Frag einen Distributor, was eine Nachbestellungsempfehlung nützlich macht, und du erhältst meist zweimal die gleiche Antwort. Das erste Mal sagen sie: Genauigkeit. Das zweite Mal, nach einer Pause, sagen sie: Vertrauen. Das ist nicht das Gleiche, und die Lücke dazwischen ist dort, wo die meisten Bestelltools leise scheitern. Eine Zahl, die richtig ist, aber nicht erklärt wird, wird vom Vertreter trotzdem ignoriert, vom Kunden übersehen oder vom Distributor „vorsorglich" erhöht. Eine vertrauenswürdige vorgeschlagene Bestellung ist eine, bei der der Empfänger bereit ist, sie umzusetzen, ohne sie in Frage zu stellen, und das geschieht nur, wenn der Vorschlag auf Signalen aufgebaut ist, die er als real erkennt.
Das wichtigste dieser Signale ist die Verkaufshistorie, nicht die Kaufhistorie. Es ist verlockend, eine Nachbestellung auf das zu stützen, was ein Kunden zuletzt gekauft hat, aber was ein Kunde kauft und was er tatsächlich an die Käufer verkauft, kann stark auseinandergehen, besonders wenn eine vorherige Bestellung zu groß war. Ein glaubwürdiger Vorschlag basiert auf einem aussagekräftigen Fenster der Nachfrage am Verkaufsort, genug Wochen, um einen echten Trend von einem einzelnen verrauschten Zeitraum zu unterscheiden, ist aber trotzdem aktuell genug, um ein Geschäft zu erfassen, das beschleunigt oder verlangsamt. Das Ziel ist es, die Rate zu modellieren, mit der Produkt aus dem Regal geht, und dann die nächste Bestellung so zu dimensionieren, dass sie den Zyklus bis zum nächsten Besuch oder zur nächsten Lieferung abdeckt, mit einem vernünftigen Puffer statt einer Vermutung.
Saisonalität ist das zweite Signal, und es ist dasjenige, das Menschen am schlechtesten in ihren Köpfen halten können. Die Nachfrage nach den meisten Konsumgüterkategorien atmet nach einem Kalender: Wetter, Zahltage, Feiertage, Schulferien, regionale Veranstaltungen. Ein flacher Durchschnittsverlauf wird vor einer bekannten Spitze zu wenig bestellen und danach zu viel, und die Kosten zeigen sich als verlorene Verkäufe oder Verschleiß. Ein Vorschlag, der die Form des Jahres versteht, schlägt einen anderen Warenkorb in der Woche vor einer bekannten Spitze vor als in der Flaute danach. Entscheidend ist, dass dies auf eine Weise ausgedrückt werden muss, die der Benutzer gegen seine eigene Intuition über die Jahreszeit überprüfen kann, nicht versteckt in einer Black Box.
Das dritte Signal ist die Sortimentslücke. Verkaufshistorie kann dir nur von Produkten erzählen, die der Kunden bereits führt; sie sagt nichts über die Linien aus, die er führen sollte, aber nicht führt. Hier zeigt sich der Wert eines einzigen, gemeinsamen Datenmodells. Wenn B2B Ordering auf der gleichen ConnectX-Datenschicht läuft wie Field Sales, Retail Execution und Shelf Intelligence, kann ein vorgeschlagener Warenkorb herausfinden, was vergleichbare Kunden im gleichen Kanal und Cluster erfolgreich verkaufen, und die offensichtliche Lücke hervorbringen: das Format, das der Konkurrenz trägt, die Geschmacksrichtung, die der Nachbarladen gut bewegt, das fehlende Einstiegspaket in einer Premium-fokussierten Palette. Eine Sortimentsempfehlung ist nur so ehrlich wie der Vergleich dahinter, daher sollte die Grundlage für „Geschäfte wie deins" sichtbar sein, nicht behauptet.
Aktionen sind das vierte Signal, und das leichteste, das falsch zu machen ist. Ein laufender Deal verändert die richtige Antwort in zwei Richtungen auf einmal: Er sollte die vorgeschlagene Menge der beworbenen Linie erhöhen, und er sollte die Vorzugskäufe und Kannibalisierung berücksichtigen, die durch den Rest des Warenkorbs fahren. Ein Vorschlag, der aktive Handelsbedingungen ignoriert, wirkt auf jeden, der ein Aktionsblatt hält, kaputt; einer, der blind auf jeden Deal optimiert, lehrt Kunden, ihm nicht zu trauen. Die Disziplin besteht darin, die Aktion als transparente Anpassung einzubeziehen, klar zugeordnet, damit der Benutzer sowohl die Basisempfehlung als auch das sieht, was die Aktion hinzugefügt hat.
Es gibt stillere Eingaben, die auch wichtig sind: das Briefing des Vertreters vom letzten Besuch, die neueste Regalüberprüfung, die einen Lagerbestand kennzeichnet, Kredit- und Zahlungsstatus, der einen Warenkorb gating sollte, ohne Linien stumm zu löschen, Mindestbestellmengen, Lieferzeiten und Haltbarkeitsbeschränkungen. Der Sinn darin, all diese zu nennen, ist nicht zu suggerieren, dass mehr Eingaben eine bessere Zahl ergeben. Es ist das Gegenteil. Je mehr Signale eine Empfehlung unterfüttern, desto wesentlicher ist es, dass das System in einfacher Sprache sagen kann, warum es dort gelandet ist.
Darum ist Erklärbarkeit kein Feature, das zum Zweck der Einhaltung angebracht wird; es ist der Mechanismus, durch den ein Vorschlag zu einer Bestellung wird. In FMCG Cloud ist der Order Agent darauf ausgerichtet, sein Denken zu zeigen: diese Menge, weil der Verkauf mit dieser Rate läuft, diese zusätzliche Kiste, weil sich die Jahreszeit dreht, diese neue Linie, weil ähnliche Kunden sie führen, diese Erhöhung, weil die Aktion läuft. Ein Vertreter kann das einem skeptischen Besitzer erklären. Ein Kunden, der eine Bestellung nachts, lange nach Vertretersunden, aufgibt, kann sie ohne Telefon akzeptieren. Ein Distributor kann sie überprüfen. Die Erklärung ist auch das, was das System verbessert, weil eine Überschreibung nicht länger Rauschen ist, sondern Feedback gegen eine festgestellte Annahme.
Jede Lösung im FMCG Cloud Marketplace klassifiziert unter der FMCG Cloud Agent Taxonomy und muss FMCG Verified-Zertifizierung verdienen, und Erklärbarkeit ist ein großer Teil dessen, wofür diese Zertifizierung ist. Der Maßstab, den wir uns selbst und unseren Partnern setzen, ist nicht „das Modell ist zuversichtlich." Es ist „ein Kategoriemanager, ein Lieferplanungsverantwortlicher und ein Ladenbesitzer würden jeweils auf diesen Warenkorb schauen, verstehen, wie er erreicht wurde, und zustimmen, dass er angemessen ist." Eine gute Bestellempfehlung ist nicht die mit der cleversten Mathematik. Es ist die, die ein Mensch in Besitz nehmen will.