Produkte auf der Grundlage einer industrialisierten Analyse von Kassenbons klassifizieren

Für das Margen- und Preisimage-Management 

Dieses Dokument umfasst Elemente einer Studie, die von den Datenwissenschaftlern von Mercio durchgeführt wurde. Unsere Experten verwenden die neuesten Technologien in diesem Bereich oder entwickeln ihre eigenen Tools, um Unternehmen bei der Lösung komplexer und interdisziplinärer Probleme zu unterstützen.

Mit der hier vorgestellten Analyse wollten wir einige zuverlässige und konkrete Lösungsansätze für eines der immer wieder auftretenden Probleme unserer Kunden vorstellen: Wie kann man eine Produktsegmentierung vornehmen, die sich nicht nur auf offensichtliche Merkmale stützt, sondern auch die Kundenerwartungen berücksichtigt, wenn man zehn- oder gar hunderttausende von Produkten verwaltet? Wie kann man diese Ergebnisse nutzen, um seine Preis- und Verkaufsstrategie zu verbessern? Und wie kann man darüber hinaus neue Produkte bepreisen, für die weder eine Verkaufshistorie noch ein Vergleich mit der Konkurrenz vorliegt? Das Mercio-Team hat daran gearbeitet, einen wirksamen und innovativen Ansatz für diese Probleme zu finden.

Der Ansatz dieser Data-Science-Studie

Das Mercio-Team vertritt die These, dass moderne Data-Science-Tools, die in der Lage sind, automatisch und schnell große Datenmengen in industriellem Maßstab zu analysieren, langwierige und kostspielige qualitative oder statistische Studien ersetzen oder ergänzen können, indem sie auf eine Vielzahl von Informationen zurückgreifen, die allen Einzelhändlern zur Verfügung stehen: die Verkaufsbelege.

Für diesen Use Case haben wir Daten aus dem Drogeriesektor verwendet, einem Bereich, der sich durch zwei Merkmale auszeichnet: die große Anzahl der zu verwaltenden Referenzen und die Schwierigkeit, Produkt für Produkt mit den Wettbewerbern zu vergleichen, da es von Geschäft zu Geschäft zahlreiche Unterschiede in Bezug auf Verpackung, Menge, Marken usw. gibt. Wir haben mehrere Dutzend Millionen anonymisierte Kassenbelege bearbeitet, die etwa drei Monate Aktivität eines führenden Einzelhändlers in den USA repräsentieren.

Unsere Dateningenieure haben daher einen eigenen automatischen Klassifizierungsalgorithmus entwickelt und getestet. Sie haben dafür Tools verwendet, die sie selbst entwickelt haben. Das Modell wurde dann getestet und validiert, indem es auch auf andere Sektoren angewendet wurde.

Methodik

  • Die erste Ebene des Algorithmus verarbeitet alle Tickets und weist jedem Produkt eine Punktzahl zu, die sich nach der Häufigkeit des Kaufs richtet:
    • Immer in Kombination mit mindestens einem anderen Produkt (0 Punkte)
    • Immer allein (1 Punkt)
    • Dazwischen (von 0 bis 1)
  • Die zweite Ebene geht noch weiter: Sie stuft Produkte auf einer Skala je nach Art des Kaufs höher oder niedriger ein:
    • Mit einer Vielzahl von anderen Produkten
    • Oft mit denselben Produkten.
  • Die dritte Ebene fasst die ersten beiden Indikatoren zusammen, um die folgenden 3 Kategorien zu definieren:

Lockartikel: Diese Produkte werden manchmal allein, häufiger jedoch zusammen mit ergänzenden Produkten gekauft. Dies sind die Produkte, die die Kunden dazu bewegen, das Geschäft zu besuchen. Ihre Preise werden mit größerer Wahrscheinlichkeit verglichen und das Fehlen dieser Produkte in den Regalen kann dazu führen, dass der Kunde das Geschäft ohne einen Kauf verlässt. Zu diesen Produkten gehören Babywindeln oder auch Duschgel.

Ergänzende Produkte: Diese Produkte werden selten allein gekauft, sondern häufig als Ergänzung zu anderen Produkten. Dabei handelt es sich entweder um Impulskäufe oder um eine ergänzende Verwendung, wie im Fall des Naturschwamms mit dem Duschgel oder der Taschentücher mit einem Medikament gegen Erkältungen.

Unabhängige Produkte: Sie werden meist einzeln gekauft. Dies ist bei einigen exklusiven Schönheits- und Gesundheitsprodukten der Fall.

Ein nahezu sofortiger ROI

Unsere Teams haben die meiste Zeit damit verbracht, die entsprechenden Indikatoren zu entwerfen und dann die Ergebnisse zu analysieren. Dank der heute verfügbaren Tools dauern das Laden der Daten, die Visualisierung und die Berechnungen selbst bei so großen Datenmengen nur wenige Minuten. Dies ist jedoch ausreichend, um mehrere Optimierungsstrategien vorzuschlagen, die sich praktisch sofort bezahlt machen:

  • Den Wert des durchschnittlichen Warenkorbs erhöhen
    Durch eine Erhöhung der Marge auf ergänzende Produkte mit z. B. maximal +20 % im Vergleich zu Wettbewerbern können mehrere hunderttausend Euro zusätzliche Marge erzielt werden, ohne das Preisimage der Marke zu beschädigen.
  • Verbesserung des Preisimages zur Steigerung des Verkaufsvolumens
    Bei gleicher Bruttomarge kann das Geschäft für die Kunden attraktiver gestaltet werden, indem man die Preise für Lockartikel senkt und die Preise für ergänzende Produkte erhöht.

Auf Grundlage dieser Analyse gibt es mehrere Möglichkeiten, die Optimierung weiter voranzutreiben:

  • Wiederholung der Methode auf der Ebene jedes einzelnen Geschäfts. So lassen sich beispielsweise spezifische Verhaltensmuster zwischen Geschäften außerhalb der Stadt und solchen im Stadtzentrum feststellen.
  • Identifizierung und Klassifizierung von „Lockprodukten + ergänzenden Produkten“ in kategorieinterne und kategorieübergreifende Posten, um das Merchandising zu verbessern.
  • Quervergleiche mit den Daten der Website, um die Genauigkeit zu erhöhen. Auf diese Weise lässt sich beispielsweise ermitteln, welche Produkte häufig als Erstes in den Warenkorb gelegt werden, welche selten als Erstes und welche häufig als einzige in den Warenkorb gelegt werden.

Hin zu einer vorausschauenden Preisgestaltung für neue Produkte und Marktplätze

Diese Erfahrung zeigt, dass es dank moderner Erkenntnisse der Data Science möglich ist, sehr schnell wertvolle und sofort umsetzbare Erkenntnisse zu gewinnen, um die Qualität der eigenen Preisgestaltung zu verbessern.

In Kombination mit einer flexiblen Preisfindungsmaschine, die diese Ergebnisse kontinuierlich in die Preisfindungsregeln integrieren kann, ermöglicht Data Science somit einen prädiktiven statt reaktiven Ansatz bei der Preisfindung. Durch die Identifizierung relevanter Produktattribute und ihre Klassifizierung nach ihrer Funktion können die Preise für neue Produkte oder für auf dem Markt befindliche Produkte festgelegt werden, ohne dass man sich auf die Verkaufshistorie oder die Regeln für die Anpassung an den Wettbewerb stützen muss.

Mit Mercio einen Schritt weiter gehen: Die Software zur Preisoptimierung von Mercio wurde entwickelt, um die Lücke zwischen Marketingwissen und Preisstrategie zu schließen. So kann jedes Geschäft seine eigene Geschäftslogik in einer flexiblen und skalierbaren Lösung umsetzen und gleichzeitig von einer Lösung profitieren, die unter Berücksichtigung der Best Practices für die Preisgestaltung im Einzelhandel entwickelt wurde. Entdecken Sie die Präsentation der Mercio-Plattform unter der Rubrik „Unsere Plattform“.

Partagez
Standardbild
Valentine Dreyfuss
Valentine ist Gründerin und CEO von Mercio. Sie hat die Preisimage-Herausforderungen der Schwergewichte des Einzelhandels mit den Spitzeninnovationen unserer Ingenieurteams zusammengebracht. Sie engagiert sich sehr für die technologische Souveränität Europas, ist Co-Präsidentin von La French Tech in Düsseldorf und gibt ihr Wissen jedes Jahr an Studierende der HEC weiter.