Seite weiterempfehlenSeite drucken

Mit neuen Filialen den Umsatz erhöhen

Bringt die Eröffnung einer neuen Filiale auch gleich maximalen Umsatz? Auf diese Frage versuchen Verantwortliche im Einzelhandel neue Analysen zu finden, jedoch wird man als Grundlage hierfür eine maßgeschneiderte Datenmodellierung benötigen.

Die Planung nach neuen Standorten gehört im Handel zu den strategischen Kernaufgaben. Ziel ist es natürlich, dass neue Filialen den Umsatz maximieren sollen, sie können aber auch für Verluste sorgen.

Lösungen aus dem Bereich Location Intelligence (LI) sind in der Lage, die Risiken zu minimieren und Entscheidungsprozesse massiv beschleunigen. Aufgrund neuer Datensätze und neuer Modellierungsansätze wird die Standortplanung immer leistungsfähiger. Aktuelle Beispiele zeigen, dass die Umsätze für bis zu 80 % aller Standorte in einem Filialnetzwerk mit einem Model akkurat vorhergesagt werden können. Das ist Pitney Bowes bereits in mehreren Projekten gelungen. Aber wie genau sehen diese LI-Methoden aus?

Pitney Bowes Deutschland ist Anbieter von georeferenzierten Datenpaketen und Softwarelösungen und einer der wichtigsten Unternehmen im weltweiten Markt für LI. Das bestätigt auch der aktuelle Forrester Report.

Die Lösungen MapInfo Pro und Spectrum Spatial versammeln dabei die Geo-Kompetenz des Unternehmens, das Software-Angebote für sämtliche Marketing- und Kommunikationsanforderungen von Unternehmen anbietet.

Pitney Bowes ist im Bereich Retail Analytics ein Vorreiter in Ländern wie den USA und Großbritannien. Inzwischen wurde auch in Deutschland das Angebot erweitert und PB bietet LI-Projekte jetzt auch hier aus einer Hand an. Dabei ist die kundenspezifische Datenmodellierung inbegriffen, denn sie ist heute entscheidend für den Erfolg bei LI-Projekten.

Die Modellierung nutzt dabei verschiedene Datenquellen: Eigene Datensätze, wie von Pitney-Bowes-Partnern wie der DDS und solchen, die bei den Unternehmen selbst vorliegen. Aus diesen Beständen werden in den Projekten Datenmodellierungen erstellt, die für die jeweiligen Fragenstellungen optimal modelliert werden. Hierbei werden moderne Data-Science-Ansätze genutzt, also Ansätze aus dem Data-Science-Umfeld, die traditionell nicht in der Standortplanung zum Einsatz kommen.

Kombination aus Geodaten und Business Intelligence

Data Science war bisher noch nicht im Bereich Location Intelligence verbreitet, die klassischen alphanummerischen Daten und Algorithmen, wie sie in der Data Science vorkommen, sind mehr in der Statistik bekannt. Gemeint sind etwa filialabhängige Umsatzdaten zu verschiedenen Tageszeiten oder die Markenpräferenzen des Kundenstamms an einem bestimmten Standort. Solche Daten liegen Händlern mehr oder weniger explizit beispielsweise bereits in ERP- oder CRM-Systemen vor. Per Data Science werden sie verwertbar und können die Filialplanung um elementare Informationen bereichern.

Mit diesem Ansatz werden Modelle feiner, belastbarer und praxisrelevanter. Ein Beispiel: Seit Jahrzehnten sind Kaufkraftdaten verfügbar. Sie zeigen, wie viel Einkommen in den jeweiligen Wohngebieten zur Verfügung steht. Aber Kaufkraft hängt an Personen und die sind mobil. Sie arbeiten anderorts als sie wohnen und sind auch in der Freizeit und zum Shoppen mobil. Sprich, die Kaufkraft ist mobil, dynamisch und je nach Tageszeit und Konsumverhalten anders verteilt. Pitney Bowes kann mithilfe der Data Science beispielsweise Umsätze je nach Produkt-Sortiment und Tageszeit vorhersagen. Zum Einsatz kommen dabei zum Beispiel Frequenzatlanten oder auch datenschutzkonforme Daten, die über die Mobilfunk-Kanäle generiert wurden und zum Beispiel Auskunft darüber geben, welche Zielgruppen sich wo über den Tagesverlauf befinden. So wird in Projekten eine sehr viel bessere Umsatzprognose erreicht.

Mithilfe der mobilen Informationen kann Pitney Bowes Kunden bei der Datenmodellierung, beispielsweise Fragestellungen zum Einzugsgebiet ihres geplanten Standorts, neu bewerten. So ist es zum Beispiel möglich, dass in einem Gebiet, in dem die Bevölkerungsstruktur hauptsächlich durch die Mittelschicht geprägt ist, ein Standort dennoch de facto mehr von Kunden aus den oberen Bevölkerungsriegen besucht wird. In einem Kundenprojekt aus dem Gastronomiebereich etwa konnte das Unternehmen genau zeigen, warum eine Edel-Gastronomie nicht funktionierte: Tagsüber sei dort eher die gut verdienende Mittelschicht anwesend, abends aber eher weniger kaufkräftiges Publikum. In diesem Fall konnte der Systemgastronom eine andere Marke am Standort positionieren und seinen Umsatz deutlich maximieren.

Wie bei multidimensionalen Analysen üblich, ist es wichtig, die Vergleichbarkeit verschiedener Datensätze zu beachten. Gerade bei Geodaten, die oft ein unterschiedliches geographisches Bezugssystem haben (PLZ, administrative Grenzen, freie Polygone etc.) ist dies eine Herausforderung. Vor diesem Hintergrund gewinnt ein spezielles Produkt von DDS an besonderer Bedeutung: Das sogenannte DDS Data Grid ist ein Bezugsraster, das sieben mikro- und makrogeografische Ebenen beinhaltet. Die kleinsten Rasterzellen betragen 100x100-Meter, im Makrobereich geht es bis 10x10 Kilometer. Ein solches Raster ermöglicht die systematische Verschneidung, Visualisierung und Analyse von Daten verschiedenster Herkunft. Datenpakete in einem solchen Raster sind unabhängig von administrativen und politischen Standards. Data-Grids werden immer populärer, weil sie einheitlich und damit international anwendbar sind. Pitney Bowes greift selbst auf Grids zurück, um die Prognosen so genau wie nur möglich zu erhalten.

Die Datenmodellierung ist Bestandteil der Projekte bei Kunden. Zunächst werden grundsätzliche Fragestellungen geklärt – zum Beispiel, ob das Sortiment einer bestehenden Filiale der dort am stärksten vertretenen Klientel entspricht oder welche Produkte an einem neuen Standort überwiegend angeboten werden sollen. Pitney Bowes steckt gemeinsam mit dem Kunden das Ziel der Standortanalyse fest und betrachten daraufhin den Datenbestand des Unternehmens. Dann bereinigen und bereiten sie Daten, die dem Kunden bereits vorliegen, auf und reichern sie mit zusätzlichen externen Informationen an – entweder aus eigenen Datenbanken oder in Zusammenarbeit mit Partnern.  

Solche Daten-Analysen sind im Handel äußerst gefragt. Das Wissen, das in ihnen enthalten ist, sollte also möglichst barrierefrei in den Unternehmen zur Verfügung stehen. Pitney Bowes hat daher seine Retail-Analytics-Anwendung, eine webbasierte Lösung, auf der Spectrum Plattform aufgesetzt. Damit ist die Modellierung in Abhängigkeit der vergebenen Zugriffsrechte und Anwenderprofile für viele Mitarbeiter eines Unternehmens verfügbar. Über die Retail-Analytics-Anwendung können verschiedene Mitarbeiter flexibel Analysen vornehmen und schnell Ergebnisse erhalten. Damit will man auch mobilen Mitarbeitern – etwa im Außendienst oder auf Management-Ebenen ­– die Möglichkeit bieten, Analysen ad hoc zu erhalten, ohne diese erst einer spezialisierten Abteilung beauftragen zu müssen.

Digital meets stationär

Die fortschrittlichen LI-Methoden helfen, komplexe Fragenstellungen im Zeitalter der Digitalisierung zu lösen. Für den Handel bedeutet das, dass er seine Multi-Channel-Strategien mit LI-Methoden begleiten kann. Die Frage nach der optimalen Kombination aus E-Commerce und stationärem Handel, wie etwa Flagship-Stores, kann so systematisch angegangen werden. In den USA hat das Unternehmen schon verschiedene Projekte durchgeführt, in denen für Kunden ein idealer Mix aus Online-Verkauf und stationären Läden entwickelt wurde. Sie fanden beispielsweise heraus, wie vormals reine Online-Händler den Bekanntheitsgrad ihrer Marke durch zielgerichtete Ladenstandorte erhöhen und so die Synergien im Multi-Channel-Bereich maximal ausschöpfen konnten.


Weitere Informationen:

Forrester Report

www.pitneybowes.com

www.ddsgeo.de

2965 - Mit neuen Filialen den Umsatz erhöhen
PR
Keywords:
Location IntelligenceData ScienceBusiness IntelligenceGeodatenRetail AnalyticsMapInfo ProPitney BowesDDSData Grid