Datenschürfend zur Entscheidung

Schweizer Detailhändler stehen vor der Herausforderung, auf den steigenden Wettbewerbsdruck, auf neue Konkurrenten und die sinkende Loyalität der Kunden zu reagieren. Um Umsätze und Rentabilität zu erhöhen, müssen Verkaufsmassnahmen gezielter auf die Kunden ausgerichtet werden. Entsprechende Analysen der Daten über Kunden und deren Einkaufsverhalten helfen bei der Entscheidungsfindung bezüglich der notwendigen Massnahmen.

Grundsätzlich verfügt der Detailhandel heute über sämtliche Daten aus den Abverkaufssystemen. Dank sinkender Preise für elektronische Speichermedien und die steigende Leistungsfähigkeit der Informationstechnologie ist es möglich, Daten bis auf Bon-Ebene detailliert vorzuhalten. Die so gespeicherten Daten sind eine wertvolle Unternehmensressource, denn sie enthalten, in der richtigen Art und Weise betrachtet, äusserst wichtige Informationen über die Kunden, deren Verhalten, die eigene Sortimentsgestaltung, Produktassoziationen und vieles mehr.

Etablierte Olap-Tools (Online Analytical Processing) bringen durchaus interessante Informationen aus dem Data Warehouse hervor. Dazu werden so genannte multidimensionale Data Marts - Auszüge aus dem Data Warehouse - aufgebaut. Olap-Analysen zählen zu den hypothesengestützten Auswertungen, was eine ex ante vorhandene Kenntnis über das Ziel der Analyse, respektive die Ergebnismenge voraussetzt. Darunter sind zum Beispiel die Bestimmung von Umsatz und Gewinn nach Kunden, Kundengruppen, Vertriebseinheiten, Regionen, Produkten oder Zeiträumen zu verstehen. Bei aufwändigeren Auswertungen und steigendem Datenumfang stellt die Erfordernis von Hypothesen die Schwachstelle der Olap-Analysen dar.

Für Analysen, die hypothesenfrei ablaufen sollen, bedarf es so genannter Data-Mining-Tools. Diese arbeiten mit intelligenten Algorithmen und finden Zusammenhänge in den Datenbeständen, ohne dass diese vorher bestimmt wurden. Es können beispielsweise Einkaufsmuster, Verbundbeziehungen, Segmente und Klassifikationen der Kunden erkannt werden. Mit modernen Data Mining Tools gewinnen Detailhändler eine detaillierte Sicht auf ihre Geschäftssituation. Die Ergebnisse liefern eine bessere Entscheidungsgrundlage für das strategische und operative Management, das Marketing sowie das Controlling.

Data-Mining-Projekte benötigen klar definierte betriebswirtschaftliche Fragestellungen, die mit dem Management entwickelt werden müssen. Beispielsweise:

Welche Artikel des Sortimentes werden gemeinsam abverkauft (Assoziationsanalyse)?

Mit welchen Artikeln kann die nächste Aktion gestaltet werden?

Zu welchen Zeitpunkten werden welche Warengruppen und welche Artikelkombinationen bevorzugt gekauft (Segmentierung)?

Welche umsatzneutralen Produkte können aus dem Sortiment entfernt werden, ohne umsatzrelevante, mit dem Produkt assoziierte Produkte im Abverkauf zu schwächen (Sortimentsstraffung)?

Abverkaufsdaten vom POS bilden die Basis der Analysen. Als Datenquellen dienen das vorhandene Data Warehouse, ein entsprechend erzeugter Data Mart, oder auch ein Flatfile der Abverkaufsdaten direkt von den Kassensystemen. Die Aufbereitung der Daten bindet im Gesamtprozess der Analyse die meisten Ressourcen.