Allgemein, Cross_Selling, Einzelhandel, Merchandising, Segment-of-One

Der individuelle Kunde als „Segment-of-One“ im Einzelhandel

Der Kunde oder Konsument kauft – adhoc oder geplant – in vielen verschiedenen lokalen Einkaufsstätten (stationär) oder Online-Plattformen (digital) tagtäglich ein. Er tut dies als Individuum. Es tut dies aufgrund einer individuell getroffenen Entscheidung – mehr oder weniger (extern) beeinflusst oder bestimmt durch die Historie, vorhandene Verhaltensmuster, Einstellungen oder Marketingaktivitäten (Impulse – Kampagnen, Angebote o.ä.) des Einzelhandels.

Der Einfluss auf die Kaufentscheidung, das Einkaufsverhalten kann sehr differenziert sein. Schlaglichter, Aussagen, Instrumentarien aus Sicht der Handelsunternehmen belegen das komplexe Geschehen auf unterschiedlichsten Ebenen:

  • Instrumente des Einzelhandels-Marketing (4 P‘s – Produkt, Preis, Promotion, Platzierung…..)
  • POS Marketing (Kaufentscheidungen am POS, ca. 70 % der Entscheidungen > Regalplatzierung, Laufwege…..)
  • CRM-Systeme (Customer Relationship Management Systeme) oder Kundenkarten-Systeme, Kunden-Loyalitätsprogramme (komplexe Gestaltung und Steuerung von Kampagnen)
  • Online Marketing (eCommerce, Online Shopping, ca. 3-6% Conversion Rate > SEO, SEA, Retargeting, Display-Marketing….)
  • Psychologie der Einkaufsentscheidung (zufälliges, spontanes, gezieltes, geplantes Einkaufen)

Für Handelsunternehmens gilt immer noch (beispielhaft):

  • Anonyme Kunden / Einzugsgebiete:
    Der wöchentliche Handzettel ist unverzichtbar. Die Anzeigen mit Lockangeboten (Angebotspreise) bringen die Frequenz in der Filiale. („Prospektwerbung ist unverzichtbar“ – siehe Beitrag EHI: EHI stellt aktuellen Marketingmonitor vor https://ibm.biz/BdHuZq)
  • Identifizierte Kunden:
    Homogene Kundensegmente erleichtern den Einsatz von CRM-Systemen, Marketinginstrumenten, Werbemitteln, -budget (Kampagnen) und Werbeerfolgskontrolle. Komplexe Kampagnen (Katalog-Versand, Einladungen, Mail, Email, Call-Out >> Produkte, Angebote, Nachlass, Veranstaltung << auch mit Multi-Channel Kommunikation) werden geplant, realisiert und bewertet. (siehe Wikipedia: „Campaign Management (Marketing)“ https://ibm.biz/BdHT4A).

Dieses „Denken“ in Kundengruppen verliert oft die tatsächlich bestehende Singularität, Individualität und den Entscheidungskontext der Kunden, Konsumenten aus den Augen. Traditionell ist Einzelhandelswerbung oder CRM bestimmt durch eine produktzentrische Outbound Orientierung: Welche Produkte (Preise) werden dem Kunden mit Hilfe der Marketingkampagnen angepriesen (Frequenz, Abverkauf des Produktes, Reichweite stehen im Vordergrund)? (Wikipedia: Customer-Relationship-Management https://ibm.biz/BdHAbm)

Real-time Personalisierung, ein zunehmend wichtiges Instrument von Webshops oder Online Marketing Aktivitäten, ist ein Aspekt der individuellen, „spontanen“ Kundeninteraktion. Im Kern zeigt „real-time Personalisierung“ noch eine Vielzahl vereinheitlichter Elemente auf. Vielen Kunden wird auf Basis von Tageszeit, Klickverhalten, Event, Kundenhistorie etc. eine identische oder segmentspezifische Webseite oder Seitenelement präsentiert. Damit fehlt oft ein echter Bezug zum multiplen, tatsächlich komplexen Kontext, in dem sich der Kunde befindet. Der weitere Reifeprozess ist eingeläutet und bewegt sich in Richtung „Next-best-Action“ – zur richtigen Zeit die beste Reaktion gegenüber dem Kunden zu realisieren!

Die Bedeutung individualisierter Interaktion wächst (Grafik):

Bild03-PCI-THE_POWER_OF

Das zukünftige Ziel im Einzelhandel muss (wird) es also sein, den Kunden als tatsächliches Individuum zu betrachten, zu erfassen und in seiner handelsspezifischen, individualisierten Marketingpolitik in „Real-Time und tatsächlichem Kontext“ zu berücksichtigen.    

Ist dies überhaupt möglich (Daten)? Was sind die notwendigen Perspektiven (Ziele)?

Welche Fähigkeiten oder Instrumentarien sind erforderlich (Instrumente)?

Mit „IBM Predictive Customer Intelligence“ (PCI) – Synonym: „Next Best Action“ – hat die IBM ein Lösungs-Szenario / -portfolio entwickelt, dass genau diese Herausforderungen adressiert und die individualisierte, personalisierte Kundenkommunikation und –interaktion in real-time unter Berücksichtigung komplexer, unterschiedlicher Kontextsituationen der Kunden für Handelsunternehmen ermöglicht – zur Orientierung:

  • Predictive Customer Intelligence, Anticipate your customer’s next action to drive more targeted engagements: https://ibm.biz/BdHsvh
  • YouTube: Deliver the best action to your front line with Predictive Customer Intelligence https://ibm.biz/BdHbrK

Grundlegende Eigenschaften von „IBM Predictive Customer Intelligence“ (IBM PCI) umfassen:

  • den umfänglichen Blick auf den Kunden (Datenlage / Datenanalyse)
    (Provide a personalized rich 360-degree view of each customer)
  • die individuelle Interaktion oder Aktivität für, mit jeden Kunden
    (Determine the best action for each particular customer)
  • die nachhaltige, systematische Kundenbindung durch flexible Reaktionsfähigkeit
    (Retain customers identified as likely to leave)
  • die aktive, individuelle Gestaltung von zielführenden Aktivitäten des Handelsmarketing (Microsegment your customers to provide targeted marketing at the individual “market of one” level)
  • die situative, kontext-bezogene und relevante Angebotsgestaltung für den Konsumenten (Identify the best time and the most appropriate channel to deliver an offer)

(“Retain and Delight Your Customers by Applying IBM Predictive Customer Intelligence” – IBM Redguide Publication, Seite 2 – https://ibm.biz/BdHsfz )

Datenlage, Input und Basis

Der ganzheitliche (Daten-) Blick auf Kunde oder Konsument ist ein enorm wichtiger Aspekt! “Making sense of your customer-related data” (IBM Redguide Publication, Seite 4 – https://ibm.biz/BdHsfz ) – umschreibt die Notwendigkeit von Datenintegration (vs. Silos), ganzheitlicher Sicht und systematischer Ausweitung der relevanten Datenlage (Big Data Nutzungspotentialen). Diese Datenlage kann bestimmt sein durch:

  • Interaktionsdaten des Kunden >> HOW?
    Interaction Data (Email and chat transcriptions, Call center notes, Web click-streams, In-person dialogues)
  • Daten zur Einstellung des Kunden >>WHY?
    Attitudinal Data (Opinions, Preferences, Needs and desires)
  • Beschreibende Daten des Kunden >> WHO?
    Descriptive Data (Attributes, Characteristics, Self-declared information, Geographic demographics)
  • Verhaltensdaten des Kunden >> WHAT?
    Behavioral Data ( Orders, Transactions, Payment history, Usage history)

Wesentliches Merkmal – heute und zukünftig – ist die relevante, detaillierte Datensicht auf den Kunden.

Real-time Analyse und Empfehlung, individuell und kundenbezogen

Wie funktioniert nun die individuelle, personalisierte Reaktion oder Kommunikation mit dem Kunden – im relevanten Kontext, wohlgemerkt?

Im Kern, mit den von IBM Predictive Customer Intelligence (PCI) bereitgestellten Funktionen, Fähigkeiten und Elementen (integriert und Workflow basiert) – können Sie auf der Basis verlässlicher Informationen Maßnahmen oder Aktivitäten realisieren, von denen Sie wissen, dass sie unter den aktuellen Umständen (Kontext!) relevant und angemessen sind.

Neben den Daten, der Datenintegration (intern, extern) sind es 4 elementare Komponenten, die zu individuellen (auch bei Bedarf segmentspezifischen), erfolgreichen Interaktionen mit den Kunden führen.

Dies sind > Analyse > Prognose / Vorhersage > Optimierung > Nutzung:

Analyse

Das Analysespektrum ist vielschichtig. Der Zugriff auf eine Fülle von Informationen (allgemeine Kennzahlen, KPIs oder spezifische Analysen zur Kundenbewertung oder -einschätzung) kann ad-hoc durch Mitarbeiter verschiedener Fachfunktionen realisiert werden. Beispiele können sein:

  • Score (Bewertung) für das Abwanderungsrisiko
  • Score für Customer Lifetime Value (Kundenwert)
  • Social-Network-Score (Bewertung der externen Wirkung des Kunden in sozialen Netzwerken)

Neben speziellen Abfragen oder Reports werden standardisierte Analysen, Kennzahlen in allen folgenden Schritten berücksichtigt oder sind notwendige Basis der Modellbildung (Prognose) und automatisierten Kundenaktivitäten.

Prognose

Mithilfe von Vorhersageanalysen können Sie zuverlässig prognostizieren, was wahrscheinlich als Nächstes geschehen wird. Dadurch können Sie klügere Entscheidungen treffen. IBM Predictive Customer Intelligence nutzt Verfahren für die Vorhersage, um aus Daten Erkenntnisse zu gewinnen, mit denen Sie die wahrscheinlichen Wünsche oder nächsten Schritte einzelner Kunden vorhersehen können. Diese Erkenntnisse können als Richtlinie für Interaktionen mit Kunden und für die Kundenerfahrung verwendet werden. Zudem können Sie Vorhersagen kombinieren, um die bestmöglichen Entscheidungen zu treffen. Bewährte Vorhersagemodelle (Elemente von PCI) erleichtern den Start und geben Inspiration und Anleitung für bisher unbekannte Prognosegebiete.

Mit SPSS Modeler beinhaltet IBM PCI eine mächtige, eigenständige Komponente mit Data Mining Algorithmen, die eine Vielzahl an Prognosetechniken unterstützt. Dies ist ein wichtiger Vorteil gegenüber CRM-Systemen üblicher Prägung.

Die nachfolgende Grafik (Element 2) zeigt einige Eckpunkte oder Modelle zu Analyse und Prognose auf. Der besondere industriespezifische Vorteil liegt in einem „Model Repository“ für den Einzelhandel!

Bild01-PCI-Überblick

“Retain and Delight Your Customers by Applying IBM Predictive Customer Intelligence” – IBM Redguide Publication, ab Seite 10 – https://ibm.biz/BdHsfz:

  • Model Repository – industriespezifisch für den Einzelhandel
    IBM Predictive Customer Intelligence provides an extensive set of modeling capabilities that support customer-facing teams within an organization. These models are industry-specific, minimizing the time needed to take advantage of IBM Predictive Customer Intelligence. Sophisticated statistical and analytical algorithms are used to create the models, which include:

    • Modelle zur Segmentierung
      Segmentation model supports customer segmentation (based on transactional data). The models form the basis for optimizing sales and marketing processes and provide a foundation for other predictive analytics.
    • Modelle zur Abwanderungsprognose (Loyalitätsprogramme)
      Churn (retention) model provides the means to identify which customers are at risk of leaving, to understand ways to increase retention, and to focus immediate interventions on customers who might stay. The model uses data to find similarities and differences between customers who canceled versus those who stayed. These models can help improve or drive customer loyalty programs.
    • Modelle zur Reaktionsprognose (Marketingaktivitäten)
      Acquisition model helps focus on marketing efforts by understanding which prospects and customers are the most likely to purchase product and services. The results of this analysis are the basis for marketing programs focused on those individuals.
    • Modelle zur Kundenbewertung (Basis Kundenwert Zyklus)
      Customer lifetime value (CLTV) segmentation classifies customers and provides recommendations on ways to retain customers based on their lifetime value to the organization.
    • Modelle zu Absatz-/Umsatzprognosen
      Price sensitivity measures at specified levels how pricing will affect the volume of sales that is also basis for predicting product demand (based on the product price). Both moving average and lag variables capture sensitivity changes that are derived from a time series of purchase data and other indicators of developing or diminishing price sensitivity based on various constraints.
    • Modelle zu Stimmungsanylsen (Sentiment) in Sozialen Medien (Unstrukturierte Daten, Events, Meinungen etc.)
      Sentiment analysis takes content from social media such as Twitter to understand participants view of or attitude toward something such as a situation or event.
    • Modelle zu Assoziationsanalysen (Cross-Selling)
      Up-sell/cross-sell model is based on association modeling. The results of this modeling can be used to make targeted recommendations of items that could be of value/interest to the customer. Multiple campaigns and business constraints can be scanned to find the best assignment of customers to campaigns. Also, the logic of business rules can be combined with the insight gained from predictive modeling to further improve the model.
    • Modelle zu Kampagnen Reaktionsprognose
      Campaign response model based on analytics is used to determine which customers are most likely to respond positively to a marketing campaign.
    • Modelle zur Warenkorbanalyse, Einkaufsmustern
      Market basket analysis can be used to increase marketing effectiveness and to improve cross-sell and up-sell opportunities by making the right offer to the customer. For example, a retailer creating promotions based on this analysis can drive customer purchases because the promotion relates to them. Also, analyzing historical sales records and customers’ online browsing behavior can help identify product sales patterns.
    • Modelle zur Analyse von Produktaffinitäten
      Product affinity model helps identify the products that have a high probability of being purchased together or by the same person.

Die Vielfalt an Modellen, abgestimmt auf die jeweiligen Ziele des Unternehmens, ist es, die für eine unglaubliche Flexibilität im Kundendialog oder Marketingaktivitäten sorgt (Real-Time, Kontext!). Die Handlungsoptionen ergeben sich aus dieser analytischen, kaskadierenden Vielfalt (Verweis auf die Namensgebung: IBM Predictive Customer Intelligence) und ist damit die überzeugende Basis aller Folgeaktivitäten. Ein hoher Automatisierungsgrad und einfache Implementierung („Colaborate – Automate – Deploy“) sind weitere Kompetenzen, die die effiziente Nutzung von IBM PCI unterstützen.

Optimierung

Durch die Kombination der Logik von Geschäftsregeln (was wollen Sie erreichen, was sind Ihre Instrumente – Preise, Coupons, Info-Email, SMS oä.) mit den aus der Vorhersagemodellierung gewonnenen Erkenntnissen (was wird passieren, wie werden die Reaktionen sein….), werden klare Handlungsempfehlungen abgeleitet. Kampagnenübergreifende Optimierung ermittelt die rentabelste Entscheidung für jeden Kunden. Dank dieser mathematischen Optimierung kann IBM Predictive Customer Intelligence mehrere, multiple Kampagnen und heterogene, geschäftliche Einschränkungen durchsuchen (simulieren), um die passendsten Kampagnen für einen bestimmten Kunden zu finden. Indem das beste Angebot für jeden Kunden ermittelt wird, können die Kampagnenergebnisse um bis zu 20 Prozent verbessert und Vorteile aus der Optimierung einzelner Kampagnen erzielt werden. In diesem Bereich ist es wichtig ein breites Spektrum möglicher Optionen der Optimierung auf- und auszubauen. Beispiele können sein:

  • Preisreduktion ausgewählter Artikel (x% ist der richtige Wert)
  • spezifische Produktinformation (aus bestimmten Quellen, Tests etc.)
  • limitierte Aktionen oder Dienstleistungen (zu bestimmten Zeitpunkten)

Analysen, Prognosen und Optimierungen ganzheitlich, automatisiert im Kontext eines individuellen, handelsspezifischen Marketings zu verknüpfen, macht es möglich sehr effizient auf jeden Kunden und seine Interaktion zu reagieren.

Nutzung

IBM Predictive Customer Intelligence unterstützt damit die Mitarbeiter bei der Beurteilung, Einschätzung von Marketingaktivitäten oder kann ergänzt um Softwarekomponenten (Konnektoren) dabei helfen automatisiert Outbound-Marketing, sowie Real-Time Kundeninteraktionen umzusetzen. Aus den vorgenannten Optimierungsalternativen (Element „Optimierung“) werden konkrete, operative Marketing Aktionen für z.B. „einen Kunden“ abgeleitet:

  • „Coupons mit Preisnachlass pro Artikel und Filiale“ per SMS, App, Kiosk, POS
    • Abgeleitet aus Optimierungsregel: „Preisreduktion ausgewählter Artikel“
  • „Email zu Produkt“ an Email-Account
    • Abgeleitet aus Optimierungsregel: “spezifische Produktinformation“
  • „Hinweis auf kostenfreie Rücknahme eines Altgerätes“ per Post
    • Abgeleitet aus Optimierungsregel: „limitierte Aktionen oder Dienstleistungen“
  • Die vorgenannten, einfachen und beispielhaften Optimierungsregeln (Basis: „Next-Best-Action“ Rules Engine) werden unter der Berücksichtigung von Analysen, Prognosen zu Kontaktkanal, Kundenpräferenzen (Datenspektrum) ua. ihre jeweilige Wirkung präzise entfalten!

Eine Kombination von Vorhersagemodellen (-analysen), Scoring, lokalen Regeln, Optimierungen, Kontaktpunkten (Touchpoints) empfiehlt Ihren Mitarbeitern oder Systemen nahezu in Echtzeit geeignete Maßnahmen, sodass sie Ihren Kunden jedes Mal personalisierte und relevante Angebote oder Aktionen präsentieren können. Wichtig für den Einzelhandel sind flexible Reaktionsfähigkeiten aus Kundenperspektive („Customer Journey“ Sicht dokumentiert diese) auf allen relevanten Ebenen, digital angereichert – Omnichannel (Stationär, Online, Mobile….).

Marketing Systeme als Ergänzung zu PCI sind ua. Komponenten der IBM Enterprise Marketing Management-Lösungen (z.B. IBM Campaign, Interact – https://ibm.biz/BdHbHu > Omni-Channel Marketing Tools). Diese Tools werden in relevante Marketing-Workflows eingebunden und können automatisiert die richtigen Kommunikationskanäle bedienen. Dabei ist die Einbindung des gesamten „Marketing Ökosystems“ – Daten intern und extern, Partner und Agenturen – (IBM Universal Behavior Exchange: https://ibm.biz/BdHb4y) enorm wichtig, wenn nicht entscheidend für die Zukunft.

Hohe Flexibilität und passgenaue Integrationsfähigkeit sind damit entscheidende Elemente, um im Gegensatz zu überdimensionierten, abgegrenzten CRM-Systemen, im Sinne einer unternehmensspezifischen Lösungsperspektive passende Konzepte umsetzen zu können (IBM Customer Engagement Solutions: https://ibm.biz/BdFwpJ). IBM Predictive Customer Intelligence (PCI) nutzt Funktionen für das Entscheidungsmanagement, um Ihnen die nötige Kontrolle für die Nutzung von Vorhersagewerten in die am besten geeignete und damit optimierte Aktivität zu verleihen.

Abbildung: Architektur-Skizze IBM Predictive Customer Intelligence (PCI)

Bild02-PCI-Überblick

Segment-of-One oder individuelle Reaktion sind die Messlatte und das Ziel von IBM PCI!

Jeder individuelle Kunde oder jeder einzelne Kundenkontakt kann oder sollte zu einer individuellen, kontextbezogenen, zielführenden Reaktion durch das Handelsunternehmen führen. Von langer Hand geplante Marketingkampagnen mit ausgeprägter „individueller“ Botschaft und dem richtigen Bezugspunkt sind damit ebenso realisierbar, wie real-time Marketing oder Kundeninteraktionen. Auf der einen Seite der echte Bezug zum multiplen, tatsächlich komplexen Kontext, in dem sich der Kunde befindet – auf der anderen Seite die zielführende Nutzung von Analyse, Prognose, Optimierung um eine variable Interaktion zu realisieren – zwei Seiten einer Münze mit unschätzbarem Wert! IBM Predictive Customer Intelligence (PCI) Solution prägt und realisiert damit die „Segment-of-One“ Idee.

 

 

Weitere Informationen / Quellen:

Predictive Customer Intelligence, Anticipate your customer’s next action to drive more targeted engagements (Webseite, Englisch): https://ibm.biz/BdHsvh

Power of insight: Personalize your customer experience and marketing outreach (Youtube Video): https://ibm.biz/BdHu2V

Predictive Customer Intelligence (Webseite, Englisch): https://ibm.biz/BdEix3

IBM Predictive Customer Intelligence (PCI) – IBM Knowledge Center (Detail Informationen): https://ibm.biz/BdHbit

 

Edmund Michels
IBM Industry Solutions Sales Team,
Retail / CP DACH

Email: edmund.michels@de.ibm.com

Twitter: https://twitter.com/Mining4Retail
2015 IBM Retail Solutions Guide.pdf: http://ibm.biz/BdETY4

 

Standard
Allgemein, Einzelhandel

Microservices starten durch – verändert sich die Anwendungslandschaft im Einzelhandel?

Monolithische Warenwirtschafts-, POS-, CRM-, Webshop-, ERP-Systeme oder Apps prägen bisher die Anwendungslandschaft im Einzelhandel. Ist es vorbei mit dem Paradigma der monolithischen Anwendungen und Anwendungsentwicklung?

Microservices stellen eine ergänzende oder auch alternative Option zu monolithischen ERP Systemen (Software-Architektur oder Anwendungsentwicklungskonzepte) dar – so klingen aktuelle Statements und Hoffnungen! Die offene Fragestellung lautet: Ist diese Option ein vorübergehender Hype oder eine nachhaltige Veränderung in der Anwendungsentwicklung (auch SOA – „Service Oriented Architecture“ lässt grüßen)?

Ein kurzer, nicht-technischer Überblick soll den Einblick und den möglichen ersten Einstieg thematisieren.

Definitionen zu Microservices:

  • „Microservices sind ein Architekturmuster der Informationstechnik, bei dem komplexe Anwendungssoftware aus kleinen, unabhängigen Prozessen komponiert wird, die untereinander mit sprachunabhängigen Programmierschnittstellen kommunizieren. Die Dienste sind klein, weitgehend entkoppelt und erledigen eine kleine Aufgabe. So ermöglichen sie einen modularen Aufbau von Anwendungssoftware“ (Wikipedia: https://ibm.biz/BdHgvy).
  • „What are microservices? Microservices is an architecture style which prescribes building large complex software applications using many small microservices. These microservices are narrowly focused, independently deployable, loosely coupled, language agnostic services fulfilling a business capability. These multiple microservices communicate with each other using language-agnostic APIs such as REST. These microservices are applications in themselves and are often owned by small teams. Unlike the normal practice, the team which coded the microservices is also responsible for its support” (IBM Blog Post: 5 Things to Know about Microservices, https://ibm.biz/BdHgKr).
  • “Microservices is an architecture style, in which large complex software applications are composed of one or more services. Microservice can be deployed independently of one another and are loosely coupled. Each of these microservices focuses on completing one task only and does that one task really well. In all cases, that one task represents a small business capability. Also, microservices can be developed in any programming language. They communicate with each other using language-neutral application programming interfaces (APIs) such as Representational State Transfer (REST). Microservices also have a bounded context. They don’t need to know anything about underlying implementation or architecture of other microservices“. (ab Seite 4: IBM Redbooks: Microservices from Theory to Practice, Creating Applications in IBM Bluemix Using the Microservices Approach, https://ibm.biz/BdHgva).

So einfach die vorgenannten Definitionen z.T. klingen, so zeigen doch die Auflistung von Vor- und Nachteilen im Wikipedia Beitrag die starke Assoziation von hoch granularen Softwareelementen (Microservices im Kern) und zunehmender Komplexität auf. Nichtdestotrotz ist die Liste an Vorteilen lang und ein wichtiger Aspekt der zunehmenden Verbreitung von Microservices und der jeweiligen Architektur-Konzepte – Überblick zu Microservices und Architekturkonzepten, Martin Fowler: “Microservices a definition of this new architectural term” https://ibm.biz/BdHgQ8

Der IBM Blog Post “Microservices in Bluemix” (https://ibm.biz/BdHgve) zeigt eine weitere Bandbreite an Überlegungen, Vorteilen und Nutzungspotentialen auf:

  • 2 Pizza Teams
    • Kleine Entwicklerteams
  • I Wanna Go Fast (It’s All About Speed)
    • Schnelligkeit
  • DevOps DevOps DevOps
    • Integriertes Management von Anwendungsentwicklung und –betrieb
  • Let the Dev’s rule
    • Kreative Ideen der Entwickler-Teams stehen im Vordergrund
  • Design for Failure
    • Die Auswirkung von Fehlern ist begrenzt, blockiert nicht das Gesamt-System

Mit „IBM Bluemix“ (https://ibm.biz/BdXhnM) „The Digital Innovation Platform“ bietet IBM eine innovative digitale Plattform in der Cloud (PaaS) an, um ua. Microservices effizient zu entwickeln, zu betreiben und damit eine „Microservices Architektur“ konsequent umzusetzen und zu leben.

Beispiel 1 – Microservices, Entwicklungsmethode

Ein Beispiel – beschrieben auf der IBM Bluemix Webseite – zeigt auf, wie die Entwicklung und der Betrieb von Microservices zu einer Aufgabenstellung im Einzelhandel realisiert werden kann („Accelerating innovation with cloud native, Guiding you through the Cloud Native track, Design your systems of engagement to run on the cloud. Build enterprise-scale apps with the speed and innovation of a startup” https://ibm.biz/BdHgKq):

  • Basis ist die „IBM Bluemix Garage Method“ ( https://ibm.biz/BdHgg8 )
  • Die beispielhafte Aufgabenstellung umfasst die Entwicklung und den Betrieb einer Webseite für ein Einzelhandelsunternehmen, inklusive Backend-Integration und dem laufenden Betrieb der bestehenden Webpräsenz
  • Kernelemente der Methode oder Realisierung beinhalten:
    • Culture: Establishing an agile culture
    • Think: Thinking, defining, and designing
    • Code: Code in rapid iterations
      (In this process, developers make technology choices to support the rapid development that they want to achieve. They decided to implement the new website as a set of microservices that they write by using polyglot development, where they use Java and Ruby for different parts of the website. They develop and deploy on IBM Bluemix and use the services that Bluemix provides to implement their stories.)
    • Deliver: Delivering code, The pilot goes live
    • Manage: Managing code
    • Learn: Expanding the pilot, Evolving from Continuous Integration to Continuous Delivery
      (The division addresses scaling by using the IBM Auto-Scaling service for Bluemix and production-level service plans. Autoscaling is possible because the team uses a microservices To identify and address potential system issues, the team uses chaotic testing. To achieve maximum availability and eliminate the need for disaster recovery, the team deploys the application to multiple cloud data centers in different regions and replicates data.)
    • Run

Beispiel 2 – Microservices, Coding und Tooling

Neben den methodischen Elementen oder Realisierungsschritten (IBM Bluemix Garage Method) im Kontext eines Einzelhandelsunternehmens, kann auch der Blick in weitere Details zur Entwicklung von Microservices interessant sein. Auf Basis von IBM Bluemix dokumentiert der Blog Post „Online Store Application using Microservices and Bluemix“ (https://ibm.biz/BdHgaX), wie Microservices mit Hilfe von IBM Bluemix erstellt werden können – Ergebnis: “A full microservices sample consisting of a Node.js Catalog back-end, a Java Orders back-end, and a PHP UI”.

Im Kapitel “Developing microservices in Bluemix” können weitere detaillierte Hinweise zu Entwicklung von Microservices auf Basis von IBM Bluemix nachvollzogen werden (ab Seite 57: IBM Redbooks: Microservices from Theory to Practice, Creating Applications in IBM Bluemix Using the Microservices Approach, https://ibm.biz/BdHgva).

Das vorgenannte Beispiel macht insbesondere darauf aufmerksam, sich auf der Infrastrukturebene zu entlasten, um sich konsequent auf die Entwicklung von Microservices zu konzentrieren. (ua. ebenfalls angemerkt im Redbook Seite 11: “A PaaS, such as IBM Bluemix or Cloud Foundry, enables you to be functional faster and with less headache than with an infrastructure as a service (IaaS), providing that your microservices are PaaS-friendly.”)

Anmerkung: “Cloud Foundry is an open source Platform as a Service (PaaS) / Bluemix is an implementation of IBM’s Open Cloud Architecture based on Cloud Foundry” (https://ibm.biz/BdHhZ6)

IBM Bluemix

Ein Blick auf die „IBM Bluemix“ Plattform vermittelt einen schnellen Einstieg, incl. Testzeit:

Viele Elemente – Runtime, Container, Virtual Machine, API, Services etc. – (von basic bis anspruchsvoll im Sinne der Anwendungsentwicklung und -betrieb), sind verfügbar, um Microservices für eine gesamtheitliche Lösung oder Anwendungsentwicklung zu nutzen:

  • Build your apps, your way. Use a combination of the most prominent open-source compute technologies to power your apps. Then, let Bluemix handle the rest.
  • Use an API or Service. Choose from IBM, third-party, and community services to extend the functionality of your apps. If you have existing infrastructure or APIs, you can securely connect those to Bluemix as well – https://ibm.biz/BdHgg6.

“Browse Catalog” eröffnet die vielfältigen Optionen, verfügbaren Services (https://ibm.biz/BdHgg6)

  • die beispielhafte Auswahl selektiver Services zeigt Innovation (kognitive Services) und Offenheit (Third Party Services) und den einfachen Zugang:
    • Watson Services > ermöglichen die Nutzung von „Cognitive Services“ (Build cognitive apps that help enhance, scale, and accelerate human expertise)
    • Thirt Party Services > ergänzt die IBM Services um weitere “interesssante” Services externer Anbieter
  • Die Transformation der „Watson Services“ hin zu Microservices – verfügbar in IBM Bluemix – ist in dem oben benannten Redbook beschrieben: (ab Seite 107: IBM Redbooks: Microservices from Theory to Practice, Creating Applications in IBM Bluemix Using the Microservices Approach, https://ibm.biz/BdHgva). > “Watson Developer Cloud (WDC) services is a set of services deployed on IBM Bluemix platform for developers to use to develop Watson-powered solutions on Bluemix. This section describes how the IBM Watson Innovation team makes WDC services available by using a microservices architecture approach, powering IBM Watson and Bluemix.”

Bei der eigenständigen Entwicklung von Microservices kommt den Services im Bereich “DevOps” als Teilbereich von IBM Bluemix eine besondere Bedeutung zu: „We bring the tools. You bring the code“ https://ibm.biz/BdHgWE – DevOps Services capabilities:

  • Agile planning through the Track & Plan service
  • A Web IDE where you can edit and manage source control
  • Source control management (SCM) through Git, Jazz SCM, or GitHub
  • Automated builds and deployments through the Delivery Pipeline service

Der Einstieg lohnt – eine „Microservices Architektur“ kann Realität werden! Die Akzeptanz wächst – siehe Wikipedia Beitrag:

„Microservices Have An Important Role In The Future Of Solution Architecture” – auch Forrester wendet sich der Microservices-Archtiektur zu und bewertet diese – https://ibm.biz/BdHhZW. Nutzungs- oder Test-Szenarien sind rund um aktuelle Anwendungsentwicklungs-Projekte für z.B. Mobile-App Entwicklung gegeben. Eine eigenständige Bewertung durch das jeweilige Handelsunternehmen ist unerlässlich.

Der Einzelhandel wird sicherlich im Kontext zunehmender Akzeptanz von Cloud-basierten Systemen, flexibler Architektur- und hoher dynamischer Marktanforderungen (App Entwicklung) Microservices adaptieren. Mit IBM Bluemix wird der Weg einfach und gezielt gestaltet. Spannende Projekte, erste Tests und gute Beispiele rasant erfolgreicher Lösungselemente auf Basis von Microservices ebnen den Weg.

 

Weitere Quellen:

 

 

 

Edmund Michels
IBM Industry Solutions Sales Team,
Retail / CP DACH

Email: edmund.michels@de.ibm.com

Twitter: https://twitter.com/Mining4Retail
2015 IBM Retail Solutions Guide.pdf: http://ibm.biz/BdETY4

 

Standard
Allgemein, Cross_Selling, Einzelhandel, Merchandising

Kundengruppen im Einzelhandel, so verschieden wie das Cross Selling

Das „Denken“ in Kundengruppen hat eine lange Tradition im Einzelhandel.

Selbst „Tante Emma“ kategorisierte (segmentierte) ihre Kunden. Die einfachen Segmentstrukturen berücksichtigten wenige Merkmalsausprägungen oder beschreibende Variablen der Kunden (bekannt, unbekannt, reich, arm, Dorfbewohner, kein Dorfbewohner, Beruf, usw.), die in der Segmentierung genutzt wurden. Diese Segmentierung diente oftmals nur der Beurteilung der Kreditwürdigkeit – „Anschreiben ja / nein“).

Heute ist das Marketing im Einzelhandel geprägt durch unternehmensspezifische Marketingaktivitäten, abgeleitet aus der Datenlage zu und über den Kunden (Inhalte, Qualität….), den gewünschten Zielstellungen und der spezifischen Betrachtung oder Differenzierung der Kunden. Wesentliche Unterscheidungsmerkmale können sein:

  • Anonyme Kunden
  • Identifizierte Kunden

Einige interessante Aspekte zur Segmentierung ergeben sich aus der Nutzung von Bondaten (anonym – Kunde ist unbekannt), die mit Algorithmen des Data Mining analysiert werden.

Identifizierte Kunden segmentieren

Zu identifizierten Kunden und den jeweils vorhandenen kundenspezifischen Daten (Variablen) ist eine Vielzahl von Segmentierungstechniken / -methoden etabliert. Handwerklich betrachtet sind die Segmentierungen (Clustering) von vielfältigen Kundendaten, beschreibenden Kundenmerkmalen (Demografie etc.) oder tatsächlichem Kundenverhalten (Kaufhistorie etc.) eine wichtige Domäne von Statistik oder Data Mining mit hoher Bedeutung für Online Handel, Versandhandel, Kunden-Karten- oder -Bindungssysteme.

Beispiele zur praktischen Durchführung, Verfahren:

Beispiele zu Kriterien, zur Methodik (definiert durch genutzte Variable zur Segmentierung):

  • ABC Methode (Umsatz – genutzte Variable, definiert z.B. die Zugehörigkeit zu einer Gruppe)
  • RFM Methode (Recency, Frequenzy, Monetary – genutzte Variable)
  • Andere Segmentierungsvariable (Demografie, Geografie, Psychografie)
  • Abhängigkeit zu Zielen, Nutzbarkeit und angestrebter Homogenität der Segmente
    (Details Wikipedia: Marktsegmentierung https://ibm.biz/BdHxFn)

Ergebnis der Segmentierung sollte z.B. eine Zuordnung von Kunden in einzelne Gruppen (Zielgruppen) sein, die auf die jeweilige(n), geplante(n) Marketingkampagne(n) besonders positiv reagieren. Die Reaktionen der Kunden (Zielgruppen) können in aller Regel sehr genau gemessen werden und reflektieren deshalb die Güte der Segmentierung im Zusammenspiel mit der jeweiligen Marketingaktion! Auch wenn das Ziel und die geplante Wirkung der Marketingkampagne „den Geist oder die Bedürfnisse der Kundengruppe“ (segmentspezifische Kundenreaktionen) nicht immer trifft, so wird die jeweilige Kampagne für ausgewählte Kundengruppen (Kundensegmente oder –cluster) doch immer wieder als interessante Herausforderung in der Marketing-Orchestrierung (Optimierung) gesehen.

Anonyme Kunden(daten) segmentieren

Bei anonymen Kundendaten im stationären Einzelhandel kann man in der Regel davon ausgehen, dass nur die Daten aus dem Verhalten der Kunden in der Filiale, dem Verkaufsraum – im Einzelhandel also der Einkauf der Kunden – als Bondaten vorliegt. Diese Bondaten können eine reichhaltige Quelle für unterschiedliche Kunden-Segmentierungen sein.

Eine besondere Chance bietet sich bei der einfachen Analyse (Segmentierung) durch Assoziations-Algorithmen (Apriori, Carma oä. – siehe Beitrag: „Cross-Selling in den Fachbereichen des Einzelhandels – Algorithmen erzeugen wichtige Kennzahlen“ https://ibm.biz/BdRGvF). Die Kundensegmente bzw. die zugrunde liegenden Variablen sind typischerweise durch die eingekaufte Ware (Produkte, Produktgruppen) charakterisiert. Neben diesen Variablen (eingekaufte Produkte) können weitere Elemente oder Variablen ergänzend genutzt werden – jeweilige Bonsumme, Einkaufszeitpunkt, Einkaufsbetrag in einzelnen Warengruppen, Preiskategorie, Qualitätskategorie, Anteile ausgewählter Produktkategorien (z.B. aktuelle Mode, Preisreduzierungen, Promotion) usw.

Beispiel zu Kundengruppen (segmentiert auf Basis der eingekauften Ware):

  • Kaufen Fleischwaren (Einkauf einer Warengruppe definiert Gruppenzugehörigkeit)
    • => Kundengruppe der „Fleischwaren-Käufer“
  • Kaufen Obst & Gemüse
    • => Kundengruppe der „Obst & Gemüse-Käufer“
  • Kaufen Fleischwaren und Obst & Gemüse (Einkauf mindestens einer Warengruppen-Kombination definiert Gruppenzugehörigkeit)
    • => Kundengruppe der „Fleischwaren und Obst & Gemüse-Käufer“
  • Kaufen Fleischwaren und Tiefkühlkost
    • => Kundengruppe der „Fleischwaren und Tiefkühlkost-Käufer“

Diese „Kundengruppen Betrachtungen“ können per KPI qualifiziert werden (Hot Spot Analyse -> % Support oder Häufigkeit) und auf allen Ebenen der bestehenden Sortimentsdefinitionen genutzt werden (Warengruppe, Artikelgruppe, Artikel……).

Nachfolgendes Beispiel zeigt abgeleitete weitere Analysen auf Basis der Kundengruppe „Obst und Gemüse Käufer“:

Beispiel_Kundensegment_O-G_Cross_Selling-09-30-2015

Erläuterungen zu Analyse-Beispiel:

  • Ergebnisse der Analyse berücksichtigen vorhandene Artikel Taxonomie:
    B. Beziehung Abteilung <–> Abteilung und Abteilung <– >Artikel
  • Ergebnisse der Analyse berücksichtigen selektive KPI (Apriori Analyse):
    Lift Werte, Anteile Regel-Kopf (hier: Kundengruppe auf Abteilungsebene)
  • Man kann erkennen, dass die Kunden, die mindestens einen Artikel aus Obst und Gemüse gekauft haben, weitere Artikel mit bestimmter „Präferenz“ (Lift) gekauft Diese Artikel können einer bestimmten Abteilung zugeordnet werden (beispielhafte farbliche Kodierung).
  • Weiterhin kann die direkte Präferenz dieser Kunden (Kundengruppe der O+G Käufer) für andere Abteilungen oder Bereiche abgeleitet werden (beispielhaft hier: Fleischwaren).
  • Weitere Optionen können durch Ergänzungen zu den Kundengruppen genutzt werden. Dies können z.B. sein:
    • Zeitliche Einschränkungen (O+G Käufer am Vormittag)
    • Umfang des Einkaufs (O+G Käufer mit mindestens 5 Artikel aus dem Warenbereich)
    • Beschränkung auf Teilbereiche (O+G Käufer die nur Gemüse gekauft haben)

Es kommen also die Gruppierungselemente oder Segmentierungskriterien in Frage, die durch die konkrete Einkaufssituation und die jeweiligen Sortimente relevant sein können.

Spannende Erkenntnisse für Marketing und Merchandising im Einzelhandel treten zutage. Erweitertes Wissen zum Kunden-Einkaufsverhalten (incl. Cross Selling Verhalten) unter besonderer Berücksichtigung von Kundengruppen, definiert durch Einkaufsschwerpunkte (Warengruppen), werden transparent. Eine Perspektive die sich sehr nahe am Kunden orientiert. Viele Hinweise für lokale Sortimentsgestaltung oder -steuerung, Prospektgestaltung, Warenaufbau, Sonder- oder Zweitplatzierung, Wegeführung, Promotion lassen sich erkennen. Auch im Bereich Online oder eCommerce können wichtige Informationen jenseits „personenbezogener Daten oder Personalisierung“ gewonnen werden. Der Kunde oder die Kundengruppe, das konkrete Einkaufsverhalten, stehen im direkten Bezug zu angebotener Artikel- und Sortiments-Taxonomie (Hierarchie), also im Kontext zu Sortiment, Merchandising und Marketing – ein interessanter Blickwinkel zum Kundenverständnis!

 

 

Edmund Michels
IBM Industry Solutions Sales Team,
Retail / CP DACH

Email: edmund.michels@de.ibm.com

Twitter: https://twitter.com/Mining4Retail
2015 IBM Retail Solutions Guide.pdf: http://ibm.biz/BdETY4

 

 

Standard
Allgemein, Einzelhandel, Merchandising

Preis Management komplex oder einfach? Der richtige Preis zur richtigen Zeit – Nachfrage, Mitbewerber, Preiselastizität, Marge im Blick!

Der richtige Preis, die angepasste Preispolitik und das überzeugende Preis-Management sind wohl die wichtigsten Instrumente, um das Überleben und den Erfolg im Einzelhandel zu sichern.

(Informationen: https://ibm.biz/BdXMDK)

Price-Mgmt01

 

Diskounter haben es einfach – sie haben ihre Preise gegenseitig im Blick und nahezu gleichzeitig auf identischem Niveau! Diese Strategie ist natürlich bei ca. 2.000 gelisteten Produkten ziemlich einfach, wenn auf der Einzelhandelsseite entsprechende Marktmacht geltend gemacht werden kann und die Kalkulation die optimierten, operativen Spielräume dokumentiert.

Der normale Einzelhandel hat es da schon wesentlich schwerer! Wenn die ca. 2.000 Look-alike Produkte zum Diskounter Wettbewerb ausgenommen werden (Preise werden entsprechend der Preisführerschaft „eines“ Diskounters definiert und gesteuert) bleiben immer noch tausende Produkte (z.B. Lebensmittel Supermarkt, SB Warenhaus), die im Sinne des Unternehmens und der jeweiligen Marktposition gesteuert werden müssen. Tägliche Preisänderungen sind eine zunehmende Herausforderung auf allen organisatorischen Ebenen der Handelsunternehmen geworden. Die kontinuierliche Reaktion auf Mitbewerber, „Internet-Preise und Konsumenten-Stimmungen“ sind Einflüsse, die ergänzt um Preisänderungen bei Lieferanten und vielen, vielen weiteren Mechanismen Preis-Management zu einer echten „Big Data“ Aufgabe werden lassen!

Einfache Strategien können negative Folgen haben – der Konsument, das Nachfrageverhalten sind erbarmungslos – ehemals „Praktiker Baumärkte“ (Slogan: 20 % auf Alles, außer Tiernahrung) sind ein lange nachwirkendes Beispiel!

Die Herausforderungen sind also komplex (beispielhaft):

  • Kundenverhalten, Preissensibilität, digitales Preis-Informationsverhalten, digitale Preis-Transparenz
  • Mitbewerber (maßgebliche, tatsächliche), Preisaggressivität als Marketing-Instrument
  • Preis-Image und konsistente Preispolitik (z.B. Every-Day-Low-Price, Wochenendbeilage, Angebotspreise, Schnäppchen, o.ä.)
  • Preiswirkungen (Preis-Elastizitäten), Kalkulation- und Kostenmanagement

Komplexe Preis-Management Strategien müssen neben den beschriebenen Herausforderungen weiterhin mit einer besonderen Datenlage (Kassen-, Warenwirtschafts-Systeme, Data Warehouse, externe Daten) und typischen branchenspezifischen Herausforderungen klar kommen. Saisonalität (Fashion), spezifische Anforderungen an Abschriften-Management oder Werbe- oder Sortimentsplanung treiben Category Manager oftmals in unüberwindliche, verwirrende „Optimierungs-Deadlocks“ und damit sind es folgerichtig verpasste Chancen der optimalen Kalkulationsausprägung für jeweilige „Artikel – Filiale – Zeitraum“ Betrachtungen.

Die nachfolgende Studie (Aberdeen Group) gibt weitere interessante Einblicke: “The Aberdeen Group surveyed 78 retail companies to identify industry leaders and discover what merchandising practices they implement to achieve greater success. What they uncovered: These select businesses understand the importance of optimizing merchandising decisions across all customer channels and needs to improve their bottom line >> Infographic and Assessment Tool: Why Merchandise Optimization Matters”

http://resources.aberdeen.com/ibm-why-merchandise-optimization-matters/

Unterschiedliche Systeme oder Philosophien setzen hier an. Komplexe Eigenentwicklungen – mit Vor- und Nachteilen – können sich nur große Handelsunternehmen leisten. Benennung oder Umfang und Leistungsfähigkeit, Big Data lässt grüßen, sind extrem vielschichtig:

  • Preis Management Systeme
  • Pricing Systeme
  • Merchandising Optimization Systems

Da im Kontext der IBM Handelslösungen das Thema „Merchandising Optimization“ eine zentrale Rolle spielt, werden als „Omni-channel Merchandising“ (Synonym: DemandTec) Lösung modulare, integrierte Bausteine zur gezielten Bewältigung der vorgenannten Aufgabenstellungen entwickelt, bereitgestellt und bei Kunden der IBM implementiert:

  • Englische IBM Webseite, Überblick der Module (https://ibm.biz/BdEwXr) :
  • IBM Advanced Deal Management
  • IBM Assortment Optimization
  • IBM Basket Insights
  • IBM Deal Management
  • IBM Markdown Optimization
  • IBM Price Management
  • IBM Price Optimization
  • IBM Promotion Execution
  • IBM Promotion Optimization
  • IBM Promotion Planning
  • IBM Shopper Insights

In Ableitung der jeweiligen Unternehmensphilosophie, Branchenschwerpunkten und notwendigen Aufgabenstellungen können Preis-Management (Price Management / Optimization), Sortimentsoptimierungen (Assortment Optimization), Abschriften Management (Markdown Optimization), Werbe- oder Promotion-Management (Promotion) spezifisch analysiert und gesteuert werden. Analyse von Kundengruppen (Shopper Insights) oder Warenkorbanalysen (Basket Insights) sind ergänzende analytische Elemente, die im Rahmen der gezielten Optimierungsvorgaben oder Simulationen die jeweiligen Ergebnisse erklären und wichtige Handlungsoptionen aufzeigen.

Deutsche IBM Webseite, Beschreibungen „Lifecycle Price Management“ https://ibm.biz/BdHLkQ
>>> Beginn, Kopie der Webseite „Lifecycle Price Management“:

Lifecycle Price Management for Grocery and Hardlines

Optimierung der Preisgestaltung, um Umsätze, Volumen oder Gewinne zu steigern und dabei das Preisimage über den gesamten Preislebenszyklus hinweg aufrechtzuerhalten

  • Die Benutzer erhalten eine der innovativsten Technologien der Branche für das Management der Verbrauchernachfrage. So können sich Einzelhändler ein besseres Bild davon machen, wie Kunden auf Preisänderungen reagieren. Grundlage dafür ist die Preiselastizität für jeden Artikel, jede Produktlinie bzw. jede Kategorie.
  • Händler und Käufer erhalten detailliertere, messbare und präzise Informationen über die Elastizität jedes Artikels.
  • Mithilfe der Simulation im Rahmen von „Was wäre, wenn“-Analysen können Einzelhändler mehrere Preisszenarien erstellen, um ihre Preisstrategie zu optimieren, bevor die Preise endgültig werden.
  • Optimieren Sie die Preisgestaltung anhand von benutzerdefinierten Regeln und Nebenbedingungen, die über Geschäftsregeln definiert werden.

Ein einziges Preissystem zur Preisgestaltung über den gesamten Produktlebenszyklus und alle Artikel hinweg

  • Steuern Sie die Preisgestaltung während des gesamten Lebenszyklus eines Produkts, einschließlich täglicher oder grundlegender Preise, Preisen im Rahmen von Werbeaktionen und Preisreduzierungen oder Preise bei Räumungsverkäufen.
  • Ein einziges transparentes Preissystem gibt Ihnen Kontrolle über alle Artikel, einschließlich der gängigsten Produkte, Langsamdrehern und leicht verderblichen Artikeln.

Höhere Effizienz durch die Automatisierung mühsamer, zeitaufwendiger Vorgänge bei der Preisgestaltung

  • Mit wichtigen Funktionen, z. B. der regelbasierten Preisgestaltung, können Einzelhändler sicherstellen, dass ihre Preise ihren preisbezogenen Richtlinien entsprechen.
  • Regeln für die Preisverwaltung erlauben Einzelhändlern die Automatisierung von Prozessen für das Management von Kosten und Preisänderungen der Mitbewerber sowie des Prozesses, mit dem bestimmt wird, wann neue Preise im Geschäft angewendet werden.
  • Sie können Prozesse optimieren und mehr Zeit für die strategische Analyse gewinnen.

<<<<<<<<<<<<<<<< Ende, Kopie der Webseite „Lifecycle Price Management“

Eine enorme Bandbreite an Leistungsmerkmalen und weltweite Referenzen (z.B. Coop Dänemark, Download https://ibm.biz/BdEwXr ) bestätigen den Nutzen dieser „mächtigen“ Cloud-basierten Lösung (DemandTec oder „Omni-channel Merchandising“ Elemente) für viele Einzelhandelsunternehmen.

Mit „Agile Pricing“ hat die IBM ein weiteres Kapitel in der Nutzung von Preis Management Systemen eröffnet (https://ibm.biz/BdXywB – PDF zu „Agile Pricing“ in englischer Sprache, Auszug nachfolgend):

  • The giant retailers use multimillion dollar solutions, and the little shop on Main Street can get by with a spreadsheet; but what if your business falls into the mid-tier—retailers with less than $1 billion in annual sales? Just like the big guys, you need pricing software that can comprehensively react to changes and automatically apply the rules and priorities you’ve set to ensure consistent, rational pricing across all of your products and categories. So what’s the answer?
  • Agile Pricing makes it happen. IBM’s simple, easy to use, cloud-based solution enables you to manage price relationship complexities across all your products and locations.

IBM Agile Pricing stellt also Preis-Management Lösungselemente ganz gezielt für “mittlere und kleinere” Einzelhandelsunternehmen bereit. Spread-Sheet, Preisentscheidungen aus der Magengrube oder der gebannte Blick auf die großen Einzelhändler gehören also der Vergangenheit an. Big Data, hoch entwickelte Analysen und Optimeirungen können auf Knopfdruck und per Browser Bildschirm dem Category Manager auch kleiner Handelsunternehmen zur Verfügung gestellt werden!

 

Edmund Michels
IBM Industry Solutions Sales Team,
Retail / CP DACH

Email: edmund.michels@de.ibm.com

Twitter: https://twitter.com/Mining4Retail
2015 IBM Retail Solutions Guide.pdf: http://ibm.biz/BdETY4

 

 

 

Standard
Allgemein, Cross_Selling, Einzelhandel, Merchandising

Die erfolgreiche Kochbox-Idee im Internet – innovativ Cross Selling nutzen

Es gibt immer wieder faszinierende, innovative Ideen, die im Internet eine zunehmende Popularität erreichen. Die Idee der „Kochbox“ ist eine solche Idee aus meiner Perspektive.

Die schnelle Verbreitung (Anzahl der Anbieter im Internet) und hohe Akzeptanz (Beiträge in den Medien) belegen den Erfolg dieser Idee.

Das Kernelement dieser Idee:

  • Über das Internet kann eine „Kochbox“ bestellt werden, in der befinden sich Kochrezept(e) und Zutaten zur Zubereitung einer Speise oder eines Menüs.

Erste Bewertungen und Vergleiche (z.B. Vergleichsportale) zeigen das steigende Interesse der Konsumenten: „Viele Kochbox-Anbieter liefern dir Rezepte & Zutaten nach Hause – hier findest du Erfahrungen zu HelloFresh, KochAbo, Kochhaus, Kochzauber, KommtEssen, Unsere Schlemmertüte & Co.“ (Quelle: http://www.kochboxchecker.de/)

Ein wichtiger Slogan der Kochbox Anbieter lautet: Mühseliges Zusammensuchen der einzelnen Zutaten für ein Rezept in verschiedenen Läden gehört der Vergangenheit an, ebenso wie das Schleppen der Einkäufe nach Hause.“ (Quelle: http://www.kochboxchecker.de/)

Aus den vorgenannten Feststellungen können wichtige Versäumnisse, aber auch Chancen des stationären Lebensmittel Einzelhandels abgeleitet werden:

  1. Zusammensuchen der einzelnen Zutaten (-)
    Die bekannten Lebensmittel Einzelhändler – beispielhaft REWE, EDEKA, Kaufland, real,- oder auch die Diskounter Aldi, Lidl und andere werden hier in ihrer jeweils realisierten Warenpräsentation, die mühseliges Suchen erfordert, getroffen. Das „mühselige Zusammensuchen“ wird im Umkehrschluss zu einer erfolgreichen Geschäftsidee der Kochbox Anbieter!
  2. Rezept (+)
    Rezepte oder Rezept-Ideen (z.T. mit ergänzender Darstellung von aktuellen Produktangeboten) werden auf vielen Webseiten der bekannten Einzelhändler dargestellt und als Kundenservice oder Kaufanregung eingesetzt (Ausdruck der Rezepte, Einkaufszettel).
  3. Schleppen der Einkäufe (+)
    Liefer-Services aus Sicht der etablierten Lebensmittel Einzelhändler sind an unterschiedlichen Standorten etabliert und beziehen sich i.d.R. auf Warenkörbe, die auf Basis des Webshops des Einzelhändlers realisiert wurden.

Im Blogbeitrag: „Kunden Story“ – die Perspektive von Konsum und Produktverwendung erklären Cross Selling (https://ibm.biz/BdRvUf) wird dargestellt, wie einfach der stationäre Einzelhandel das Cross Selling mit Bezug zu vorhandenen Kundenbedürfnissen (z.B. Zubereitung Menü) ermitteln kann. Die bestehenden Restriktionen und Grundsätze zur Präsentation der Ware haben es bislang verhindert, die „Kochbox-Idee“ in Regalen oder Sonderflächen des stationären Lebensmittel Einzelhandels kreativ umzusetzen.

Dabei bieten sich dem Einzelhandel einige Vorteile in der Umsetzung zielgerichteter Cross Selling bzw. Kochbox Ideen oder Präsentationen:

  • Es steht ein großes „analysierbares“ Sortiment zur Verfügung, um die interessanten Ideen, mit großer Zugkraft zu ermitteln. (Was sind die Koch- oder Konsum-Trends der Kunden?)
    • Die möglichen Cross Selling Analysen (Hot Spots / Cross Selling Details) bieten einen besonderen Einstiegspunkt, um verbreitete und tatsächlich interessante Kochbox Ideen generieren oder beobachten zu können.
  • Es können vielfältige Variationen der Kochbox-Idee im schnellen Wechsel präsentiert werden. (Immer eine gute Kochidee verfügbar?)
  • Überlappende oder Teilelemente können präsentiert werden (Teil-Module, Baukasten-Prinzip o.ä.)
  • Weitere Elemente, gemeinsam mit Marketing (Promotion, Preis) und Lieferanten sind im Sinne des Category Management denkbar

Nicht zu vernachlässigen sind jedoch die absehbaren Restriktionen und neuen Herausforderungen für die Handelsunternehmen, die insbesondere logistische Elemente umfassen werden:

  • Zusammenstellung und Aufbereitung der Kochbox – mit Blickpunkt zu relevanten Rezepten
    (hoher manueller Aufwand über den gesamten Produkt-Lebenszyklus > Verpackung, Aufbereitung, Qualität, MHD, Handling, Lagerhaltung usw.)
  • Preisfindung, Kalkulation und kaufmännische Abwicklung oder Steuerung (Warenwirtschaft, POS)
    (z.B. Stammdaten Management incl. Zusammenführung und Auflösung der Artikel)
  • Präsentation der Kochbox (Regalplatz), incl. der möglichen Web- oder Internet-Shop-Präsentation
  • Marketingunterstützung – auch gemeinsam mit Markenartikel Hersteller, Lieferanten oder Service-Partnern

Der weitere Erfolg der Kochbox-Idee im Internet wird sicherlich von einer Adaption im stationären Lebensmittel Einzelhandel begleitet werden. Eine gegenseitige „Befruchtung“ ist zu erwarten.

Die Kochbox-Idee ist natürlich auch in anderen Einzelhandels-Branchen denkbar. Die kreative Handelslandschaft wird sicherlich über interessante Aspekte nachdenken:

  • Branche Drogerie oder Apotheken >> Körperpflege-Box, Erkältungs-Box
  • Branche Heim- und Handwerk >> Projekt-Box Holzbearbeitung, Projekt-Box Lampeninstallation
  • Branche Elektrohandel >> Projekt-Box Fernsehanschluss…….

Die jeweils kreative Umsetzung und Fortführung der Kochbox-Idee wird auch unter Aspekten der zielgerichteten analytischen (Cross Selling Analysen) Unterstützung eine wichtige Herausforderung sein. Cross Selling Analysen (Assoziationsanalysen) bieten für den Einzelhandel ein unerschöpfliches Reservoir an guten Ideen zur Umsetzung unterschiedlichster „Kochbox-Ideen“!

 

Edmund Michels
IBM Industry Solutions Sales Team,
Retail / CP DACH

Email: edmund.michels@de.ibm.com

Twitter: https://twitter.com/Mining4Retail
2015 IBM Retail Solutions Guide.pdf: http://ibm.biz/BdETY4

 

 

 

 

 

 

Standard
Allgemein, Cross_Selling, Einzelhandel, Merchandising

Prognose der Retourenquote während der frühen Bestellphase mit Cross Selling Analyse realsieren (Beispiel)

Ware die nicht gefällt wird durch den Kunden retourniert! Die Ursache der Retoure kann vielschichtig sein!

Die Retourenquote – eine einfache Kennzahl zum Vorkommen von Retouren – setzt die Bestellungen, den Abverkauf zu den tatsächlich retournierten Waren (Stück / Anzahl) in Beziehung – (Beispiel: Wurden 100 Artikel bestellt und 10 dieser bestellten Artikel retourniert oder zurückgesandt, beträgt die Retourenquote 10 %)

Eine Betrachtung möglicher Faktoren und zielgerichteter Analysen: siehe Blogbeitrag: „Retourenverhalten im Bereich Mode oder Fashion (Online- und Versandhandel) mit Cross Selling Analysen einschätzen“ (https://ibm.biz/BdFDpE )

Eine analytische Arbeitshypothese des vorgenannten Blogbeitrags lautet:

  • „Werden die eingehenden Bestellungen der ersten Tage zu Saison- oder Abverkaufsstart analysiert, so kann festgestellt werden, ob
    • konkurrierende Größenbestellungen
    • konkurrierende Farbbestellungen
    • konkurrierende Produktbestellungen

Konkret bedeutet dies, dass die Cross Selling Kennzahlen der frühen Bestelldaten eine Aussage oder Prognose zu den erwarteten, späteren Retouren ermöglichen!

Das nachfolgende Cross Selling Analysebeispiel soll die mögliche Prognose der Retourenquote für ein Produkt beispielhaft darstellen.

Beispielhafte, wichtige Ergebniselemente:

  1. Retourenquote
    – beträgt 50% bei Artikel ABC – Größe 34 (Zeile 3 – grün markiert)
    > ermittelt nach einer definierten Zeitperiode, zeitlich z.T. nach Wochen der jeweiligen Bestellzeitpunkte
  2. Support
    – beträgt bei ausgewählten Regeln (Kriterium: Lift >1) mit dem Artikel ABC – Größe 34 in der Gesamtsicht 45% (Zeile 17 – grün markiert)
  3. Regeltypen: Unterschiedliche Regeltypen (Art der in der Regel beteiligten Artikel) und die jeweilige Ausprägung (Lift) belegen, dass der Anlass zur Retoure in jeweils konkurrierenden Elementen begründet sein kann.
    Eine deutliche Abgrenzung zu Merkmalen des „tatsächlichen Cross Selling“ (z.B. Hose >> Gürtel) können in der detaillierten fachlichen Bewertung erfolgen.

Blog_9-Bild-01-2016

Die frühe Ermittlung „kritischer“ Cross Selling Support und Liftwerte bieten also potentielle Hinweise auf eine relevante Retourengefahr oder eine zu erwartende hohe Retourenquote. Basis der Prognose sind die genannten konkurrierenden Entscheidungs- oder Selektionsvariablen von „Größe, Farbe oder Produktvariation“. Die analytische Praxis des jeweiligen Umfeldes (Handelsunternehmens), die Datenbasis und die Zielvorgaben der interessierten Fachbereiche (z.B. Category Management, Einkauf) definieren den Rahmen weiterer vertiefender Analysen!

 

Edmund Michels
IBM Industry Solutions Sales Team,
Retail / CP DACH

Email: edmund.michels@de.ibm.com

Twitter: https://twitter.com/Mining4Retail
Blog: https://www-304.ibm.com/connections/blogs/cross_selling/?lang=en_us
2015 IBM Retail Solutions Guide.pdf: http://ibm.biz/BdETY4

 

 

 

 

Standard
Allgemein, Cross_Selling, Einzelhandel, Merchandising

Retourenverhalten im Bereich Mode oder Fashion (Online- und Versandhandel) mit Cross Selling Analysen einschätzen

Wichtige Komponenten des Erfolges von Online- und Versandhandel sind das Beobachten des Kundenverhaltens und das rechtzeitige Reagieren und Agieren im Rahmen des laufenden Abverkaufs. Die Informationsgewinnung mit Hilfe von gezielten, vertiefenden Analysen spielt dabei eine entscheidende Rolle. Mögliche Analyse-Szenarien der Data Mining Analysen gehen weit über die bekannten Analysen zu ergänzenden Produktempfehlungen (insbesondere Onlinehandel oder Webshop) hinaus und konzentrieren sich auf das „Retourenverhalten“ der Kunden.

Für den Versandhandel sind einige Analyse-Algorithmen des Data Mining durch ihre besonderen Charakteristika von besonderer Bedeutung. Unterschiedliche Algorithmen können alternativ zum Einsatz kommen, wenn es darum geht die potentiellen Retouren oder allgemeine Retourenwahrscheinlichkeit der Kunden oder bestellten Ware zu prognostizieren. Der „Data Mining Cup 2014“ (prudsys Anwendertage 2014) dokumentiert das besondere Interesse und mögliche, differenzierte analytische Szenarien dieser Aufgabenstellung. Kommentar dazu > Blogbeitrag Wolfgang Jung: „Data Mining Cup: Retouren vorhersagen können“ https://ibm.biz/BdFDeQ

Unter Berücksichtigung der vorhandenen Daten (Data Warehouse) für die möglichen Arbeitsgebiete und die nutzbaren Analysemethoden (Algorithmen), werden die Analyse Modelle erarbeitet. Eines der möglichen Arbeitsgebiete ist die Problemstellung der vermehrt auftretenden „Kundenretouren“, also der Rücksendung von bestellter und ausgelieferter Ware durch die Kunden. Diese Aufgabenstellung (Retouren) gilt es insbesondere im Bereich Mode oder Fashion sehr effizient einzuschätzen, frühzeitig zu prognostizieren oder generell zu bewerten.

Analytische Schwerpunkte und Nutzung spezifischer und „einfacher“ Data Mining Algorithmen dazu können auch sein:

  • Assoziationsanalyse (Verknüpfungsanalyse)
    > Algorithmus: Apriori
    Hier werden Verknüpfungen zwischen Artikeln (z.B. in Bestelldaten einer Katalogsaison oder Bestell-/Zeitintervalle im Online-Shop), die gemeinsam bestellt wurden, aufgedeckt und bewertet. Häufigkeit gemeinsam bestellter Artikel und die „Stärke der Verknüpfung“ werden aufgezeigt.
  • Einkaufsmuster (Verknüpfungsanalyse im Zeitverlauf)
    > Algorithmus: Sequence
    Aufeinander folgende Bestellsequenzen (z.B. mehrfache Kundenbestellung im Verlauf einer Katalogsaison oder Zeitperiode, durchgeführt von vielen Kunden) werden auf identische Muster oder Regeln hin untersucht.

Ein Überblick zu verschiedenen Algorithmen bietet IBM SPSS Modeler > The modeling algorithms included in SPSS Modeler, Modeling algorithms: https://ibm.biz/BdFDb4.

Viele unterschiedliche Analyseziele mit dem Oberziel „Kundenretouren“ können zunächst verfolgt werden, um anschließend Schwerpunkte in der Zusammenarbeit mit den verschiedenen Fachbereichen (z.B. Einkauf, Kataloggestaltung, Webshopdesign etc.) festlegen zu können. Nur die Fachbereiche können die Umsetzbarkeit der Analyseergebnisse bewerten.

Analysebeispiel –

Retourenhäufigkeit und Konfektionsgröße (Datenbasis Retouren)

Auf Basis von Retouren einer Saison kann z.B. herausgefunden werden, dass es Kunden gibt, die eine ganz bestimmte Größe XY (z.B. Damen Konfektionsgröße 36) retournieren und eine weitere, angrenzende Größe (in diesem Fall Größe 38) häufiger retournieren als dies bei anderen Größenkonstellationen z.B. Größen 42 und Größe 44 der Fall ist.

Retouren-KPI-07-08-2014

Aus dem Beispiel ist schnell zu erkennen, dass es Kunden mit „bestimmten Größen“ gibt, die im Vergleich zu anderen Kunden überproportional häufig weitere Ware (Größen) retournieren. Diesen Retouren sind natürlich die entsprechenden Bestellungen vorausgegangen. Nach eingehender Diskussion mit dem Fachbereich können die Möglichkeiten zur Abhilfe diskutiert werden. Ansatzpunkte sind z.B.:

  • die Darstellung in den Katalogen oder auf den Webseiten
  • die Fertigungsqualität / Passgenauigkeit der Ware
  • Angebotsbreite oder -beschränkung der Größengänge in den Katalogen, dem Webshop usw.
  • Hinweise zu Größengängen, Besonderheiten der Fertigung oder des modischen Design, Trageempfehlungen

Wenn sich die Ergebnisse auf bestimmte Produkte in verschiedenen Werbemitteln oder Bilddarstellungen (Webshop) konzentrieren, werden die betroffenen Fachbereiche durch angepasste, veränderte Angebotsgestaltung reagieren. Zukünftig können getroffene Maßnahmen oder Strategien auf ihren Erfolgsbeitrag, die Reduzierung negativer Zusammenhänge („Retourenverhalten“), hin bewertet werden.

Analysebeispiel –

Bestellverhalten und Retourenquote (Datenbasis Bestelldaten)

Ein weiterer, ergänzender Analyseschwerpunkt kann die Prognose der Retourenquote, dem Verhältnis von bestellter zu retournierter Ware, sein. Ist diese Quote frühzeitig bekannt (prognostiziert), vielleicht schon bei der Bestellung und nicht erst nach Eintreffen der ersten Retouren, kann z.B. bei der Nachdisposition von Ware reagiert werden. Ware mit erwarteter hoher Retourenquote muss nicht durch das Versandhaus oder den Shopbetreiber bei den Lieferanten nachdisponiert werden.

Werden die eingehenden Bestellungen der ersten Tage zu Saison- oder Abverkaufsstart analysiert, so kann festgestellt werden, ob

  • konkurrierende Größenbestellungen
  • konkurrierende Farbbestellungen
  • konkurrierende Produktbestellungen

vorliegen. Konkurrierende Größenbestellungen können sich z.B. wie folgt darstellen:

10 % der Besteller Art. Nr. 4711 JEANS Texas Gr.38 bestellen auch

==>   Art. Nr. 4711 JEANS Texas Gr. 40

Dies kommt bei 1 % aller analysierten Bestellungen der angelaufenen Saison vor.

Weitere Kennzahlen stehen zur Verfügung, um die Abhängigkeit genau zu charakterisieren > Kennzahlen der Cross Selling, Assoziationsanalysen: Support / Lift – siehe Blogbeitrag: https://ibm.biz/BdRGvF). Alle angrenzenden Größen werden ebenfalls analysiert und so ergibt sich sehr schnell ein Bild über die Bestellzusammenhänge. Allgemein kann hier z.B. festgestellt werden, dass 10 % der Jeanshosen-Besteller Marke XY den gleichen Artikel aus „Größenunsicherheit“ in einer anderen Größe mitbestellen. Es wird eine hohe Wahrscheinlichkeit bestehen, dass ca. 10 % dieser Hosen retourniert werden, da in aller Regel nur eine passende Hose im Besitz des Kunden verbleibt.

Diese „konkurrierende Bestellung“ ist auch bei verschiedenen Farben deutlich messbar. Bei ähnlichen Produkten tritt diese Erscheinung ebenfalls sehr deutlich auf. So bestellen viele Kunden z.B. zwei ähnliche schwarze Röcke (unterschiedliche Artikel) vergleichbarer Preisstellung, auch wenn diese Artikel mehrere Katalogseiten voneinander getrennt sind oder auf anderen Webseiten zu finden sind. Addiert man die so gemessenen Verbundsituationen bei Bestellung, so kann die Retourenquote sehr genau prognostiziert werden. Mit Hilfe der gezielten Analysen können die „gefährdeten Produkte“ effizient aufgespürt und bewertet werden.

Die aufgezeigten Analysen sind beispielhafte Ausschnitte vielschichtiger Informationen. Es können große Datenmengen effizient analysiert werden und es besteht die Chance, dass neue bislang unbekannte Zusammenhänge und Informationen aufgespürt werden.

„The secret of business is to know something that nobody else knows“ – eine Erfolgsformel von Aristotle Onassis gilt insbesondere für den Bereich der Data Mining Analysen. Die Herausforderungen sind vielschichtig. Eine der wichtigsten Herausforderungen ist es, die mit Data Mining Analysen (z.B. Assoziationsanalysen) neu gewonnenen Informationen alltäglich und selbstverständlich den einzelnen Fachfunktionen schnell nutzbar zu machen. Darauf aufbauend kreatives und neues Wissen in den Köpfen der Mitarbeiter zu fördern ist ein weiterer wichtiger Entwicklungsprozess. Erarbeiten von anhaltenden Wettbewerbsvorteilen, effizienten Instrumenten zur Aktivierung der Kundenbeziehungen sind ständige Aufgabenstellungen denen sich der Versand- oder Onlinehandel langfristig und erfolgreich stellen muss.

 

Edmund Michels
IBM Industry Solutions Sales Team,
Retail / CP DACH

Email: edmund.michels@de.ibm.com

Twitter: https://twitter.com/Mining4Retail
Blog: https://www-304.ibm.com/connections/blogs/cross_selling/?lang=en_us
2015 IBM Retail Solutions Guide.pdf: http://ibm.biz/BdETY4

 

 

 

 

 

Standard