Die Digitalisierung aller Prozesse generiert eine nie dagewesene Datenvielfalt. Ein Ozean von Möglichkeiten entsteht, der zugleich durch seine Größe unendlich komplex scheint. Da wünscht sich so mancher Manager die eine Kennzahl, die alles erklärt.
Doch Kennzahlen stammen aus der Denkwelt des ausgehenden Jahrhunderts und sind heute vorwiegend irreführend. Eine multi-kausale Welt benötigt ganzheitliche Analyseansätze, welche die Komplexität der Wirklichkeit nicht nur abbilden, sondern auch Logiken und Visualisierungen beinhalten, die es dem Management einfach machen zu verstehen und zu entscheiden.

Über die folgenden 6 Top Anwendungen von Big Data Analytics in Retailing möchte ich in diesem Blog berichten und an Fallbeispielen illustrieren, wie moderne Ansätze heute schon Komplexität reduzieren und Entscheidungen besser machen

1. Wertvolle Bedarfssegmente aufspüren: Kunden mit doppelten Potential geeignet betreuen
2. Kampagnen optimieren: Erfolg verdoppeln mit halb so vielen Kundenkontakten
3. Absatzprognosen 2.0: Durch neue Daten und Verfahren Verfügbarkeit steigern und Kapitalbinden senken.
4. Dynamic Pricing: Was sich langsam im E-Commerce durchsetzt, kommt schrittweise in den Handel – mit enormen Potential für ihre Marge.
5. ROI der Verkaufsförderung maximieren: Welches Produkt soll im Handzettel wann beworben werden? Wie und wo sollten die Aufsteller im Laden stehen? Lohnt sich der Invest wirklich? Fragen über Fragen, die Big Data heute beantworten kann.
6. Strategische Stellhebel optimieren: Wie Sie durch Verknüpfung von Befragung und Transaktionsdaten ermitteln, welche strategische Marktausrichtung sowohl Absatz als auch Zahlungsbereitschaft deutlich steigert.

Top-Anwendung 1: Wertvolle Bedarfssegmente aufspüren
Mehr und mehr Retailer treten Payback & Co. bei oder unterhalten wie Nespresso oder Douglas einen eigenen Kundenclub. Damit ergibt sich die Chance, mit Kunden individuell zu kommunizieren. Unterschiedliche Bedürfnisse erfordern aber je nach Kunde inhaltlich und kreativ ganz unterschiedliche Ansätze. Da reicht es nicht aus, zu wissen, ob ein Kunde potentialreich ist oder für Werbebriefe aufgeschlossen ist.

So war der Sachverhalt auch bei einer Drogeriekette. Bisherige Ansätze der Kundensegmentierung waren durchaus plausibel – doch in der Praxis kamen Zweifel auf, dass diese Segmentierung wirklich besonders werthaltige Kunden adressiert. Im Segment der „Mütter mit Kleinkindern“ machten die Windelkäufe das Segment in der Gesamtsicht wenig attraktiv.

Wir führten einen gänzlich anderen Ansatz ein und lösten damit das Problem. Die Idee: Wir stellen ein Prognosemodell auf, das für jeden Kunden die zu erwartenden Margeneinnahmen für die Zukunft antizipiert. In dem wir auswerten, welche Kunden-Eigenschaften relevant für die Prognose sind, erhalte ich mögliche Segmentierungskriterien. Sie sind augenscheinlich werttreibend.

Das Ergebnis war augenöffnend. Die Segmente waren nicht wie bislang überschneidungsfrei – müssen Sie auch nicht. Denn Kunden können durchaus Mutter und schminkbegeistert, fotointeressiert und ernährungsbewusst sein. Es stellte sich heraus, dass die herkömmliche Dichotomisierung nicht zielführend ist. Durch die neuen Segmentierungskriterien wurden über ein Dutzend möglicher Segmente analysiert und deren durchschnittlicher Kundenwert auf Basis der Ergebnisse der Prognosemodelle berechnet. Fünf besonders bedeutende Segmente wurden dann in die Marketingplanung übernommen.

Ein besonderes Segment hieß „Die Neutralen“ und bezeichnete Menschen, die sich noch nicht an die Marke gebunden fühlten. Denn die Analyse ergab, dass Kunden mit hoher Identifikation mit der Marke in den meisten Belangen deutlich wertstiftender sind. Das Marketing war nun aufgerufen, Maßnahmen zu entwickeln, welche die „Neutralen“ zunehmend begeistern und ihre Herzen gewinnen.

Die 4 Erfolgsgeheimnisse wirkungsvoller Analytics
Worauf sollte geachtet werden, wenn Retailer sich von eigenen oder externen Experten helfen lassen? Folgende Fragen sollten Sie stellen:
1. Sind die Daten so aufbereitet, dass sie die Realität abbilden? D.h. stammen die Daten für Erfolgstreiber aus einem Zeitraum VOR dem Zeitpunkt an dem die Zielgrößen gemessen wurden. Klingt selbstverständlich? Dies ist es leider nicht.
2. Haben Sie die Kundendaten mit kaufentscheidenden Informationen – insb. mit Marktforschung oder Advanced Social Listening angereichert? (ausführlicher dazu in dieser Kolumne)
3. Sind Sie methodisch auf dem aktuellen Stand? Konkret: 1. Betrachten Sie Multivariate statt lediglich (Schein)-Korrelationen?, 2. Modellieren Sie die kausalen indirekte Wirkpfade mit? 3. Ist Ihre Methode selbstlernend, d.h. ist sie in der Lage unbekannte Nichtlinearitäten und Interaktionen zu berücksichtigen? (ausführlicher auch in diesem Whitepaper)
4. Verwenden Sie einen Business Case-Simulator, um Handlungsempfehlungen abzuleiten? Denn das beste Scoring kann gefährlich sein, wenn nicht genau bekannt ist, ab welchem Wert welche Maßnahme zu empfehlen ist.

Daten zu sammeln und zu speichern ist meist die erste Hürde auf der Big Data Roadmap. Die echten Potentiale und auch Herausforderungen liegen jedoch in der Analysemethodik und den dazugehörigen Algorithmen.

Über den Autor: Dr. Frank Buckler
Gründer und Geschäftsführer der in Köln und Santa Barbara ansässigen Success Drivers GmbH – Er ist ein weltweit führender Experte für das Aufdecken von Erfolgsfaktoren in Marketing & Vertrieb. Dr. Buckler ist seit über 20 Jahren renommierter Experte für Advanced Analytics und Entwickler der selbstlernenden NEUSREL-Plattform, welche erstmal Ursachenanalyse in Daten für den Business-Einsatz ermöglicht. Er ist seit 1999 Marketing-Professional, mittlerweile vierfacher Buchautor und regelmäßiger Speaker auf führenden internationalen Industriekonferenzen.