren oder durch Werbemaßnahmen ein höheres Verkaufspotenzial abzuschöpfen. Sie ahnen es: hier spielt die Künstliche Intelligenz (KI) eine zunehmend große Rolle.

Wie werden Verkaufsprognosen erstellt?

Zukünftige Verkäufe von Unternehmen werden auf die verschiedensten Arten prognostiziert. Selbst heute noch werden viele Prognosen von kleinen oder großen Firmen über Befragungen von den Außendienstmitarbeitern oder einfachen Schätzungen durchgeführt. Dieses suboptimale Verfahren wird zumeist wegen einem Mangel an Daten, dem Fehlen von Experten oder dem eines Bewusstseins für die Signifikanz einer guten Prognose genutzt. So ist es nur wenig überraschend, dass die Resultate oft unzuverlässige und wenig granulare Schätzungen sind.

Mehr Präzision verspricht die Verwendung von einfachen statistischen Modellen. Dort kann schon eine lineare Regression der Schritt in die richtige Richtung sein, denn sie nimmt den Faktor Mensch, der immer voreingenommen ist, aus dem Modell. Dies ermöglicht eine robustere und wiederholbarere Vorhersage. Dennoch sind diese Modelle oft nicht mächtig genug komplexere Zusammenhänge abzubilden.

Durch die enormen Forschritte im Bereich KI innerhalb der vergangenen Jahre wurden zunehmend mächtigere und spezialisierte Modelle für weitaus bessere Vorhersagen entwickelt.

Wo und wie werden Verkaufsprognosen genutzt?

Der Begriff Prognose (Englisch “forcast”), bezeichnet im wirtschaftlichen Kontext die Vorhersage von bestimmten betriebsrelevanten Einflussgrößen (etwa Marktentwicklung, Einnahmen oder Verkaufszahlen einzelner Produkte). Diese können die Grundlage wichtiger betriebswirtschaftlicher Entscheidungen sein.

Die Prognose von Produktverkäufen wird unter anderem in der Logistik genutzt, um Kosten zu sparen. Typische Aufwendungen hierbei sind Lager und Transportkosten. Man geht dabei nach dem “just-in-time”-System vor, d. h. Produkte sollen so kurz wie möglich gelagert werden, um die Kosten so gering wie möglich zu halten. Bei Online-Markplätzen wie Amazon beispielsweise ist die Herausforderung, immer genug Produkte gleichzeitig auf Lager vorzuhalten. Sind nicht genug vorhanden, verpasst man nicht nur potentielle Verkäufe, sondern wird durch den Amazon-Algorithmus in der Suche schlechter eingestuft und ist somit auch zukünftig schwerer auffindbar. Mit einer guter Verkaufsprognose kann man folglich nicht nur Lagerkosten sparen, sondern im Suchalgorithmus von Online-Marktplätzen relevant bleiben und höher platziert werden.

Ein essenzieller Bestandteil der Vorhersage von Produktverkäufen, ist die Bestimmung von Trends. Verkauft man beispielsweise Jacken, wäre es vor der Produktion interessant zu wissen, welche Farben momentan angesagt sind und in welche Richtung sich dieser Trend entwickelt. Damit kann in der Absatzplanung auch entschieden werden, von welcher Farbe die meisten Jacken produzieren werden sollen. Diese Vorhersagen können aber auch zur Optimierung der Werbung genutzt werden. Im Folgenden wird dies am Beispiel des Bereichs E-Commerce erläutert.

Wie funktioniert Werbung im E-Commerce?

Werbung auf E-Commerce-Plattformen läuft unter anderem über die Schlagwort-Suche. Interessiert man sich beispielsweise für “Badehosen”, gibt man diesen Suchbegriff in der Suchleiste ein und bekommt mehr oder weniger relevante Produkte angezeigt. Die ersten Ergebnisse sind fast immer Werbeanzeigen. Diese Werbeflächen werden durch ein Bidding-System versteigert. Der Preis wird je nach Nachfrage für den Suchbegriff definiert und kann in kurzen Zeitabständen, auch während eines Tages, variieren. Sollte ein Werbetreibender dann versuchen, immer den Zeitpunkt zu wählen, an dem die Werbung am billigsten ist?

Bei dem genannten Beispiel für den Suchbegriff “Badehosen” ist es naheliegend, dass die Werbung in der Hochsaison um den Sommer mehr kostet als außerhalb der Saison im Winter. Trotzdem ist es nicht sinnvoll,außerhalb der Saison viel Werbung zu schalten, da die Nachfrage für Badehosen geringer ist. Folglich kann es effizienter sein, gezielt eine teure Werbung zu schalten als eine günstigere, die aber weniger Umsatz erwirtschaftet.

Werbetreibende streben grundsätzlich nach einem guten Verhältnis zwischen dem Invest in Werbung und den daraus resultierenden Verkäufen. Man nutzt hier hauptsächlich zwei Metriken, um Werbeerfolg zu messen. Den sog. ROAS (Return on Ad Spend), der den Erfolg von Werbung beschreibt und den ACOS (Average Cost of Sale), der die Kosten der Werbung pro Verkauf angibt.

Wie ein Straßenverkäufer, der genau dann Regenschirme verkauft, wenn es regnet

Viele Firmen arbeiten mit einem festen jährlichen Werbebudget, das sie ausgeben müssen. Dieses wird über das Jahr zeitlich und zwischen ihrem Produktsortiment verteilt. Ein guter Algorithmus muss schließlich genau dann Werbung schalten, wenn bei den Kunden ein Bedarf für das Produkt besteht. Wie ein Straßenverkäufer, der genau dann Regenschirme verkauft, wenn es anfängt zu regnen. Um diese genauen Zeiten herauszufinden, müssen mehrere Faktoren kombiniert und in Betracht gezogen werden.

Die Verkaufs-Prognose sagt voraus, wie viel eine Firma verkaufen wird. Doch diese alleine reicht nicht für eine gute zeitlich Werbeplatzierung. Es muss auch berücksichtigt werden, ob es gerade die richtige Saison für die Produkte ist und ob die Verkaufs-Zahlen des Gesamt-Marktes eher kontrahieren oder ein positiver Trend besteht. Die meisten Produkte verkaufen sich beispielsweise zur Weihnachtszeit immer besser als in den Vormonaten, aber es ist nicht immer sofort offensichtlich, ob man über oder unter der Saisonalität und dem Gesamtmarktwachstum verkauft. Saisonalität ist aber nicht immer offensichtlich und leicht zu finden. So kann ein guter Algorithmus auch für Produkte wie Zahnpasta eine Saisonalität auf Wochen- und auf Tages-Ebene finden.

Einsatz von KI: Auf den optimalen Algorithmus kommt es an

Die zuverlässige Vorhersage von Zeitreihen ist schon seit langer Zeit ein angestrebtes Ziel von KI und wird in verschiedenen Sektoren mit variablem Erfolg angewandt. Dennoch stoßen diese Algorithmen auch an ihre Grenzen. So ist die zuverlässige und langfristige Vorhersage von Zeitreihen, die einen Radom Walk (z. B. Aktienkurse) beschreiben, sehr herausfordernd, wenn nicht gar unmöglich. Mit anderen Daten kann dies jedoch einfacher sein. Zum Beispiel Verkaufsdaten, die sich aus einer Saisonalität, einem Trend und Rauschen zusammensetzten. Hier ist zwar keine hundert Prozent akkurate Vorhersage möglich, aber es können sehr geringe Fehlerquoten erreicht werden.

Die Auswahl des richtigen Machine Learning Algorithmus/Models ist für jede Art von Vorhersage essenziell. Hier ist unter anderem wichtig zu wissen, ob der Algorithmus fähig ist die Komplexität der Daten abzubilden. Eine einfache lineare Regression ist hierbei oft nicht ausreichend, da dieses Modell nur in der Lage ist Datenpunkte vorherzusagen, die in einer linearen Beziehung zurzeit stehen. Trotzdem kommt es heutzutage noch oft vor, dass dieser Algorithmus zur Bedarfsschätzung verwendet wird.

Am anderen Spektrum der Komplexität liegen LSTM-Modelle (Long Short-Term Memory). Hierbei handelt es sich um neuronale Netzwerke mit Memory Blocks anstatt Neuronen, die sich an vergangene Werte erinnern können, um zukünftige vorherzusagen. Diese benötigen jedoch große Mengen an Daten und sind rechenintensiv und somit auch teuer zu trainieren.

Dazwischen liegen unter anderem statistische Modelle wie ARIMA (Autoregressive Integrated MovingAverage) und ARIMAX (Autoregressive Integrated Moving Average Extended). Diese beiden Modelle zeichnen sich durch ihren guten Umgang mit Saisonalität und Trend aus. Da ARIMA jedoch nur mit zwei-Dimensionalen Zeitreihen (Zeit und der vorherzusagende Wert) umgehen kann wurde das Modell ARIMAX entwickelt. Dieses ermöglicht mehr Dimensionale Eingaben unabhängiger Variablen, die eine genauere Vorhersage der Zielwerte ermöglichen sollen. Das US Census Bureau benutzt beispielsweise ARIMA und hat sogar ein eigenes Tool entwickelt. ARIMA und ARIMAX benötigen jedoch Parameteroptimierung, um zu guten Ergebnissen zu kommen.

Etwas weniger aufwändig in dieser Hinsicht ist das von Facebook entwickelte Prophet Modell. Es kann zusätzlich zu der Eingabe der zu vorherbestimmenden Variable auch Ereignisse und andere Regressoren in Betracht ziehen. Neben den gewünschten Vorhersagen gibt dieses Modell auch die Saisonalität und den zugrunde liegenden Trend der Zeitreihe zurück. Die Einfachheit und Robustheit dieses Modells ermöglichen eine einfache Nutzung und gute Ergebnisse mit verhältnismäßig geringem Aufwand.

Die richtigen Daten: Einflussfaktoren identifizieren

Ein weiter wichtiger Punkt, der bei der Auswahl eines Modells und der Vorhersage insgesamt in Betracht gezogen werden muss, ist die Informationsknappheit. Wurden alle (bzw. genug) Einflussfaktoren identifiziert und sind für diese genug Daten vorhanden, um eine verlässliche Vorhersage zu berechnen? Um diese Frage zu beantworten, benötigt man Experten in den jeweiligen Domänen und oft teure Datenquellen.

Im Folgenden werden einige der wichtigsten Einflussfaktoren erläutert.

• Die vergangenen Verkäufe. Es ist viel leichter vorherzusagen, was ein Geschäft morgen verkaufen wird, wenn bekannt ist was in den letzten fünf Tagen verkauft wurde. Noch besser funktioniert das, wenn Vergangenheitsdaten über mehrere Jahre existieren und Saisonalitäten und Trends identifiziert werden können.
• Event-Daten sind ein weiterer sehr wichtiger Datensatz. Werden zum Beispiel die eigenen Produkte auf Amazon verkauft, dann werden sich die Verkäufe eines Black Fridays und die naheliegenden Tage fundamental von denen eines gleichen Freitags in einem anderen Jahr unterscheiden, an dem dieses Event stattgefunden hat. Glücklicherweise sind diese Daten mit etwas Geschick leicht zu kommen.
• Sollten in der Vergangenheit Ausgaben für Werbung gemacht worden sein, können auch diese Aufschluss über das Wachstum geben, denn sie können auch große Auswirkung auf das organische Wachstum haben.
• Weitere Parameter sind, wie zuvor bereits erwähnt, die Größe und das Wachstum des Gesamtmarktes für die Absätze der vorherzusagenden Produktgruppen. Sie ermöglichen für einige Modelle harte Limits zu setzen, die nicht überschritten werden können.

Fazit

Es wird immer einfacher KI für standardisierte Themen wie Verkaufsprognosen zu nutzen, da große Technologieunternehmen wie Facebook und Google ihre Algorithmen immer weiterentwickeln und diese frei zur Verfügung stellen. Deswegen sollten sich Unternehmen mehr mit diesem Bereich beschäftigen, um ihre Effizienz und ihre Gewinne zu steigern. Auch das effiziente Managen des Werbebudgets ist unbedingt notwendig, um auf einem globalisierten Markt auf den immer neuen Hersteller aus dem In- und Ausland drängen, konkurrenzfähig zu bleiben. Zuguterletzt wird der Kunde weniger durch irrelevante Werbung ermüdet, was zu einem besseren Kauferlebnis und höherer Kundenzufriedenheit führt.

Stellen Sie sich vor, Sie könnten in eine allwissende Glaskugel sehen und Aktienkurse genau vorhersagen. Damit wäre es einfach Investmententscheidungen zu treffen, die die höchsten Gewinne erzielen. Ähnlich effektiv ist es für Unternehmen zu wissen, wie viele Produkte es in Zukunft verkaufen wird, um auf Basis dessen beispielsweise die Produktion zu optimieren oder durch Werbemaßnahmen ein höheres Verkaufspotenzial abzuschöpfen. Sie ahnen es: hier spielt die Künstliche Intelligenz (KI) eine zunehmend große Rolle.

Wie werden Verkaufsprognosen erstellt?

Zukünftige Verkäufe von Unternehmen werden auf die verschiedensten Arten prognostiziert. Selbst heute noch werden viele Prognosen von kleinen oder großen Firmen über Befragungen von den Außendienstmitarbeitern oder einfachen Schätzungen durchgeführt. Dieses suboptimale Verfahren wird zumeist wegen einem Mangel an Daten, dem Fehlen von Experten oder dem eines Bewusstseins für die Signifikanz einer guten Prognose genutzt. So ist es nur wenig überraschend, dass die Resultate oft unzuverlässige und wenig granulare Schätzungen sind.

Mehr Präzision verspricht die Verwendung von einfachen statistischen Modellen. Dort kann schon eine lineare Regression der Schritt in die richtige Richtung sein, denn sie nimmt den Faktor Mensch, der immer voreingenommen ist, aus dem Modell. Dies ermöglicht eine robustere und wiederholbarere Vorhersage. Dennoch sind diese Modelle oft nicht mächtig genug komplexere Zusammenhänge abzubilden.

Durch die enormen Forschritte im Bereich KI innerhalb der vergangenen Jahre wurden zunehmend mächtigere und spezialisierte Modelle für weitaus bessere Vorhersagen entwickelt.

Wo und wie werden Verkaufsprognosen genutzt?

Der Begriff Prognose (Englisch “forcast”), bezeichnet im wirtschaftlichen Kontext die Vorhersage von bestimmten betriebsrelevanten Einflussgrößen (etwa Marktentwicklung, Einnahmen oder Verkaufszahlen einzelner Produkte). Diese können die Grundlage wichtiger betriebswirtschaftlicher Entscheidungen sein.

Die Prognose von Produktverkäufen wird unter anderem in der Logistik genutzt, um Kosten zu sparen. Typische Aufwendungen hierbei sind Lager und Transportkosten. Man geht dabei nach dem “just-in-time”-System vor, d. h. Produkte sollen so kurz wie möglich gelagert werden, um die Kosten so gering wie möglich zu halten. Bei Online-Markplätzen wie Amazon beispielsweise ist die Herausforderung, immer genug Produkte gleichzeitig auf Lager vorzuhalten. Sind nicht genug vorhanden, verpasst man nicht nur potentielle Verkäufe, sondern wird durch den Amazon-Algorithmus in der Suche schlechter eingestuft und ist somit auch zukünftig schwerer auffindbar. Mit einer guter Verkaufsprognose kann man folglich nicht nur Lagerkosten sparen, sondern im Suchalgorithmus von Online-Marktplätzen relevant bleiben und höher platziert werden.

Ein essenzieller Bestandteil der Vorhersage von Produktverkäufen, ist die Bestimmung von Trends. Verkauft man beispielsweise Jacken, wäre es vor der Produktion interessant zu wissen, welche Farben momentan angesagt sind und in welche Richtung sich dieser Trend entwickelt. Damit kann in der Absatzplanung auch entschieden werden, von welcher Farbe die meisten Jacken produzieren werden sollen. Diese Vorhersagen können aber auch zur Optimierung der Werbung genutzt werden. Im Folgenden wird dies am Beispiel des Bereichs E-Commerce erläutert.

Wie funktioniert Werbung im E-Commerce?

Werbung auf E-Commerce-Plattformen läuft unter anderem über die Schlagwort-Suche. Interessiert man sich beispielsweise für “Badehosen”, gibt man diesen Suchbegriff in der Suchleiste ein und bekommt mehr oder weniger relevante Produkte angezeigt. Die ersten Ergebnisse sind fast immer Werbeanzeigen. Diese Werbeflächen werden durch ein Bidding-System versteigert. Der Preis wird je nach Nachfrage für den Suchbegriff definiert und kann in kurzen Zeitabständen, auch während eines Tages, variieren. Sollte ein Werbetreibender dann versuchen, immer den Zeitpunkt zu wählen, an dem die Werbung am billigsten ist?

Bei dem genannten Beispiel für den Suchbegriff “Badehosen” ist es naheliegend, dass die Werbung in der Hochsaison um den Sommer mehr kostet als außerhalb der Saison im Winter. Trotzdem ist es nicht sinnvoll,außerhalb der Saison viel Werbung zu schalten, da die Nachfrage für Badehosen geringer ist. Folglich kann es effizienter sein, gezielt eine teure Werbung zu schalten als eine günstigere, die aber weniger Umsatz erwirtschaftet.

Werbetreibende streben grundsätzlich nach einem guten Verhältnis zwischen dem Invest in Werbung und den daraus resultierenden Verkäufen. Man nutzt hier hauptsächlich zwei Metriken, um Werbeerfolg zu messen. Den sog. ROAS (Return on Ad Spend), der den Erfolg von Werbung beschreibt und den ACOS (Average Cost of Sale), der die Kosten der Werbung pro Verkauf angibt.

Wie ein Straßenverkäufer, der genau dann Regenschirme verkauft, wenn es regnet

Viele Firmen arbeiten mit einem festen jährlichen Werbebudget, das sie ausgeben müssen. Dieses wird über das Jahr zeitlich und zwischen ihrem Produktsortiment verteilt. Ein guter Algorithmus muss schließlich genau dann Werbung schalten, wenn bei den Kunden ein Bedarf für das Produkt besteht. Wie ein Straßenverkäufer, der genau dann Regenschirme verkauft, wenn es anfängt zu regnen. Um diese genauen Zeiten herauszufinden, müssen mehrere Faktoren kombiniert und in Betracht gezogen werden.

Die Verkaufs-Prognose sagt voraus, wie viel eine Firma verkaufen wird. Doch diese alleine reicht nicht für eine gute zeitlich Werbeplatzierung. Es muss auch berücksichtigt werden, ob es gerade die richtige Saison für die Produkte ist und ob die Verkaufs-Zahlen des Gesamt-Marktes eher kontrahieren oder ein positiver Trend besteht. Die meisten Produkte verkaufen sich beispielsweise zur Weihnachtszeit immer besser als in den Vormonaten, aber es ist nicht immer sofort offensichtlich, ob man über oder unter der Saisonalität und dem Gesamtmarktwachstum verkauft. Saisonalität ist aber nicht immer offensichtlich und leicht zu finden. So kann ein guter Algorithmus auch für Produkte wie Zahnpasta eine Saisonalität auf Wochen- und auf Tages-Ebene finden.

Einsatz von KI: Auf den optimalen Algorithmus kommt es an

Die zuverlässige Vorhersage von Zeitreihen ist schon seit langer Zeit ein angestrebtes Ziel von KI und wird in verschiedenen Sektoren mit variablem Erfolg angewandt. Dennoch stoßen diese Algorithmen auch an ihre Grenzen. So ist die zuverlässige und langfristige Vorhersage von Zeitreihen, die einen Radom Walk (z. B. Aktienkurse) beschreiben, sehr herausfordernd, wenn nicht gar unmöglich. Mit anderen Daten kann dies jedoch einfacher sein. Zum Beispiel Verkaufsdaten, die sich aus einer Saisonalität, einem Trend und Rauschen zusammensetzten. Hier ist zwar keine hundert Prozent akkurate Vorhersage möglich, aber es können sehr geringe Fehlerquoten erreicht werden.

Die Auswahl des richtigen Machine Learning Algorithmus/Models ist für jede Art von Vorhersage essenziell. Hier ist unter anderem wichtig zu wissen, ob der Algorithmus fähig ist die Komplexität der Daten abzubilden. Eine einfache lineare Regression ist hierbei oft nicht ausreichend, da dieses Modell nur in der Lage ist Datenpunkte vorherzusagen, die in einer linearen Beziehung zurzeit stehen. Trotzdem kommt es heutzutage noch oft vor, dass dieser Algorithmus zur Bedarfsschätzung verwendet wird.

Am anderen Spektrum der Komplexität liegen LSTM-Modelle (Long Short-Term Memory). Hierbei handelt es sich um neuronale Netzwerke mit Memory Blocks anstatt Neuronen, die sich an vergangene Werte erinnern können, um zukünftige vorherzusagen. Diese benötigen jedoch große Mengen an Daten und sind rechenintensiv und somit auch teuer zu trainieren.

Dazwischen liegen unter anderem statistische Modelle wie ARIMA (Autoregressive Integrated MovingAverage) und ARIMAX (Autoregressive Integrated Moving Average Extended). Diese beiden Modelle zeichnen sich durch ihren guten Umgang mit Saisonalität und Trend aus. Da ARIMA jedoch nur mit zwei-Dimensionalen Zeitreihen (Zeit und der vorherzusagende Wert) umgehen kann wurde das Modell ARIMAX entwickelt. Dieses ermöglicht mehr Dimensionale Eingaben unabhängiger Variablen, die eine genauere Vorhersage der Zielwerte ermöglichen sollen. Das US Census Bureau benutzt beispielsweise ARIMA und hat sogar ein eigenes Tool entwickelt. ARIMA und ARIMAX benötigen jedoch Parameteroptimierung, um zu guten Ergebnissen zu kommen.

Etwas weniger aufwändig in dieser Hinsicht ist das von Facebook entwickelte Prophet Modell. Es kann zusätzlich zu der Eingabe der zu vorherbestimmenden Variable auch Ereignisse und andere Regressoren in Betracht ziehen. Neben den gewünschten Vorhersagen gibt dieses Modell auch die Saisonalität und den zugrunde liegenden Trend der Zeitreihe zurück. Die Einfachheit und Robustheit dieses Modells ermöglichen eine einfache Nutzung und gute Ergebnisse mit verhältnismäßig geringem Aufwand.

Die richtigen Daten: Einflussfaktoren identifizieren

Ein weiter wichtiger Punkt, der bei der Auswahl eines Modells und der Vorhersage insgesamt in Betracht gezogen werden muss, ist die Informationsknappheit. Wurden alle (bzw. genug) Einflussfaktoren identifiziert und sind für diese genug Daten vorhanden, um eine verlässliche Vorhersage zu berechnen? Um diese Frage zu beantworten, benötigt man Experten in den jeweiligen Domänen und oft teure Datenquellen.

Im Folgenden werden einige der wichtigsten Einflussfaktoren erläutert.

• Die vergangenen Verkäufe. Es ist viel leichter vorherzusagen, was ein Geschäft morgen verkaufen wird, wenn bekannt ist was in den letzten fünf Tagen verkauft wurde. Noch besser funktioniert das, wenn Vergangenheitsdaten über mehrere Jahre existieren und Saisonalitäten und Trends identifiziert werden können.
• Event-Daten sind ein weiterer sehr wichtiger Datensatz. Werden zum Beispiel die eigenen Produkte auf Amazon verkauft, dann werden sich die Verkäufe eines Black Fridays und die naheliegenden Tage fundamental von denen eines gleichen Freitags in einem anderen Jahr unterscheiden, an dem dieses Event stattgefunden hat. Glücklicherweise sind diese Daten mit etwas Geschick leicht zu kommen.
• Sollten in der Vergangenheit Ausgaben für Werbung gemacht worden sein, können auch diese Aufschluss über das Wachstum geben, denn sie können auch große Auswirkung auf das organische Wachstum haben.
• Weitere Parameter sind, wie zuvor bereits erwähnt, die Größe und das Wachstum des Gesamtmarktes für die Absätze der vorherzusagenden Produktgruppen. Sie ermöglichen für einige Modelle harte Limits zu setzen, die nicht überschritten werden können.

Fazit

Es wird immer einfacher KI für standardisierte Themen wie Verkaufsprognosen zu nutzen, da große Technologieunternehmen wie Facebook und Google ihre Algorithmen immer weiterentwickeln und diese frei zur Verfügung stellen. Deswegen sollten sich Unternehmen mehr mit diesem Bereich beschäftigen, um ihre Effizienz und ihre Gewinne zu steigern. Auch das effiziente Managen des Werbebudgets ist unbedingt notwendig, um auf einem globalisierten Markt auf den immer neuen Hersteller aus dem In- und Ausland drängen, konkurrenzfähig zu bleiben. Zuguterletzt wird der Kunde weniger durch irrelevante Werbung ermüdet, was zu einem besseren Kauferlebnis und höherer Kundenzufriedenheit führt.