BONDATEN-ANALYSE Explorative Pilot-Analyse von Bon-Daten. Rohdaten (1)

Transkript

1 BONDATEN-ANALYSE Explorative Pilot-Analyse von Bon-Daten Rohdaten (1) Alle Bon-Daten (verkaufte Mengen und UmsÅtze pro SKU) von 50 Outlets fär den Zeitraum XXX kleinste Verdichtungseinheit: Outlet X Tag X Stunde Allerdings sind Datenformat und Struktur wenig verarbeitungsfreundlich Rohdaten (2) Datenvolumen: Im Durchschnitt liegt der Speicherbedarf pro Outlet und KW bei ca. 5 MB (d.h. die Rohdaten fär 1 Jahr und 50 Outlets beanspruchen ca. 13 GB Speicher) Bereinigt um Pfand-Bons, Umbuchungen und sonstigen Korrekturen verbleiben pro Outlet und KW ca Bons mit Artikeln aus 3,1 Warengruppen, wobei ca. jeder 2. Bon pro Warengruppe mehr als eine Einzelposition/Artikel enthålt. Insgesamt kommen knapp unterschiedliche Artikel/SKU s vor. Deskriptive Analyse: Bon-Umfang Von allen Bons enthalten 29 % Artikel aus 1 Warengruppe 19 % Artikel aus 2 Warengruppen 15 % Artikel aus 3 Warengruppen 12 % Artikel aus 4 Warengruppen 25 % Artikel aus 5 und mehr Warengruppen Durchschnittlicher Umsatz pro Bon = 7,13 Euro Ca. jeder 7. Bon (14 %) enthålt Tabakwaren

2 Deskriptive Analyse: Bon-Umsatz (1) Lebensmittel erbringen in der Summe 60 % vom Gesamtumsatz. Weitere 12 % erbringen Tabakwaren, dicht gefolgt von Bier & alkoholfreien GetrÅnken mit 11 % Umsatzanteil. Auf Spirituosen, Wein & Sekt entfallen noch 6 % und alle Äbrigen Warengruppen erreichen zusammen nur noch einen Umsatzanteil von 10 %. Deskriptive Analyse: Bon-Umsatz (2) Bon-Frequenzen nach Uhrzeit und Wochentag Die Anzahl der Bons pro Stunde ( = Indikator der Kundendichte) ist vormittags von 9:00 12:00 und nachmittags von 17:00 18:00 Uhr am héchsten, verteilt sich jedoch insgesamt relativ gleichmñöig Über den Tagesablauf. BezÄglich der Wochentage ergibt sich die gréñte Kundendichte fär Samstag (kärzere Öffnungszeit!), gefolgt von Freitag und Montag. An den Äbrigen Wochentagen ergeben sich keine nennenswerten Unterschiede. Im Durchschnitt fallen ca. 750 Bons pro Tag und Outlet an, wobei es hier jedoch erhebliche Unterschiede gibt: gegenäber dem kleinsten Outlet mit ca. 220 Bons/Tag fallen im gréñten Outlet ca Bons/Tag an! In Kombination mit dem auf einzelne Warengruppen entfallenden Umsatzanteil ergibt sich daraus die MÉglichkeit zur Optimierung von Testdesigns (z.b. Kundenbefragungen) hinsichtlich Outlet-Selektion und Timing. Deskriptive Analyse: Bon-Umsatz (3) Der durchschnittliche Umsatz pro Bon ist relativ stabil: Mittel = 7,13 Euro, Standardabweichung = 1,50 Euro. Zwischen der Anzahl Bons/Tag und dem Umsatz/Tag besteht eine enge Korrelation von R = +0,91, d.h. sofern die Information bzgl. Anzahl Bons/Tag nicht verfägbar ist, kann sie Äber den Umsatz/Tag recht zuverlåssig geschåtzt werden.

3 AffinitÄten zwischen Umsatzanteilen von Marken bzw. Warengruppen(1) Basis der Analyse sind die Umsatzanteile von Marken bzw. Produktgruppen pro Outlet innerhalb folgender Warengruppen: WG X: Cigaretten/Zigarren/Feinschnitt/Cig.-Papier etc. WG Y: Spirituosen, Wein & Sekt WG Z: Bier & alkoholfreie GetrÄnke Obwohl Lebensmittel den gréñten Umsatzanteil haben, wurden sie wegen des extremen Bearbeitungsaufwands nicht einbezogen. AffinitÄten zwischen Umsatzanteilen von Marken bzw. Warengruppen(2) Trotz der relativ geringen Fallzahl (N=50) und der z.t. willkärlichen Zusammenfassung einzelner Artikel zu Produktgruppen, zeigt die Analyse, dass sowohl innerhalb der Warengruppen wie auch zwischen Marken/Produktgruppen verschiedener Warengruppen hochsignifikante Korrelationen bestehen. Diese Korrelationen wurden exemplarisch fär GetrÅnke mittels iterierter Faktorenanalysen analysiert mit dem Ziel, Indikatorvariablen zu identifizieren und statistische Parameter zu definieren, die die lokale Nachfragestruktur fär GetrÅnke abbilden. Identifikation von Indikatorvariablen Warengruppe: GetrÅnke GrundsÅtzlich kénnen nur solche Artikel / Marken als Indikatorvariable herangezogen werden, die in allen Outlets distribuiert sind und deutlich unterschiedliche Umsatzanteile pro Outlet haben Weiterhin ist zu fordern, dañ sie eine méglichst redundanz-arme Modellierung der lokalen Nachfragestruktur erlauben.

4 Via iterativer Faktorenanalysen wurden aus den anfånglich ca Artikeln/SKU s diejenigen selegiert, die den o.g. Forderungen relativ am besten entsprechen. Damit konnte die Liste der potenziellen Indikatorvariablen auf 36 (statt ca ) reduziert werden. Modellierung der lokalen Nachfragestruktur Warengruppe: GetrÄnke Einbezogen wurden die 36 Marken/Artikel, die zuvor als potenzielle Indikatorvariablen identifiziert wurden. Die Faktorenanalyse der Covarianzen zeigt, dass bereits mit 3 Faktoren 95 % der Gesamtvarianz erklårt wird. VARIMAX-rotierte Faktoren / Markiervariable: F1 (+): Vittel, Volvic, Margon, Coca Cola Light Paulaner, Pilsener Urquell Chardonnay, Chianti, Gallo, Molini, Pinot Grigio, Viala, Saale- Unstrut, Prosecco F2 (+): Domkeller Wein Meisterpils, Sternburg Export Bauernhaus Klarer, Baerens. Goldkrone, Gold.Aue Klarer, Goldbrand, Torgauer Goldbrand, Nordhaeuser Goldbrand, Wendelstein Korn F3 (+): Tau Mineralwasser, Vita Cola Hasseroeder, Warsteiner Rotkaeppchen Sekt Flaeminger Jagd, KÉmmerling, Kraeuterglut, Schierker Feuerstein, Ramazotti, Torgauer Stonsdorfer, Prima Sprit Ansatz

5 Interpretation der lokalen Nachfragestruktur Warengruppe: GetrÄnke - Vor dem Hintergrund der Theory of Latent Structure/Latent Class Analysis (Lazarsfeld) lassen sich die Ergebnisse so interpretieren: * Es gibt im wesentlichen 3 Nachfragetypen (= latent classes) mit deutlich unterschiedlichen Kaufwahrscheinlichkeiten fär bestimmte GetrÅnkemarken (proportional zu den Faktorladungen der GetrÅnkemarken) * Die Unterschiede zwischen der Nachfragestruktur verschiedener Outlets ergeben sich aus der unterschiedlichen Zusammensetzung der KÅuferschaft bzgl. der 3 o.g. Nachfragetypen (proportional zu den Faktorscores der Outlets) Outlet-Klassifikation auf Basis der lokalen Nachfragestruktur Die Faktorscores der Outlets erlauben eine Analyse der Nachfragestruktur fär jedes einzelne Outlet. - Allerdings ist der Analyseaufwand proportional zur Anzahl der Outlets. Via Clusteranalyse lassen sich Outlets zu Gruppen mit Åhnlicher Nachfragestruktur zusammenfassen, was zwar eine VergrÉberung bedeutet, aber den Analyseaufwand erheblich reduziert. Im vorliegenden Fall führt eine Zusammenfassung zu 8 Outlet-Typen (= Outlet-Klassifikation) zu einem Informationsverlust von nur ca. 15 %, wñhrend der Analyseaufwand sich um ca. 80 % reduziert. Cigaretten-Umsatzanteile nach Clustern(1) Cigaretten-Umsatzanteile nach Clustern(2) Cigaretten-Umsatzanteile nach Clustern(3) Outlet-Klassifikation: Cluster-Centroide

6 Regression von Cigaretten-Umsatzanteilen auf die Faktoren der GetrÄnke-Nachfragestruktur Obwohl CigarettenumsÅtze bei der Modellierung der Nachfragestruktur nicht beräcksichtigt wurden, lassen sie sich recht gut prognostizieren. (RSQ ca. 0,75-0,90) Die Regressionsgewichte sind proportional zu den Kaufwahrscheinlichkeiten innerhalb der 3 GetrÅnke-Nachtragetypen, d.h. bei zeilenweiser Betrachtung ergibt sich die Zusammensetzung der jeweiligen Marke nach Nachfragetypen und bei spaltenweiser Betrachtung die MarkenattraktivitÑt pro Nachfragetyp Bei den vorliegenden Daten bestimmt jeder der 3 Nachfragetypen ca. 1/3 vom Gesamt-Cigarettenumsatz (summiert Äber alle Outlets) Pilot-Analyse von Bon-Daten Learnings(1) Wegen des sehr groñen Datenvolumens ist zur effizienten Bearbeitung viel SpeicherkapazitÅt und schnelle Software erforderlich. AuÑerdem ergibt sich selbst bei guter Rohdaten-QualitÅt aufgrund der groñen Artikelzahl ein erheblicher Pflegeaufwand. Da die Mehrzahl der Bons nur relativ wenige Artikel enthalten, sind Analysen der AffinitÅten verschiedener Artikel auf Bon-Ebene nur sehr eingeschrånkt méglich. Ansonsten ergeben sich jedoch kaum BeschrÅnkungen fär deskriptive Analysen. Pilot-Analyse von Bon-Daten Learnings(2) Die Analyse der Bon-Frequenzen nach Uhrzeit und Wochentagen liefert zusåtzliche Informationen zur Planung und Optimierung von z.b. Promotions, Kundenbefragungen etc. Sofern keine Bon-Frequenzen zur VerfÄgung stehen, låñt sich die Kundendichte jedoch recht zuverlåssig Äber die Umsatzverteilung (nach Uhrzeit und Tagen) schåtzen. FÄr die Analyse von z.b. MarkenaffinitÅten ist der RÄckgriff auf Bon-Daten nicht erforderlich. HierfÄr sind z.b. Scannerdaten auf Wochenbasis deutlich besser geeignet.

7 Pilot-Analyse von Bon-Daten Learnings(3) Wie bereits bei der Analyse der Scannerdaten demonstriert, bestehen signifikante Korrelationen zwischen dem Absatzanteil einzelner Marken innerhalb von Warengruppen wie z.b. Cigaretten. Neu ist jedoch, dass solche Korrelationen auch zwischen Marken verschiedener Warengruppen bestehen. Dies eréffnet grundsåtzlich neue MÉglichkeiten zur Parametrisierung/Modellierung der Gesamt-Absatzstruktur zur Identifikation von Indikator-Variablen Outlet-Klassifikation Monitoring der Entwicklung von Absatzstrukturen und Identifikation von Trends. Category-Management Kontakt The Woodbridge Institute Kurzer Weg Regensburg, Germany Tel: +49 (941) info@woodbridge-institute.de