Die Macht von Big Data

  • von
  • Artificial Intelligence
  • AURORA4Growth
  • AURORA4Performance
  • bigdata
  • FixTheFlowAndGrow
  • FlyLEAN
  • FlyLEANwithAURORA
  • MastersOfChange
  • SaveYourLEAN

Der stationäre Handel steht vor einem großen Problem, das immer größer wird. Immer mehr Kunden kaufen in Online-Shops ein, die niedrigere Preise und eine größere Auswahl bieten. Die Online-Shops sehen sich auch mit einem großen Geschäftsproblem konfrontiert, das sich aus dem scharfen globalen Wettbewerb und dem Fehlen eines klaren Wettbewerbsvorteils außer dem Preis ergibt. Dies hilft den physischen Geschäften nicht, sich neu zu erfinden und den Kunden eine echte Alternative zu bieten, da sie in Online-Shops eine größere Auswahl haben, sich alles nach Hause liefern lassen können und niedrigere Preise zahlen.

Ein Grund dafür, dass so viele Kunden online kaufen, ist, dass es E-Commerce-Läden gelingt, den spezifischen Geschmack der Kunden besser zu verstehen und ihnen lukrative Vorschläge zu unterbreiten. Dieses Verständnis wird erreicht, indem große Anstrengungen unternommen werden, um von jedem Nutzer, der die Website betritt, eine Vielzahl von Daten zu sammeln und eine ausgefeilte Analyse dieser Daten durchzuführen. Diese Bemühungen werden fortgesetzt, so dass wir weitere Verbesserungen bei der Beeinflussung der Kunden zum Kauf über das Internet erwarten können.

 

Wie kommt es, dass physische Geschäfte nicht ähnliche Maßnahmen ergreifen?

Physische Geschäfte haben einen schwierigeren Zugang zu den relevanten Informationen. Beispielsweise gibt es derzeit keine gute Möglichkeit, Kunden zu erfassen, die das gesuchte Produkt nicht finden. Die Verhaltensmuster der Kunden werden nicht aufgezeichnet. Es mag zwar Videokameras in einem Geschäft geben, aber ihr Ziel ist die Sicherheit und alle anderen Verhaltensaspekte werden nicht berücksichtigt. Es scheint also, dass die Geschäfte nicht viel tun können, um ihre Kunden besser zu studieren.

Das ist ein GROSSER Fehler. Es gibt viele verfügbare Daten, die zu wertvollen Informationen verarbeitet werden können, und es gibt Möglichkeiten, auf noch mehr Daten zuzugreifen, mit denen sich noch mehr Informationen gewinnen lassen.

Kunden, die in große Geschäfte kommen, insbesondere in Supermärkte und Drogerien, kaufen oft mehr als einen Artikel. Dies ist eine Gelegenheit, mehr über die möglichen Beziehungen zwischen verschiedenen Artikeln und die persönlichen Neigungen zu Marken sowie über die Rolle des Preises bei der Auswahl aus einer Vielzahl ähnlicher Produkte zu erfahren.

Die Gesamtzahl der von einem Kunden gekauften Artikel enthält verborgene Informationen, die Aufschluss über den Geschmack und das wirtschaftliche Niveau des Kunden geben. Um die relevanten Informationen aufzudecken, müssen bestimmte Analysen mit Hilfe von Statistik und maschinellem Lernen (ML) durchgeführt werden, um Antworten auf Schlüsselfragen zu den wichtigsten Entscheidungen zu finden, die jedes Einzelhandelsgeschäft treffen muss:

 

Welche neuen Artikel sollen aufgenommen werden? Welche Artikel sollten aussortiert werden? Wie wichtig ist es, die perfekte Verfügbarkeit eines Artikels zu gewährleisten? Welche Artikel sollten nahe beieinander platziert werden? Welche Artikel könnten für Werbeaktionen genutzt werden? Welche zusätzlichen Dienstleistungen, wie z. B. eine Bäckerei vor Ort, sollten hinzugefügt (oder entfernt) werden?

 

Die Abfrage des Gesamteinkaufs eines Kunden verrät so viel mehr als die Betrachtung des Umsatzes der einzelnen Artikel. Die Mischung der zu einem bestimmten Zeitpunkt gekauften Artikel gibt Aufschluss über den Bedarf, den Geschmack und das wirtschaftliche Verhalten. Wenn es rechtlich möglich ist, den spezifischen Käufer zu identifizieren, dann können die früheren Käufe des Käufers analysiert werden, um das Marktsegment, zu dem dieser Kunde gehört, genauer zu definieren. Ein Teil des Wertes der Kundenbindungsclubs liegt in der Möglichkeit, verschiedene Käufe zu verschiedenen Zeiten mit demselben Kunden in Verbindung zu bringen. So kann ein Kundenprofil erstellt werden.

Das offensichtlichste Ergebnis ist die Zuordnung der Kunden zu Marktsegmenten, wobei die unterschiedlichen Merkmale zwischen den Segmenten zu beachten sind. Die Befragung zu den Käufen könnte Aspekte zur Familie des Kunden hervorheben: Ehepartner und Kinder, ihr ungefähres Alter, ihre finanzielle Situation und ihre Vorlieben. Diese Merkmale lassen sich durch eine Analyse der Einkäufe und der Häufigkeit der Einkäufe ermitteln. Bestimmte Vorlieben, wie z. B. Rauchen oder Vegetarier zu sein, können ermittelt werden. Gemeinsam werden die wichtigsten Merkmale aufgedeckt, um mehrere Schichten des Marktsegments zu definieren.

Ein weiterer wichtiger Wert, der aus der Untersuchung der Käufe abgeleitet werden kann, sind die Abhängigkeiten zwischen verschiedenen Artikeln: Wenn Artikel X gekauft wird, ist die Wahrscheinlichkeit groß, dass auch Artikel Y gekauft wird. Diese Abhängigkeiten werden manchmal intuitiv von einigen Managern abgeleitet und haben definitiv Auswirkungen auf Entscheidungen über die Verfügbarkeit beider Artikel, ihre Platzierung im Geschäft und sogar die Möglichkeit, sie zusammen als Paket zu verkaufen. Das Verständnis der Zusammenhänge zwischen den Produkten hilft bei der Überprüfung von Änderungen der Kaufgewohnheiten im Laufe der Zeit. Wenn sich beispielsweise die Wirtschaft verschlechtert, ist es viel wertvoller, die Auswirkungen auf verschiedene Segmente zu beobachten als nur die Auswirkungen auf einzelne Produkte. Wir können mit einer allgemeinen Verlagerung zu billigeren Produkten rechnen, aber welche Marken durch billigere ersetzt werden und in welchem Segment diese Veränderungen am stärksten sind, sollte für die Vorhersage dieser Veränderungen wertvoll sein, bevor der tatsächliche Wandel in der Wirtschaft eintritt.

Die Struktur der typischen Käufe in den verschiedenen Marktsegmenten würde mit Sicherheit zu Marketingmaßnahmen führen, die sich dieses Wissen zunutze machen würden. Analytisches Wissen, das in operative Maßnahmen umgesetzt wird, würde sich auf die Leistung der verschiedenen Filialen der Einzelhandelskette auswirken, da die spezifischen Bedürfnisse der Filiale erkannt werden, aber auch einige der allgemeinen Erkenntnisse.

Wenn jeder Kauf eines bestimmten Kunden mit den früheren Käufen dieses Kunden verknüpft werden kann, dann könnte die Häufigkeit der Käufe zu Initiativen führen, um den Inhalt eines typischen Kaufs eines bestimmten Marktsegments zu beeinflussen.

Die Entwicklung des Moduls für maschinelles Lernen (ML) zur besseren Kategorisierung der verschiedenen Segmente, die das Geschäft bedient, sollte sowohl das Marketing als auch die Logistik eines jeden Einzelhandelsgeschäfts verbessern. Es ist immer ein Dilemma, Ladenhüter zu halten, wenn man den logistischen Aufwand bedenkt, der erforderlich ist, um diese Ladenhüter verfügbar zu halten. Wenn man die richtigen Prioritäten setzt und die finanziellen Auswirkungen des Verkaufs von Ladenhütern in vollem Umfang versteht, kann man besser entscheiden, welche Artikel man auf Lager hält. Der relative Wert eines Ladenhüters umfasst auch seine Auswirkungen auf den Absatz anderer Produkte. Das Verständnis der relativen Bedeutung eines bestimmten Artikels für ein bestimmtes Segment trägt dazu bei, die Auswirkungen eines Ladenhüters auf die Attraktivität des Geschäfts aus der Sicht des Marktsegments zu bestimmen.

Durch ML können die Einzelhändler ein besseres Verständnis der Kundentreue zu bestimmten Marken und Artikeln gewinnen. Wenn bereits feststeht, dass ein bestimmtes Segment den Artikel X dem Artikel Y vorzieht, kann man durch die absichtliche Nichtverfügbarkeit von X für einen Tag herausfinden, ob die meisten Kunden aus diesem Segment Y gekauft oder von einem Ersatzkauf abgesehen haben. Damit wird auch die Frage beantwortet, ob sich der Kauf des Ersatzartikels auf die Markentreue auswirken würde. Werbeaktionen veranlassen die Menschen auch dazu, die weniger bevorzugten Artikel zu kaufen, aber es ist von größerem Interesse zu wissen, ob dies Auswirkungen auf die Markentreue hat.

Es ist sehr wünschenswert, Zugang zu Informationen über die Verfügbarkeit aller Artikel zum Zeitpunkt eines bestimmten Kaufs zu haben. Wenn Artikel X nicht mehr verfügbar ist, bietet sich die Gelegenheit zu prüfen, ob die scheinbar markentreuen Kunden einfach auf den Ersatzartikel umsteigen.

Supermärkte und Drogerien sind typische Einzelhandelsgeschäfte, in denen in der Regel mehrere verschiedene Artikel gekauft werden. Es scheint absolut notwendig zu sein, dass solche Einzelhandelsketten in ML investieren, um mehr über die Gewohnheiten ihrer Kunden zu erfahren und einen Prozess zu entwickeln, der es ihnen ermöglicht, bessere Entscheidungen zu treffen, um aus diesem Wissen Kapital zu schlagen.

Originaler Beitrag auf Englisch: https://elischragenheim.com/2018/08/07/what-brick-and-mortar-retail-can-learn-from-big-data/

Zurück