Vororder-Optimierung:
Bestellen mit Daten statt Bauchgefühl

import pandas as pd
import numpy as np
np.random.seed(42)

kategorien = {
    'Jeans Slim Fit': {'anteil': 0.22, 'preis': (59, 149), 'saison': 'ganzjährig'},
    'Jeans Straight': {'anteil': 0.14, 'preis': (69, 139), 'saison': 'ganzjährig'},
    'Jeans Wide Leg': {'anteil': 0.10, 'preis': (79, 159), 'saison': 'trend'},
    'T-Shirt Basic': {'anteil': 0.18, 'preis': (19, 49), 'saison': 'SS-heavy'},
    'T-Shirt Graphic': {'anteil': 0.08, 'preis': (29, 59), 'saison': 'SS-heavy'},
    'Hoodie': {'anteil': 0.12, 'preis': (49, 119), 'saison': 'AW-heavy'},
    'Hemd/Bluse': {'anteil': 0.10, 'preis': (39, 99), 'saison': 'ganzjährig'},
    'Shorts': {'anteil': 0.06, 'preis': (35, 79), 'saison': 'SS-only'},
}

# Vororder-Zyklus: Order im Jan → Auslieferung Aug (SS) / Order im Jun → Auslieferung Jan (AW)
# 4 Saisons: SS23, AW23, SS24, AW24 × 1.800 SKUs × 18 Märkte
print(f"Dataset: 1.800 SKUs × 18 Märkte × 4 Saisons = {1800*18*4:,} Datenpunkte")
print(f"Vororder-Volumen: 3,2 Mio. Stück/Saison, Ø UVP €72")

# Features die zum Vororder-Zeitpunkt verfügbar sind:
vororder_features = [
    'abverkauf_vorjahr_sku_markt',     # Vorjahres-Baseline
    'abverkauf_vorjahr_kategorie',      # Kategorie-Trend
    'google_trends_index',              # "wide leg jeans" Suchvolumen
    'instagram_hashtag_velocity',       # Trend-Geschwindigkeit Social
    'pinterest_save_rate',              # Pinterest als Kaufindikator
    'wetter_langzeitprognose',          # CFS Seasonal Forecast
    'wirtschaftsklima_index',           # ifo, Consumer Confidence
    'vororder_einkauf_einschaetzung',   # Einkäufer-Score (1-10)
    'messeorder_signal',                # Bread & Butter, Pitti Uomo Daten
    'wholesale_vororder_volumen',       # B2B Orders als Signal
    'preis_elastizitaet_historisch',    # Wie preissensibel ist die SKU
    'carry_over_vs_newness',            # Fortführungsartikel vs. NOS vs. Neu
]

# In-Season Adjustment Features (verfügbar ab Woche 2 der Saison):
inseason_features = [
    'sell_through_rate_woche_1_2',      # Frühe Abverkaufsquote
    'click_rate_webshop',               # Online-Interesse
    'social_buzz_realtime',             # Social-Media-Mentions
    'wetter_aktuell_vs_prognose',       # Abweichung Wetter vs. Plan
]
print(f"Vororder: {len(vororder_features)} Features · In-Season: {len(inseason_features)} Features")

import lightgbm as lgb
import torch.nn as nn

# Stage 1: Vororder Baseline (LightGBM — robust bei wenig Daten)
stage1 = lgb.LGBMRegressor(
    n_estimators=800, max_depth=8, learning_rate=0.03,
    feature_fraction=0.7, bagging_fraction=0.8,
    reg_alpha=0.1, reg_lambda=1.0)
stage1.fit(X_vororder, y_saison_total)

# Stage 2: In-Season Correction (LSTM für Wochen-Sequenzen)
class InSeasonCorrector(nn.Module):
    def __init__(self):
        super().__init__()
        self.lstm = nn.LSTM(input_size=16, hidden_size=64,
                            num_layers=2, batch_first=True)
        self.head = nn.Sequential(
            nn.Linear(64, 32), nn.ReLU(),
            nn.Linear(32, 1))  # Korrektur-Faktor

    def forward(self, vororder_pred, inseason_seq):
        h, _ = self.lstm(inseason_seq)
        correction = self.head(h[:, -1, :])
        return vororder_pred * (1 + correction)  # Adjustierte Prognose

stueck_saison = 3_200_000
avg_uvp = 72
avg_einkaufspreis = 24

# Overstock: Markdown-Verlust
overstock_aktuell = 0.35   # 35% landen im Sale
overstock_modell = 0.21    # 21% mit Modell
markdown_rabatt = 0.42     # Ø 42% Rabatt

verlust_aktuell = stueck_saison * overstock_aktuell * avg_uvp * markdown_rabatt
verlust_modell = stueck_saison * overstock_modell * avg_uvp * markdown_rabatt

# Stockout: Entgangener Deckungsbeitrag
stockout_aktuell = 0.12
stockout_modell = 0.06
entgangen_aktuell = stueck_saison * stockout_aktuell * (avg_uvp - avg_einkaufspreis)
entgangen_modell = stueck_saison * stockout_modell * (avg_uvp - avg_einkaufspreis)

saving = (verlust_aktuell + entgangen_aktuell) - (verlust_modell + entgangen_modell)
print(f"Jährliche Verbesserung (2 Saisons): €{saving*2:,.0f}")