Bondatenanalyse – Einsatz der Bondatenanalyse im Lebensmitteleinzel-handel

Auswertung von Daten

Am Lehrstuhl Marketing und Handel an der Universität Essen wurde 2002 eine Studie zu „Consumer Insights – Was weiß der Handel über seine Ware und seine Kunden?“ durchgeführt. An dieser Studie haben nicht nur LEH, sondern auch 32 Handelsunter-nehmen aus verschieden Bereichen teilgenommen, die den größten Umsatz im Bereich des Einzelhandels haben (Schröder und Rödl 2004, S. 527). In Abbildung 2 werden die Ergebnisse der oben genannten Studie dargestellt. Es wurde festgestellt, dass fast alle Lebensmitteleinzelhändler mit Scannerkassen ausgestattet sind, 84 % der 34 teilneh-menden großen Handelsunternehmen. Des Weiteren führen ca. 60 % der Handelsun-ternehmen Kundenkartenprogramme. Jedoch sind nur ca. 20 % der Handelsunter-nehmen in Besitz von Data-Mining-Instrumenten. Data Mining ist eine Methode, mit der in großen Datenmengen nach Mustern und Strukturen gesucht wird (Data Mining wird in Kapitel 3.1.5 genauer erklärt).

Bei der Auswertung der Daten in Bezug auf Kundendaten und warenbezogene Daten ist zu sehen, dass die Daten größtenteils in aggregierter Form genutzt werden. Am häufigsten werden sie zur Analyse der Absatz- und Umsatzentwicklung angewendet. Die disaggregierten2 Daten, die sich aus den Warenkörben ergeben, werden kaum genutzt. Aufgrund der geringen Verbreitung von Data Mining ist es nicht erstaunlich, dass der Anteil der Informationen, die durch das Data Mining gewonnen werden, ebenfalls gering ist. 2002 war der Reiz, die Möglichkeiten der neuen Technik auszu

schöpfen und zu zeigen, dass sich mit den vorhandenen Daten und Methoden neue Fragen beantworten lassen. Die Fragen können sich auf verschiedene Punkte bezie-hen, beispielsweise auf den Umsatz oder das Kundenkaufverhalten. Die Beantwortung dieser Fragestellungen soll dem Unternehmen Informationen geben, die sein zukünfti-ges Vorgehen, beispielsweise in der Sortimentspolitik oder Preispolitik, beeinflussen (Schröder und Rödl 2004, S. 528).
Es ist bislang keine aktuelle Studie vorhanden, die dieselben Faktoren untersucht. Der Grund dafür liegt vermutlich darin, dass sich nicht viel an den Aussagen geändert hat. Um das zu belegen, wird eine vergleichbare Studie aus 2018 genauer betrachtet. In Abbildung 3 ist die Studie „Genutzte Maßnahmen des deutschen Lebensmitteleinzel-handels zur Analyse der Kundenwünsche im Jahr 2018“ dargestellt. In der Studie wur-de festgestellt, dass 52 % der Lebensmitteleinzelhändler Kundenprogrammkarten füh-ren, es wurde jedoch nicht wie in 2002, als 58% der Unternehmen Kundenprogramm-karten führten, untersucht, wie viele der Unternehmen Kundenprogrammkarten füh-ren, sondern wie viele die Kundenprogrammkarten auswerten, um die Kundenwünsche zu erfüllen (Statista 2018b). Daraus lässt sich ableiten, dass die Daten aus der Studie 2002 heute immer noch zutreffen.

Bei der Auswertung der Bondaten wird ersichtlich, dass die Informationen, die durch Warenkorbdaten gewonnen werden, nicht ausreichen, um die Ziele der Bondatenana-lyse ideal zu unterstützen. Anhand der Auswertung der alleinigen Bondaten kann kein Aufschluss darüber gegeben werden, wie lange sich ein Käufer in der Einkaufsstätte des Handelsunternehmens aufhält. Ferner kann mit den Bondaten nicht festgestellt werden, welchen Weg der Käufer mit dem Einkaufwagen gegangen ist, in welcher Rei-henfolge die Waren in den Einkaufswagen gelegt wurden und ob der Kunde eventuell noch andere Waren in der Hand hielt und sie doch nicht gekauft hat. Anhand der ge-wonnenen Daten kann demnach nur eine ergebnisorientierte Analyse des Verhaltens von Käufern durchgeführt werden (Knuff 2008, S. 102 f.).
Die nicht aggregierte Form der Daten dient in erster Linie der Analyse des artikel- und warengruppenbezogenen Kaufverhaltens der Kunden und der artikel- und warengrup-penbezogenen Verbundanalyse (Knuff 2008, S. 102).
Um einen Nutzen in Bezug auf die Analyse des Kaufverhaltens in einem bestimmten Zeitraum oder die Veränderung des Kaufverhaltens zu erhalten, muss der Kunde an-hand von Kundenprogrammkarten oder durch eine Kartenzahlung identifizierbar sein. Die reinen Bondaten reichen nicht aus (Knuff 2008, S. 104).

Business Intelligence

Business Intelligence wird sowohl in der Praxis als auch in der Wissenschaft als Syno-nyme für IT-Lösungen zur Unternehmensplanung und -steuerung genutzt (Gluchowski 2008, S. 89). Es hat ein großes Spektrum an Technologien, welche die Unternehmen bei Entscheidungen durch die Sammlung, Aufbereitung und Darstellung von Informati-onen unterstützen sollen. Zur Business Intelligence gehört unter anderem die Nutzung von Data Warehouse, OLAP (Online Analytical Processing), Data Marts und Data Mi-ning (Humm und Wietek 2005, S. 4). Zu den modernen Business-Intelligence-Lösungen gehören beispielsweise Architekturen wie die In-Memory-Datenbank. Somit ist auch die Bondatenanalyse, die mittels dieser Architekturen durchgeführt wird, Be-standteil von Business Intelligence.
Der verbreitete Einsatz von IT-Systemen sorgt für einen großes Datenvolumina, das im Data Warehouse gespeichert wird (Gluchowski 2008, S. 140). Durch die Anwen-dung der Technik und von BI sollen die Entscheider bei Erkenntnisprozessen unter-stützt werden. Die Einsicht in das Geschäft soll zum besseren Verständnis für die Me-chanismen relevanter Wirkungsketten beitragen. Folglich bedeutet das für die BI, dass sie die richtigen Daten zur richtigen Zeit mit der gewünschten Qualität auffinden muss (Gluchowski 2008, S. 90; Schieder 2016, S. 30).
Eine klare Abgrenzung von BI ist auf Gluchowski (2008) zurückzuführen; er vermittelt drei Sichten auf die BI (Gluchowski 2008, S. 90). Diese wurden von Kemper, Mehanne

und Unger (2006, S. 4) ebenfalls zusammengefasst und für die Einordnung der Defini-tion von Business Intelligence als zutreffend betrachtet. Gluchowski (2008) unter-scheidet BI in ein enges, weites und ein analyseorientiertes Verständnis (Gluchowski 2008, S. 90; Kemper et al. 2006). Im engen Bi-Verständnis werden analytische Lö-sungen wie das Online Analytical Processing verstanden, die durch die Abfrage von multidimensionalen Datenmodellen wie Info-Cubes die Entscheidungsfindung unter-stützen, wenn beispielsweise Entscheidungsträger vernetzte Informationen zu Objek-ten wie Kunden, Produkten, Verkaufsstätten oder Absatzregionen benötigen. Eine gängige Frage ist zum Beispiel die Nachfrage nach den Absatzzahlen eines bestimmten Produktes in einer bestimmten Absatzregion (Bange 2016, S. 109). Die Anwendungen der Visualisierungsschicht bei den Benutzeroberflächen und interaktiven Funktionen, mit denen Fach-und Führungskräfte einen direkten Zugriff auf die Daten erhalten, ge-hören zum analyseorientierten BI-Verständnis. Der Fokus beim analyseorientierten BI-Verständnis liegt auf der methodenbasierten zielgerichteten Analyse von vorhandenen Daten (Kemper et al. 2006, S. 4).
Unter einem weiten BI-Verständnis werden alle Systeme und Komponenten verstan-den, welche die operativen Daten aus den Systemen zu Informationen aufbereiten, speichern und eine Visualisierungsschicht zur Anzeige der Informationen beinhalten (Kemper et al. 2006, S. 4) Daraus resultiert, dass im weiten BI-Verständnis neben den analytischen Werkzeugen auch ETL-Prozesse (Extraction, Transformation, Loading) und das BW (Business Warehouse) inbegriffen sind (Bange 2016, S. 106).

Nutzenpotenziale von Bondaten

Die Ausstattung des Lebensmittelhandels mit Scannerkassen ermöglicht dem Lebens-mittelhandel, die Bondaten intern im Laufe des Kaufvorgangs selbst zu erheben. Dem Handel liegen artikelgenaue Informationen aus dem Warenausgang vor. Scannerkas-sen sind somit die wichtigste Quelle zur Gewinnung von Bondaten, da sie ein Abbild von allen Einkäufen darstellen. Die Bondaten werden hauptsächlich durch Kundenab-käufe gewonnen (Schröder und Rödl 2004, S. 521).
Solange keine personalisierten Bondaten vorliegen, können durch die Analyse von ein-zelnen Bons oder Gruppen von Bons lediglich Schlüsse über die Umsatzstruktur eines Unternehmens gezogen werden. Die durch Bondaten erfassten Umsatzdaten können dann weiter für kundenorientierte Analysen oder Sortimentsanalysen verwendet wer-den (Schröder und Rödl 2004, S. 530).
Bondaten werden im Nachhinein mit personalisierten Massendaten, die durch Kunden-karten im stationären Handel erlangt werden, verbunden. Mit den alleinigen Bondaten sind nur Zeitpunktbetrachtungen möglich. Sobald der Händler im Besitz der Bondaten und der Kundendaten ist, können zusätzlich Zeitraumbetrachtungen durchgeführt werden, was ansonsten nur mit Haushaltspaneldaten möglich war (Rödl 2003, S. 210).
Durch die computerunterstützen Verfahren zur Analyse von Bondaten hat der Handel die Möglichkeit, die Daten für verschiedene Zwecke zu nutzen. In Abbildung 2 werden Nutzenpotenziale aufgelistet, die im Einzelhandel bereits genutzt werden. Die Analyse der Bondaten verschafft dem Handel mehr Nutzenpotenziale als die in der Abbildung aufgelisteten Punkte. Weitere Nutzenpotenziale werden im nächsten Abschnitt erläu-tert.

Eine verbesserte Kundenansprache

Zu den wichtigsten Zielen gehört die Beantwortung der Frage, warum ein Kunde eine Filiale besucht. Um entsprechende Analysen durchzuführen, wird zunächst unterschie-den, ob der Kunde identifizierbar ist (Städler und Fischer 1999, S. 341).
Sobald der Kunde eine Kundenkarte oder EC-Karte nutzt, kann er identifiziert werden, und es wird möglich, weitere Analysen durchzuführen. Bei diesen Analysen werden verschiedene Frage, z. B. „Wie oft bzw. wie regelmäßig kauft ein Kunde ein?“, „Welche Artikel kauft er in welchen Verbünden?“ oder „Welcher Umsatz oder Rohgewinn wird je Einkaufsvorgang und Kundentyp realisiert?“ gestellt (Städler und Fischer 1999, S. 341). Anhand der personalisierten Daten ist es möglich, dem Kunden weitere Mehr-werte zu schenken. Durch die gewonnen Kenntnisse über den Kunden können kunden-spezifische Marketingmaßnahmen durchgeführt werden (Schröder und Rödl 2004, S. 537).

Eine Marketingmaßnahme im stationären Handel ist z. B. das Verschicken der Produk-tinformationen an den Kunden, sobald festgestellt wird, dass er bestimmte Waren-gruppen trotz Erwartung nicht bevorzugt (Schröder und Rödl 2004, S. 537). Des Wei-teren können zu den Produktinformationen Coupons, die mithilfe der Kundendaten zu wählen sind, beigefügt werden, um personalisierte Aktionsstreuen zu unterstützen. Wichtig ist hier, dass im System die Einlösung eines Coupons erfasst wird, da der Preis nicht mehr ausschließlich vom Zeitpunkt des Einkaufs abhängig ist, sondern auch in Abhängigkeit zur Person des Käufers steht (Rödl 2003, S. 211).

Solange keine personalisierten Daten zur Verfügung stehen, können bei der kunden-orientierten Analyse einzelner Bons Bonsummenklassen gegenübergestellt werden, sodass Ausschlüsse über die Umsätze anhand der Bons gegeben werden können. Im Fall von dauerhaft kleinen Bonsummen muss herausgefunden werden, ob es sich bei den Kunden um Laufkundschaft oder Ergänzungskäufer handelt. Falls sich durch die Analyse herausstellt, dass es sich mehrfach um Ergänzungskäufer handelt, müssen Schlussfolgerungen für die Sortimentsgestaltung gezogen werden und Reaktionen fol-gen, wie die Neuanpassung des Sortiments und das Überdenken des Angebotskonzep-tes (Rödl 2003, S. 120; Schröder und Rödl 2004, S. 530).

Aktionssteuerung

Mit Analysen der Kaufverbunde und Kauffrequenzen von Aktionswochen soll der Er-tragsverlust aufgrund geringer Margen bei Aktionsprodukten so gering wie möglich gehalten werden. Dabei wird analysiert, ob mit der Aktion genug Personen angespro-chen wurden und ob der Umsatz durch die Aktion gestiegen ist. Ferner wird überprüft, ob es zu Kanalisierungseffekten kommt und wie hoch der gesamte Rohgewinn einer Aktion (ohne/mit Verbund) eines Aktionsartikels ist (Städler und Fischer 1999, S. 341).
Die Reichweite von Aktionsartikeln wird ebenfalls genauer untersucht. Dabei wird ana-lysiert, wie viele Kunden mit der Aktion erreicht wurden und welche Wirkung sie auf den Kunden erzielt hat. Bei der Auswertung wird geschaut, ob die richtigen Artikel verwendet wurden, um die Kunden in die Verkaufsstätte zu bekommen. Dies wird mit einem Bericht dokumentiert, dieser beinhaltet alle Aktionsartikel aufgelistet nach der Bonreichweite und dem damit verbundenen Absatz, Umsatz und dem Rohgewinn. Die Analyse und der daraus resultierende Bericht verfolgen das Ziel, aufzuzeigen, ob aus-reichend Kunden angesprochen wurden, wie viele Aktionsartikel gekauft wurden und ob die gewünschte Umsatz- und Absatzwirkung bei den Aktionsartikeln erzielt wurde. Beantwortet werden auch die Fragen danach, wie hoch der Rohgewinn einer Aktion ohne die Verbundbetrachtung ist und wie hoch der Rohgewinn je Aktionsartikel ist. Wichtig ist auch festzustellen, welche durchschnittliche Spanne mit der Aktion erreicht wurde (Städler und Fischer 2001, S. 218). Um die Wichtigkeit der Auswertungen her-auszustellen, ist zu erwähnen, dass 20–50 % der jährlichen Abweichungen von Einzel-preisen auf das Verkaufsverhalten der Kunden zurückzuführen sind (Hosken und Reiffen 2004, S. 141).
Periodische Preissenkungen sind für Einzelhändler von großer Bedeutung. Diese kön-nen mit periodischen Preissenkungen einen höheren Gewinn erwirtschaften, da die meisten Verbraucher Produkte zu einem höheren Preis erwerben, statt auf die nächste Preissenkung zu warten. Die Einzelhändler konkurrieren um jeden einzelnen Kunden, dabei ist meist der Preis entscheidend, um den Kunden für sich zu gewinnen. Jeder Kunde hat eine andere Kaufbereitschaft, aber viele Verbraucher kaufen nur in den Lä-den mit den niedrigsten Preisen. Um an dieser Stelle konkurrieren zu können, eignen sich periodische Preissenkungen, um den Kunden vom Kauf zu überzeugen (Hosken und Reiffen 2004, S. 145).
Gerade im Einzelhandel, insbesondere im Lebensmittelgeschäft, kaufen die Kunden ein Bündel an Waren. Die Entscheidung der Kunden, welches Geschäft besucht werden soll, hängt von verschiedenen Faktoren ab. Dazu gehören die Menge an Produkten und die dazugehörigen Preise, die im Handel angeboten werden. Es kann geschlussfolgert

werden, dass die verkaufte Menge eines einzelnen Gutes in Abhängigkeit zu der Aus-wahl und der Preisgestaltung von anderen Produkten steht. Selbst wenn diese weder Ersatz- oder Ergänzungsware ist, kann es den Kauf des anderen Gutes beeinträchtigen (Hosken und Reiffen 2004, S. 146).
Durch die immer wiederkehrenden Sonderpreisaktionen ergeben sich zusätzliche Im-plikationen für die Datenanalyse. Dafür gibt es laut Rödl (2003) die folgende Faustre-gel: „Je flexibler die Preisgestaltung, desto höher das Volumen und die Komplexität in der Datenerhebung“ (S. 208). Für die Bondatenanalyse bedeutet das folglich, dass jede Sonderaktion mehr Aufwand für die Datenerhebung, -pflege und -analyse ist (Rödl 2003, S. 209).

Sortimentsplanung und Ladengestaltung

Bei der Analyse der Bondaten können Information darüber gewonnen werden, welche Produkte voneinander abhängig sind. Ziel ist, aufzudecken, welche Produkte gemein-sam im Warenkorb landen, um eine bessere Kundenansprache zu schaffen und somit auch eine bessere Kundenbindung zu erreichen. Um das Kaufverhalten der Kunden zu erkennen, werden in der Regel die POS-Daten (Point of Sale) mit „Wenn-Dann-Regeln“ ausgewertet (Behme und Muksch 2001, S. 29). Möglichkeiten für die Erhebung von Verbundbeziehungen ist das Clusterverfahren oder die Assoziationsanalyse (Mennenöh 2015, S. 204). Sobald es schwer wird, den Überblick zwischen der Menge an Objekten zu schaffen, kommt die Clusteranalyse zum Einsatz, sie sorgt für die Strukturierung der Daten. Sie wird wie folgt definiert:

„Die Clusteranalyse hat somit die Funktion der Datenstrukturierung (explo-ratives Verfahren), d. h., es erfolgt eine systematische Informationsver-dichtung, um aus einer Fülle von verschiedenen Einzelobjekten wesentliche Merkmale der Struktur der vorgegebenen Menge (Objektmenge) erkennen zu können. Man sucht eine in den Daten möglicherweise latent verborgene Gruppenstruktur“ (Schorsch 2008, S. 11).

Es soll ein erster Überblick über die vorliegenden Daten, deren Auffälligkeiten und Re-gelmäßigkeit gegeben werden (Schorsch 2008, S. 11 f.).
Durch die gewonnenen Daten ist es in der Sortimentsplanung und Ladengestaltung möglich, die Warengruppen innerhalb eines Marktes optimal zu platzieren und die Vor-ratshaltung zu optimieren (Behme und Muksch 2001, S. 29). Im Verlauf der Analyse werden Informationen wie Lieferant, Kunde, Artikel, Filiale und deren Beziehungstypen analysiert. Zu den Aufgaben der Sortimentsplanung gehört, über die Aus- und Einlis-tung von Artikeln, Sortiment- und Preisstruktur, Platzierung und Regaloptimierung zu entscheiden (Behme und Muksch 2001, S. 216). Die Annahme über die Abhängigkeit von Kaufentscheidungen sollte dabei im Fokus stehen, kann eine Entscheidung für ein Produkt im ersten Augenblick richtig erscheinen, aber negative Auswirkungen auf den Händler haben. Es kann beispielsweise vorkommen, dass ein nicht profitables Produkt

häufig in Verbindung mit sehr profitablen Produkten gekauft wird, sodass eine Entfer-nung des Produktes aus dem Sortiment auch die Verkäufe des profitablen Produktes negativ beeinflussen kann (Boztuğ und Silberhorn 2006, S. 106 f.).
Die Analyse der Bonreichweite der Warengruppen kann ebenfalls eine verbesserte La-dengestaltung ermöglichen. Zudem kann mit Bondaten die Personaleinsatzplanung optimiert werden. Anhand der Frequenzanalyse (Abverkauf je Zeiteinheit) kann erfah-ren werden, zu welchen Zeitpunkten bestimmte Bereiche mit mehr Personal unter-stützt werden sollten (Städler und Fischer 1999, S. 341–346).
Wichtig ist auch, herauszufinden, welche Kunden welche Filiale besuchen und welche Ware sie dort kaufen. Dabei wird der Ort der Filiale berücksichtigt, es ist von Bedeu-tung, ob der Markt am Stadtrand, im Einkaufszentrum oder im Bahnhofsviertel ist. Die Entfernung des nächsten Konkurrenzmarktes wird ebenfalls bei der Analyse berück-sichtigt. Sobald der Kunde identifizierbar ist, werden folgende Fragen, die Städler und Fischer (2001) formuliert haben, gestellt, um aus den Bondaten Informationen für die Sortimentsplanung zu gewinnen.

„Wie oft bzw. wie regelmäßig kauft ein Kunde ein?“

„Welche Artikel kauft er in welchen Verbünden (Warenkörbe)?“

„Welcher Umsatz oder Rohgewinn wird je Einkaufsvorgang und Kunde realisiert?“

Bei Kunden, deren Identität nicht bekannt ist, werden Analysen durchgeführt, bei de-nen die typischen Warenkörbe mit ausgewählten Warengruppen in Verbindung ge-bracht werden (S. 216 f.).
Weitere Schlussfolgerungen ergeben sich aus der Analyse der aus den Bondaten ge-wonnen Umsätze. Wenn sich bei der Umsatzanalyse herausstellt, dass es sich um Er-gänzungskäufer mit kleinen Bonsummen handelt, müssen entsprechende Maßnahmen im Sortimentsangebot durchgeführt werden. Mithilfe der Ausschlüsse der Umsatzana-lyse auf Artikelebene werden im LEH Listen erstellt. Auf den Listen ist ein Ranking nach Umsatz vorhanden, sobald ein Artikel eine bestimmte Grenze des Umsatzes nicht erreicht, wird es ausgelistet (Schröder und Rödl 2004, S. 530).

Automatische Bestellabwicklungssysteme

Out-of-Stocks (OoS) sind ein Problem im Lebensmitteleinzelhandel, wozu es immer wieder kommt und die geschätzt jährlich zu einem Verlust von 4 Milliarden Euro Um-satz führen. Der Grund für OoS liegt meist darin, dass nicht richtig bestellt wird, weil falsche Mengen oder falsche Produkte bestellt werden. Häufig werden Bestellungen vergessen oder zu spät getätigt, was ebenfalls zu OoS führt. Der Grund für Fehlprog-nosen, die zu Über- oder Unterbeständen führen, liegt darin, dass die Nachfrage im Betrachtungszeitraum sehr stark schwanken kann, besonders bei Aktionsartikeln kann

es zu größeren Schwankungen kommen. Weitere Gründe liegen in der falschen Aus-wertung und der Prognosen der Abverkaufsdaten. Zudem kommt es vor, dass die be-stellten Waren nicht rechtzeitig in die Regale geräumt werden (Hofer 2009, S. 1–5). Durch die Einführung von Warenwirtschaftssystemen in den Handel mit entsprechen-den Kommunikationssystemen ist die Kommunikation zwischen der Industrie und dem Handel möglich (Olbrich und Deutschland 2006, S. 128 f.). Die Erfassung und Speiche-rung von Scanningdaten im Warenwirtschaftssystem ermöglicht dem Handel, Auskünf-te über die genauen Abverkäufe zu geben. Da der Handel auch im Besitz von Daten über die Einkaufsmenge ist, kann er durch den Zugriff auf Einkaufs- und Abverkaufs-mengen die Lagerbestände erfahren. Sobald der Mindestbestand an Artikeln bekannt ist, kann er auf Abverkäufe reagieren und erkennen, wie viel Ware bestellt werden muss. Über eine direkte Datenübertragung an die Industrie ist es möglich, automati-sche Bestellungen durchzuführen (Olbrich und Deutschland 2006, S. 121–124).

Filialkontrolle und -steuerung

Bondaten können zur Filialkontrolle und Steuerung von Filialen dienen. Anhand der Verknüpfung von spezifischen Daten wie Standort einer Filiale, Größe der Filiale oder Sonderaktivitäten können erfolgsbezogene Kennzahlen ausgerechnet und Informatio-nen über die Wirtschaftlichkeit einzelner Filialen Auskunft gegeben werden. Zu diesen Kennzahlen gehört die Verkaufsflächenproduktivität, Absatz/Umsatz je Artikel, Artikel, Warengruppe und Sortiment sowie die Anzahl der Kunden pro Kalenderwoche (Olbrich und Deutschland 2006, S. 127).

Hemmnisse vor dem Einsatz

Die Infrastruktur eines Unternehmens ist von entscheidender Bedeutung, wenn es um die Nutzung von Bondaten geht. An dieser Stelle ist zu erwähnen, dass kleine und mit-telständische Unternehmen eine deutlich schwächere Infrastruktur haben als Großun-ternehmen. Unternehmen mit einer schwachen Infrastruktur nutzen die Bondatenana-lyse weniger bzw. können das Nutzenpotenzial nicht ausschöpfen. Um die Bondaten-analyse auszuschöpfen, müssen Mitarbeiter geschult werden. Die Installation von EDV-Systemen, welche die Bondatenanalyse ermöglichen, ist ebenfalls notwendig. Die Ursache für die geringe Nutzung durch kleine und mittelständische Unternehmen liegt genau in diesem Punkt. Sie weisen in der Infrastruktur Defizite auf. Um eine höhere Nutzung zu erreichen, müssen die Infrastrukturen in den Unternehmen gefördert und verbessert werden (Olbrich und Grünblatt 2003, S. 19–30).