Einsatz eines Data Warehouse für die

1
Einsatz eines Data Warehouse für die Entscheidungsunterstützung in einer
Wertschöpfungskette im Handel (am Beispiel von Frischeartikeln)
Usage of a Data Warehouse for Decision Support in the Retail Supply
Chain (with focus on fresh assortment)
Stichworte: Efficient Consumer Response, Supply Chain Management, Data Warehouse,
Warenkorb- und Bondatenanalyse
Keywords: Efficient Consumer Response, Supply Chain Management, Data Warehouse,
Analysis of POS data-collect in retail
Zusammenfassung
Vorgestellt wird ein Data Warehouse, daß unter konzeptioneller Begleitung des Schwerpunktes Wirtschaftsinformatik entwickelt und heute von einem befreundeten Unternehmen
kommerziell vertrieben wird. Beim Einsatz dieses Systems wurde festgestellt, daß traditionelle relationale Werkzeuge heutigen OLAP- und Data Mining-Konzepten bei großen Datenvolumina überlegen sind. Im Zuge der universitären Weiterentwicklung wurde in einem
Handelsunternehmen das dort eingesetzte zentrale Data Warehouse für den Frischebereich um
verteilte Data Marts für Filialen und Produzenten erweitert und im Rahmen eines ECR –
Konzeptes erprobt.
Summary
Discussed is a Data Warehouse, which was conceptually developed by the department of
business informatics and today is distributed by a related corporation. When implementing
large scale Data Warehouses, traditional relational tools are still more effective than OLAPand Data Mining-concepts of today. The Data Warehouse - concept is continuously improved
by the university. In a project an existing Data Warehouse of a retail corporation has been
reengineered for ECR-purposes: Retail outlets and vendors for the fresh assortment now have
access to distributed Data Marts, which are integrated with the central Data Warehouse.
1. Einleitung
Im filialisierten Lebensmittelhandel haben sich in den letzten Jahren Scannerkassen in
großem Maße durchgesetzt. Die dort gewonnenen Daten werden meist für einfache
Abverkaufsanalysen, nicht aber für detaillierte Warenkorb- und Kundenanalysen genutzt. Im
Rahmen der Studien zum Efficient Consumer Response wurde erarbeitet, daß durch einen
integrierten Fluß von Abverkaufs- und Bestandsdaten in einer Wertschöpfungskette sich die
Güterversorgung erheblich effizienter gestalten läßt. Im Falle von Frischeartikeln erschweren
kurze Haltbarkeit und notwendiger Frischegrad die Disposition, um einerseits Umsatz- und
Rohertragseinbußen aufgrund von Fehlmengen und andererseits Kosten aus verfallener Ware
zu vermeiden.
Aufbauend auf dem zentralen Data Warehouse zur Warenkorb- und Bonanalyse eines Handelskonzerns wurde für das Frischesortiment ein verteiltes Konzept aus Data Marts realisiert,
die für die Logistiksteuerung relevante Ausschnitte der Abverkaufsdaten replizieren und den
Produzenten übermitteln.
2
2. Logistikstrategien in der Wertschöpfungskette
In den letzten Jahren wurden Logistikstrategien, die das Zusammenwirken des Handels mit
Industrieunternehmen und Endabnehmern in einer Wertschöpfungskette betrachten, unter
einer Reihe von Namen diskutiert: Supply Chain Management (SCM), Quick Response (QR)
und Efficient Consumer Response (ECR) sind Rahmenkonzepte zur unternehmensübergreifenden Optimierung des Güter- und Informationsflusses zwischen Industrie und Handel bis
zum Endabnehmer.
Ziel ist es, durch eine Integration von Informations- und Güterflüssen alle Glieder der Wertschöpfungskette auf den maximalen Nutzen für den Kunden auszurichten und die Kosten für
alle Beteiligten zu senken.
SCM und QR sind beides auf die Güterlogistik gerichtete Konzepte, die sich etwas in ihrer
Blickrichtung unterscheiden: SCM betrachtet das Zusammenspiel der Unternehmen in der
Lieferkette [Mert95], QR die Reaktion des Unternehmens auf den Kunden in der Absatzkette.
ECR bezieht neben Logistik- auch Marketingaspekte hinsichtlich Sortimentsgestaltung, Verkaufsförderung und Produktentwicklung mit ein und ist damit umfassender angelegt [BeSc96,
453]. ECR hat operative und strategische Ziele. Operative Ziele von Handel und Industrie
sind
• Steigerung der Erlöse durch kundenoptimierte Sortimente und verbesserte Aktionen,
• Senkung der Logistik-, Marketing- und Verwaltungskosten,
• Senkung des gebundenen Vermögens in Lagerbeständen und Forderungen,
• Senkung der Logistikdurchlaufzeiten und der Bestellvorlaufzeiten.
Gewichtiger ist jedoch das strategische Ziel, angesichts weitgehend gesättigter Märkte und
neu entstehender Absatzkanäle (z. B. Electronic Commerce) die Wertkette von der Industrie
über den Handel bis hin zum Konsumenten grundsätzlich neu zu gestalten und dabei den
Kunden stärker an den traditionellen Vertriebsweg und dessen Produkte zu binden.
3
Efficient
Consumer Response
Kooperation in der Logistik
(Product Replenishment)
Kooperation im Marketing
(Category Management)
Nachschubsteuerung
Nachschubsteuerung
Sortimentsgestaltung
Sortimentsgestaltung
Kommissionierung
Verkaufsförderung
Verkaufsförderung
Administration
Administration
Produkteinführung
Produkteinführung
Zwischenbetriebliche Integrationstechniken
Input
Input
iiss-BBaass loggiieenn
lo
o
hnno
tteecch
nnggssnndduu iieenn
e
e
gg
w
w
A
Ann hhnnoolloo
tteecc
-- Scanner
Scanner
-- Chipkarten
Chipkarten
-- Kundenkarten
Kundenkarten
-- EAN
EAN // NVE
NVE
-- Panels
Panels
Process
Process
-- Electronic
Electronic Data
Data
Interchange
Interchange (EDI)
(EDI)
-- Internet
Internet
-- gekoppelte
gekoppelte
WWS
WWS // PPS
PPS
-- ArtikelstammArtikelstammdatenserver
datenserver
Output
Output
-- Data
Data Warehouse
Warehouse
-- BondatenBondaten- // WarenWarenkorbanalyse
korbanalyse
-- LogistikLogistik- // TransportTransportsteuerung
steuerung
Abbildung 1: Elemente des Efficient Consumer Response
Wesentliche Ansätze sind dabei (1) das “Category Management” mit einer integrierten
zwischenbetrieblichen Kommunikations- und Produktpolitik, (2) das “Efficient Product
Replenishment” mit einer integrierten zwischenbetrieblichen Logistiksteuerung und (3) eine
intensivere Nutzung von zwischenbetrieblichen Kommunikations- (“EDI”) und Controlling Systemen (“Activity based costing”, “Direkte Produktrentabilität”).
Der Grundgedanke all dieser auf Wertketten orientierten Ansätze liegt darin,
• die Funktionen der Logistik und des Marketing als Teil eines übergreifenden Flusses oder
Prozesses zu sehen,
• den Güter- und den Informationsfluß in der Wertschöpfungskette als gleichrangig
anzusehen.
Aus Sicht der Wirtschaftsinformatik ist es dabei wichtig, daß die zeitgerechte Kommunikation
der richtigen Informationen in der Wertkette gleichgewichtig zu deren Verarbeitung gesehen
wird. Die zwischenbetriebliche Kommunikationstechnologie (oft pauschal als EDI - Electronic Data Interchange bezeichnet) wird damit einer der wichtigsten Hebel für Kooperationen in
der Wertkette angesehen [CCRR94, 45].
4
Informationen: aktuell, präzise, elektronisch
Industrie
Großhandel
Einzelhandel /
Handwerk
Endverbraucher
Güter: art-, mengen-, termin-, ortsgerecht
Abbildung 2: Abgestimmte Güter- und Informationslogistik
Die Ansätze einer Logistiksteuerung in Wertschöpfungsketten unterscheiden sich in der
Blickrichtung. Grundlage ist jeweils, daß der Handel seine Lieferanten aus seinen Point of
Sale- (POS) und Warenwirtschaftssystemen mit besseren Informationen über seine Abverkäufe und Bestände versorgt. Durch den Grundsatz “Information steuert Ware” soll das traditionelle Hineinverkaufen in den Absatzkanal (Push-Logistik) durch einen Nachfragesog aus
dem Absatzkanal heraus (Pull-Logistik) ersetzt werden [BeRo93,116].
Bei einer Pull-Logistik lassen sich die Logistikfunktionen in der Wertkette unterschiedlich
verteilen [Schu90]. Beim Vendor Managed Inventory legt der Handel die Verantwortung für
die Bestandsführung des Handels in die Hände des Lieferanten und muß diesen daher mit
unverdichteten Informationen pro Filiale versorgen. Beim Computer Assisted Ordering
bestellt der Handel bedarfsgerecht anhand seiner exakten Warenwirtschafts- und POS - Daten
unterstützt durch DV - gestützte Dispositionsverfahren [FMI93, 54].
Pull-Logistik
mit POS - Daten
Bestandsverantwortung
beim Handel
bei der Industrie
CAO - Computer Assisted Ordering VMI - Vendor Managed Inventory
Beschaffungslogistik im Handel
Zur Zeit besteht die Beschaffungslogistikkette im Handel aus drei Gliedern [FMI93, 45]:
1. Filiale zum Verbraucher (store to consumer);
2. Zentrallager zur Filiale (warehouse to store);
3. Lieferant zum Zentrallager (supplier to warehouse).
Diese Glieder sind zum einen unzureichend miteinander verbunden, zum anderen sind Informationsfluß und Güterfluß nicht miteinander integriert.
Letztlich strebt der Handel mit einer flußorientierten Logistik das “just in time” - Konzept an.
Allerdings unterscheidet sich dies durch Handelsspezifika von dem gleichnamigen Konzept
der Industrie:
• das Einkaufssortiment des Handels ist unvergleichlich breiter und die Zahl der Lieferanten
ist höher als in der Industrie,
• die Logistik im Handel richtet sich auf die zeitnahe Warenversorgung sehr dislozierter
Verkaufsstätten, deren Bedarfsmengen einzeln relativ gering sind,
5
• die Aktionen des Handels und der gegenseitige Wettbewerb beeinflussen das Einkaufsverhalten der Verbraucher gerade im Frischebereich viel stärker als in anderen Bereichen,
• die Lieferanten für Saison-, Frische- und Aktionsartikel wechseln im Handel häufig.
Um das “just in time” - Konzept im Handel zu realisieren, wird daher eine Bündelung der
Warenbelieferung über Zentralläger und (bestandslosen) Warenverteilzentren vorgeschlagen
[Zent92]. Im Frischebereich sammelt dabei häufig einer der Lieferanten die Produkte auch
anderer Hersteller und verteilt diese an die Filialen des Handels (Distributeur).
Traditionell bestellt die Filiale Frischeartikel nach einer Sichtprüfung der Bestände 4 - 6 mal
in der Woche telefonisch in der Zentrale, die dann die Bestellungen aggregiert an die
Lieferanten weiterleitet. Dieser Prozeß ist
• aufwendig, da bei vielen Frischeartikeln EAN - Nummern fehlen und daher eine Scanner Unterstützung nicht erfolgt,
• unsicher, da bei vielen Frischeartikel saison- und wetterabhängig der Bedarf stark
schwankt und eine feste Bestellfrequenz die Gefahr von Fehlmengen in sich birgt.
Gelänge es, zu einer automatisierten Beschaffungslogistik im Frischesortiment zu kommen,
ließe sich die Ertrags- und Kostensituation eines Handelsunternehmens erheblich steigern.
Die ECR - Studie prognostiziert 1 % Steigerung und 0,29 % Kostenersparnisse beim
Handelsumsatz [FMI93, 54] und 1,24 % bei der Industrie (jeweils bezogen auf den Umsatz).
Einer computergestützten Warenwirtschaft (WWS) stehen allerdings im Frischebereich eine
Reihe von Detailproblemen gegenüber:
• Die unzureichende EAN - Durchdringung im Frischebereich, die sich durch einen Waagen
- WWS - POS-Scannerkassen - Verbund teilweise heilen läßt.
• Die Ungenauigkeiten der Gewichtserfassung im Wareneingang (insbesondere bei Obst /
Gemüse durch Schmutz und bei Backwaren durch Krümel).
• Der Schwund vieler Waren, der z. T. aufgrund von Trocknungsprozessen oder Verderb
natürlich bedingt ist.
• Die Artikel- und Lieferantenvielfalt, die einem CAO - gesteuerten Prozeß durch die resultierenden Kosten der individuellen Belieferung Grenzen setzt.
Vertriebslogistik
Im Frischesortiment (Obst, Gemüse, Wurst, Käse, Fleisch etc.) unterscheiden sich die
verschiedenen Vertriebstypen im filialisierten Lebensmitteleinzelhandel. Der Kunde präferiert
bestimmte Filialen vor allem aufgrund des Frischesortiments.
Jede Filiale hat ihre eigene optimale Sortimentsstruktur, die sich aus regionalen und käuferschichtenbedingten Präferenzen nach bestimmten Artikeln ergeben. Keine Filiale entspricht
dem ”Durchschnitt”, im Frischebereich noch weniger als im übrigen Sortiment. Der “Schlachter im Kiez” kennt seine Kunden, den Dauerwarenbereich deckt “Aldi” ab; die Supermarktfiliale mit einer Steuerung über Durchschnittswerte befindet sich in der Markt- und Ertragsschere. Nur eine inhaltlich und zeitlich präzise, filialgenaue Steuerung der Sortimente und
Aktionen kann im Wettbewerb zu überdurchschnittlichen Erfolgen führen. In den USA hat es
der Handelskonzern WalMart seinen Konkurrenten vorgemacht, in fünf Jahren ist er dort zum
größten Einzelhandelskonzern aufgestiegen..
Die Verantwortung für bestimmte Kunden- und Sortimentskategorien eines Handelsunternehmens (Category Management) kann im Frischebereich unterschiedlich verteilt werden:
• Bei einer Filialsteuerung übernimmt das Management auf Filialebene die Sortiments-,
Preis-, Flächen- und Aktionssteuerung;
6
• Bei einer Zentralsteuerung übernimmt ein “Category Manager” in der Zentrale die Steuerung für alle Filialen;
• Bei einer Lieferantensteuerung übernimmt deren Personal die Verantwortung für die zeitund mengengerechte Warenversorgung.
Aufgrund der Vielzahl der Filialen und der Breite des Frischesortiments sind bei allen drei
Alternativen die Verantwortlichen durch Informationssysteme zu unterstützen, die
• aufbauend auf POS - Daten Abverkäufe prognostizieren,
• gestützt durch Algorithmen Bestellungen (dynamic computer assisted ordering) und
Aktionen planen [FMI93, 70],
• zeitnah aktuelle Abverkaufs- und Bestandsdaten ermitteln und übermitteln.
Eine organisatorische und systemische Ideallösung existiert zur Zeit nicht; da sich die Entscheidungsstrukturen und -parameter sehr schnell ändern.
3. Warenkorb- und Bondatenanalyse (WBA) als Kernelement einer Pull Logistik
Der Kassenbon als Datengrundlage einer Pull - Logistik
Der durch Scannerkassen ermittelte Kassenbon bietet wesentliche Informationen für die Entscheidungsfelder Logistik und Marktforschung, er ist als ”Stimmzettel des Verbrauchers”
[Witt97] zu sehen. Für die Logistiksteuerung kann er als wesentliche Datengrundlage dienen,
da er hinsichtlich des Abverkaufes präzise Artikel, Menge, Ort, Preis, Zeit und den Kundenwarenkorb im Sinne eines Bedarfsbündels festhält.
Diese Eigenschaften prädestinieren den Kassenbon ebenso für Marktforschungszwecke. Während die obengenannte Logistikfunktion eher operativ zu sehen ist, steuert die
Marktforschung die Logistikkette im strategischen Maßstab.
Basierend auf Kassenbondaten müssen geeignete Analyse- und Prognosemethoden implementiert werden, die als Baustein einer Informationslogistik die Steuerung der Logistikkette
übernehmen. Diese Analyse- und Prognosemethoden sollen unter dem Begriff Warenkorbund Bondatenanalyse (WBA) zusammengefaßt werden. Im Sinne der Marktforschung ist es
Ziel einer WBA, den anonymen Kunden im Einzelhandel von heute wieder als individuellen
Käufer wahrzunehmen, wie früher in den ”Tante Emma Läden” üblich. Der ”Stimmzettel” ist
dabei sowohl für den Handel und dessen Marketingmix als auch für die Produzenten für
Marktforschungszwecke von Interesse. Die WBA ist ein Instrument des Mikro-Marketing, bei
dem das individuelle Verbraucherverhalten analysiert wird, um eine Kundenansprache zielgerichtet vornehmen zu können.
An WBA sind alle an der Wertschöpfungskette Beteiligten interessiert. Obwohl methodisch
auch für andere Branchen anwendbar1, wird hier die Konsumgüterbranche betrachtet. Der
Handel will aufgrund breiter Sortimente weniger einzelne Artikel als sein Gesamtsortiment
steuern. Mit Bondaten können als Zusatznutzen auch Informationen gewonnen werden, die
auch andere Systeme (z. B. WWS) liefern können, wie Absatz, Umsatz, Deckungsbeitrag je
Sortimentsbereich. Die Industrie möchte, daß ihre Produkte optimal präsentiert und beworben
werden.
1
Dazu kann der ”Kassenbon” durch ein branchenadäquates Pendant ersetzt werden, z. B. durch Police,
Schadensmeldung (Versicherungsbranche); Kontentransaktion (Banken, Zahlungsdienstleister);
Bestellung, Reklamation, Rechnung (Sanitär).
7
Traditionell betreibt die Konsumgüterindustrie Marktforschung in größerem Umfang als der
Handel. Demgegenüber steht das ”Informationsmonopol” des Handels hinsichtlich der Abverkaufsdaten an den Konsumenten. Die über Marktforschungsinstitute beschaffbaren Abverkaufs- oder Kundentypdaten sind relativ teuer und begrenzt von der Stichprobe; kontinuierliche Analysen sind zu teuer oder undurchführbar. Die WBA bietet der Industrie neue Wege,
der Handel wird dabei zum Informationsdienstleister; die Beteiligten werden sich in Zukunft
auf sinnvolle Abrechnungsmodelle einigen müssen.
Im Frischebereich wie in Bedienabteilungen (Fleisch-Wurst, Käse, Obst und Gemüse, Fisch)
werden Scannerkassen nur eingeschränkt eingesetzt, u. a. weil eine Reihe von Produkten nicht
mit EAN ausgezeichnet werden. Heute sind im Frischebereich Buchungen an der Kasse per
”Sumpftaste” üblich. Mangels artikelgenauer Nummern auf der Artikelverpackung hat das
Kassierpersonal keine andere Wahl, als eine Warengruppen - Nummer, eben die ”Sumpftaste”
stattdessen einzugeben. Dabei ist eine Lösung heute nicht nur technisch über einen Waagenverbund (Anbindung der Waagen an den Kassenserver und das Warenwirtschaftssystem der
Filiale), sondern auch organisatorisch möglich. Aktuell befinden sich erfolgversprechende
Normierungsbestrebungen auf nationaler Ebene in der Endphase.
Analysedimensionen der WBA
Im Sinne der effizienten Logistiksteuerung im Pull - Konzept sollen vertikale und horizontale
Analysen unterschieden werden.
Vertikale Analysen greifen über mehrere Vertriebsstufen hinweg (Industrie, ggf. Logistikdienstleister, Handel). Typische Vertreter dieser Kategorie sind Analysen zur automatischen
Disposition, zur Produktionssteuerung, zur Produkteinführung, zur Aktionsplanung, -steuerung und -abrechnung sowie Frequenzanalysen, bei denen zeitliche Verläufe von
Abverkäufen z. B. auf Stundenbasis ermittelt werden.
Vertriebsstufe
industrieIndustrie interne
Analysen
Stufenübergreifend
Marktanteile
Produktionssteuerung
Markenpolitik
Produkteinführung
Aktionsanalyse
Automatische
FrequenzDisposition
analyse
Kundenanalysen
Sortimentplanung
handelsinterne
Handel Analysen
vertikal
LogistikBenchmarking
FilialBenchmarking
Betriebsvergleich
horizontal
Analyserichtung
Abbildung 3: Analysetypen in der Wertkette
Horizontale Analysen zielen häufig auf den Vergleich innerhalb einer Vertriebsstufe ab, so
bei Betriebsvergleichen und dem Filialbenchmarking. Filialübergreifende Bestandsanalysen
8
werden eingesetzt, um durch abverkaufsnahe Umlagerungen zwischen Filialen (horizontale
Logistik) die durch Präsenzlücken entstehenden Umsatzverluste zu minimieren. Auf Seiten
der Industrie können Auswirkungen der Markenpolitik, z. B. in Form von Marktanteilsanalysen ermittelt werden. Für eine Beurteilung unterschiedlicher Logistikkonzepte, z. B.
Cross Docking [FMI93, 74] oder VMI versus ”traditioneller” Logistikpraktiken bieten sich
Logistik-Benchmarks an.
In der Folge beschränken wir uns auf die für eine unternehmensübergreifende Logistiksteuerung wichtigen vertikalen Analysen.
Sortimentplanung / Kundenanalysen
Heute eher handelsintern ausgerichtet sind Analysen zur Sortimentplanung. Zunehmend begreift sich aber die Industrie auf diesem Gebiet als Dienstleister für den Handel. Dies
geschieht nicht uneigennützig, gewährt doch ein Einblick in die Abverkaufsdaten des Handels
der Industrie wichtige Informationen für ihre eigene Produktpolitik. Aus Logistiksicht ist nur
durch Zugriff auf die Kassenbondaten durch die Industrie ein VMI möglich, bei dem diese die
Regalbevorratung übernimmt (vgl. oben). Kunde, Artikel, Filiale und deren Beziehungstypen
sind die wesentlichen Analysedimensionen.
Werbemedium Handzettel
Medien
Ja
kombiniert?
Initiator
Hersteller
(Einzelartikel)
Beziehung
(Käufer Verkäufer)
Kundentypisierung
anonymisiert
soziodemographisch (Alter,
Familienstand,
etc.)
Zeitung
nein
Fernsehen
Händler (mehrere
Artikel)
zugelassener
Kundenkreis
Marktumgebung
Marktlage
identifizierend
(z. B.
Kundenkarte)
eingeführte
Kundenkatego
rie
(z. B. Nielsen)
Endverbraucher gewerbliche
Abnehmer
Arbeiterviertel „Yuppie“-Viertel
Stadtkern
Warum ?
(Marketing)
Wer ?
besucht
Wo ?
kauft
Wann ?
(Kaufzeit)
Anlaß
(Zeitraum)
Saison (z. B.
Ostern)
Quartal
Monat
vormittag /
nachmittag
überregionale
Gedenktage
(z. B. Valentinstag)
Stunde
regionale
Ereignisse (z.B.
Stadtfest)
Wie ?
(Plazierung)
Filiale
Filiale
führt
Kunde
Kunde
Zeitintervall
Jahr
Kalender
Tagesintervalle Wochentag
Randlage
Artikel
Artikel
Was ?
Sortimentsbereich
Produkttyp
(Verwendungsqualität)
Verwendungsart (Category)
Trockensortiment
Convenience
Frische
Tiefkühl
Shopping
Luxury /
Specialty
Frühstück
Mittag
Abend
Abbildung 4: Abverkaufsorientierte Analysedimensionen und Zielkategorien der WBA
Für eine effektive Sortimentplanung ist die Kenntnis des Kunden notwendig. In der Sortimentplanung interessiert, welche Kundentypen welche Filialtypen besuchen, abhängig von
der Lage einer Filiale. Die Filiallage läßt sich mit dem Umgebungstyp (z. B. Arbeiterviertel)
und der Konkurrenzsituation (Entfernung konkurrierender Filialen) beschreiben. Die Analyse
ist auf beliebigen Sortimentebenen mehrdimensional möglich: Warengruppen (WG),
Handels-/ Herstellermarken, einzelne Artikel sowie die im Category Management üblichen
verwendungsorientierten Warenkategorien (z. B. ”Alles für das Frühstück”).
Eine Analyse über Bonreichweiten auf WG-Ebene bietet Hinweise für eine optimale Ladengestaltung. Zusammen mit Kundenlaufstudien können die WG innerhalb eines Marktes
optimal plaziert werden. Die Verkaufsflächenplanung je Sortimentsbereich (Regaloptimie-
9
rung) wird erleichtert. Möglich sind Planungen nicht nur je Filialgrößenklasse, sondern auf
Ebene einzelner Filialen.
Primäres Ziel der Sortimentplanung ist es, eine verbesserte Kundenansprache bzw. ein höhere
Kundenbindung zu erreichen. Es ist zu analysieren, warum ein Kunde eine Filiale besucht.
Bei den identifizierenden Kundenanalysen ist der Kunde individuell bekannt, z. B. über
Kundenkarte oder Einkaufsausweise. Typische Fragen sind: Wie oft bzw. wie regelmäßig
kauft ein Kunde ein? Welche Artikel kauft er in welchen Verbünden (Warenkörbe)? Welcher
Umsatz oder Rohgewinn wird je Einkaufsvorgang und Kundentyp realisiert? Welche
Aktionspräferenz hat welcher Kundentyp? Die anonymen Analysen werden ohne namentliche
Kenntnis des Kunden durchgeführt. Sie sind bei Unternehmen ohne Kundenkarte oder aus
datenschutzrechtlichen Gründen von Interesse. Typische Fragen sind: In welchen Warengruppen (WG) gibt es viele ”Schnäppchenjäger”? Wie hoch ist der Anteil der Schnäppchenjäger-Bons der WG zu allen Bons mit Artikeln der WG? Welche typischen Warenkörbe
können für ausgewählte WG identifiziert werden (Referenz-WG: z. B. ”Weiße Ware”, Fisch,
Tiernahrung, Babykost etc.)?
Dispositionsunterstützende Analysen für Handel und Industrie
Es ist eine Integration der handelsseitigen Dispositionssysteme mit denen der Industrie
anzustreben. Dazu können Frequenzanalysen dienen, bei denen Abverkäufe auf Stunden- oder
gar auf Minutenbasis artikelgenau zusammengefaßt und der Industrie zur Verfügung gestellt
werden können.
250
200
150
A bs atz
A nz ahl B ons
100
50
18:00 - 18:30
17:00 - 18:00
16:00 - 17:00
15:00 - 16:00
14:00 - 15:00
13:00 - 14:00
12:00 - 13:00
11:00 - 12:00
10:00 - 11:00
09:00 - 10:00
08:00 - 09:00
0
Abbildung 5: Frequenzanalyse auf Stundenbasis
Zur Disposition notwendige Prognoseverfahren werden in der Praxis unter dem Thema
“Automatische Disposition” diskutiert [EHI97].
Aktionsanalysen
Aktionsanalysen sollen helfen, den Ertragsverlust durch Werbe- und Aktionsartikel aufgrund
geringerer Margen so niedrig wie möglich zu halten. Betrachtet werden der Kaufverbund und
die Kauffrequenz i. d. R. über eine gesamte Aktionswoche. Typische Fragen sind: Hat die
Aktion eine ausreichende Zahl von Kunden angesprochen (Reichweite der Aktion)? Hat die
10
Aktion Absätze und Umsätze wie erwartet erhöht? Treten ”Kannibalisierungseffekte” auf
(Umsatz der WG des Aktionsartikels bleibt konstant)? Wie hoch ist der Gesamt-Rohgewinn
einer Aktion (ohne / mit Verbund) oder eines Aktionsartikels? Ergänzt sich der Werbemix
von Industrie und Handel?
Ein Beispiel zur Analyse von Kannibalisierungseffekten: Zwei Artikel einer Warengruppe
(hier: Nr. 10) werden abwechselnd aktioniert. Für beide Aktionen wird eine Analyse erarbeitet, die jeweils drei Wochen umfaßt, die Vorwoche, die Aktionswoche und die
Nachwoche.
Während in der Vorwoche und Nachwoche beide Aktionsartikel den gleichen Umsatz erzielen, erzielt in der Aktionswoche der Aktionsartikel A einen höheren Umsatz. Ihn deshalb als
besseren Aktionsartikel zu bewerten wäre jedoch verfrüht. Eine Analyse des zugehörigen
Warengruppenumsatzes ergibt nämlich, daß Aktionsartikel B in der Nachwoche den Warengruppen-Umsatz nachhaltig erhöht, A genau gegenteilig gewirkt hat.
Umsatz WG 10
WG 10
WG 10
WG 10
WG 10
WG 10
Aktionsartikel A
Vorwoche
Aktionsartikel B
WG 10
Aktionsartikel A
Aktionsartikel B
Aktionswoche
Aktionsartikel A
Aktionsartikel B
Nachwoche
Zeit
Abbildung 6: Fördert ein Aktionsartikel nachhaltig die Warengruppe (Beispiel)?
Es ist zu schließen, daß A höhere Kannibalisierungseffekte in der WG und eine höhere
Bevorratungsquote beim Konsumenten bewirkt als B. Daher ist B der bessere Aktionsartikel.
Handel wie Industrie werden in Zukunft gemeinsam solche Auswertungen durchführen
müssen, um ihren Werbemix optimal aufeinander abzustimmen.
4. Architektur eines Data Warehouse zur WBA
Für eine DV-gestützte WBA werden Daten betriebs- und unternehmensübergreifend gesammelt, konsolidiert, modelliert, in einer oder mehreren Datenbanken gespeichert und schließlich ausgewertet und an die Akteure in der Logistikkette verteilt [StFi98].
11
Daten
sammeln
Einzelhandel
Industrie
Daten konsolidieren
Daten
speichern
Daten bereinigen,
Integration /
unternehmensqualitätssichern
Verteilung
der Daten
interne Daten
Stammdaten
- Artikel
- Kunden
- Lieferanten
- Einkaufsstätten, ...
Bewegungsdaten
EinleseEDI /
- Bondaten
Internet routinen
- Scannerdaten
- Laufstudien
- Befragungen, ...
unternehmensexterne Daten
- Panels
- Branchenkenndaten
- Statistisches Jahrbuch
Auswerten /
Verteilen
Navigation /
Workflow
EDI /
Internet /
Satellitenkommunikation
Datenmodell / Datenbank
Abbildung 7: Architektur eines Data Warehouse zur WBA in der Logistikkette
Datenversorgung
Wesentlich sind praxisgerechte Verteilungsmodelle der Datenbestände. Zwei Alternativen
können gewählt werden, ein zentrales Data Warehouse oder (verteilte) Data Marts. Eine
Kombination beider Ansätze ist in der Abbildung unten dargestellt.
Für die Datensammlung / -versorgung sind Schnittstellen zu Vorsystemen zu schaffen. Aus
den Filialen sind aus den Scannerkassen Bondaten und ggf. filialspezifische Stammdaten
abzugreifen. Der Großteil der Stammdaten (z. B. Artikelstamm, Kundendaten [bei Kundenkarten], Lieferantenstamm) wird aus den WWS der Handelszentrale übernommen. Optional
können Produktstammdaten der Industrie (z. B. SINFOS [Hall92]), Panels (z. B.
MADAKOM [Hall92]) etc. übernommen werden. Für die Datenübertragung von den Filialen
zur Zentrale sind Netze bereitzustellen und die Kommunikation ist zu organisieren. Das
Bondatenvolumen schwankt zwischen 5-20 MB pro Tag und Filiale, so daß z. B. bei 30
Filialen mit je 10 MB in einem halben Jahr knapp 50 GB allein an Bewegungsdaten anfallen.
In der Praxis von heute werden entweder von vornherein Data Marts angestrebt oder ein Data
Warehouse bis zu einem definierten Umfang konzipiert und dann eingeführt [MuHR96]. Der
Anspruch, sämtliche Unternehmensdaten in einem zentralen Data Warehouse zu führen, ist
zur Zeit wenig realistisch. Übergreifender Integrationsrahmen sollte stattdessen ein zentral
konzipiertes und gepflegtes Datenmodell sein.
12
Hersteller
Daten
transportieren
Zentrales Data
Warehouse
Handelszentrale
Daten
einlagern
Daten
transportieren
FilialData Marts
Daten
konvertieren
Daten
auslesen
Filialen
Kassen
Abbildung 8: Gestufte Architektur eines Data Warehouse
Die Abverkaufs- wie die Stammdaten des Handels und der Industrie müssen Ort Ihrer
Entstehung zum (u. U. verteilt realisierten) Data Warehouse transportiert werden. Dabei
können proprietäre Lösungen (Protokolle, Dienste, Nachrichtenformate) verwendet werden
oder unternehmensübergreifend normierte. In einer Wertschöpfungskette sollten proprietäre
Lösungen ausscheiden, da die Filialen teilweise auch direkt den Produzenten Daten übermitteln sollten (z. B. im Frischesortiment).
Mit ausgewählten Produzenten und Distributeuren im Frischesortiment wurde eine Lösung
realisiert, bei der relevante Ausschnitte der Abverkaufsdaten in einem an EDIFACT angelehnten Format per TCP / IP von den Filialen und der Handelszentrale übermittelt wurden.
Zur Informationsdarstellung kann als betriebssystemunabhängige Lösung z. B. das World
Wide Web (WWW) gewählt werden. Zwei Stufen der WWW-Integration sind anstrebbar: In
einer ersten Stufe werden Analyseergebnisse bzw. Logistikbelege in das HTML-Format
konvertiert und dann über das Internet den Adressaten über marktgängige Browser zur
Verfügung gestellt. Ein weitergehendes Konzept sieht vor, daß Analysen und Logistikbelege
z. B. per Java in einem WWW-Browser erstellt werden und per Internet auf das Ziel - Data
Warehouse zugreifen. Da im Frischebereich die Menge der zu übermittelnden Daten aus
Analyseergebnissen relativ gering ist und viele Produzenten (z. B. Bäcker, Bio - Schlachterei)
nur ein schmales Sortiment haben, ist ein solcher Zugriff pragmatisch. Vorteile sind eindeutig
Nutzung vorhandener Zugriffs- und Kommunikationstechnologie. Damit werden sowohl
Lernaufwand der Nutzer verringert als auch die Administrierbarkeit solcher komplexer, verteilter Systeme erleichtert.
Datenkonsolidierung
Bei der Datenkonsolidierung ist die Datenqualität zu sichern. Aufgaben sind die Extraktion,
Reinigung, ggf. Verdichtung und Denormalisierung der Daten. Dieser kontinuierliche Prozeß
umfaßt z. B. die Problemfelder Artikel-EAN vs. WG-Buchungen (z. B. Frischesortiment), das
13
”Milka-Problem” (Sortenbuchungen statt artikelgenauem Scanning), Zuordnung von Verkaufs- zu Einkaufspreisen (z. B. Einzelflasche verkauft, Einkaufspreise im Artikelstamm je
Kiste), Eliminieren von internen Bons (z. B. Konzessionärsabrechnung, Eigenverbrauch,
Schulungsbons). Es bietet sich für unternehmensübergreifende Vergleiche an, einen branchenweiten Standard wie die CCG-Sortimentssystematik zu verwenden. Filialinterne
Nummernkreise (z. B. wegen lokaler Lieferanten im Frischebereich) sind unternehmensweit
zu konsolidieren, mit dem WWS zu integrieren und zeitlich stabil zu wählen, da sonst
Langzeitanalysen nicht möglich sind. Vor der Wiedervergabe von Artikelnummern sollten
Karenzzeiten von z. B. 15 Monaten gelten, um auch Saisonanalysen (”Ostern 98 zu 97”) zu
erlauben. Ändert sich in einer Woche die Artikelzuordnung zu einer Artikelnummer (interne
Nummer vs. EAN), so ist beim Verdichten der Abverkaufsdaten auf Wochenbasis
(Scannerdaten) zu entscheiden, welche Artikelnummer den Abverkäufen zuzuordnen ist, da
sonst Analysen auf Bondaten- und auf Scannerdatenbasis unterschiedliche Ergebnisse liefern
können.
Datenspeicherung
Bei der Datenspeicherung ist über das Datenmodell und das Datenbanksystem zu entscheiden.
Das Datenmodell wird i. d. R. vom Lieferanten der WBA-Software gestellt und ist unternehmensspezifisch anzupassen. Weniger empfehlenswert ist ein rein unternehmensbezogenes
Datenmodell (z. B. aus dem WWS abgeleitet), da oft zu “kurzsichtig” vorgegangen wird, die
Dynamik im Handel und der Analysezwecke unterschätzt wird und später grundsätzliche
Änderungen nur mit großem Aufwand durchführbar sind. Ein Grund dafür sind die gewaltigen Datenmengen in einem Data Warehouse, einige der Installationen in Deutschland
erreichen mehrere 100 GB, was ein Überführen der Datenbestände erschwert.
Herkömmliche Datenmodelle sind für operative Anwendungen optimiert, solche für die WBA
demgegenüber auswertungsoptimiert (”Data Warehouse”): Daten werden angesichts heutiger
Speicherpreise redundant (z. B. Bon- und Scannerdaten) gehalten. Die Daten können zentral
oder verteilt gespeichert werden. Eine zentrale Datenbank für mehrere Filialen wird eine
leistungsfähige Workstation oder einen Parallelrechner erfordern.
Wesentlich für eine zeitnahe Logistiksteuerung sind zeitbezogene Strukturen im Datenmodell,
auch um Zeitvergleiche und Verdichtungen (z. B. in der Scannerdatenanalyse) bei sich verändernden Stammdaten zu ermöglichen Dabei können handels- und industriebezogene Objekte
unterschieden werden. Ein wesentliches handelsbezogenes Zeitobjekt ist der Filialkalender,
der die filialspezifischen Öffnungszeiten (z. B. aufgrund lokaler Feste) enthält und in den
weitere zeitabhängige Daten (z. B. das Wetter) eingepflegt werden. Ein weiteres Zeitobjekt ist
der Aktionskalender, der die Aktionszeiten, deren Medien, das Einzugsgebiet sowie die davon
betroffenen Filialen und Produkte und die Gültigkeitszeiten der von der Aktion tangierten
Konditionen (Sortiment, Preise etc.) enthält.
Beispiel: Eine Preis-Sonderaktion kann nur bestimmte Filialen und diese jeweils mit
spezifischen Konditionen betreffen; der Aktionskalender aktualisiert nur für diese
einen Aktionspreis der Artikelstammdaten.
Ähnlich aufgebaut ist ein Saison-/ Trendkalender, der Trendzeiten mit Filialen und Produkten
verknüpft.
Beispiel: Der Trend ”Karneval” betrifft alle Filialen im Rheinland sowie ausgewählte
Filialen in Westfalen; der Trend ”Dino” zur Zeit alle Filialen und ausgewählte
Produkte.
Diese Zeitobjekte werden nicht nur im konzeptionellen, sondern auch für das externe
14
semantische Datenmodell genutzt. Beispielsweise ist es im Rahmen des Category Management notwendig, zeitabhängige Auswertungsstrukturen (Strukturobjekte) zu definieren
[AhBe97].
Beispiel: Im Sommer wird über den Trendkalender ein Strukturobjekt ”Gartenbedarf /
Grillen”, im Winter vielleicht für den gleichen Category-Manager ein Strukturobjekt
”Glühwein / Bratapfel” definiert.
Der Einsatz spezieller Zeitobjekte (”Kalender”) hat gegenüber der Stempelung mit Gültigkeitszeiten den Vorteil, daß in Vergleichsperioden (üblicherweise 15 Monate) mehrfach ein
bestimmtes Strukturobjekt (”Weihnachtsartikel”) genutzt werden kann.
Es existieren heute eine Vielzahl an logischen Datenmodellen für Data Warehouses, neben
dem klassischen relationalen Modell das Online Analytical Processing”- (OLAP), Relationales OLAP (ROLAP) und Multidimensionales OLAP (MOLAP) [MuHR96]. Bei deren Einsatz
sollte allerdings beachtet werden, daß diese aus Performancegründen auf feste Zugriffspfade
hin optimiert sind..Größere Data Warehouses bauen heute daher auf relationalen Modellen
auf.
Auswertung / Verteilung
Hinsichtlich der Verteilung zum Nutzer stellt sich die Aufgabe, daß gewonnene
Informationen an die zuständigen Akteure in der Logistikkette verteilt werden. Dazu bieten
sich Workflow-Konzepte an, die für ein Data Warehouse in der Wertschöpfungskette auf
unternehmensübergreifende Belange angepaßt werden müssen. Die Informationsverteilung
kann nach einer Pull- oder einer Push-Logik erfolgen. Im ersten Fall ist der Adressat für die
Verteilung verantwortlich (z. B. aktiver Zugriff des Lieferanten auf Abverkaufsdaten), bei der
Push-Logik versorgt z. B. der Handel die Industrie mit Informationen. Technisch gesehen
sind zwei Verfahren zur Verteilung denkbar, die replikations- und die nachrichten-orientierte.
Hinsichtlich der Auswertung sind die Analysemethode(n) auszuwählen. Ex-post-Analysen
machen keine expliziten Aussagen über die Zukunft, gleichwohl können durch Interpretation
Schlüsse gezogen werden. Beispiele sind Bonreichweiten-Analysen auf WG-Ebene oder
Umsatz-/Ertragsportfolios für gleichartige Artikel (z. B. Zahnbürsten). Cluster-Analysen (vgl.
Data Mining) bilden z. B. aufgrund ähnlicher Kaufgewohnheiten aus den Abverkaufsdaten
typische Kundengruppen. Bei ex-ante-Analysen werden Prognoseverfahren verwendet. Die
Analysesoftware sollte eine flexible Navigation in den Datenbeständen erlauben, d. h. sowohl
Strukturgrößen (Sortimentsbereiche, Vertriebswege etc.) wie auch Kennzahlen sollen sinnvoll
kombinierbar sein.
15
Aktionsbericht
Abbildung 9: Beispiel einer WBA-Oberfläche
Data Mining ist in Data Warehouses nicht neu [Mich95]. Trotzdem konnte es sich bis heute
nicht in breitem Maße durchsetzen. Viele der für Data Mining beanspruchten Analysetypen
sind auch mit herkömmlichen Datenbank-Abfragen machbar. Der Einsatz von Data Mining
macht dann Sinn, wenn große Datenmengen auf Zusammenhänge oder Muster analysiert
werden sollen, ohne im voraus solch “verdächtige” Muster zu kennen. Z. B. ist es möglich,
bestimmte Bontypen zu clustern und dann auf zugehörige Kundentypen zu schließen (z. B.
“Hausfrauen”-Bon, “Single”-Bon). Ein solches Systems ist für den Einzelfall sorgfältig zu
konfigurieren; erfahrene Analytiker im Handel sind bisher oft noch überlegen..
Die verfügbaren Softwaresysteme zur WBA sind branchenneutral oder branchenspezifisch.
Branchenneutrale Systeme sind zahlreich, allerdings ist erheblicher Anpassungsaufwand
erforderlich, um die handelsspezifische Begriffs- und Kennzahlenwelt einzupflegen. OLAP /
ROLAP-basierte Systeme sind z. B. Business Objects (BO) und DSS Agent (Micro Strategy).
Daneben gibt es Data Mining-Werkzeuge, z. B. Dmine (SAS), Delta Miner (Bissantz),
Scenario (Cognos) und Neuronale Netze [z. B. SENN (SNI), 4 Thought (Cognos)]. Ein
branchenspezifisches System für die Konsumgüterwirtschaft ist BFK-DIAMANT (BFK).
Literatur
[BeSc96]
Becker, J.; Schütte, R.: Handelsinformationssysteme, München, 1996.
16
[BeRo93]
Becker, J.; Rosemann, M.: Logistik und CIM, Berlin, Heidelberg, New York, 1993.
[CCRR94]
Coca Cola Retailing Research Group (Hrsg.): Kooperation zwischen Industrie und
Handel im Supply Chain Management, Essen, 1994.
[Deck96]
Decker, R.: Quantitative Entscheidungsunterstützung im Einzelhandelsmarketing
auf der Basis von POS-Scannerdaten, Karlsruhe, Univ., Habil., 1996.
[EHI97]
EHI (Hrsg.): Automatische Disposition – Bestandsaufnahme und Perspektiven,
Enzyklopädie des Handels, EHI e. V., Köln, 1997.
[FiSt98]
Fischer, J.; Städler, M.: Efficient Consumer Response und zwischenbetriebliche
Integration, in: Hippner, H.; Meyer, M.; Wilde, K. (Hrsg.): Computer Based
Marketing – Das Handbuch zur Marketinginformatik, Braunschweig, Wiesbaden,
1998, S. 349-356.
[FMI93]
Food Marketing Institute (Hrsg.): Efficient Consumer Response - Enhancing
Consumer Value in the Grocery Industry, Washington, 1993.
[GlGC97]
Gluchowski, P.; Gabriel, R.; Chamoni, P.: Management Support Systeme, Berlin,
Heidelberg, New York, 1997.
[Hall92]
Hallier, B.: Kommunikationstechnologie zwischen Handel und Industrie, in:
Heilmann, H. (Hrsg.): HMD, 29. Jg., H. 165, Wiesbaden: Forkel, 1992, S. 108-116.
[Mert95]
Mertens, P.: Supply Chain Management, in: Wirtschaftsinformatik, 37. Jg., H. 2,
1995, S. 177-179.
[Mich95]
Michels, E.: Datenanalyse mit Data Mining. Kassenbons - die analysierbaren
Stimmzettel der Konsumenten, in: Dynamik im Handel, H. 11, 1995, S. 37-43.
[Münz96]
Münzberg, H.: Wertschöpfungskooperation: Die Spielregeln verändern sich, in:
Gablers Magazin, H. 3, 1996, S. 38-42.
[MuHR96]
Mucksch, H.; Holthuis, J.; Reiser, M.: Das Data Warehouse-Konzept - ein
Überblick, in: Wirtschaftsinformatik, 38. Jg., H. 4, 1996, S. 421-433.
[Olbr93]
Olbrich, R.: Marketing-Controlling auf der Basis von Scanning-Daten, in:
Marketing- und Vertriebscontrolling, 16. Nachlieferung 11, 1993, Kap. II.5.
[Schu90]
Schumann, M.: Abschätzung von Nutzeffekten zwischenbetrieblicher Informationsverarbeitung, in: Wirtschaftsinformatik, 32. Jg., H. 4, 1990, S. 307-319.
[StFi98]
Städler, M.; Fischer, J.: Warenkorb- und Bondatenanalyse im Computer Integrated
Trading, in: Hippner, H.; Meyer, M.; Wilde, K. (Hrsg.): Computer Based Marketing
– Das Handbuch zur Marketinginformatik, Braunschweig, Wiesbaden, 1998, S. 339348.
[Witt97]
Wittmann, N.: Bon- und Scannerdatenanalyse - Neue Wege zur Filialsteuerung und
Category Management, Vortrag SNI-Retail Topics, Paderborn, Februar 1997.
17
[Zent92]
Zentes, J.: Euro - Logistik des Handels, in: Betriebswirtschaftliche Forschung und
Praxis, H. 3, 1992, S. 215-226.
[Zoll98]
Zoller, K.: Optimale Bevorratung verderblicher Produkte, in: Hippner, H.; Meyer,
M.; Wilde, K. (Hrsg.): Computer Based Marketing – Das Handbuch zur
Marketinginformatik, Braunschweig, Wiesbaden, 1998, S. 371-378.