Neue Möglichkeiten mit Machine Learning

IN Modehandel — 16 August, 2017

Machine Learning kann uns von Routinetätigkeiten entlasten und uns helfen, bessere Entscheidungen zu treffen. Dadurch erhalten wir Freiräume und können Ressourcen für die strategische Weiterentwicklung mobilisieren. Wir verfügen über die Daten, die Technologien und die Algorithmen, die Machine Learning ermöglichen. Warum nutzen wir sie nicht?

GettyImages-535850873_BY_Tech_DMesh.jpg

Daten bestimmen den Alltag im Handel und sind die Grundlage vieler Entscheidungen: Wir messen Frequenz, wir erfassen Ein- und Verkäufe artikelgenau, wir dokumentieren, welcher Kunde was bei uns kauft und wann wir welche Preisabschrift vorgenommen haben. Wir berechnen die Konversion, den Durchschnittsbon, die erzielte Kalkulation, die durchschnittliche Preisabschrift, den Lagerumschlag, die Flächenproduktivität, die Verbundeffekte von Artikeln etc.

Alle diese Daten sollen uns helfen, bessere Entscheidungen zu treffen und die existenziellen Fragen des Handels zu beantworten: Wer sind meine Kunden? Für wen muss ich was bevorraten? Welche Mengen kann ich zu welchen Preisen absetzen? Wann ist der richtige Zeitpunkt für welches Angebot?

Von den besten Händlern lernen

Zahlreiche Händler haben in den letzten Jahren durch die Nutzung von Daten viel erreicht. Aber diejenigen, die ihre Daten schneller und besser nutzen als andere, können auch die messbaren Fundamentaldaten des Unternehmens nachhaltig und deutlich verbessern.

Vier Aspekte machen diese „Spitzensportler“ beim Datenmanagement stark:

  1. Der Warengruppenschlüssel deckt alle Facetten von Dispositionsentscheidungen ab – nicht nur ausgewählte Teilaspekte.
  2. Die Daten sind smart codiert und werden intelligent um Metadaten angereichert, die einen höheren Erkenntniswert schaffen und aussagefähige lange Zeitreihen ermöglichen.
  3. Umfeldbedingungen werden erfasst, z. B.: Wo war der Artikel im Geschäft platziert? Wie wurde der Artikel präsentiert? Was zeichnet die Kunden aus, die den Artikel gekauft haben? Welche Marketing-Aktivitäten liefen zeitgleich? Welche sonstigen Rahmenbedingungen gab es?
  4. Working Capital, Ertragskraft und Warenverfügbarkeit sind nicht nur Schlagworte, sondern auch proaktiv und konsequent entlang eines klar definierten Zielkorridors gemanagt.

Erfolgreiche Händler haben das datenbasierte Arbeiten fest in ihrer Kultur verankert und bauen ihre Entscheidungsprozesse auf Fakten auf. Gleichzeitig nehmen sie sich die Freiheit, aus der Intuition für Mensch und Ware „Experimente“ zu wagen. Wer so arbeitet, bedient Zielgruppen besser und überrascht seine Kunden immer wieder aufs Neue erfolgreich.

Automatisierung – the smart way

Händler, die intensiv mit Daten arbeiten, sind mit der Zeit auch meist bereit, Entscheidungs-prozesse zu automatisieren.

Preisabschriften folgten in der Vergangenheit z. B. häufig fest vorgegebenen „Wenn-Dann-Regeln“: Wurde die geplante Abverkaufsquote unterschritten, gab es je nach Ausmaß der Abweichung klare Vorgaben, um wie viel ein Artikel reduziert werden soll, damit der Abverkauf in Schwung kommt. Die Reduzierung erfolgte dabei entweder als Routineanweisung durch die betreffenden Mitarbeiter oder automatisiert durch die EDV. 

Im Zeitalter von Machine Learning werden deutlich bessere Ansätze ermöglicht: Die Automatisierung folgt nun nicht mehr klar gezeichneten Wegen, sondern optimiert den Weg, um die vom Mitarbeiter vorgegebenen Ziele und Rahmenbedingungen zu realisieren.

Der Mitarbeiter gibt zum Beispiel vor, welcher Umsatz und welche erzielte Kalkulation mit einem NOS-Artikel in welcher Preis- und Mengenbandbreite innerhalb einer Saison erreicht werden soll. Auf dieser Grundlage werden dann Wareneingänge, Anfangspreise und Preisreduzierungen mithilfe von Machine Learning im Saisonverlauf optimiert.

Die Optimierung basiert auf treffsicheren Prognosen der Absatzmengen, die ein Artikel zu einem bestimmten Zeitpunkt in Abhängigkeit des Preises jeweils realisieren kann.

In der einfachsten Ausführung erstellen Machine-Learning-Systeme diese Prognosen auf Basis der Abverkaufsmuster innerhalb der laufenden Saison. Je länger die Saison ist und je schneller das System am Anfang der Saison „lernt“, desto besser die Ergebnisse.

Leistungsfähige Machine-Learning-Systeme nutzen deshalb nicht nur die Abverkaufsmuster des Artikels der laufenden Saison, sondern auch Erkenntnisse aus den vergangenen Saisons.

Machine-Learning-Systeme leisten damit grundsätzlich das, was auch gute Mitarbeiter leisten können – aber eben zu viel niedrigeren Kosten und in kürzerer Zeit. Darüber hinaus arbeiten diese Systeme in der Regel zuverlässiger als Mitarbeiter und liefern mittel- und langfristig deutlich bessere Ergebnisse.

Machine Learning eröffnet neue Perspektiven

Die besten Händler entlasten ihre Mitarbeiter mithilfe von Machine Learning gezielt von Routine-tätigkeiten, um ihnen mehr Zeit zu geben für kreative strategische Fragestellungen und innovative Services. Diese zukunftsorientierten Unternehmen erkennen Trends, Strömungen und Gelegenheiten schneller, entwickeln hervorragende Beziehungen zu ihren Kunden und sind deshalb ertragreicher.

Unter diesen Rahmenbedingungen bieten diese Händler ein spannendes Arbeitsumfeld für junge Talente und sichern damit nicht nur die Zukunft ihres Unternehmens, sondern erhöhen häufig auch den Spaßfaktor bei der Arbeit, was im „War-for-Talents“ ja auch nicht ganz unwichtig ist.

 

Dr. Carsten Lurse Dr. Carsten Lurse

Strategieberater und Manager für Konsumgüter und Handel sowie Partner und Gesellschafter der Unternehmensberatung h+p