Merchandising-Optimierung: Nachfrage vorhersagen, spüren und gestalten

Herausforderungen und Chancen bei der Optimierung des Einzelhandels

Lagerverfügbarkeit und Werbeaktionen beeinflussen weiterhin die Entscheidung von Kunden. Angesichts neuer Customer Journeys und Shopping-Erlebnisse ist vor allem eines entscheidend: die Umsetzung. Verbraucher tolerieren keinen Fehlbestand – 63 % der Verbraucher haben bestätigt, dass sie eine andere Marke ausprobieren werden, anstatt auf eine Wiederauffüllung zu warten. Einzelhändler mit genaueren Prognosen und Einblick in ihre Bestände können schnell auf die Kundennachfrage und Einkaufspräferenzen reagieren, unabhängig davon, ob sie im Geschäft einkaufen, online kaufen und im Geschäft abholen, sich für die Abholung am Straßenrand entscheiden oder andere Kanäle nutzen.

Verbraucher kaufen unterschiedlich ein, je nachdem, was sie kaufen. So setzen sie beispielsweise beim Geschenkeeinkauf andere Prioritäten als beim Einkauf von Saisonartikeln: Manchmal spielt der Preis eine Rolle und manchmal nicht. Einzelhändler können jetzt auf lokaler Ebene nachvollziehen, wie Käufer auf jeden Artikel reagieren, und so die Auswirkungen von Werbeaktionen, Saisonalität und Wetter in ihre Prognosen einbeziehen.

Darüber hinaus können Einzelhändler mehr personalisieren, indem sie Kunden auf der Grundlage ihrer Echtzeitbedürfnisse ansprechen. Es ist wahrscheinlicher, dass Kunden Angebote annehmen, die auf sie zugeschnitten sind und auf einem Verständnis ihres Verhaltens, ihrer Einkaufsweise und der von ihnen abonnierten Services basieren. So werden die Angebotsannahmeraten und letztendlich der Umsatz gesteigert. Umgekehrt kann das Verbreiten nicht zielgerichteter Cross-Selling- oder Upselling-Angebote zu Kundenermüdung und ignorierten oder deaktivierten Benachrichtigungen führen.

Vereinfachte Einzelhandelsplanung mit erweiterten Analysen und maschinellem Lernen

Wenn der richtige Bestand am richtigen Ort verfügbar ist, um die Kundenanforderungen schnell zu erfüllen, unabhängig davon, wann und wo ein Kauf getätigt wird, können Einzelhändler die Herausforderungen bewältigen und die oben beschriebenen Chancen nutzen.

Einzelhändler können erweiterte Analysen und maschinelles Lernen verwenden, um Produkte und Services zu identifizieren, die für einen bestimmten Kunden relevant sind. Sie können diese Produkte und Services dann zum richtigen Zeitpunkt über den entsprechenden Kanal an den Kunden weitergeben.

Werfen wir einen genaueren Blick darauf, wie Einzelhändler mit der Oracle Data Platform die Prognosegenauigkeit verbessern, die Planung vereinfachen und den Bestand optimieren können.

Diese Abbildung zeigt, wie die Oracle Data Platform für den Einzelhandel zur Unterstützung der Merchandisingoptimierung verwendet werden kann und Einzelhändlern dabei hilft, die Nachfrage zu prognostizieren, zu erkennen und zu gestalten. Die Plattform umfasst die folgenden fünf Pillar:

• Datenquellen, Erkennung
• Aufnahme, transformieren
• Beibehalten, kurieren, erstellen
• Analysieren, lernen, prognostizieren
• Messen, handeln

Der Pillar „Datenquellen, Entdeckung“ umfasst vier Datenkategorien.

Geschäftsdatensatzdaten umfassen Verkaufstransaktionen, Kundendaten, Produktdaten, Rücksendungstransaktionen, Lieferanten, Bestand, POS-Systemdaten, Einnahmen und Margendaten.

Anwendungsdaten stammen aus ERP-, SCM-, CX- und WMS-, Fusion SaaS-, NetSuite-, E-Business Suite-, PeopleSoft-, JD Edwards-, SAP-, Salesforce- und Workday-Anwendungen.

Zu den Third-Party-Daten gehören Daten aus Oracle Data Cloud und Social Data.

Zu den technischen Eingabedaten gehören Protokolle, Webklicks, Ereignisströme und Beacons.

Der Pillar „Aufnehmen, transformieren“ umfasst vier Funktionen.

Die Batchaufnahme verwendet OCI Data Integration, Oracle Data Integrator und DB-Tools.

Die Massenübertragung verwendet OCI FastConnect, OCI Data Transfer, MFT und OCI CLI.

Die Datenänderungserfassung verwendet OCI GoldenGate.

Die Streaming-Aufnahme verwendet Kafka Connect.

Alle vier Funktionen verbinden sich unidirektional mit dem bereitstellenden Datenspeicher und dem Cloud-Speicher innerhalb des Pillars „Beibehalten, kurieren, erstellen“.

Darüber hinaus ist die Streaming-Aufnahme mit der Stream-Verarbeitung innerhalb des Pillars „Analysieren, lernen, prognostizieren“ verbunden.

Der Pillar „Beibehalten, kurieren, erstellen“ umfasst fünf Funktionen.

Der bereitstellende Datenspeicher verwendet Autonomous Data Warehouse und Exadata Cloud Service.

Verwaltetes Hadoop verwendet Oracle Big Data Service.

Der Cloud-Speicher verwendet OCI Object Storage.

Die Batchverarbeitung verwendet OCI Data Flow.

Governance verwendet OCI Data Catalog.

Diese Funktionen sind innerhalb des Pillars miteinander verbunden. Der Cloud-Speicher ist unidirektional mit dem bereitstellenden Datenspeicher und dem verwalteten Hadoop und außerdem bidirektional mit der Batchverarbeitung verbunden.

Das verwaltete Hadoop ist unidirektional mit dem bereitstellenden Datenspeicher verbunden.

Zwei Funktionen sind mit dem Pillar „Analysieren, lernen, prognostizieren“ verbunden: Der bereitstellende Datenspeicher ist mit der Analyse- und Visualisierungsfunktion und die Datenprodukte, die API-Funktion und die Cloud-Speicherfunktion sind mit der Machine Learning-(ML-)Funktion verbunden.

Der Pillar „Analysieren, lernen, prognostizieren“ umfasst vier Funktionen.

Analysen und Visualisierungen verwenden Oracle Analytics Cloud, GraphStudio und ISVs.

Datenprodukte, APIs verwenden OCI API Gateway und OCI Functions.

Maschinelles Lernen verwendet OCI Data Science, Oracle ML und Oracle ML Notebooks.

Die Streaming-Verarbeitung verwendet GoldenGate Stream Analytics und Stream-Analysen von Drittanbietern.

Der Pillar „Messen, handeln“ umfasst drei Consumer: Personen und Partner, Anwendungen und Modelle.

Personen und Partner umfassen die historische Vertriebsanalyse, die Kundensegmentierung, die Analyse der Auswirkungen von Werbeaktionen und die Analyse der Auswirkungen der Preisgestaltung.

Anwendungen umfassen Wirtschaftsindikatoren, Kaufverhalten, Echtzeitbedarfsprognose und die Bestandsprognose.

Modelle umfassen die Stimmungsanalyse in den sozialen Medien, kollaborative Prognosen und die Bedarfsplanung.

Die drei zentralen Pillar – Aufnehmen, transformieren; Ausharren, kuratieren, schaffen; und Analysieren, lernen, prognostizieren – werden durch Infrastruktur, Netzwerk, Sicherheit und IAM unterstützt.

Es gibt drei Möglichkeiten, Daten in eine Architektur einzuspeisen, damit Einzelhändler die Nachfrage prognostizieren, erkennen und gestalten können.

• Um unseren Prozess zu starten, müssen wir unsere Gesamtbestandsposition verstehen. Dazu verwenden wir Oracle GoldenGate, um die Datenänderungserfassung der Aufnahme von Lagerbestandsdaten nahezu in Echtzeit aus Betriebsdatenbanken für alle oder eine Teilmenge von Produktlinien zu ermöglichen.
• Wir können jetzt Datensätze hinzufügen, die für die Einzelhandelsnachfrage relevant sind, wie z. B. Point-of-Sale-Informationen. Neben Verkaufsinformationen liefern uns diese Daten mehrere Erkenntnisse, wie z. B. Zeit und Ort des Verkaufs oder Informationen zu Rückerstattungen und Umtausch. Diese Datasets umfassen oft große Mengen von On-Premises-Daten, und in den meisten Fällen ist die Batch-Ingestion am effizientesten. Für unsere Point-of-Sale-Daten verwenden wir Oracle Data Integrator, um die Daten in einem Vier-Stunden-Zyklus aufzunehmen.
• Die Streaming-Aufnahme wird verwendet, um Daten einzuspeisen, die von Beacons an Standorten im Geschäft über IoT, Machine-to-Machine (M2M)-Kommunikation usw. gelesen werden. Auch Videobilder können auf diese Weise konsumiert werden. Darüber hinaus beabsichtigen wir in diesem Beispiel, die Verbraucherstimmung zu analysieren und schnell darauf zu reagieren, indem wir Social-Media-Nachrichten, Antworten auf Beiträge von Erstanbietern und Trendnachrichten analysieren. Nachrichten/Ereignisse aus Social Media (Anwendung) werden mit der Option aufgenommen, einige grundlegende Transformationen/Aggregationen durchzuführen, bevor die Daten im Cloud-Speicher gespeichert werden. Mit zusätzlichen Streamanalysen können korrelierende Consumer-Ereignisse und -Verhalten identifiziert werden, und die identifizierten Muster können (manuell) für OCI Data Science zurückgegeben werden, um die Rohdaten zu untersuchen.

Die Datenpersistenz und -verarbeitung basieren auf drei (optional vier) Komponenten.

• Aufgenommene Rohdaten werden im Cloud-Speicher gespeichert. Wir werden OCI Data Flow für die Batchverarbeitung dieser nun persistenten gestreamten Daten wie Tweets (JSON), Standort, Sensordaten von Beacons und Apps, Geo-Mapping-Daten und Produktreferenzdaten verwenden. Die verarbeiteten Datensätze werden an den Cloud-Speicher zurückgegeben, wo sie weiter aufbewahrt, kuratiert und analysiert und schließlich in optimierter Form in den dienenden Datenspeicher geladen werden. Je nach Architekturvoreinstellung kann das auch mit Oracle Big Data Service als verwaltetes Hadoop-Cluster erfolgen.
• Wir haben jetzt verarbeitete Datensätze erstellt, die in optimierter relationaler Form dauerhaft gespeichert werden können, um die Verwaltungs- und Abfrageperformance im dienenden Datenspeicher zu gewährleisten. Auf diese Weise können wir die beliebtesten Produkt- und Verbraucher-Hashtags identifizieren und zurückgeben, die wiederum mit Standort-, Bestands- und Produktdaten aus Unternehmenssystemen angereichert werden können.

Der Analyseteil basiert auf zwei Technologien.

• Analyse- und Visualisierungsservices liefern beschreibende Analysen (beschreibt aktuelle Trends mit Histogrammen und Diagrammen), prädiktive Analysen (sagt zukünftige Ereignisse voraus, identifiziert Trends und bestimmt die Wahrscheinlichkeit ungewisser Ergebnisse) und präskriptive Analysen (schlägt geeignete Maßnahmen vor, was zu einer optimalen Entscheidungsfindung führt), um beispielsweise folgende Fragen zu beantworten:
  • Wie ist der tatsächliche Umsatz in dieser Periode im Vergleich zum aktuellen Plan?
  • Wie hoch ist der Einzelhandelswert des Lagerbestands und wie ist er im Vergleich zum Vorjahreszeitraum?
  • Was sind die meistverkauften Artikel in einem Geschäftsbereich bzw. einer Abteilung?
  • Wie effektiv war die letzte Promotion?
• Neben dem Einsatz von erweiterten Analysen werden auch Modelle für maschinelles Lernen entwickelt, trainiert und bereitgestellt. Auf diese Modelle kann über APIs zugegriffen werden, die im bereitstellenden Datenspeicher bereitgestellt oder als Teil der Streaming-Analyse-Pipeline von OCI GoldenGate eingebettet werden.
• Auf unsere kuratierten, getesteten und qualitativ hochwertigen Daten und Modelle können Governance-Regeln und -Richtlinien anwenden und als „Datenprodukt“ (API) innerhalb einer Datennetzarchitektur zur Verteilung im gesamten Einzelhandelsunternehmen bereitgestellt werden.

Höhere Rentabilität mit einer Datenplattform für den Einzelhandel

Die Prognose und die entsprechenden Preis- und Werbeeffekte, gepaart mit den zugrunde liegenden Kosten und der Lagerverfügbarkeit, bilden die Grundlage für effektive Preis- und Werbeentscheidungen. Steigern Sie die Rentabilität und Sortimentsflexibilität mit verringertem Bestandsniveau. Antizipieren Sie die Kundennachfrage, indem Sie den Wert Ihrer Daten maximieren und Analysen anwenden, die sich auf maschinelles Lernen, künstliche Intelligenz und entscheidungswissenschaftliche Disziplinen stützen, um Folgendes zu erreichen:

• Höherer Umsatz und Ausbau eines treuen Kundenstamms mit höheren Lagerbestandsraten.
• Ein bis zu 77 % bessere Markentreue mit höheren Lagerbestandsraten. Prognosen, die auf automatisierter Intelligenz basieren, können Nachschub- und Zuweisungsprozesse in großem Umfang fördern. Die Prognose und die entsprechenden statistischen Prognoseintervalle ermöglichen eine erfolgreiche Lieferkette – das richtige Produkt zur richtigen Zeit am richtigen Ort – und helfen Einzelhändlern, die vorausschauende Nachfrage und statistische Sicherheitsbestände zu planen und gleichzeitig die Gesamtbestandskosten zu minimieren.
• Konvertierung von bis zu 50 % der Shopper in Käufer – mit zeitkritischen Verkäufen und Werbeaktionen. Treffen Sie diese Entscheidungen mithilfe von Prognosen, die auf kontextbezogenen „Was-wäre-wenn“-Analysen und prädiktiven Analysen sowie optimierten und vorausschauenden präskriptiven Analysen basieren.