Definition Bondaten
Unter Bondaten versteht man die Informationen, die ein Kunde bei einem Einkauf als Beleg erhält, also die Daten auf dem Kassenbon. Diesen nimmt der Kunde im Original mit und das Handelsunternehmen behält eine Durchschrift. (Buhr 2006, S. 53–54) Nach Buhr (2006, S. 55) werden Bondaten und Warenkorbdaten häufig synonym verwendet, um die in der Kasse oder im Computer gespeicherte Liste der eingekauften Artikel eines Kunden zu beschreiben. Im Rahmen dieser Arbeit wird der Begriff Bondaten zu dessen Beschreibung verwendet.
Erfasst werden Bondaten an den Kassensystemen (vgl. 3.2.3). Sie können sich in der Praxis je nach Unternehmenstyp unterscheiden, dennoch können vier allgemeine Informationsarten herausgefiltert werden, die in vielen Handelsunternehmen vorzufinden sind (Buhr 2006, S. 55–62):
1. Inhalt des Warenkorbes
Als erste Teilinformation der Bondaten wird der Inhalt des realen Warenkorbs, also die einzelnen gekauften Artikel abgebildet, die sogenannten Warenkorbdaten. Um mit den Bondaten ohne Rückgriff auf andere Informationsquellen sinnvoll arbeiten zu können, werden neben den Artikelnummern häufig auch die Stückpreise gespeichert, um direkte Rückschlüsse über die Preise der Artikel zum Zeitpunkt des Einkaufs durchzuführen. Des Weiteren empfiehlt es sich Mengenangaben zu den jeweiligen gekauften Produkten hinzuzufügen, um eine mehrfache Speicherung eines einzelnen Artikels zu vermeiden. (Buhr 2006, S. 56–57)
2. Zeitpunkt und Ort des Kaufes
Außerdem enthalten die Bondaten Informationen darüber, wann die Erfassung eines Kassenbons abgeschlossen wurde, zu welchem Zeitpunkt also der Verkauf stattgefunden hat (Buhr 2006, S. 57). Der Ort des Einkaufs kann ebenfalls erfasst werden (Boztuǧ und Silberhorn 2006, S. 105). Dies ist dann relevant, wenn es sich beispielsweise um einen Supermarkt mit mehreren Filialen handelt, sodass eine Differenzierung des Ortes eine Rolle spielt.
3. Art und Eigenschaften der Bezahlung
Die dritte Informationsart sind Daten über die Bezahlung selbst, wozu die Bezahlart zählt. (Buhr 2006, S. 59) Pietrowiak beschreibt das Bezahlsystem im Handel als die „Blutbahn“ des Handels, also ein kritisches System, dass jederzeit funktionieren muss (Pietrowiak 2014, S. 11). Unterschieden werden kann dabei zwischen Barzahlungen und Debit- oder Kreditkartenzahlungen (Buhr 2006, S. 59). Der Anteil der Bar- und Unbar- Zahlungen variiert dabei je nach Land. Während in Finnland beispielsweise durchschnittlich fünf Mal in der Woche pro Person mit Karte gezahlt wird, ist es in Italien durchschnittlich nur 32 Mal im Jahr pro Person der Fall. Insgesamt lässt sich jedoch eine Tendenz feststellen, nach der die Unbar-Zahlungen seit 2001 jährlich um ca. 7% ansteigen. (Pietrowiak 2014, S. 11)
4. Charakteristika des Kunden
Die letzte Informationsart betrifft den Kunden selbst. Mit Hilfe von Kundenkartenprogrammen können mehrere Bondaten, die bei verschiedenen Einkäufen angefallen sind, einer bestimmten Person zugeordnet und analysiert werden. Der Kunde wird somit identifizierbar. (Lambertz 2002, 42) Auch ohne die Verwendung von Kundenkarten können Warenkörbe einer bestimmten Person zugeordnet werden, wenn unbar bezahlt wird, da bei der Zahlung mit EC-Karten die Kontonummer und bei Kreditkarten die Kreditkartennummer gespeichert wird, um das Geld abzubuchen. Wenn diese Informationen dann nicht nur zur Abbuchung, sondern zusammen mit den anderen Bondaten gespeichert werden, können ebenfalls die Warenkörbe einzelnen Kunden zugeordnet werden. (Buhr 2006, S. 60–61)
Bondaten umfassen somit Informationen über die von einem Kunden zur gleichen Zeit, am gleichen Ort, mit einem bestimmten Zahlungsmittel erworbenen Güter (Boztuǧ und Silberhorn 2006, S. 105).
Definition Bondatenanalyse und Kennzahlen
Die Bondatenanalyse beschäftigt sich mit der Analyse der definierten Bondaten, die mit Hilfe der Kassensysteme gespeichert werden.
Da sich in Handelsunternehmen der Kundenkontakt in der Regel auf den Kassiervorgang beschränkt, bilden die Bondaten eine zentrale interne Ressource für Datenanalysen. (Becker und Schütte 2004, S. 470) Ein wichtiges Anwendungsgebiet für Datenanalysen ist das Absatzmarketing. In diesem Themengebiet muss eine Vielzahl von Bestimmungsfaktoren berücksichtigt werden, von dem Verhalten der Konkurrenz und Lieferanten über gesetzliche Restriktionen bis zum Verhalten der Konsumenten. Für die Planung absatzpolitischer Maßnahmen sind die Konsumenten von besonderer Bedeutung, da ihr Verhalten einerseits eine Ausgangsgröße (Bestimmungsfaktor) darstellt, auf dessen Grundlage Entscheidungen getroffen werden können und gleichzeitig auch eine Ergebnisgröße ist, mit dessen Hilfe der Erfolg der Maßnahmen gemessen werden kann (Heidel 1990, S. 1–3). Das Datenmaterial der Scannerkassen kann auf verschiedenen Aggregationsebenen für unterschiedliche Zwecke verwendet werden (Heidel 1990, S. 42–99). Dazu können die aus dem Warenwirtschaftssystem entnommenen Rohdaten zu sogenannten Kennzahlen aufbereitet werden.
Heidel definiert Kennzahlen als „absolute oder relative numerische Informationen, die […] Tatbestände knapp und überschaubar beschreiben bzw. über sie informieren.“ (Heidel 1990, S. 39) Reichmann et al. ergänzt dazu noch, dass sie zur internen Entscheidungsunterstützung genutzt werden können und sich „sowohl auf gesamtunternehmerische Daten als auch auf unternehmerische Teilfunktionen beziehen“ können (Reichmann et al. 2017, S. 39–40).
Absolute Zahlen können Einzelzahlen (z.B. Umsatz oder Absatz einzelner Sortimentsteile), Summen (z.B. aggregierte Umsätze mehrerer Perioden), Differenzen (z.B. Differenz zwischen Umsatz und zurechenbaren Kosten als Deckungsbeitrag) und statistischen Maßzahlen, wie beispielsweise der Mittelwert als Angabe über die zentrale Tendenz einer Verteilung. In der Literatur herrscht jedoch keine Einigkeit darüber, ob absolute Zahlen als Kennzahlen definiert werden können. Zum einen stehen die Zahlen zwar isoliert da und sind deshalb nur schwer vergleichbar, was gegen eine Definition als Kennzahl spricht (Heidel 1990, S. 44), zum anderen können relative Zahlen, also Verhältniszahlen, erst über zugrunde liegende absolute Zahlen hergeleitet werden (Becker und Winkelmann 2014, S. 68–69), weshalb sie in dieser Arbeit als Kennzahlen behandelt werden.
Relative Zahlen sind Zahlen, die eine Beziehung zwischen mindestens zwei Werten darstellen, wie Gliederungszahlen (z.B. Marktanteil auf Absatzbasis). Außerdem wird bei Kennzahlen der betriebliche Bereich definiert, über den mit Hilfe von Kennzahlen berichtet werden soll. Diese können beispielsweise für die Bereiche Beschaffung, Personal, Finanzierung oder Absatz verwendet werden. (Heidel 1990, S. 39) Da Kennzahlen mit gleichem Namen in der Praxis häufig unterschiedliche Sachverhalte repräsentieren (Becker und Winkelmann 2014, S. 72), erhöht die betriebliche Definition die Transparenz und kann zur Vermeidung von Missverständnissen dienen. Zudem sollten die Kennzahlen laut Heidel knapp und überschaubar sein, um die betriebliche Situation in verdichteter Form abzubilden. Je verdichteter bzw. aggregierter die Kennzahlen sind, desto mehr Detailinformationen gehen verloren, was wiederum die Überschaubarkeit steigert. (Heidel 1990, S. 39)
Im Folgenden werden verschiedene Ausprägungen von Kennzahlen, die auf Bondaten basieren, am Beispiel der Unterstützung absatzpolitischer Entscheidungen vorgestellt (vgl. Abbildung 5). Diese bilden die theoretischen Grundlagen für computergestützte Entscheidungsunterstützungssysteme, wie sie heutzutage in Handelsunternehmen eingesetzt werden.
Die einfachen klassischen Erfolgskennzahlen können auf Basis des Absatzes oder Umsatz bzw. dem Deckungsbeitrag gebildet werden. Erstere können den direkten Erfolg mit Hilfe des Absatzes (wertmäßig) oder Umsatzes (mengenmäßig) messen. Beide können für jedes Sortimentsteil absolut oder relativ (beispielsweise in Abhängigkeit zur Fläche) berechnet werden. Beispiele für klassische Erfolgskennzahlen auf Basis des Absatzes oder Umsatzes sind der absolute/relative Umsatz oder der Marktanteil. Beim Deckungsbeitrag werden einzelnen Artikeln die direkt zurechenbaren Kosten (bspw. Der Einkaufspreis) zugeordnet und vom Umsatz abgezogen. Diese Erfolgskennzahlen können zur Beurteilung des monetären Erfolgs von Handlungen im Absatzmarketing herangezogen werden. Voraussetzung dafür ist eine eindeutige Zuordnung der Kosten für einzelne Sortimentsteile. (Heidel 1990, S. 42–59)
Klassische Erfolgskennzahlen dienen zur Beschreibung des Erfolgs von Sortimentsteilen. Sollen kausale Zusammenhänge erklärt werden, müssen Bestimmungsfaktoren und Erfolgsgrößen miteinander kombiniert werden. Kausale Zusammenhänge können zwischen verschiedenen Artikeln (Intervergleich) und einem Artikel (Intravergleich) durchgeführt werden. Weitere Dimensionen neben dem sachlichen Vergleich sind die Aggregation der Daten nach räumlichen, sachlichen oder zeitlichen Merkmalen und der temporale Vergleich, also die Betrachtung eines Intervalls oder Zeitpunkts (Querschnitt), verschiedener Zeitpunkte (Längsschnitt) oder einer Kombination (Längs- und Querschnitt). (Heidel 1990, S. 79)
Bei den bisher vorgestellten Kennzahlen wurde auf eine Betrachtung von Verbundbeziehungen zwischen Sortimentsteilen verzichtet, die Kosten und Erlöse also für jeden Artikel individuell ermittelt. In der Realität können allerdings kosten- oder nachfragebedingte Verbundbeziehungen bestehen. (Heidel 1990, S. 81) Welche Artikel in einem Handelssortiment erfolgreich sind hängt nicht nur vom Artikel selbst ab, sondern auch vom Gesamtangebot, denn wie Buhr feststellt suchen die meisten Kunden, beispielsweise im Lebensmitteleinzelhandel, nicht nur das Geschäft auf, um einen Artikel zu kaufen, sondern eine Vielzahl von Artikeln. Die Verbundforschung geht somit davon aus, dass das Sortiment als Ganzes gesehen werden muss und die Ergebnisgrößen nicht einzelnen Produkten zugeordnet werden können. (Buhr 2006, S. 105–106)
Zur Analyse des Verbunds von Artikeln werden die Warenkörbe (Bestandteil der Bondaten) zur Analyse herangezogen. Im Gegensatz zu den anderen vorgestellten Kennzahlen werden keine aggregierten Bondaten, sondern konkrete Bondaten verwendet. Bei einer einfachen Analyse wird ein Artikel ausgewählt und es wird überprüft, in wie vielen Warenkörben er vorhanden ist, welcher Umsatz und Deckungsbeitrag mit diesen Warenkörben erzielt wurde und welche weiteren Artikel noch im jeweiligen Warenkorb vorhanden sind. (Heidel 1990, S. 88–89) Je größer die Menge an betrachteten Bondaten ist, desto größer wird die Bedeutung eines festgestellten Verbunds (Buhr 2006, S. 144– 145). Nachdem ein Verbund in einer bestimmten Menge an Bondaten festgestellt wurde, kann dessen Verbundstärke ermittelt werden, beispielsweise als Anteil der Konsumenten an den gesamten untersuchten Konsumenten, bei denen nach Aussage der Analyse ein Verbund vorliegt. Tabelle 4 zeigt die konsumbedingten, d.h. aus Sicht der Konsumenten vorliegenden, Verbundarten.
Damit Kennzahlen eine Aussagekraft erreichen, müssen sie sich auf etwas beziehen. Wird der Umsatz als das Produkt der verkauften Stückzahl und des Verkaufspreises definiert, ist damit nicht geklärt, auf was sich der Umsatz beziehen soll, also beispielsweise auf welche Produkte oder für welchen Zeitraum. Deshalb ist für die Aussagekraft einer Kennzahl der Bezug zu sogenannten Bezugsobjekten (konkrete betriebswirtschaftliche Objekte) notwendig. Mehrere Bezugsobjekte (z.B. die Artikel Käse und Broccoli) bilden Dimensionen (in diesem Fall die Dimension Artikel). Die verschiedenen Informationen bilden dann den Informationsraum, der für multiperspektivische Analysen, also sichtenorientieren Auswertungen notwendig ist. Für die angesprochene Umsatzauswertung werden dann zum einen die Zeit und weitere Dimensionen, wie die Artikel oder Geschäftsstätte hinzugezogen. Auch wenn die Anzahl an Bezugsobjekten einer Kennzahl hoch sein kann, können durch Hierarchisierungen die Dimensionen reduziert werden. Abbildung 6 Zeigt ein Beispiel anhand von Fernsehern dazu. (Becker und Winkelmann 2014, S. 88)
Abbildung 6: Hierarchisierung des Sortiments (in Anlehnung an Becker, Winkelmann S. 88-89)
Die Gewinnung und Verwendung von Kennzahlen erfolgt in Handelsunternehmen, wie in 3.2.4 erklärt auf Basis des Data-Warehouse, das Daten aus allen operativen Systemen vereint, wozu auch die Bondaten aus dem Warenwirtschaftssystem gehören. Einfache Informationsbedürfnisse werden über simple Reportsysteme befriedigt. (Becker und Schütte 2004, S. 612) Wenn der Informationsbedarf aber darüber hinausgeht und schlecht strukturierte Entscheidungssituationen, wie im Absatzmarketing vorkommen, wird dem durch OLAP-Programme nachgegangen (Heidel 1990, S. 3). Mit dessen Hilfe können Nutzer durch den Datenbestand navigieren und dynamisch auf Daten zugreifen. Diese Daten können dann entweder zur Kennzahlenbildung disaggregiert oder aggregiert werden. Außerdem können statistische Kennzahlen zur Charakterisierung von kausalen Zusammenhängen mit Hilfe von mehrdimensionalen Datenwürfeln (Dicing) gewonnen werden. (Becker und Schütte 2004, S. 613) Die Verwendung von OLAP, dass sich die Kennzahlen zunutze macht, setzt voraus, dass die Kennzahlen zuvor im System definiert wurden und mit Hilfe von arithmetischen Ausdrücken festgelegt wurde, wie sich Kennzahlen aus anderen zusammensetzen, sodass das OLAP System eigenständig Kennzahlen berechnen kann. (Becker und Schütte 2004, S. 553) Des Weiteren erfordern die Analysen, dass Hypothesen durch die Benutzer aufgestellt werden, die dann durch manuelle Navigation in den Datenbeständen mit Hilfe von OLAP bestätigt oder widerlegt werden (Becker und Schütte 2004, S. 613; Heidel 1990, S. 11). Sollen allerdings neue Hypothesen aufgestellt werden, kann auf Data-Mining-Systeme (vgl. 2.4) zurückgegriffen werden. Das bezeichnet den Prozess, aus einer gegebenen Datenmenge neue Zusammenhänge und Gesetzmäßigkeiten aufzudecken. (Becker und Schütte 2004, S. 612–613)
Anwendungsgebiete
Die Analyse von Bondaten bietet Handelsunternehmen die Möglichkeit das Kaufverhalten von Kunden nachzuvollziehen und Informationen über interne Warenflüsse zu erhalten (Becker und Schütte 2004, S. 470; Olbrich 2006, S. 5). Die Ergebnisse dieser Analysen können dann zur Entscheidungsunterstützung in verschiedenen Bereichen eingesetzt werden. Im Folgenden werden die Anwendungsgebiete Absatzmarketing, Consumer Insight, Nachschubsteuerung, Diebstahlprävention und Mitarbeitereinsatzplanung vorgestellt.
Beim Absatzmarketing zeichnen sich die Bereiche Sortimentspolitik, Preispolitik, Platzierungspolitik und Sonderangebotspolitik durch ihre schlecht strukturierten Entscheidungsprozesse aus, die durch Bondatenanalysen profitieren können (Heidel 1990, S. 3).
• Sortimentspolitik
Innerhalb der absatzpolitischen Instrumente erfüllt die Sortimentspolitik eine besondere Rolle, da erst die Aufnahme eines Artikels ins Sortiment Entscheidungen über dessen übrige absatzpolitischen Instrumente wie den Preis ermöglicht. Sortimente in Handelsunternehmen können basierend auf den folgenden Kriterien beschrieben werden (Heidel 1990, S. 109–110):
Art der Leistung
Die Leistungen können in beschaffbare Sachgüter, selbstständige immaterielle Güter wie Rechte (z.B. Software) und Dienstleistungen und nicht-selbstständige immaterielle Leistungen (z.B. Anlieferung, Einkaufatmosphäre) eingeteilt werden. Nicht-selbstständige immaterielle Leistungen werden nur mit einer Sachleistung zusammen erbracht. Der Fokus dieser Arbeit liegt auf materiellen Gütern.
Zeitliche Dimension
Sortimente können zeitpunkt- oder zeitraumbezogen analysiert werden. Zeiträume können beispielsweise Tage oder Wochen sein.
Art der Planerfüllung Mit der zeitlichen Abgrenzung müssen die festgelegten Artikel eines Sortiments (Soll- Zustand) auch tatsächlich vorliegen (Ist-Zustand).
Körperliche Anwesenheit
Die angebotenen Waren können entweder im Lager vorhanden (körperlich anwesend) sein oder werden auf Wunsch des Kunden bestellt.
Grad der Manipulation
Produkte werden entweder beschafft oder selbst bzw. teilweise selbst erstellt wie beispielsweise Wurst- und Fleischwaren im Lebensmittelgeschäft.
Sortimentspolitische Maßnahmen bedeuten, Entscheidungen zur Struktur des Sortiments zu treffen. Veränderungen des Sortiments können erreicht werden, indem neue Artikel aufgenommen (Listung), bereits eingeführte Artikel entfernt werden (Auslistung) oder alte durch neue Artikel substituiert werden. Um den Erfolg von Artikeln festzustellen, kann die Produktakzeptanz analysiert werden. Diese äußert sich in den Absatzzahlen, die auf Basis von Bondaten ermittelt werden kann. (Heidel 1990, S. 110–113) Auch Absatztrends können durch die historischen Bondaten ermittelt werden. Dabei warden jedoch Verbundeffekte zwischen verschiedenen Produkten missachtet. Zur Feststellung von „Kollateralschäden“, wie sie Hertel bezeichnet, also die Auswirkungen auf das restliche Sortiment und den Kunden, müssen die Verbundeffekte mit einbezogen und die Bondaten analysiert werden (vgl. 3.3.2). Erscheinen Auslistungskandidaten auf Kassenbons mit hohen Resterträgen und Restumsätzen, kann die Auslistung zu einem sinkenden Gesamtumsatz führen. (Hertel 2011, S. 403–404)
Heidel führt bei seinen Ausführungen zum Nutzen von Bondaten zur Unterstützung von sortimentspolitischen Maßnahmen an, dass zwar quantitative Zielgrößen, die die Realität beschreiben, gemessen werden können (bspw. Umsatz), qualitative Faktoren jedoch, die bei der Wahl von Alternativen helfen, wenn überhaupt, nur isoliert betrachtet werden können. Probleme qualitativer Entscheidungsmodelle werden kurz am Beispiel des Punktbewertungsmodells aufgezeigt. Beim Punktbewertungsmodell werden allen Sortimentsteilen Punkte für die Zielerreichung eines jeden Ziels gegeben. Es wird dann eine Mindestgrenze festgelegt, die die Sortimentsteile erreichen müssen, um Bestandteil des Sortiments zu sein. Die Ziele können sowohl monetär als auch nicht monetär sein, müssen allerdings unabhängig sein. (Heidel 1990, S. 130–132) Problematisch ist jedoch bereits das Finden unabhängiger Ziele, denn wie bereits bei den relativen Kennzahlen festgestellt, bestehen diese häufig aus einigen absoluten Kennzahlen, die mehrmals verwendet werden. Somit ist in dem Fall eine Unabhängigkeit nicht gegeben.
Die Bondatenanalyse kann im Rahmen der Sortimentspolitik also lediglich als Entscheidungsvorbereitung verwendet werden, Entscheidungen sollten aber nicht ausschließlich auf dessen Grundlage getroffen werden. (Heidel 1990, S. 138)
• Preispolitik
Die Aufgabe der Preispolitik ist es, angebotenen Leistungen einen Verkaufspreis zuzuordnen. Innerhalb der Marketinginstrumente spielt die Preispolitik eine zentrale Rolle, da einerseits beispielsweise Discounter auf der Angebotsseite die Preise senken und andererseits auf der Nachfrageseite auch Kunden von hochpreisigen Produkten nach Möglichkeiten zum Einkauf zu niedrigen Preisen Ausschau halten. Die Preispolitik zeichnet sich durch eine hohe Komplexität aus, die sich unter anderem in den unmittelbaren Auswirkungen auf den Umsatz, der Konkurrenzsituation, den Verschiebungen des Nachfrageverhaltens und Sortimentsveränderungen wiederspiegeln. (Müller-Hagedorn 2002, S. 211–212)
Preispolitische Entscheidungen betreffen sowohl Preise für neue Artikel als auch Preise für bereits im Sortiment befindliche Artikel. Es müssen Entscheidungen darüber getroffen werden, ob Preise konstant gehalten oder stetig erhöht/gesenkt oder pulsiert, also abwechselnd erhöht und gesenkt, werden sollen. (Heidel 1990, S. 140–141) Durch den technologischen Fortschritt stehen heutzutage Methoden zur Verfügung, diese Entscheidungen nicht nur zentral für das gesamte Handelsunternehmen zu treffen, sondern beispielsweise auf Filialebene, um lokale und regionale Kundenpräferenzen mit einzubeziehen. Aufgrund der zentralen Bedeutung der Preispolitik und den Auswirkungen auf den gesamten Umsatz führen US-amerikanische Handelsunternehmen inzwischen häufig einen Chief Pricing Officer ein, um die Verantwortung von Preisentscheidungen in der Führungsebene zu verankern. (Hertel 2011, S. 373)
Preisentscheidungen können nach Hertel heutzutage nicht mehr als Reaktionen auf den Wettbewerb durchgeführt werden, sondern übernehmen eine strategische Rolle. Dafür werden vertiefte Kenntnisse des Kundenverhaltens nötig, um die Preise nach Regionen und Kundensegmenten zu differenzieren. Seiner Meinung nach liefert das Kaufverhalten der Kunden durch die Analyse der Anteile der gekauften Artikel an der Warengruppe über einen bestimmten Zeitraum ein besseres Bild zur Preisbildung als eine isolierte Betrachtung der Artikel (Hertel 2011, S. 378) Dabei werden die Kaufverbünde, die ebenfalls Einfluss auf das Kaufverhalten haben können, außer Acht gelassen. Buhr bezieht diese bei seinen Ausführungen zur Visualisierung von Kaufverbundgeflechten zur Identifikation von Nachfragestrukturen mit ein. (Buhr 2006, S. 248–260)
• Platzierungspolitik
Die Platzierungspolitik beschäftigt sich mit den Fragen, welche Artikel auf den Verkaufsflächen wo platziert werden. Diese Entscheidungen können sowohl für Artikelgruppen als auch für einzelne Artikel getroffen werden. Entscheidende Faktoren im stationären Einzelhandel sind die Position im Regal und das sogenannte Facing, was die Anzahl der Artikel, die sich im Regal befinden, beschreibt. Je mehr Artikel nebeneinander im Regal stehen, desto eher wird die Aufmerksamkeit des Kunden auf diese Artikel gelenkt. Zur Unterstützung der Platzierungsentscheidungen können Kennzahlen wie der Ertrag von einzelnen Artikeln oder Artikelgruppen hinzugezogen werden, um den Standort zu bestimmen. Ertragsreichere Produkte werden dann auf Augenhöhe platziert werden, um die Aufmerksamkeit besser auf sich zu ziehen. (Hertel 2011, S. 404–405)
Auch im E-Commerce spielt die Platzierung von Artikeln eine Rolle, da eine optimale Positionierung die Conversion Rate, also den Anteil an Besuchern einer Website, die auch Artikel kaufen, erhöhen kann. (Schwend 2010) Wie eine optimale Positionierung im Online-Handel aussieht wird dabei nicht genauer spezifiziert und soll in diesem Rahmen auch nicht weiter vertieft werden, zeigt jedoch, dass der Online-Handel die Maßnahmen des stationären Handels auf seine Gegebenheiten überträgt.
• Promotionspolitik
Die Promotionspolitik (oder Sonderangebotspolitik) kombiniert absatzpolitische Instrumente zu kurzfristigen Profilierungen oder langfristigen Umsatzgenerierungen (Hertel 2011, S. 404; Heidel 1990, S. 253). Durch ein Angebot von Artikeln zu vergleichsweise sehr günstigen Preisen können zwar kurzfristig die Absätze deutlich ansteigen, die Käufer akzeptieren bei zu regelmäßigen und umfangreichen Sonderangeboten jedoch möglicherweise die regulären Preise nicht mehr, bei denen das Handelsunternehmen tatsächlich noch Marge erwirtschaftet. (Hertel 2011, S. 392) Das Ziel von Verkaufsförderungen ist es daher, potenzielle Kunden anzusprechen und diese zu gewinnen. Solche Maßnahmen können sich einerseits auf die vorgestellten Marketinginstrumente beziehen, also Senkung der Preise und besondere Platzierungen der Artikel, wie Probierstände, oder weitere Werbemaßnahmen wie Fernseh-, Radio-, Plakatwerbung. (Heidel 1990, S. 255; Becker und Winkelmann 2014, S. 241) Bei der Überprüfung des Erfolgs von Promotionsmaßnahmen sind nicht nur die Anstiege der Verkaufszahlen der beworbenen Artikel relevant, sondern auch Verbundeffekte, die in diesem Kontext auftreten. Bondaten können dabei helfen herauszufinden, welche Bons die beworbenen Artikel enthalten und welche bzw. wie viele Artikel zusätzlich gekauft wurden. (Hertel 2011, 392- 293) Zeigen die Promotionsmaßnahmen Erfolg, können daraufhin weitere Maßnahmen eingeleitet werden.
• Consumer Insight
Bei der zuvor vorgestellten Promotionspolitik wurde vor allem das Massenmarketing dargestellt. Werbemaßnahmen wie Fernsehwerbung werden durchgeführt und daraufhin werden die Bondaten nach beworbenen Artikeln und Verbundeffekten durchsucht, um dessen Erfolg zu messen. (Lux 2012, S. 222) Wie in der Literatur jedoch festgestellt wird, geht die Kundenbindung im Handel zurück und auch die Massenmedien erleben einen Effektivitätsverlust, sodass alternative Kundebindungsmaßnahmen benötigt werden, um die Bedürfnisse und Anforderungen der Kunden zu verstehen und umzusetzen (Lux 2012, S. 131; Olbrich 2006, S. 368; Hertel 2011, S. 405). Ein Grund dafür ist, dass Kunden genauere Vorstellungen davon haben, was sie möchten. Zu Zeiten des Internets können beispielsweise Sortimente und Preise einfach verglichen werden. (Hertel 2011, S. 405–406)
Wie bereits bei der Definition von Bondaten erwähnt, können durch personalisierte Kundenkarten die Bondaten für einzelne Kunden analysiert werden. Im Gegenzug zur Möglichkeit der persönlichen Identifikation erhalten Kunden Rabatte bei Einkäufen oder sonstige, meist monetäre Vorteile. Das Handelsunternehmen ist somit in der Lage nachzuvollziehen, wer welche Artikel wann und wo zusammen eingekauft hat. Kunden kön nen dann in Kundenklassen kategorisiert werden und es können auf Basis der gewonnenen Informationen individuelle „Shoppingprofile“ erstellt werden, wie Lux sie bezeichnet. Daraufhin kann Werbung individuell auf einzelne Kunden zugeschnitten werden. Wurden beispielsweise bei einem bestimmten Kunden regelmäßige Einkäufe von Windeln und Babynahrung festgestellt, kann diesem Kunden Werbung für Kinderartikel zugestellt werden. (Lux 2012, S. 61–62) Es ergeben sich dadurch sowohl Cross-Selling Möglichkeiten, also das gezielte Anbieten von spartenübergreifenden Produkten und Dienstleistungen und Up-Selling, bei dem Nachfolgeprodukte bzw. höherwertige Produkte angeboten werden. (Behme 2001, S. 26)
Wurde beim Antrag der Kundenkarte einer Weitergabe der Daten zugestimmt, können diese Informationen außerdem an Dritte weitergegeben werden. Bei einer Kooperation des Handelsunternehmens mit einem Reisebüro könnten die Informationen des oben beschriebenen Kunden genutzt werden, um ein kinderfreundliches Hotel zu bewerben. (Lux 2012, S. 62)
Das Wissen über einzelne Kunden kann somit nicht nur dem Handelsunternehmen beim Absatzmarketing helfen, sondern die Informationen können auch, falls vom Kunden genehmigt, gewinnbringend weitergegeben werden. Amazon verkauft die Informationen, die über Kunden gewonnen werden, beispielsweise an andere Unternehmen weiter, die mit dem Wissen ihre Marketingkampagnen verbessern (Marr 2015, S. 289).
Die bereits vorgestellten Anwendungsgebiete der Bondatenanalyse betreffen vor allem den Nutzen von Bondaten für Informationen über Kunden und deren Kaufverhalten. Im Folgenden werden noch einige Bereiche vorgestellt, die ebenfalls von Bondaten profitieren, weil sie interne Informationen über Warenflüsse offenbaren.
• Nachschubsteuerung
Im Rahmen des Absatzmarketings ist die Prognose des zukünftigen Absatzes sinnvoll, um Entscheidungen für die Nachschubsteuerung (Logistik) im Einzelhandel zu treffen. Es besteht der Konflikt, einerseits eine bedarfsgerechte Menge an Artikeln in jeder Verkaufsstelle vorrätig zu haben und andererseits möglichst geringe Kosten durch Transport und Lagerung zu generieren. (Buhr 2006, S. 288–289)
Kurzfristige Absatzprognosen können mit Hilfe von Bondaten durchgeführt werden. Ein sehr einfaches Verfahren könnte auf der Annahme bestehen, für die folgende Woche den gleichen Absatz anzunehmen wie für die vergangene Woche. Dazu könnten noch besondere Tage wie Feiertage berücksichtigt werden und mit einem Auf- oder Abschlag bewertet werden. (Buhr 2006, S. 289–294) Buhr stellt jedoch fest, dass in der Praxis bei den Absatzprognosen die Beachtung von Artikelverbünden ebenfalls relevant für die Genauigkeit der Prognosen ist. Gerade bei absatzstarken Artikeln ist die Güte der Prognosen bei der Berücksichtigung von Verbundinformationen höher. Die Grundidee besteht darin, dass beispielweise die Preissenkung eines Artikels nicht nur dessen Absatzzahlen erhöht, sondern auch die des Artikels, mit dem er im Verbund steht. Dafür betrachtete Buhr bei seinen Untersuchungen auf Grundlage von Bondaten, von jedem Artikel auch den stärksten verbundenen anderen Artikel. (Buhr 2006, S. 356)
• Diebstahlprävention
Auch in der Diebstahlprävention werden Bondaten verwendet. Laut einer Studie des EHI wurden im Jahr 2015 23% der Diebstähle von Mitarbeitern begangen (EHI Retail Institute 2015). Häufig wird dabei Geld an der Kasse unterschlagen. Durch Analysen der Einzahlungsdifferenzen in die Kasse mit dem auf Basis der Bondaten errechneten Umsatz, verglichen mit anderen Kassen, Filialen oder Regionen können erste Hinweise auf Diebstahl festgestellt werden. Weitere Kennzahlen, die Bondaten betreffen sind Bonstorno- Anzahl und Bonstornowert, ebenfalls verglichen mit anderen Kassen, Filialen oder Regionen. (Becker und Winkelmann 2014, S. 269–271)
• Mitarbeitereinsatzplanung
Durch die Erfassung der Scannerdaten an der Kasse können die einzelnen Bondaten einer Einkaufszeit zugeordnet werden. So kann die Kundenfrequenz zu verschiedenen Uhrzeiten ermittelt werden und der Mitarbeitereinsatz dementsprechend geplant werden. Ist die Kundenfrequenz zu einem bestimmten Zeitpunkt höher, sollten mehr Kassen eingesetzt werden, um Wartezeiten zu vermeiden. Für Fach- und Spezialgeschäfte kann zusätzlich auch der Personaleinsatz bezüglich der Verkaufsberatung organisiert werden, da dort häufiger beratungsbedürftige Artikel angeboten werden. (Olbrich 2006, S. 124)
Insgesamt lässt sich festhalten, dass Bondaten und dessen Analysemöglichkeiten viele Bereiche des Unternehmens betreffen und Entscheidungen unterstützen können. Trotzdem verwenden viele Handelsunternehmen Bondaten nur unzureichend (Lux 2012, S. 142). Gründe dafür werden im folgenden Kapitel erläutert.
Probleme der klassischen Bondatenanalyse
Nachdem im vorherigen Kapitel einige Nutzenpotenziale aufgezeigt wurden, sollen nun mögliche Probleme erläutert werden, die bei der Anwendung der klassischen Bondatenanalyse auftreten können. Unter der klassischen Bondatenanalyse werden im Rahmen dieser Arbeit Analysen von Bondaten verstanden, die auf den in Kapitel 3.2 vorgestellten technischen Konzepten von Handelsinformationssystemen basieren. Diese begriffliche Abgrenzung wird getroffen, um im folgenden Kapitel neue Analysepotenziale von Bondaten auf Basis von Big-Data vorzustellen.
Technische Probleme können bei der Übertragung der Bondaten in das zentrale Data- Warehouse entstehen. Ist die digitale Anbindung von Filialen zur Zentrale beispielsweise zu langsam und gleichzeitig das Datenvolumen durch artikelgenaue Übermittlung zu groß für das Data-Warehouse, müssen die Daten möglicherweise in aggregierter Form in das Data-Warehouse übertragen werden. Dann werden die Daten möglicherweise auf Bonebene aggregiert. Analysen einzelner Warenkörbe, beispielsweise für Mikromarketing, sind dann jedoch nicht möglich. (Becker und Winkelmann 2014, S. 266–268)
Auch bei der Erfassung der Bondaten am Point-of-Sale können Probleme auftreten. So werden Verkaufspositionen beim Kassiervorgang häufig nicht unterschieden. Kauft der Kunde beispielsweise mehrere Schokoriegel unterschiedlicher Geschmackrichtungen zum gleichen Preis, kann es sein, dass zwischen ihnen nicht unterschieden wird. (Behme 2001, S. 204) Außerdem werden Einzelartikel wie Obst und Gemüse häufig über eine Gruppentaste registriert, sodass eine genauere Auswertung nicht möglich ist. Bei der Auswertung von Bondaten muss daher auch die Qualität der Datenbasis berücksichtigt werden, wenn Rückschlüsse aus Bondatenanalysen gezogen werden. (Becker und Winkelmann 2014, S. 125–126)
Trotzdem speisten laut Becker und Winkelmann in einer Umfrage rund 60% der Unternehmen die Bondaten artikelgenau ein (Becker und Winkelmann 2014, S. 125). Wie Hertel feststellt, führt jedoch eine Erhebung der Daten nicht zwangsläufig zu einer sinnvollen Auswertung der Daten. So kritisiert er, dass die Daten im Data-Warehouse von Handelsunternehmen häufig write-only sind, nach der Speicherung also nicht aus Auswertungszwecken auf sie zugegriffen wird, obwohl dass eine der „Schlüsselkomponenten eines Data-Warehouses“ darstellt. (Hertel 2011, S. 370)
Auch die Umsetzung von Marketingkonzepten, die beispielsweise auf Grundlage von Bondatenanalysen überprüft oder geplant wurden, kann aufgrund technischer Restriktionen gefährdet werden. Warenwirtschaftssysteme verfügen laut Becker und Schütte häufig über eine geringe Flexibilität, sodass Konzepte wie „buy one get two“ nur unzureichend unterstützt werden. (Becker und Schütte 2004, S. 53)
Es führen jedoch nicht nur technische Grenzen zu Problemen bei der Anwendung von Datenanalysen und spezifisch der Bondatenanalyse. Trotz der Bedeutung der Daten im Handel, der sich Händler inzwischen deutlicher bewusst sind, was sich in einem steigenden Interesse in Investitionen in Data-Warehouse-Technologien, wiederspiegelt (Becker 2010, S. 30), sind Händler häufig mit der Datenflut durch diese Technologien überfordert. Das zeigt sich nach Lux vor allem im Lebensmitteleinzelhandel, in dem Kunden häufig „wenig bis gar keine individuellen Angebote auf Basis ihres Einkaufsverhaltens“ erhalten. (Lux 2012, S. 142)
Recent Comments