Best Practice

Retailytics: Digitalisierung im stationären Handel

Nutzen Sie digitale Daten, um Ihren Offline-Retail-Erfolg zu maximieren.

45 Prozent mehr Neukunden-
identifizierung B2B

65 Prozent weniger 
Lieferfahrten an Outlets

20 Prozent Ergebnissteigerung 
pro Outlet

Signifikante Reduzierung
des Out-of-stock-Risikos

Effizientere Steuerung 
der Vertriebsmitarbeiter

Das Brick-and-Mortar-Geschäft ist noch lange nicht so tot, wie es gerne vorhergesagt wird. Mit 2,7 Geschäftsneueröffnungen je geschlossenem Ladenlokal sieht die Bilanz für den analogen Handel beispielsweise in den USA trotz stark wachsender Online-Konkurrenz aktuell gar nicht schlecht aus. Und doch: vor allem in der Nutzung und Analyse relevanter Daten hinkt der stationäre Handel der Online-Konkurrenz hinterher. Während E-Commerce Anbieter auf Basis von detaillierten Daten aus Web Analyse, CRM und Google-Suchen das Verhalten ihrer Nutzer analysieren und personalisierte Angebote entwickeln, ist die Nutzung dieser Daten für einen Großteil klassischer Händler und Marken noch Zukunftsmusik.

Digitale Daten für die analoge Welt nutzen

Möchten Retailer oder Brands in der analogen Welt wissen, welcher Ort sich für die Eröffnung eines neuen Outlets am besten eignet, wie sie ihr Sortiment optimieren oder wie sie ihre begrenzten Vertriebsressourcen zielgenau planen, verlassen sich viele von ihnen noch immer auf statische Strukturdaten oder das implizite Wissen ihrer Mitarbeiter. Trotz der mittlerweile breiten Verfügbarkeit digitaler Geodaten erfolgen strategische Ausrichtungen im Offline-Handel häufig noch immer auf Basis begrenzter Informationen uns einer guten Portion Bauchgefühl.

Damit auch der stationäre Handel auf den Zug datengetriebener Entscheidungen aufspringen kann, hat TD Reply einen skalierbaren Ansatz entwickelt, der Abverkäufe für die unterschiedlichsten Verkaufspunkte vorhersagt, Outlets auf Basis ihres Verkaufspotenzials und ihres Zielgruppenfits segmentiert und die Marketingmaßnahmen pro Store optimiert – alles auf der Grundlage verschiedenster digitaler Daten. Spielbar ist dieser von TD Reply als „Advanced Outlet Analytics“ bezeichnete Ansatz in verschiedenen Branchen: Lebensmittel- und Getränke, Fashion oder Automotive sind nur einige Beispiele.

Die digitale Datengrundlage

Vertriebler im B2B-Bereich stehen vor der Herausforderung, genau die Outlets anzusteuern, in denen sich das angebotene Produkt am besten verkaufen wird. Für einen B2C-Händler gestaltet sich die Problematik ähnlich: Welche Kategorien und Produkte besitzen pro Filiale besonders großes Potenzial, und wie groß sollte der jeweils vorrätig gehaltene Bestand sein? Die Informationen, die zur Beantwortung dieser Frage herangezogen werden können, sind zunächst unternehmenseigene Daten (Owned Data), zum Beispiel die Sell-in- oder Sell-out-Daten aus erster Hand. Für Marken, die keine Hoheit über diese Daten haben oder nur über eine unzureichende Datenqualität verfügen, ist zudem der Zukauf von Sales-Daten über digitale Kassenanbieter denkbar (sogenannte Paid Data).

Doch selbst wenn Daten über den Produktverkauf vorliegen – sei es über die Nutzung bereits vorliegender Kassendaten oder einen externen Zukauf dieser Daten –, haben nur wenige Unternehmen eine Antwort auf die Frage, welche externen Faktoren den Verkaufserfolg beeinflussen und was die effektivsten Stellhebel zur Erfolgsmaximierung sind. Antworten auf diese Fragen finden sich – vom Offline-Handel häufig unbeachtet – im Internet.

Bei Diensten wie Google Maps, Facebook oder Flickr findet man große Mengen geo-spezifischer Daten mit hohem Informationswert. Der stationäre Handel kann sich hierbei in die Perspektive des Endkonsumenten hineinversetzen, um die für seine Branche relevantesten Informationen zu identifizieren. So informieren sich Verbraucher online über Öffnungszeiten (Google), Nutzerbewertungen (Google, Tripadvisor, Foursquare), ladenspezifische Angebote (Yelp), Wegbeschreibungen (Google Maps) oder relevante Events (Facebook). Dieses Verhalten generiert geospezifische Daten, die für jedes Outlet individuell und zugleich für den gesamten Markt skaliert nutzbar sind. So ist es allein über die Daten von Geo-Diensten wie Google Places oder Open Street Map möglich, detaillierte Daten über die Gegend um ein einzelnes Outlet herum zu erhalten – zum Beispiel über die Dichte von Geschäften, relevante Orte wie Konzerthallen oder Schulen oder die Nähe zu U-Bahn oder S-Bahnhaltestellen. Die Integration dieser Daten zusammen mit unternehmenseigenem Zahlenmaterial stellt ein entscheidendes und bislang fehlendes Bindeglied dar, um pro Outlet detaillierte Einschätzungen zur relevanten Konsumentenzielgruppe, dem jeweiligen Verkaufspotential und den optimalen Marketingmaßnahmen zu treffen.

Abverkauf vorhersagen. Out-of-Stock minimieren.

Ein Anwendungsfall für die intelligente Nutzung von Online-Daten ist die bessere Vorhersage des Abverkaufs, die so zum Beispiel im Lebensmittel- und Getränkehandel eine Genauigkeit von über 90 Prozent erzielen kann. Als Datengrundlage werden hierbei neben den Sell-Out-Daten pro Outlet unter anderem Informationen von Facebook zu lokalen Veranstaltungen, Google-Daten zu regionalem Suchinteresse und Live-Wetter-Daten einbezogen. Auf Basis dieser genaueren datengestützten Vorhersagen kann die Anzahl von Lieferfahrten um bis zu 60 Prozent reduziert werden, während gleichzeitig das Risiko für Out-of-Stock-Situationen minimiert wird. Auch der Besuch der Außendienstmitarbeiter ist besser planbar, was entscheidend zur Steigerung der Kosteneffizienz beiträgt.

Segmentierte Marktbearbeitung. Digitale Daten als Basis nutzen.

Ein weiterer Ansatz für die Verwendung externer Online-Daten ist die datengetriebene Segmentierung von Outlets, die sowohl für Händler als auch für Marken in Punkto Sortiments- und Marketingoptimierung relevant ist. Auf Basis von Informationen über Restaurants, Bars und Hotels in der Umgebung (zum Beispiel über Trip Advisor), das Frequenz-Potenzial der Lage (etwa über Informationen von Google Places) oder die touristische Attraktivität einer Umgebung (beispielsweise über die Anzahl der auf Social Media hochgeladenen Fotos) können Vorhersagen zum Umsatzpotenzial und Zielgruppenfit getroffen werden, um so Outlets zu priorisieren und sie einzelnen Marken und Produkten zuzuordnen. Verknüpft man diese Segmentierung mit Informationen zu Marketingmaßnahmen und Verkaufsdaten, kann gezielt priorisiert werden, an welchen Stellen sich ein Aktiv-werden lohnt – sei es durch Promotionen in Shops, Preisaktionen oder eine Veränderung des Sortiments.

Neue Technologien. Von Big Data zu Smart Data.

Der Einsatz neuester Technologien wie Machine Learning und Künstlicher Intelligenz spielt eine zentrale Rolle, um die benannten Ansätze skalierbar zu machen und fortlaufend zu optimieren. Dabei ist es essentiell, dass die entwickelten Modelle sich dynamisch aktualisieren und auf Veränderungen in den Daten und Umfeldfaktoren reagieren.

Daten und Realität

Und doch stellen neue Technologien kein Allheilmittel für unternehmerische Aufgaben dar. Neue Daten und Technologien können nur dann sinnvoll genutzt werden, wenn sie mit konkreten Fragestellungen und dem zuvor erwähnten impliziten Branchenwissen verknüpft werden. Dabei sollten der iterativen Überprüfung der generierten Ergebnisse im Feld und der darauf folgenden Optimierung der erstellten Modelle eine große Bedeutung beigemessen werden.

„Advanced Outlet Analytics“ ist kein rein statistischer Ansatz, der im stillen Kämmerlein entwickelt wird, sondern erfordert den fortlaufenden Abgleich mit der Realität im Markt und dem bestehenden Know-how von lokalen Vertriebs- und Store-Managern. „Data Science“ und „Machine Learning“ sind die Buzzwords der Stunde, beide können aber nur im Austausch mit der unternehmerischen Basis ihre volle Wirkung entfalten.