Intelligente Lösung für mehr Effizienz

Effizienzschub: Retail Analytics zur Optimierung von Marketing und Vertrieb einsetzen

PD Dr. Sebastian Olbrich, Torsten Schmalbach

© Shutterstock / Radachynskyi Serhii

Das Verlangen seitens des Kunden nach Innovationen von Handelsunternehmen nimmt zu. Mithilfe von Retail Analytics wird die Auswahl und Spezifizierung vielversprechender Anwendungsfälle erleichtert, indem es statistische Auswertungen, Techniken des maschinellen Lernens und der künstlichen Intelligenz kombiniert, um schlussendlich datengetriebene Entscheidungen im Geschäftsalltag zu ermöglichen und dem Kunden verbesserte Kauferlebnisse zu bieten.

Als Konsumenten von Produkten und Kunden von Handelsunternehmen kamen wir in den letzten Jahren in den Genuss zahlreicher technologiegetriebener Innovationen. So wurden beispielsweise Preise und Produktqualität durch Onlineforen transparent, neue Einkaufskanäle kamen hinzu und erlaubten ein Einkaufserlebnis über 24 Stunden hinweg, Rückfragen und Beschwerden konnten unter anderem in kürzeren Zyklen abgewickelt werden. Um all dies zu ermöglichen und gleichzeitig Wettbewerbsvorteile für sich zu erreichen, sehen sich die Handelsunternehmen mit großen Herausforderungen konfrontiert: Sei es eine stärkere Vernetzung der Einkaufsaktivitäten online und offline, die Erschließung neuer Vertriebskanäle und -felder oder die zunehmende Digitalisierung der gesamten Wertschöpfungskette bis hin zum Point of Sale. Eine derartige Verzahnung der Abläufe führt zu einer zunehmenden Komplexität, die mittels traditioneller Konzepte und Methoden in den meisten Fällen nicht bewältigt werden kann.

Als Beispiel sei die Kundenerwartung an ein Kauferlebnis über die einzelnen Kanäle hinweg (Omnichannel) genannt. Wie eine umfassende Studie zeigt, erwarten Kunden heutzutage einen nahtlosen Übergang der Online-User-Experience in die Offlinewelt. Laut der Studie wollen drei von vier Konsumenten Warenbestände per App einsehen, bevor sie ein Ladengeschäft betreten und die vor Ort gekauften Artikel idealerweise noch am selben Tag nach Hause geliefert bekommen. Letzteres stellt eine enorme Anforderung an das Servicelevel und hat seinerseits Implikationen für die Logistik der Handelsunternehmen, was eine weitreichende Automatisierung der Prozesse bedingt. Ebenso herausfordernd gestalten sich die neuen Wettbewerbsstrukturen mit neuen Marktteilnehmern bei einer gleichzeitig deutlicheren Marktkonzentration, oder die Forderung nach individuellen, nachhaltigen und regionalen Produkten.

Abb. 1: Entwicklungen und Herausforderungen im Handel

Abb. 1: Entwicklungen und Herausforderungen im Handel

Retail Analytics

Insgesamt lassen sich vielfältige Trends entlang der gesamten Wertschöpfungskette im Handel beobachten (Abb. 1). Den aktuellen Trends ist dabei eins gemeinsam: Sie entwickeln sich dynamisch, mit rasanter Geschwindigkeit und zwingen Händler zu hoher Flexibilität und schnellen Reaktionen. Entscheider auf allen Unternehmensebenen benötigen daher intelligente Lösungen, um die Entscheidungsfindung zu beschleunigen und gleichzeitig inhaltlich zu verbessern. An dieser Stelle kommt Retail Analytics ins Spiel. Es bietet die geeigneten Methodiken und Werkzeuge, indem es den Handelsunternehmen ermöglicht, sich im Marktumfeld nachhaltig zu differenzieren und den Konsumenten an das Unternehmen zu binden. Retail Analytics beschreibt dabei das systematische Vorgehen bei der Auswahl und Spezifizierung vielversprechender Anwendungsfälle, über die Kombination statistischer Auswertungen, Techniken des maschinellen Lernens sowie der künstlichen Intelligenz, um schlussendlich datengetriebene Entscheidungen im Geschäftsalltag zu ermöglichen. In einem iterativen Ansatz entsteht somit eine Augmented Intelligence, die Fachkompetenz und Methoden der Data Science verbindet und einen zusätzlichen Wettbewerbsvorteil hervorbringt.

Potenzielle Anwendungsgebiete lassen sich an den Herausforderungen am Markt spiegeln. Abbildung 2 skizziert aktuelle Themenfelder aus den Bereichen Operations, Marketing und Vertrieb, bei denen Retail Analytics sein Potential ausspielt. Beim Einsatz analytischer Methoden mag man als erstes an die klassischen operativen Themen im Betrieb eines Handelsunternehmens wie Logistik oder Einsatzplanung denken. In der Tat sind die Techniken der sequenziellen Optimierung und des Operations Research stark verbreitet. Zum Erreichen der aktuellen Herausforderungen wird das Portfolio von Retail Analytics zunehmend durch die Bereiche Marketing und Vertrieb ergänzt. Besonders an dieser Stelle bietet sich die Chance zur Identifikation von Kundenbedürfnissen und einer internen Fokussierung entlang des Kundenverhaltens. Eine automatisierte Auswertung von Kunden-, Umsatz- und Bestandsdaten ermöglicht Marketing- und Salesverantwortlichen, Kundenansprache, Aktionen, Sortimente und Flächengestaltung konsequent an den Kundenbedürfnissen auszurichten. Hierdurch werden die Kunden nachweisbar loyaler und nachhaltig an das eigene Unternehmen gebunden.

Abb. 2: Szenarien für den Einsatz von Retail Analytics

Abb. 2: Szenarien für den Einsatz von Retail Analytics

Berechnung des Customer Lifetime Value

Im Falle einer Quantifizierung durch Berechnung des Customer Lifetime Value (CLV) bedeutet das konkret, dass die Kombination interner und externer Datenquellen erlaubt, den aktuellen und potenziellen Wert eines Kunden, eines Vertriebskanals oder der Filialen zu bestimmen. Hierauf basierend können Händler gezielt Marketing- und Vertriebsmaßnahmen auf den Kunden zuschneiden und somit das vorhandene Budget optimal allokieren, um das Umsatzpotenzial zu erhöhen. Saisonale Schwankungen werden bei der Betrachtung des gesamten Lebenszyklus bewusst außen vorgelassen, während die einzelnen Maßnahmen natürlich an Zeitpunkte oder bestimmte Auslöser (Kauf, Besuch eines Shops oder einer Website etc.) gebunden sind. Auf diese Weise integrieren sich strategische Kundenbindung und operative Maßnahmen in einem übergreifenden analytischen Konzept. So erhalten beispielsweise die einzelnen Händler bei der Optimierung von Beständen und Kundenerlebnissen durch die systematische Auswertung von Kaufverhalten in Abhängigkeit externer Faktoren (Wetter, Wochentage, Kaufkraft, Ferien, Feiertage etc.) eine datenbasierte Entscheidungsgrundlage, die es ihnen ermöglicht, Out-of-Stock-Situationen deutlich zu senken und dadurch das konkrete Kundenerlebnis in einer bestimmten Situation zu verbessern. Oftmals handelt es sich um eine Quantifizierung bestehenden Wissens und langjähriger Verkaufserfahrung.

Jeder Konsument kennt das Szenario und die dahinterstehende Logik – morgens auf dem Weg zu Arbeit bewirbt eine Bäckereifiliale eher Kaffee und Croissants, während um die Mittagszeit eher Snacks angeboten werden. Im Sommer wird verstärkt Eiscreme verkauft, im Winter eher Kuchen und Gebäck. Wussten Sie aber, dass der Verkauf bestimmter Eissorten eher mit dem Wochentag als mit dem Wetter oder der Jahreszeit korreliert? Durch den Einsatz von Retail Analytics kommen wir über das sprichwörtliche Bauchgefühl hinaus und können weitreichende Entscheidungen bewusst treffen. Schließlich kann auf dieser Basis ein Katalog von Werbe- und Verkaufsmaßnahmen erstellt werden. Durch die systematische Auswertung von übergreifenden Daten werden dabei der jeweiligen Filiale konkrete Handlungsempfehlungen zur Performanceoptimierung an die Hand gegeben. Dazu gehören beispielsweise die Umsetzung von Zweitplatzierungen, Auswahl von Werbemitteln oder die Durchführung von Aktionen. Händler erhalten so die Möglichkeit, begrenzte Werbe- und Vertriebsressourcen gezielt einzusetzen, Cross-Selling-Potenziale zu heben und schlussendlich auch das Einkaufserlebnis aus Kundensicht weiter zu optimieren. Letztendlich zielen die einzelnen Maßnahmen darauf ab, den potenziellen CLV zu erheben oder sogar noch zu steigern. In jedem Fall ergänzen die erhobenen Kundendaten die Entscheidungsgrundlage für zukünftige Maßnahmen.

Potenzialanalysen über Umsatz und Vertriebsergebnis

Der skizzierte Maßnahmenkatalog bietet somit die Grundlage zur Ausrichtung der internen Prozesse. Im Bereich der Operations eines Handelsunternehmens geht es zumeist darum, wie die strategischen und operativen Planungen durch datengetriebene Ansätze und statistische Analysen abgesichert werden können. Viele Händler sehen sich mit einem anhaltenden Effizienz- und Margendruck konfrontiert. Eine automatisierte und datengestützte Ressourcenallokation und -planung ermöglichen eine Optimierung von Margen durch die Vermeidung von Out-of-Stock-Situationen und eine gleichzeitige Minimierung von Preisabschriften und Bestandsproblemen. Die möglichen Anwendungsgebiete von Retail Analytics im Bereich Operations umfassen unter anderem Potenzialanalysen über Umsatz und Vertriebsergebnis, wobei sich durch die Kombination von statistischen Auswertungen und Techniken des maschinellen Lernens Umsatzcluster bilden und Werttreiber (Demografie, Kaufkraft, Sortiment, Werbemaßnahmen etc.) bestimmen und quantifizieren lassen. Bei der Optimierung der Planung werden auf Basis der statistischen Modelle sowohl taktische als auch operative Maßnahmen vor Ort vorgeschlagen. So kann beispielsweise das Auftragsvolumen des Vertriebs durch eine neue Tourenplanung gesteigert und deutliche Umsatzpotenziale bei Impulsartikeln in den Point of Sale gehoben werden. Wie schon angeklungen ist, bedarf es an dieser Stelle einer koordinierenden Unterstützung für die einzelnen Filialen, die schlicht nicht die Kapazität besitzen, eigene Retail Analytics zu betreiben. Darüber hinaus entstehen durch die zentrale Erfassung weiterführende Erkenntnisse, die beispielsweise zur Bündelung sowie dem gezielten Einsatz von Marketing- und Investitionsmitteln genutzt werden können.

Simulation von Investitionsentscheidungen

Der Simulation von Investitionsentscheidungen kommt durch den zunehmenden Druck im Multikanalgeschäft eine besondere Bedeutung zu. Vor allem rein stationäre Händler stehen vor Herausforderungen im Preiskampf, dem wachsenden Anteil des Onlineshoppings und sinkenden Margen. Retail Analytics bietet in diesem Kontext die notwendigen Tools, um weiter wettbewerbsfähig zu bleiben. Eine datengetriebene Entscheidungsfindung (Abb. 3) kann insbesondere Wirkung bei der Auswahl der zu renovierenden Filialen und den damit zusammenhängenden Investitionsentscheidungen zeigen. Schließlich zielen derartige (Teil-) Renovierungen der Ladenfläche darauf ab, das Einkaufserlebnis für Kunden attraktiver zu gestalten und so langfristig eine Umsatzsteigerung herbeizuführen. Dazu werden zunächst alte Aufbauten oder Gerätschaften – beispielsweise Gefriertruhen – ersetzt, Sortimente angepasst oder ganze Verkaufsflächen modernisiert. Im Zuge dessen fallen jedoch hohe Material- und Prozesskosten an und weiterhin sind die jeweiligen Opportunitätskosten durch entgangene Umsätze, die durch die Schließung der Filialen angefallen sind, zu berücksichtigen. Vor dem Hintergrund, dass die Effektivität von Renovierungsmaßnahmen zum Teil von externen Faktoren abhängig ist und so von Filiale zu Filiale unterschiedlich ausfällt, stellt sich die Frage nach denjenigen Standorten mit dem größten Steigerungspotential und dem maximalen Return on Investment (ROI). Kurzum: Es gilt die zugrundeliegenden Annahmen in ein Business Case zu übersetzen, diese Annahmen in einem Analytics-Projekt umzusetzen, sowie die Einflussfaktoren dann kontinuierlich fortzuschreiben und zu überwachen.

Abbildung 3: Retail Analytics ermöglicht datengetriebene Entscheidungshilfen

Abbildung 3: Retail Analytics ermöglicht datengetriebene Entscheidungshilfen

In dem angeführten Beispiel kann mithilfe von historischen Daten aus früheren Renovierungsmaßnahmen ein statistisches Modell den zu erwartenden Effekt einer Renovierung auf den ROI bei unbehandelten Filialen vorhersagen. Dadurch ergibt sich eine natürliche Rangfolge zur Priorisierung der Filialen bei der Frage nach effektiven Investitionsmaßnahmen. Die Vorhersagekraft des Modells hängt stark davon ab, wie gut sie den zugrundeliegenden Datengenerierungsprozess abbilden kann. Darum muss bei der Bewertung der Store Performance eine Vielzahl von Effekten kontrolliert werden. Dazu zählen sowohl interne Faktoren – beispielsweise die Größe der Verkaufsfläche – als auch externe Faktoren wie Großereignisse in der Umgebung oder Wettbewerb. Die primäre Aufgabe des Data Scientist ist nun, die verschiedenen Faktoren in diejenigen zu unterteilen, die auf eine Renovierungsmaßnahme abhängig reagieren und diejenigen, die unabhängig sind. Als prominentes Beispiel dafür ist die Zusammenstellung des direkten Kundenstamms zu nennen, da verschiedene Bevölkerungsgruppen unterschiedlich auf Renovierungsmaßnahmen reagieren. Während die einen die Modernisierung als Innovation begrüßen, werden andere Gruppen ihre vertraute Umgebung vermissen. Grundsätzlich bietet es sich an, bei der Bestimmung solcher Faktoren Branchenexperten wie beispielsweise Filialleiter mit einzubeziehen. Ebenso relevant sind die wirtschaftliche Entwicklung, saisonale Effekte sowie die aktuelle Wettbewerbslage. Letztere ist unmittelbar durch die Anwesenheit respektive Eintrittswahrscheinlichkeit einer konkurrierenden Filiale in direkter Umgebung bestimmt. Hierdurch sind sowohl die Kundenbindung als auch die Store Performance gleichermaßen gefährdet. Um derartige Risiken besser einschätzen zu können, lässt sich mit Techniken des maschinellen Lernens beispielsweise die Eintrittswahrscheinlichkeit von Konkurrenten in das direkte Einzugsgebiet bestimmen. Schließlich ermöglichen Szenarioanalysen eine flexible Simulation von Renovierungsmaßnahmen für einzelne Filialen.

Die Renovierung der Verkaufsfläche ist natürlich nur eine von zahlreichen möglichen Maßnahmen zur Erhöhung der Kundenbindung und der Verkaufszahlen. Während sich die Herausforderungen und die entsprechenden Maßnahmen von Fall zu Fall unterscheiden, bleiben die Muster datengetriebener Arbeitsweisen erstaunlich konstant: Es gilt eine Datengrundlage für den potenziellen Kundenwert (CLV) zu schaffen. Danach werden die Maßnahmen quantifiziert und in eine Wirkbeziehung zum CLV gesetzt. Aus dem entstehenden Maßnahmenkatalog können nun unter verschiedenen Bedingungen konkrete Handlungsempfehlungen abgeleitet und deren Wertbeitrag simuliert werden. Ob Werbemaßnahmen, Renovierung, neue Filialen oder die Koordination des Außendiensts – durch analytisches Vorgehen werden Entscheidungen objektiviert. Dadurch werden unter dem Strich laufende Ausgaben reduziert, Investitionsentscheidungen verbessert und begrenzte Ressourcen optimal eingesetzt.

Geschrieben von
PD Dr. Sebastian Olbrich
PD Dr. Sebastian Olbrich
PD Dr. Sebastian Olbrich verantwortet das Data Science Lab des Geschäftsbereichs Insights & Data bei Capgemini Consulting. Er berät seit mehr als fünfzehn Jahren internationale Großkunden im Bereich Informationsmanagement, datengetriebener Geschäftsmodelle und maschinellem Lernen. Neben seiner Beratungstätigkeit vertritt er den Lehrstuhl für Information Systems and Digital Business an der European Business School (EBS) in Österreich-Winkel und ist Autor von mehr als fünfzig wissenschaftlichen Fachartikeln.
Torsten Schmalbach
Torsten Schmalbach
Torsten Schmalbach ist Principal im Bereich Consumer Products & Retail bei Capgemini Consulting und dort für den Bereich Supply Chain Management verantwortlich. Er berät führende Handelsunternehmen bei der Optimierung der internen Geschäftsprozesse wie der Sortimentssteuerung oder der Flächenoptimierung.
Kommentare

Hinterlasse einen Kommentar

Hinterlasse den ersten Kommentar!

avatar
400
  Subscribe  
Benachrichtige mich zu: