Bei warmen Temperaturen und Sonnenschein werden eher Frühlingsmode sowie Sportartikel gekauft beziehungsweise verschenkt, bei Kälte und Regen profitieren hingegen die Schokoladenhersteller – diese Erkenntnis ist nicht neu, doch hat Eva Steindorfer sie im Artikel „Handel: Der Hype um Ostern und die harte Wirklichkeit” unter www.diepresse.com kürzlich nochmals unterstrichen.
„Saisonale Abverkäufe lassen sich mithilfe von Predictive Analytics und Big Data noch effektiver steuern“, weiß Jörg Kremer von der Management Informations Partner (MIP) GmbH in München. Einem Forbes-Bericht zufolge konnte „Stage Stores“, 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, wie Bernard Marr im Beitrag „Big Data: A Game Changer In The Retail Sector“ unter www.forbes.com berichtete.
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 würden 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 könne dann zielgerichtet angesetzt und versucht werden, diese Person mit speziell auf sie zugeschnittenen Angeboten zu halten.
Der Analyse-Experte gibt allerdings zu bedenken, dass ohne fachliche Expertise auch das beste Werkzeug 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.“ Neben den notwendigen Fachkenntnissen sei eine solide Datenqualität unabdingbar für den Erfolg von Analytics-Maßnahmen. Denn: 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. Zum Beispiel kann es nötig sein, den Außendienst komplett neu zu strukturieren, um die ermittelten Optimierungspotenziale überhaupt ausschöpfen zu können. „Hierbei ist auch ein gutes Change Management essenziell“, sagt Kremer und fügt hinzu: „Nur wenn ich Veränderungsprozesse gut begleite, erkläre und lebe, werde ich am Ende auch ein gutes, nachhaltiges Ergebnis erzielen.“
Foto (1): istockphoto.com / ewg3D
Weitere Informationen: http://mip.de
More data, better data?
Business Analytics und Big Data zählten auch im Jahr 2016 zu den zentralen Themen auf der EuroCIS. Im Fokus der Aussteller standen vor allem Lösungen, die unterschiedliche Datenquellen verbinden und Informationen in Echtzeit sowie anwenderfreundlich aufbereitet bereitstellen.
