Predictive Analytics im Einzelhandel - Big Data! Big Umsatz?

13.04.2016

Saisonale Abverkäufe lassen sich mithilfe von Predictive Analytics und Big Data noch effektiver steuern! Doch nicht nur beim Schlussverkauf lassen sich im Einzelhandel Erfolge erzielen. „Warenkorbanalysen ermöglichen es zum Beispiel, Kunden passgenaue Produktvorschläge zu machen.

In Zeiten von Big Data können Händler unterschiedlichste Daten für Predictive-Analytics-Projekte auswerten: Kundendaten, Social-Media-Trends, geo- sowie demographische Informationen, Bewegungsmuster in Ladengeschäften oder auch Wetterdaten. Gerade das Wetter machte jedoch im Winter 2015 den Bekleidungsläden einen Strich durch das Weihnachtsgeschäft. Schließlich fanden dicke Jacken und Wintermäntel kaum Abnehmer im wärmsten Dezember seit Aufzeichnungsbeginn. Mancher Händler veranstaltete einen vorgezogenen Winterschlussverkauf, um doch noch Kunden für die Winterware zu begeistern.[1] Mit vorrausschauenden Lösungen könnte der Handel hier früher eingreifen.

„Saisonale Abverkäufe lassen sich mithilfe von Predictive Analytics und Big Data noch effektiver steuern“, weiß Jörg Kremer von der mip GmbH in München. Ein Forbes-Bericht gibt ihm Recht. Demzufolge konnte Stage Stores, ein US-Händler von Markenbekleidung, Accessoires und Kosmetika, mit einer graduellen Preisreduktion auf Basis von vorausschauenden Analysen in 90 Prozent der Fälle höhere Umsätze erzielen als beim traditionellen Schlussverkauf. Der Einzelhändler hatte angefangen, die Preise zu senken, sobald das Interesse an gewissen Waren nachließ, und nicht auf ein bestimmtes Datum gewartet.[2]

Doch nicht nur beim Schlussverkauf lassen sich mit Predictive Analytics im Einzelhandel Erfolge erzielen. „Warenkorbanalysen ermöglichen es zum Beispiel, Kunden passgenaue Produktvorschläge zu machen und so den Umsatz zu steigern“, erklärt Kremer. Dadurch werden auch Kommunikationsmaßnahmen und Marketingaktionen effektiver. Die Kundenbindung können Händler ebenfalls stärken, indem sie beispielsweise analysieren, welche Muster sich bei abgewanderten Kunden wiederholen. Kremer: „In der Regel liegt ja eine Vielzahl an Daten bereits strukturiert vor. Werden entsprechende Modelle kreiert und auf die Käuferbasis angewandt, lässt sich nachvollziehen, wer Gefahr läuft, ein Ex-Kunde zu werden. Hier kann ich dann zielgerichtet ansetzen – und diese Person mit speziell auf sie zugeschnittenen Angeboten zu halten versuchen.“

Fachkenntnis entscheidend für Erfolg von Predictive-Analytics-Maßnahmen

Doch der Analyse-Experte mahnt, dass ohne fachliche Expertise das beste Tool nichts nützt: „Ohne echte Kenntnis des Business werden leicht sinnleere Modelle geschaffen. Wendet man diese auf die Datenbasis an, bekommt man natürlich keine zweckmäßigen Ergebnisse, sondern leitet vielmehr falsche Schlussfolgerungen ab. Da hilft dann auch die am einfachsten zu bedienende Software nichts.“ Neben den notwendigen Fachkenntnissen ist

zudem eine solide Datenqualität unabdingbar für den Erfolg von Analytics-Maßnahmen. Wird die Analyse-Software mit schlechten Daten gefüttert, wirft diese genau solche auch als Ergebnis aus.

Häufig werden Predictive-Analytics-Projekte im Handel begleitet von Veränderungsprozessen, welche die Organisation betreffen. So kann es zum Beispiel nötig sein, den Außendienst komplett neu zu strukturieren, um die ermittelten Optimierungspotenziale überhaupt ausschöpfen zu können. Kremer: „Hierbei ist auch ein gutes Change Management essenziell. Nur wenn ich Veränderungsprozesse gut begleite, erkläre und lebe, werde ich am Ende auch ein gutes, nachhaltiges Ergebnis erzielen.“

Weitere Informationen unter: http://mip.de/predictive-analytics-im-handel/

 

[1] Vgl. z.B. Weser-Kurier, „Handel im Weihnachtsgeschäft mit Umsatzplus“, 29.12.2015

[2] Forbes.com, Bernard Marr, „Big Data: A Game Changer In The Retail Sector“, 10.11.2015