Die Komplexität der Unternehmen nimmt, angetrieben vom Multi-Channel-Marketing, dem wachsende Einfluss des Demand-Shaping (Medien,Werbeaktionen, Produktentwicklung) und den Auswirkungen des Internets auf das Käuferverhalten, zu. Trotzdem können  die meisten Unternehmen diebuchstäbliche Explosion von wertvollen neuen Daten, nicht  für sich auszunutzen. Sie verwenden dabei immer noch Ansätze, die auf schwerfälligen alten Algorithmen und auf angesammelten Verkaufszahlen aus der Vergangenheit basieren.

Diese Systeme tun sich sehr schwer damit, Trends zu identifizieren und lösen auch das schwierige Problem der Messung der Auswirkung von externen Stimuli auf die Nachfrageentwicklung nicht. Sie erzeugen nur enttäuschende Ergebnisse, schwerwiegende Vorhersagefehler und zusätzlich führen diese arbeitsintensiven Prozesse zu einer geringen Produktivität der Planer.

Die gute Nachricht ist: Ein datenbasierter Ansatz, der intelligentere Software nutzt, ist bereits verfügbar. Er hat gezeigt, dass er große Verbesserungen bringen kann und zwar nicht nur bei der Präzision der Vorhersage, sondern auch, und das ist viel wichtiger, bei der Sichtbarkeit der Nachfrage und dem Niveau der Vorhersage-Details. Diese beiden Funktionalitäten können  direkt in erhöhte Service Level und verbesserte Lagerbestandseffizienz, besonders bei Long-Tail-Artikeln, umgesetzt werden. Das bringt  nicht nur eine präzisere Vorhersage, sondern auch einen besseren Plan.

ToolsGroup bettetTechnologie in seine Vorhersage-Lösung ein, , um die Probleme denen die Planer jeden Tag gegenüberstehen zu lösen. Statt eines “Pick-das-Beste-heraus”-Ansatz verwendet ToolsGroup einen besseren sich selbst-anpassenden Vorhersage-Algorithmus. Unsere Nachfragemodellierung erzeugt eine zuverlässige Baseline. Maschinelles Lernen kann eingesetzt werden, um die Baseline anzupassen, in dem es die Stimuli-Effekte und die Nachfrage-Indikatoren  detaillierte auf  Channel-Ebene identifiziert. Dieser Nachfragemodellierungs-Ansatz analysiert, auf eine hochgradig automatisierte Weise, alle relevanten Variablen und die komplexen Interaktionen dazwischen.