Preisoptimierung

Herausforderungen und Chancen bei der Optimierung des Einzelhandels

Der Einzelhandel steht vor wachsenden Herausforderungen, wenn es darum geht, seine Marktposition zu halten und gleichzeitig die Rentabilität zu maximieren. Die Preisgestaltung ist seit langem einer der wichtigsten Hebel, die dem Einzelhandel zur Verfügung stehen, um den Umsatz zu steigern, neue Kunden zu gewinnen, bestehende Kunden zu binden und den Marktanteil zu erhöhen. In den letzten zehn Jahren hat sie jedoch noch mehr an Bedeutung gewonnen, da es für die Verbraucher mit dem Aufschwung des E-Commerce und des Omnichannel-Shoppings einfacher denn je geworden ist, einzukaufen – und davor die Preise bei mehreren Händlern zu vergleichen.

Ungenaue, lückenhafte oder manchmal auch zu viele Informationen können es den Einzelhändlern schwer machen, die richtigen Preisentscheidungen zu treffen. Eine strategische Preisgestaltung kann zwar ein wichtiges Mittel sein, mit dem sich Einzelhändler von ihren Konkurrenten abheben können, doch unsachgemäße Preisentscheidungen können erhebliche negative Auswirkungen auf Umsatz, Rentabilität und Kundenzufriedenheit haben. Angesichts der geringen Gewinnspannen, mit denen die meisten Einzelhändler arbeiten, ist es ausschlaggebend, den besten Preis zu ermitteln, um den Umsatz, die Rentabilität und den Marktanteil eines Produkts zu maximieren. Aufgrund der problematischen Datenlage müssen viele Einzelhändler jedoch Preisentscheidungen treffen, ohne die Nachfrage oder die Auswirkungen von Preisänderungen auf den Umsatz und die Gewinnspanne zu kennen, und sie müssen Zehntausende dieser unsachgemäßen Preisentscheidungen für ihr gesamtes Sortiment treffen.

Die Fähigkeit, verschiedene Datensätze zusammenzuführen sowie erweiterte Analysen und maschinelles Lernen in großem Umfang anzuwenden, ermöglicht es Einzelhändlern, ihre Preisstrategien zu erweitern, um wettbewerbsfähige Preise, psychologische Preise, Aktionspreise, Preisbündelungen und zunehmend dynamische Preise zu berücksichtigen, die richtige Preisstrategie (oder Kombination von Strategien) zu ermitteln und ihre Preisgestaltung zu optimieren. Sie können dann die richtigen Produkte und Dienstleistungen zum richtigen Preis über den richtigen Kanal zur richtigen Zeit an den richtigen Kunden bringen.

Vereinfachte Einzelhandelsplanung mit erweiterten Analysen und maschinellem Lernen

Sehen wir uns an, wie Oracle Data Platform Einzelhändlern dabei hilft, die richtigen Preise für einzelne Produkte zu ermitteln, diese während des gesamten Produktlebenszyklus zu optimieren und das Verhältnis von Preis, Volumen und Marktzeit zu verstehen.

Diese Abbildung zeigt, wie Oracle Data Platform für den Einzelhandel verwendet werden kann, um die Preisoptimierung zu unterstützen sowie Einzelhändlern zu helfen, ihre Marktposition zu halten und gleichzeitig die Rentabilität zu maximieren. Die Plattform umfasst die folgenden fünf Säulen:

1. 1. Datenquellen, Entdeckung
2. 2. Aufnehmen, transformieren
3. 3. Beibehalten, kuratieren, erstellen
4. 4. Analysieren, lernen, prognostizieren
5. 5. Messen, handeln

Die Säule „Datenquellen, Entdeckung“ umfasst drei Datenkategorien.

1. 1. Geschäftsdaten (Erstanbieterdaten) umfassen Verkaufstransaktionen sowie Kunden-, Lieferanten-, Bestands-, POS-System-, Umsatz- und Margendaten.
2. 2. Anwendungsdaten stammen aus ERP-, SCM-, CX-, WMS-, Fusion SaaS-, NetSuite-, Oracle E-Business Suite-, PeopleSoft-, JD Edwards-, SAP-, Salesforce- und Workday-Anwendungen.
3. 3. Daten von Drittanbietern umfassen Mitbewerberdaten, Daten von Oracle Advertising, wirtschaftliche Daten und Daten aus sozialen Medien.

Die Säule „Aufnehmen, transformieren“ umfasst drei Funktionen.

1. 1. Die Batch-Ingestion verwendet OCI Data Integration, Oracle Data Integrator und DB-Tools.
2. 2. Die Massenübertragung verwendet OCI FastConnect, OCI Data Transfer, MFT und OCI CLI.
3. 3. Die Datenänderungserfassung verwendet OCI GoldenGate.

Alle drei Funktionen verbinden sich unidirektional mit dem Cloud-Speicher/Data Lake innerhalb des Pillars „Beibehalten, kuratieren, erstellen“.

Die Säule „Beibehalten, kuratieren, erstellen“ umfasst vier Funktionen.

1. 1. Der zugrunde liegende Datenspeicher nutzt Oracle Autonomous Data Warehouse.
2. 2. Cloud-Speicher/Data Lake verwendet OCI Object Storage.
3. 3. Die Batchverarbeitung verwendet OCI Data Flow.
4. 4. Governance verwendet OCI Data Catalog.

Diese Funktionen sind innerhalb der Säule miteinander verbunden. Der Cloud-Speicher/Data Lake ist unidirektional mit dem bereitstellenden Datenspeicher und außerdem bidirektional mit der Batchverarbeitung verbunden.

Eine Funktion ist mit der Säule „Analysieren, lernen, prognostizieren“ verbunden: Der zugrunde liegende Datenspeicher ist sowohl mit der Analyse- und Visualisierungsfunktion als auch mit der Funktion für maschinelles Lernen verbunden.

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

1. 1. Analysen und Visualisierungen verwenden Oracle Analytics Cloud, GraphStudio und ISVs.
2. 2. Maschinelles Lernen verwendet OCI Data Science, Oracle ML und Oracle ML Notebooks.

Der Pillar „Messen, handeln“ umfasst drei Consumer: Dashboards und Berichte, Anwendungen und Machine Learning-(ML-)Modelle.

Das Dashboard und die Berichte umfassen Vertrieb, Leistung, Bestandsniveaus und Mitbewerberpreise.

Anwendungen umfassen Preiselastizitätsmodelle und Preisfindungsregeln.

Modelle für maschinelles Lernen umfassen Kundenverhaltensmuster und die marktspezifische Preisgestaltung.

Die drei zentralen Säulen – Aufnehmen, transformieren; Beibehalten, kurieren, erstellen; und Analysieren, lernen, prognostizieren – werden durch Infrastruktur, Netzwerk, Sicherheit und IAM unterstützt.

Es gibt im Wesentlichen drei Möglichkeiten, Daten in eine Architektur einzuspeisen, die es Einzelhändlern ermöglicht, Preise zu optimieren.

• Zu Beginn unseres Prozesses müssen wir uns einen Überblick über unseren Gesamtbestand verschaffen, um sicherzustellen, dass die Produkte weder über- noch unterbestellt wurden. Anhand dieser Daten können wir entscheiden, ob wir die Preise anpassen müssen, um entweder den Bestand zu verschieben oder einen Fehlbestand zu vermeiden. Dazu verwenden wir OCI GoldenGate, um die Datenänderungserfassung der Aufnahme von Lagerbestandsdaten nahezu in Echtzeit aus Betriebsdatenbanken für alle Produktlinien oder eine Teilmenge der Produktlinien zu ermöglichen.
• Wir können nun Datensätze hinzufügen, die für die Kunden (z. B. ihre Vorlieben, ihr Verhalten und ihr Kaufverhalten), die Kosten (z. B. die Produktions- und Verkaufskosten) und die Nachfrage im Einzelhandel (z. B. Informationen über die Verkaufsstellen) relevant sind. Um Veränderungen im Kundenverhalten vorhersehen zu können, müssen Einzelhändler auch die Marktbedingungen (z. B. Angebot und Nachfrage), wirtschaftliche Trends und die Stimmung der Verbraucher kennen. Einzelhändler müssen außerdem die Preise und Werbeaktionen ihrer Konkurrenten beobachten, um sicherzustellen, dass sie wettbewerbsfähig bleiben. 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 Masseneinspeisung kann zum ersten Laden von Daten oder zum Migrieren von Daten aus On-Premises-Datenspeichern verwendet werden.

Die Datenpersistenz und -verarbeitung basiert auf drei Komponenten.

• Aufgenommene Rohdaten werden im Cloud-Speicher gespeichert. Wir verwenden OCI Data Flow für die Batch-Verarbeitung dieser nun persistenten Daten, einschließlich der Lagerbestände, Geomapping-Daten und Produktreferenzdaten. 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.
• Wir haben jetzt verarbeitete Datensätze erstellt, die in optimierter relationaler Form dauerhaft gespeichert werden können, um die Verwaltungs- und Abfrageperformance im zugrunde liegenden Datenspeicher von Oracle Autonomous Data Warehouse zu gewährleisten. So können wir die Produkte nach Preis, Bedarfsprofil, Lagerbestand und Standort identifizieren und zurücksenden.

Die Fähigkeit, zu analysieren, zu lernen und Vorhersagen zu treffen, beruht auf zwei Technologien.

• Analyse- und Visualisierungsservices bieten die folgenden Funktionen:
  • Deskriptive Analysen (beschreiben aktuelle Trends mit Histogrammen und Diagrammen) unterstützen die Entwicklung regelbasierter Preisalgorithmen, die vordefinierte Regeln verwenden, um Preise basierend auf bestimmten Kriterien wie Sales Performance, Bestandsniveaus oder Preisgestaltung der Wettbewerber anzupassen. So kann ein Einzelhändler beispielsweise eine Regel aufstellen, nach der der Preis eines Produkts um 10 % gesenkt wird, wenn es länger als 30 Tage auf Lager ist.
  • Die Vorhersageanalyse (Vorhersage künftiger Ereignisse, Ermittlung von Trends und Bestimmung der Wahrscheinlichkeit ungewisser Ergebnisse) nutzt historische Verkaufsdaten, um Korrelationen zwischen Preis und Nachfrage zu ermitteln. Einzelhändler können diese Analyse nutzen, um vorherzusagen, wie sich Preisänderungen auf die Nachfrage auswirken werden, und die Preise entsprechend anpassen. Darüber hinaus können Vorhersageanalysen Preiselastizitätsmodelle bereitstellen, die statistische Modelle verwenden, um zu messen, wie sensibel die Nachfrage auf Preisänderungen reagiert. Einzelhändler können diese Analyse nutzen, um die optimalen Preispunkte zur Maximierung von Umsatz und Rentabilität zu ermitteln.
  • Die Vorhersageanalyse (Vorschläge für geeignete Maßnahmen zur Unterstützung einer optimalen Entscheidungsfindung) kann für die dynamische Preisgestaltung genutzt werden. Der Algorithmus nutzt Echtzeitdaten wie Bestandsniveaus, Mitbewerberpreise und Kundenverhalten, um Preise in Echtzeit anzupassen. Einzelhändler können damit schnell auf Marktveränderungen reagieren und die Preise im Sinne einer maximalen Rentabilität optimieren.
• Neben dem Einsatz von erweiterten Analysen werden auch Modelle für maschinelles Lernen entwickelt, trainiert und bereitgestellt. Die Modelle nutzen künstliche Intelligenz, um große Datenmengen zu analysieren sowie Muster und Trends zu identifizieren, mit denen Preise optimiert werden können. Einzelhändler können Algorithmen für maschinelles Lernen verwenden, um das Kundenverhalten vorherzusagen, Preischancen zu identifizieren sowie Preise über mehrere Produkte und Märkte hinweg zu optimieren.
• Unsere kuratierten, getesteten und qualitativ hochwertigen Daten und Modelle können Governance-Regeln und -Richtlinien anwenden und als „Datenprodukt“ (API) innerhalb einer Data-Mesh-Architektur für den Vertrieb im Einzelhandel verfügbar gemacht werden.

Höhere Rentabilität mit einer Datenplattform für den Einzelhandel

Die richtigen Preisstrategien können den Umsatz, die Rentabilität, den Marktanteil und die Kundenzufriedenheit steigern. Dafür benötigen Einzelhändler jedoch einen Echtzeit-Zugang zu Lagerbeständen, Bestellungen, Nachfrage, aktuellen Preisen und Werbeaktionen sowie eine 360-Grad-Kundenübersicht. Durch den Einsatz einer Datenplattform, die Daten aus verschiedenen Quellen integriert und erweiterte Analysen unterstützt, können Einzelhändler ihre Preisstrategien auf Produktebene leicht anpassen und die Preise über alle Verkaufskanäle hinweg mit den Unternehmens- und Kategoriezielen in Einklang bringen. Diese Flexibilität ermöglicht es Einzelhändlern, reguläre Preise auf der Grundlage ihrer Zielmargen, der Preisanpassung an die Konkurrenz oder ihrer bevorzugten Preisbeziehung zwischen verschiedenen Märkten vorzuschlagen und den Wert ihrer Aktions- und Abschlagsstrategien zu maximieren – das alles bei einem überragenden Omnichannel-Kundenerlebnis, indem sichergestellt wird, dass der einzelne Kunde an jedem Kontaktpunkt eine einheitliche Preisgestaltung erfährt.