Content

V. Business Intelligence in:

Thomas Foscht, Bernhard Swoboda, Joachim Zentes

Handelsmanagement, page 730 - 742

3. Edition 2012, ISBN print: 978-3-8006-4265-6, ISBN online: 978-3-8006-4425-4, https://doi.org/10.15358/9783800644254_730

Series: Vahlens Handbücher der Wirtschafts- und Sozialwissenschaften

Bibliographic information
688 Fünftes Kapitel: Die Gestaltung der Supply Chain oder nicht. Auf diesen Zähllisten wird der tatsächliche Ist-Bestand eingetragen und später in das IT-System übertragen. Es gibt neben diesem Verfahren eine Vielzahl von Erweiterungen oder Hilfsmitteln, wie z.B. die Erfassung der Inventurbestände direkt am Regal. Dieses Verfahren ist v.a. deshalb sehr einfach, weil alle Bewertungsfragen zu Einkaufsund Verkaufspreisen der automatischen Auswertung des IT-Systems überlassen werden können. Es gibt auch nur einen möglichen Fehlertyp, nämlich den „echten“ Mengenfehler, einer mengenmäßigen Abweichung von Soll-Bestand und Ist-Bestand. Dies ist im Falle nicht-geschlossener Warenwirtschaftssysteme erheblich differenzierter. Auch hier erfolgt zwar die Erfassung zunächst mengenmäßig am Regal. Da aber in diesem Fall die Soll-Bestände nur wertmäßig – z.T. nur auf Warengruppenebene – vorliegen, müssen die erfassten Mengen in einem zweiten Schritt bewertet und ggf. zu Warengruppen verdichtet werden. Die Fehleranalyse ist entsprechend wesentlich komplexer. So führt z.B. der Verkauf eines Artikels mit einem falschen Preis zu einer Inventurdifferenz, obwohl Soll-Bestand und Ist-Bestand übereinstimmen und ohne dass diese nur wertmäßige Differenz als solche erkannt werden kann. Das Erfassen eines Artikels beim Verkaufsvorgang mit dem richtigen Preis, aber in der falschen Warengruppe führt zu einer positiven Inventurdifferenz in der einen Warengruppe und zu einer negativen Differenz in der anderen, obwohl auch hier wieder keine Mengenfehler vorliegen. Das nur wertmäßige Führen des Bestandes bedeutet aber auch Mehraufwand bei allen internen Warenbewegungen und Wertveränderungen, weil all diese Vorgänge mengenmäßig artikelgenau durchgeführt werden müssen, um die dadurch bedingten wertmäßigen Bestandsveränderungen nachvollziehen zu können. Eine Änderung des Verkaufspreises eines Artikels z.B. bedingt immer eine körperliche Bestandsaufnahme bei diesem Artikel, weil der Warenbestand neu bewertet werden muss und nicht bekannt ist, welche Menge des betroffenen Artikels noch im Bestand vorhanden ist. V. Business Intelligence 1. Data Warehouse Die Informationssysteme im Handel lassen sich im Grundsatz in zwei Ebenen unterteilen (siehe Abbildung 5.61). Zum einen dienen sie auf der operativen Ebene der Prozesssteuerung. Dabei stehen die warenbezogenen Prozesse im Vordergrund. Auf der dispositiven Ebene sind die „höherwertige“ Informationsanalyse und alle Arten von Entscheidungsunterstützung angesiedelt. In diesem Zusammenhang wird deshalb auch von Managementunterstützungssystemen (MUS) gesprochen (Fischer 1998, Diruf 1998). Die Basis der Informationslogistik im Einzelhandel bildet auf der Verkaufsseite die Scanning-Technologie. Sie dient der Gewinnung der notwendigen Informationen über die Warenströme. Die Warenwirtschaftssysteme auf der Ebene der Verkaufsstellen bzw. Filialen haben somit insbesondere informationsgenerierenden Charakter, indem die Abverkaufsdaten sowie ggf. Kundeninformationen erfasst werden. Die Warenwirtschaftssysteme in den Zentralen sind demgegenüber mit weiteren Funktionalitäten ausgestattet und dienen der Erfüllung von Planungs- und Dispositionsaufgaben. Während ursprünglich die Warenwirtschaftssysteme eher als operative Systeme aufgefasst wurden, in denen die Aufbereitung von Informationen zur Unterstützung von Entscheidungsprozessen zumeist nicht als ihre Aufgabe angesehen wurde, werden diese Aufgaben heute ebenfalls als Teilbereich der Warenwirtschaftssysteme betrachtet und sind i.d.R. als Funktionalitäten in den Systemen integriert. Auf Grund dieser engen Verzahnung zwischen Warenwirtschafts- und Ma- E. Warenwirtschaftliche Informationsprozesse 689 nagementunterstützungssystemen werden diese deshalb zumeist nicht als unabhängige Systeme angesehen. Die Informationssysteme bilden in diesem Zusammenhang somit die Basis für alle Arten von höherwertigen Informations- und Ergebnisanalysen sowie Entscheidungsuntertützungssystemen in den unterschiedlichen Unternehmenseinheiten.1 Abbildung 5.61: Grundstruktur handelsbetrieblicher Informationssysteme Quelle: Fischer 1998, S. 19. In Handelsunternehmen steht eine Vielzahl von Informationen zur Verfügung („Informationsflut“), die in sinnvoller Weise verdichtet, ausgewertet und aufbereitet werden muss, sodass sie in den unterschiedlichen Unternehmensbereichen zur Verbesserung der Entscheidungsgrundlage eingesetzt werden können (Guthunz 1994) (siehe Abbildung 5.62). Die Informationsbasis, die den Handelsunternehmen zur Verfügung steht, muss in sinnvoller Form im Rahmen der Informationslogistik der Handelsunternehmen organisiert werden. Die Grundlage der Informationssysteme bilden Datenbanken, die als Informationsquelle bzw. als „Zentralarchiv“ die Basis der Informationsversorgung der operativen Einheiten darstellen (Kloth 1999, S. 133ff.). Diese Daten bilden die Grundlage der Entscheidungsunterstützungssysteme. Um eine konsistente Datenbasis zu realisieren, ist die Integration der Daten der operativen Einheiten erforderlich. Im einfachsten Fall werden alle Informationsmeldungen direkt und damit ohne jede Verdichtung in einer Datenbank gespeichert. Seit den 1990er Jahren hat sich dafür eine spezielle Form von Datenbanken durchgesetzt, nämlich sogenannte Data Warehouses. Unter einem Data Warehouse versteht man ein Datenbanksystem, das in der Lage ist, themenorientiert, also strukturiert nach Themenbereichen, Prozessen oder Managementsichten, integriert, also mehrere Unternehmenseinheiten verknüpfend, 1 Zu Referenzarchitekturen von Handelsinformationssystemen vgl. z.B. Becker/Schütte 2004; Schütte/Vering 2004; Becker 1997. Geschäftsprozesse Data- Warehouse Strategie operative Ebene dispositive Ebene Entscheidungsunterstützung Ergebnisanalyse Wissenserzeugung 690 Fünftes Kapitel: Die Gestaltung der Supply Chain zeitbezogen, also anhand einer Speicherung nach spezifischen, festen Zeitpunkten, und dauerhaft, also langfristig, die zur Entscheidungsunterstützung notwendigen bzw. relevanten Daten zu sammeln, zu selektieren und ggf. zu verdichten (Inmon 2005; Holten/Rotthowe/Schütte 2001). Die Konzeption solcher Data Warehouses weist zwei wesentliche Aspekte auf: Integration von Daten: In einem Data Warehouse werden im Wesentlichen alle Unternehmensdaten, aus allen Unternehmensbereichen, aller operativen Einheiten gesammelt; so wird eine umfassende Sicht auf heterogene und völlig verteilte Datenbestände ermöglicht. Separation von Daten: Daten, die für die operative Warenwirtschaft gebraucht werden, werden durch das Data-Warehouse-Konzept von diesen Daten, die im Wesentlichen für das Berichtswesen, für Analysen, Controlling und Entscheidungsunterstützung gebraucht werden, getrennt. Abbildung 5.62: Aufbau der handelsbetrieblichen Informationslogistik Die Verdichtung der Daten zur Entscheidungsunterstützung auf den unterschiedlichen Ebenen bzw. in den unterschiedlichen operativen Einheiten ist i.d.R. unverzichtbar, fraglich ist nur der Grad der Verdichtung. Dieser Verdichtungsgrad ist von mehreren Faktoren abhängig, so z.B. von: den Unternehmenszielen der Strategie im Bereich der Informationssysteme dem Informationsbedürfnis den Kosten den informationstechnischen Rahmenbedingungen den operativen Einheiten den Sortimenten den Mengengerüsten. Scanning WWS (Filiale) WWS (Zentrale) Informationenauswerten: flexible Auswertungshierarchien Weiterbearbeitungsfunktionen einfaches Ändern definierter Abfragen Überwachungsfunktion (Plan/Ist) Informationengewinnen: Kopplung operatives System synchron, asynchron unmittelbar, sicher aus "externen" Systemen parametrisierbar Informationenaufbereiten: Weiterbearbeitung in externen Systemen unabhängig vomAuswertungsergebnis VerschiedeneAufbereitungsformen wahlfreies Ausgabemedium MUS E. Warenwirtschaftliche Informationsprozesse 691 Es gibt eine Vielzahl von Einflussfaktoren, die zum großen Teil auch innerhalb eines Handelsunternehmens zu unterschiedlichen Verdichtungsanforderungen führen können. Insbesondere können diese Anforderungen bei unterschiedlichen operativen Einheiten verschieden sein, wie anhand der folgenden Beispiele illustriert werden kann: In der operativen Einheit Verkaufsstelle werden die Warenausgänge, d.h. die Verkäufe an die Verbraucher, oft pro Einzelartikel und Tag abgespeichert, weil die tagesgenauen Verkaufsmengen u.a. für das Prognosesystem benötigt werden, in dem die unterschiedlichen Verkaufsmengen der einzelnen Wochentage berücksichtigt werden. In der operativen Einheit Lager dagegen werden diese artikelgenauen Daten auf Tagesbasis nur für die Rechnungsschreibung, aber nicht für spätere statistische Auswertungen benötigt. Dort sind v.a. die tägliche Warenausgangsleistung pro Lagerbereich oder der Lagerumschlag pro Artikel und Jahr, also stärker verdichtete Daten, von Interesse. Für eine optimale Lieferantenbewertung werden in der operativen Einheit Lager alle Wareneingänge eines Lieferanten mit allen Informationen wie Artikel, bestellte Menge, gelieferte Menge, Lieferzeitabweichungen, Einkaufskonditionen usw. gespeichert. Diese Daten werden zur Erstellung einer Lieferantenbewertungsliste als Basis für die Jahresgespräche verwendet. In der operativen Einheit Verkaufsstelle wären diese Informationen zwar genauso interessant, sie werden aber nicht in diesem Detaillierungsgrad gesammelt, weil die Mengengerüste und der Aufwand, diese Informationen auf Unternehmensebene zusammenzuführen, zu groß sind – zumindest dann, wenn das Handelsunternehmen sehr viele Verkaufsstellen und einen hohen und regional unterschiedlichen Streckengeschäftsanteil hat. 2. Datenbankabfragen, -analysen und Data Mining Die Konzeption der operativen Einheiten unterstützt eine Dezentralisierung der Datenhaltung, indem sie zunächst durch die Dezentralisierung der funktionalen Bereiche die Dezentralisierung der Stamm- und Bewegungsdaten bietet und damit die erforderlichen Voraussetzungen für Management-Informationssysteme auch in den Verkaufsstellen schafft. Weiterhin wird die dezentrale Datenhaltung durch den Einsatz von PCs mit relationalen Datenbanken und Tabellenkalkulationsprogrammen erleichtert, deren Gebrauch auch von IT-unkundigen Mitarbeitern schnell erlernt werden kann. Bei den Informationssystemen gibt es allerdings auch einen Bereich, in dem die Grenze einer einheitlichen Konzeption für alle operativen Einheiten erreicht wird. Diese liegt in der Zusammenfassung der operativen Einheiten, also der gesamtunternehmensbezogenen Informationssysteme. Beispiele für solche Auswertungen aus gesamtunternehmensbezogenen Informationssystemen sind etwa die kurzfristige Erfolgsrechnung über alle operativen Einheiten oder eine artikelspezifische Ergebnisrechnung für einen bestimmten Artikel, über alle Verkaufsstellen. Abfragen und Auswertungen Die Datenbanken der operativen Systeme sind auf die Veränderung bzw. Analyse kleinerer Datenbanken ausgerichtet („transaktionsorientiert“). Dabei stehen insbesondere OLTP-Systeme (Online Transactional Processing) im Vordergrund. Ein Data Warehouse hingegen, als meist gesamtunternehmensbezogene Aggregation der Daten, ist durch einen wesentlich komplexeren Aufbau gekennzeichnet und wird insbesondere zu Analysezwecken eingesetzt. Im Vordergrund stehen dabei somit das Abfragen von In- 692 Fünftes Kapitel: Die Gestaltung der Supply Chain formationen bzw. die Aggregation der Daten. In diesem Zusammenhang sind die Verfahren des OLAP (Online Analytical Processing) von besonderer Bedeutung. Dabei erfolgt die Abfrage von „Datenwürfeln“ bzw. die Navigation durch die Datenbanken im Rahmen einer mehrdimensionalen Struktur (Chaudhuri/Dayal 1997). OLAP-Systeme dienen der Analyse- und Entscheidungsunterstützung, z.B. im Rahmen von multidimensionalen Analysen, Prognosen o.Ä. Es handelt sich dabei um komplexe, interaktive Analysen, die in Form einer mehrdimensionalen Sicht auf die vorhandenen Datenbestände realisiert wird (McDonald/Gentry 1997). Eine typische Visualisierungsform der OLAP-Datensicht ist der OLAP-Würfel, wenngleich im Rahmen von OLAP- Analysen die Analyse von Daten auch hinsichtlich mehrerer Dimensionen (mehr als drei) möglich ist. Die Vorgehensweise im Rahmen von OLAP-Analysen entspricht dem „Durchschneiden“ dieses Datenraumes (siehe Abbildung 5.63) und der sich daran anschließenden Analyse der sich daraus ergebenden Schichten. Abbildung 5.63: OLAP-Konzept zur Datenanalyse Quelle: Kloth 1999, S. 144. In vielen Handelsunternehmen und vielen Standard-Warenwirtschaftssystemen ist es üblich, die für derartige Auswertungen notwendigen Daten doppelt zu speichern (also z.B. in der jeweiligen Verkaufsstelle und der Zentrale), um auf diese Weise die Kosten der Datenübertragung zu senken und das Antwortzeitverhalten zu verbessern. Auf der Basis der heutigen Datenbanktechnologie sind jedoch wesentlich einfachere Lösungen für das beschriebene Problem denkbar. Dabei geht man von einer Konfiguration aus, in der jede operative Einheit ihr eigenes Warenwirtschaftssystem hat, die wiederum alle in einem Rechnernetz miteinander verbunden sind (siehe Abbildung 5.64). Die Unternehmensdatenbank kann dabei von vornherein über alle operativen Einheiten verteilt werden; die Daten werden jeweils nur an einer Stelle gespeichert, und zwar dort, wo sie entstehen oder auch dort, wo sie am häufigsten gebraucht werden. Die für eine artikelspezifische Ergebnisrechnung erforderlichen Artikelumsatzdaten werden also in der jeweiligen operativen Einheit gespeichert, in der sie entstehen. Artikel x in allen Filialen an n Tagen alle Artikel in Filiale y an n Tagen alle Artikel in allen Filialen am Tag z Artikel x Filialen Artikel x in Filiale y am Tag z Tage Tag z Filiale y E. Warenwirtschaftliche Informationsprozesse 693 In solchen verteilten relationalen Datenbanken stehen leistungsfähige Datenbankabfragesprachen zur Verfügung. Unter Verwendung einer solchen Datenbankabfragesprache kann dann relativ einfach eine artikelspezifische Ergebnisrechnung erstellt werden. Dabei spielt der Ort, an dem die jeweiligen Daten gespeichert sind, keine Rolle. Es wirkt so, als sei das ganze System eine einheitliche, große Datenbank, während das Datenbanksystem im Hintergrund die Aufgabe übernimmt, die erforderlichen Daten im richtigen Netzknoten zu suchen, zu lesen und zu übertragen. Die Auswertung und Aufbereitung der Daten erfolgt dann in der Zentrale bzw. – zumindest i.d.R. – an der Stelle, welche die Auswertung gestartet hat. Abbildung 5.64: Zugriffe der artikelspezifischen Ergebnisrechnung auf die Daten in einer verteilten relationalen Datenbank Die Auswertung der zur Verfügung stehenden Informationsbasis stellt eine der wesentlichen Schlüsselkomponenten eines Data Warehouses dar. Die Zielsetzung im Rahmen des Data Mining liegt dabei darin, Datenmuster zu erkennen bzw. spezifische Daten aus dem Data Warehouse zu extrahieren. Die Aufgabe des Data Mining besteht somit darin, die Datenbanken zu „durchsuchen“, um bisher unbekannte Zusammenhänge zwischen den Daten aufzuzeigen. Dieses Data Mining erfolgt z.B. mithilfe statistischer Verfahren, KI- Logiken oder unter Einsatz genetischer Algorithmen. Anhand solcher Data-Mining- Verfahren ist es z.B. möglich, Ergebnisse der folgenden Art zu extrahieren (Gilmozzi 1996, S. 169f.; Kloth 1999, S. 147ff.): Verbindungen und Beziehungen, z.B. Aussagen über direkte Verbundbeziehungen zwischen Artikeln Zeitreihenmuster, z.B. Aussagen über zeitbezogene Verbundbeziehungen zwischen Artikeln, wie die Ermittlung von Zeitspannen und Kaufwahrscheinlichkeiten für Additivgüter nach dem Erwerb eines bestimmten Artikels Klassifikationen, z.B. Charakterisierung von Kundentypen anhand des Kaufzeitpunktes und -ortes Artikelspez. Ergebnisrechnung Nr. der operativenEinheit Absatz direkte Produktkosten Artikel-Nr. Verkaufspreis Einkaufspreis verteilte relationale Datenbank Filiale Filiale Lager Nr. der operativenEinheit Absatz direkte Produktkosten Artikel-Nr. Verkaufspreis Einkaufspreis Nr. der operativenEinheit Absatz direkte Produktkosten Artikel-Nr. Verkaufspreis Einkaufspreis 694 Fünftes Kapitel: Die Gestaltung der Supply Chain Cluster, z.B. Aufdecken neuer, vorher unbekannter Kundentypen Vorhersagen, z.B. Absatzprognosen bei Einführung neuer Marketingaktivitäten. 3. Optimierung des Handelsmarketing Die in den letzten Jahren wesentlich verbesserten technologischen Möglichkeiten sowohl auf Seiten der Systemsoftware wie neue Datenbanktechnologien, Data-Warehouse- Konzeptionen sowie neue Speicherungs- und Zugriffskonzepte, als auch auf Seiten der Anwendungssoftware, insbesondere in Bezug auf Simulation und Optimierung, eröffnen den Handelsunternehmen neue Anwendungsfelder. Diese Anwendungsfelder zeichnen sich v.a. durch einen neuen Grad von „Intelligenz“ aus, dringen in Gebiete vor, die bisher dem Menschen vorbehalten waren, für den sie aber v.a. auch vor dem Hintergrund viel zu großer Datenvolumina nicht wirklich umsetzbar waren. Im Fokus stehen dabei v.a. Einsatzgebiete im Bereich der Optimierung der absatzmarktbezogenen Warenprozesse bzw. des Handelsmarketing, so: Sortimentsoptimierung Regalplatzoptimierung Preisoptimierung Promotionsoptimierung. Wobei der Preis- und Promotionsoptimierung eine Schlüsselstellung zukommt. Auf neuere Ansätze der Preisoptimierung wird daher im Folgenden näher eingegangen. Preisoptimierung Generell können die folgenden drei Typen von Preisoptimierung unterschieden werden: Optimierung der Regalpreise Optimierung der Promotionspreise Optimierung der Abschriften. Als weitere Themenkreise für Preisoptimierung wären zu nennen die Erstbepreisung, also die Festlegung von Verkaufspreisen für neu ins Sortiment aufgenommene Artikel, sowie Überarbeitung des Preis-Images. Nicht alle Artikel eines Sortimentsbausteins oder einer Warengruppe können in der Preisoptimierung nach dem gleichen Schema bearbeitet werden. In gut ausdifferenzierten Kategorien finden sich Eckartikel, die für eine positive Preiswahrnehmung der Kategorie besonders wichtig sind, zusammen mit weniger hervorgehobenen Artikeln, die auf Kunden mit unterschiedlichen Qualitätsansprüchen und Gewohnheiten abzielen. Ein kluges taktisches Spiel mit den Preisen der A- und B-Marken, der oft besonders preissensitiven Eigenmarke und dem Randsortiment ist schwierig. In diesem „Spiel“ liegen aber Chancen für eine Steigerung der Erträge. Die in den Warengruppen angebotenen, zueinander substituierbaren Artikel werden vom Kunden hinsichtlich verschiedener Qualitätsmerkmale und ihres Preises beurteilt. Kaufentscheidungen lassen sich durch Preisänderungen v.a. dort beeinflussen, wo der Preis das vorrangige Entscheidungsmerkmal zwischen mehreren Alternativen ist. Wie aber beeinflusst ein Qualitätsmerkmal wie „Bio“ die Kaufentscheidung in einer großen Warengruppe mit vielen Alternativen? Wie wirkt sich eine Preiserhöhung eines Marken-Bio-Produkts im höheren Preisbereich gegenüber einer Preissenkung bei einer Bio-Eigenmarke aus? Ist es sinnvoller, eine Preissenkung bei einem Eckartikel mit hohem Marktanteil durchzuführen oder mehrere Preissenkungen im Randsortiment umzusetzen? E. Warenwirtschaftliche Informationsprozesse 695 Die Beantwortung solcher Fragen ist für jeden nützlich, der durch taktische Preismaßnahmen in den Sortimenten eine langfristige Steigerung der Rendite erzielen möchte, ohne beim Kunden eine negative Preiswahrnehmung zu erzeugen. Leider lassen sich die passenden Antworten ohne entsprechende Werkzeuge nicht effizient formulieren. Die Vollsortimenter und Fachmärkte bieten Zehntausende bis Hunderttausende von Produkten an. Warenkategorien mit mehreren Dutzend zueinander alternativen Produktgruppen sind keine Seltenheit. Kein Händler hat die Ressourcen, für jede Kategorie eine optimale Preisgestaltung durch aufwändige Umfragen und Conjoint-Analysen festzulegen, zumal die Preisfindung kein einmaliger, abgeschlossener Prozess ist. Die Lösung kann für Händler daher nur in einem Werkzeug mit hohem Automatisierungsgrad liegen, das die Reaktionen des Kunden auf Preisänderungen voraussagt und geeignete Preise automatisch ermittelt. Als Beispiel für solche Preisoptimierungssysteme sei hier auf die Price Engine der Dacos Software GmbH eingegangen. Die Taktische Preisoptimierung, der Kern dieser Price Engine, simuliert und optimiert Preisänderungen der Dauerpreise (Regalpreise) des Sortiments. Auf der Basis der verdichteten Abverkaufsdaten mehrerer Monate und der aktuellen Einkaufspreise ermittelt die Taktische Preisoptimierung ein mathematisches Modell der verhaltenspsychologischen Abhängigkeiten zwischen den Verkaufspreisen und den Kaufwahrscheinlichkeiten einerseits und dem zu erwartenden Rohertrag pro Verkaufseinheit andererseits. Mit Hilfe dieses Modells lassen sich die Veränderungen des Kaufverhaltens nach Preisänderungen exakt simulieren und sogar optimale Vorschläge für Preislinien automatisch erzeugen. Die Taktische Preisoptimierung ist ein praxisgerechtes Werkzeug, das die Gesetze des Marktes und die Gegebenheiten im Handel beachtet: Die Preissimulation errechnet exakte Schätzungen des Rohertrags pro Verkaufseinheit und Grundmenge. Der Anwender kann daher alternative Änderungsvorschläge quantitativ miteinander vergleichen und so das für die Kategorie beste Vorgehen bestimmen. Die Preisoptimierung bewahrt und verbessert die positive Gesamtwahrnehmung der Preise einer Warengruppe. „Extreme“ Preisänderungen, v.a. bei Eckartikeln, werden nicht vorgeschlagen. Preiserhöhungen bei manchen Produkten balanciert das Verfahren automatisch durch vorteilhafte Preissenkungen bei alternativen Produkten aus. Die Preisgrenzen eines jeden Produkts können zusätzlich durch Minimum- und Maximumbedingungen manuell festgelegt werden, um Änderungen dort zu unterbinden, wo sie nicht beabsichtigt sind. Wichtige psychologische Preisschwellen und die Preispolitik des Unternehmens („alle Preise über einem Euro enden auf 5 oder 9“) werden nicht nur beachtet, sondern sogar geschickt ausgenutzt. Der Einfluss unterschiedlicher Packungsgrößen als Qualitätsmerkmal und als Einflussgröße bei Preissensitivität und der möglichen Bevorratung geht in das Modell ein. Ungewöhnliche Verkaufsvorgänge („Monsterkunden“, extreme Tagesrabatte usw.) werden statistisch erkannt und automatisch aus den Daten herausgefiltert. Preise können regional differenziert optimiert werden. Das Preismodell der Taktischen Preisoptimierung nutzt dabei die unterschiedlichen Präferenzen der Kunden und die gegebenen Unterschiede im Angebot aus, um regional optimale Preislinien zu errechnen. Nebenbei können auch aussagekräftige Analysen von allen hierarchischen Ebenen der Warengruppen bis hin zum Verbund- und Einzelartikel erzielt werden, und es lassen sich wichtige Kennzahlen für Marken und Lieferanten ermitteln, wie Verkaufspreis-, Verkaufsmengen-, Umsatz-, und Ertrags-Historien sowie Historien mit Ein- und Auslistungen, Promotionsaktionen und der Wochentagsverteilung der Artikelkäufe. 696 Fünftes Kapitel: Die Gestaltung der Supply Chain Die Price Engine verwendet einen Ansatz, der das Preisoptimierungsproblem aus der Sicht des Kunden betrachtet. Dieser hat in vielen Warengruppen die Auswahl zwischen verschiedenen, aber weit gehend zueinander austauschbaren Produkten. Das Kaufverhalten der Kunden, d.h. v.a. die jeweiligen Anteile der gekauften Alternativen an der Warengruppe über einen gewissen Zeitraum, ergeben ein deutlicheres Bild über den Zusammenhang von Preisen und Kaufentscheidungen, als es die Betrachtung isolierter Artikel ergeben kann. Die Grundlage der Taktischen Preisoptimierung der Price Engine sind daher verhaltenstheoretische Modelle über das Kaufverhalten von Kundengruppen in ganzen Warengruppen mit substituierbaren Produkten. Aus den aktuellen, verdichteten Abverkaufsdaten weniger Monate wird zunächst ein komplexes mathematisches Modell abgeleitet, das die Preiselastizitäten aller substituierbarer Alternativen schätzt und somit die Bereitschaft der Kunden, bei Preisänderungen ihr Einkaufsverhalten zu ändern. Dieses Kundenmodell sagt indirekt voraus, wie sich der Abverkauf eines Produktes relativ zu anderen substituierbaren Artikeln verändert, wenn Preise durch den Händler langfristig geändert werden. Praxisrelevant ist die Fähigkeit, auch dann Preiselastizitäten ausreichend genau schätzen zu können, wenn Preisänderungen selten oder sogar nie im beobachteten Zeitraum aufgetreten sind. Sollten Preisänderungen im Lernzeitraum des Modells liegen, kann mit diesen die Vorhersagegenauigkeit verbessert werden. Ein relatives, vernetztes Modell der Preiselastizitäten kann direkt für eine Ertragsrechnung verwendet werden, deren Ergebnis der durchschnittliche Ertrag pro Verkaufseinheit ist. Dieser Wert hängt natürlich von den Einkaufskonditionen ab; neben den Verkaufspreisen und den geschätzten Marktanteilen benötigt eine solche Ertragsrechnung daher auch geeignete Einkaufs- bzw. Einstandspreise. Anders als konventionelle Preismodelle, deren Schätzungen auf deutlich messbare absolute Mengenänderungen abzielen, ist dieses relative Modell genau genug, um die ertragsrelevanten Auswirkungen kleiner Preisänderungen zu schätzen. Die Optimierung des Ertrages kann daher auf der Basis subtiler Preismanipulationen „unter dem Radar“ von Kunden und Konkurrenz erfolgen. Der Einsatz aggressiver Preisänderungen, deren Auswirkungen sich immer sehr schwer voraussagen lassen, wird vermieden. Die Vorteile eines relativen Preismodells über ganze Warengruppen liegen daneben auch in der weit gehenden Unabhängigkeit der gemachten Voraussagen gegenüber vielen saisonalen Schwankungen. Das Ziel der Taktischen Preisoptimierung ist immer die Erhöhung des Ertrages für eine Warengruppe ohne fundamentale Eingriffe im Absatz aller Produkte: Relativ kleine Preis- änderungen werden genutzt, um aus jeder Warengruppe einige Prozent mehr an Ertrag herauszuholen. Das folgende Fallbeispiel verdeutlicht das Vorgehen einer Taktischen Preisoptimierung anhand einer kleinen Warengruppe, bestehend aus vier verschiedenen Shampoos. Tabelle 5.1 zeigt Verkaufspreise, Roherträge und die Marktanteile (Kaufwahrscheinlichkeiten) der jeweiligen Shampoos verschiedener Hersteller. Artikel A ist ein Blickpunkt- oder Eckartikel. Sein Durchschnittspreis über alle Filialen beträgt 1,42 EUR, der durchschnittliche Rohertrag liegt bei nur 0,02 EUR je Packung. Der Marktanteil von Artikel A liegt bei 35,7%. Artikel B kostet durchschnittlich 1,71 EUR und hat einen Marktanteil von 23,2%. Artikel C kostet 1,83 EUR und hat einen Marktanteil von 24,0%. An Artikel B wird trotz des etwas niedrigeren Verkaufspreises mit 0,54 EUR etwas mehr verdient als an Artikel C, dessen Marge 0,45 EUR beträgt. Artikel D ist mit 3,78 EUR vergleichsweise teuer. Der Rohertrag liegt bei 0,92 EUR, der Marktanteil bei 17,1%. E. Warenwirtschaftliche Informationsprozesse 697 Der Rohertrag über alle vier Artikel, der durch die Marktanteile gewichtete Rohertrag pro Verkaufseinheit, beträgt durchschnittlich 0,396 EUR. Die Verpackungsgrößen sind gleich (150 ml), der Effekt im Unterschied in der Verbrauchsreichweite verschiedener Packungsgrößen kann daher ignoriert werden. Tabelle 5.1: Beispielwarengruppe mit Verkaufspreisen, Rohertrag und Marktanteil für die einzelnen Artikel Artikel Preisin EUR Rohertrag in EUR Marktanteil in Prozent Shampoo 1 1,42 0,02 35,7 Shampoo 2 1,71 0,54 23,2 Shampoo 3 1,83 0,45 24,0 Shampoo 4 3,78 0,92 17,1 Quelle: Hertel/Zentes/Schramm-Klein 2011, S. 384. Die Käufer der Produkte dieser Warengruppe bewerten alle Alternativen mit Hilfe eines abstrakten Nutzens, zu dem auch der gezahlte Preis gehört. Ändern sich die Preise, dann kann sich die individuelle Kaufbereitschaft für eine Alternative bei jedem Kunden ändern: Eine Preissenkung bei einem der vier Produkte macht dieses plötzlich zur attraktivsten Alternative einiger Kunden, die vorher ein anderes Produkt gekauft hätten. Kann man die Einwirkung des Preises auf die Kaufbereitschaft („willingness to pay“) aller Kunden abschätzen, so ergibt sich die Möglichkeit, den mittleren Rohertrag zu Gunsten des Händlers zu verändern, ohne die Absatzmenge signifikant zu variieren. Konkret werden bei einer modellgestützten Taktischen Preisoptimierung der vier Shampoos nun drei von vier Preisen in relativ geringem Umfang geändert (siehe Tabelle 5.2). Tabelle 5.2: Preisvorschläge der Optimierung mit prognostizierten Marktanteilen Artikel Preisin EUR Rohertrag in EUR Marktanteil in Prozent Shampoo 1 1,45 0,05 35,0 Shampoo 2 1,65 0,48 24,7 Shampoo 3 1,83 0,45 23,8 Shampoo 4 3,85 0,99 16,6 Quelle: Hertel/Zentes/Schramm-Klein 2011, S.385. Der Preis von Artikel C bleibt unverändert. Der Preis von Artikel B wird etwas gesenkt, über eine Preisgrenze hinweg. Der Preis für den hochwertigen Markenartikel D mit geringerer Preiselastizität hingegen wird erhöht. Durch die Preisänderungen wechseln einige Kunden von Artikel A zu Artikel B, denn die Preise der beiden Artikel haben sich angenähert und B wirkt durch den etwas niedrigeren Preis attraktiver. Weiterhin wechseln einige Kunden von Artikel C zu Artikel B, denn der Preisabstand zwischen diesen beiden Artikeln ist größer geworden. Der Rohertrag von Artikel B ist höher als der von Artikel C, was den gesamten Rohertrag positiv beeinflusst. Der Marktanteil von Artikel D verringert sich, sein Rohertrag steigt allerdings. 698 Fünftes Kapitel: Die Gestaltung der Supply Chain Der Rohertrag über alle vier Artikel steigt um 3,3% auf 0,4059 EUR. Insgesamt haben sich nur wenige Kunden für einen anderen Artikel entschieden als vor der Preisänderung. Durch diese minimalen Kundenbewegungen ist aber eine messbare Ertragsverbesserung eingetreten. In Warengruppen mit sehr vielen Alternativen ist eine manuelle Simulation und Bewertung von Preisänderungen normalerweise selbst dann sehr aufwändig, wenn ein geeignetes, computergestütztes Modell des Kaufverhaltens vorliegt. Nur in einem sehr kleinen Fallbeispiel wie oben wäre es z.B. noch denkbar, alle denkbaren Preisalternativen mit Hilfe eines Modells interaktiv zu analysieren. Ein Category Manager wird in der Realität aber nie die Zeit haben, für alle Warengruppen in seiner Verantwortung alle möglichen Preisänderungen durchzuspielen. In einer einzigen Warengruppe mit nur zehn Alternativen und fünf Preisalternativen pro Produkt (z.B. jeweils zwei Preissenkungen auf die nächst niedrigeren Preisschwellen, zwei Preiserhöhungen auf die nächsthöheren Preise und der Alternative, den derzeitigen Preis beizubehalten) müsste man bereits 9.765.625 verschiedene Preisalternativen ausprobieren und hinsichtlich ihrer Wirkung auf das Preisimage des Unternehmens bewerten. Die bereits vorgestellte Price Engine enthält daher neben der Möglichkeit der manuellen Simulation von Preisänderungen auch die Möglichkeit zur automatischen Optimierung von Preisen. Diese Optimierung erzeugt ausgehend von den aktuellen Verkaufspreisen Änderungsvorschläge, die folgende Ziele erreichen: Alle vorgeschlagenen Verkaufspreise liegen auf dem Preisschema das Händlers bzw. der Warengruppe (z.B. alle Preise enden mit 5 oder 9). Der mittlere Rohertrag pro verkaufter Verbrauchseinheit soll steigen. Die von Preisänderungen betroffenen Kunden sollen im Durchschnitt möglichst ausgeglichen Preissenkungen und Preiserhöhungen beobachten; die Ertragsteigerung darf nicht nur auf Kosten von Preiserhöhungen gehen. Der Rohertrag soll möglichst auch dann etwas steigen, wenn weniger Kunden durch Preisänderungen andere Kaufentscheidungen treffen, als durch das Modell vorhergesagt. Die Optimierung minimiert so das Risiko, das Preissenkungen darstellen. Die Zahl der Preiserhöhungen soll insgesamt klein sein; insbesondere muss das Verhältnis von Preiserhöhungen zu Preissenkungen für das Preisimage des Unternehmens positiv sein. Der Umfang der Preisänderung auf einzelnen Artikeln soll möglichst klein bleiben; insbesondere Preiserhöhungen auf umsatzstarken Eckartikeln u.ä. werden weitestgehend vermieden. Durch manuelle Eingriffsmöglichkeiten kann der Sortimentsmanager den Vorschlag des Systems effizient verfeinern. So lassen sich z.B. Preisgrenzen wie minimaler oder maximaler Preis definieren, falls Vorschläge bei bestimmten Produkten zu stark von der aktuellen Preispolitik im Sortiment abweichen. Auch die Konkurrenzpreise wichtiger Mitbewerber können für die Definition von Preisstrategien berücksichtigt werden. Preisoptimierung durch Genetische Algorithmen Die beschriebene Aufgabenstellung der automatischen Erzeugung von Preisvorschlägen ist ein schwierig zu lösendes Optimierungsproblem. Die sehr hohe Zahl möglicher Kombinationen aus Preisen und die Verknüpfung mehrerer Optimierungsziele – Ertragsteigerung, ausgeglichenes Preisimage, Risikominimierung – schließt die Anwendung vieler konventioneller Optimierungsmethoden aus dem Bereich Operations Research weit gehend aus. E. Warenwirtschaftliche Informationsprozesse 699 Die Price Engine z.B. setzt bei der Erzeugung von Kundenmodellen und bei der Optimierung der Preisvorschläge auf Techniken aus der Künstlichen Intelligenz, insbesondere maschinelle Lernverfahren auf der Basis Genetischer Algorithmen. Ein Genetischer Algorithmus ist ein heuristisches Optimierungsverfahren, das zur Lösung von komplexen Problemen eingesetzt wird, für die kein angemessen schnelles analytisches Lösungsverfahren existiert (Mitchell 1998). Bei Genetischen Algorithmen wird zunächst eine große Menge von zufälligen Lösungsvorschlägen erzeugt (siehe Abbildung 5.65), die sog. Startpopulation. Daraus werden – dem biologischen Evolutionsprozess entsprechend – die gemäß einem Gütekriterium besten Individuen ausgewählt (selektiert) und miteinander kombiniert. Die so entstandenen „Kinder” stellen die nächste Generation der Population dar und werden oft einen besseren durchschnittlichen Wert bzgl. der Zielfunktion haben als die vorangegangene Generation, da sich im Schnitt aus „fitten“ Eltern noch bessere Kinder entwickeln. Individuen, deren Gütekriterium unterdurchschnittlich ist, erhalten zum einen weniger Möglichkeiten zur „Fortpflanzung“, zum anderen sorgt ein begrenzter Lebensraum mit der Zeit für ihre Elimination. Abbildung 5.65: Ablauf eines genetischen Algorithmus, angewandt auf Preiskombinationen Quelle: Hertel/Zentes/Schramm-Klein 2011, S. 388. Dieser Vorgang der Selektion und Kombination – die Evolutionäre Suche – wird solange ausgeführt, bis keine Verbesserungen mehr zu beobachten sind. Gelegentliche Mutationen – kleine Veränderungen eines Individuums – dienen dazu, die Wahrscheinlichkeit zu minimieren, auf einem lokalen Maximum zu stagnieren. Im Fall der automatischen Preisoptimierung besteht die Population des Genetischen Algorithmus aus zufälligen Preisänderungen. Mithilfe des Kundenmodells lassen sich für jedes „Lebewesen“ der simulierte Ertrag pro Einheit ermitteln, aber auch der Grad der Erfüllung anderer Nebenbedingungen, wie z.B. die Verwendung weit gehend moderater Preiserhöhungen gegenüber starken Veränderungen. Jedes Lebewesen erhält so eine Fitness, Artikel A-D: Preisbeispiele Shampoos von Kunden 1,35 1,99 2,15 3,45 A B C D … 1. Schritt: Kombinationen erzeugen Ausgangsdaten Tatsächliche Preise BeispielWarengruppeShampoo 89 Artikel in der Warengruppe Durchschnittspreis 4,00Euro Preisänderungen nurplus /minus 15 % nur 5erund 9er Preise Initiale Population 1,25 1,95 2,45 3,45 1,15 1,99 2,39 3,79 1,35 1,89 2,15 3,15 1,30 1,95 2,55 3,99 … Zufällige Preiskombinationen Ergebnis 2.000 aus 10124 Möglichkeiten 4. Schritt: Optimales Ergebnis 1,25 1,95 2,39 3,99 A B C D … Die Preiskombinationen werdennach Höhe der Erträge geordnet Fitness Kalkulation 2. Schritt: Ranking Ranking 1,25 1,95 2,45 3,45 1,15 1,99 2,39 3,79 4. 5. 6. 7. … 3. 2. Ertrag 94Euro Ertrag 95Euro ca. 200 Generationen 1,30 1,95 2,55 3,99 Ertrag105Euro1. 3. Schritt: Selektion und Reproduktion Neue Kombinationen 1,25 1,95 2,45 3,45 1,15 1,99 2,39 3,75 1,30 1,95 2,45 3,99 Variation und Rekombination Nach Fitness aus-gewählte Preis- Kombinationen kombinieren sich neu Pro Generation entstehen ca. 2.000 neue Varianten Mutation 700 Fünftes Kapitel: Die Gestaltung der Supply Chain die über seine Überlebenschancen und die Möglichkeit zur Fortpflanzung entscheidet. Auf einem handelsüblichen Server können so Hunderte von Generationen mit Tausenden von Preisvorschlägen in wenigen Minuten durchgerechnet werden. Das Endergebnis sind Preisvorschläge, die bei ausgewogenen Eigenschaften bzgl. des Preisimages bessere Roherträge erzielen als die Ausgangspreise. Die automatische Optimierung der Preise liefert einen Preisvorschlag, der eine Reihe von Preisänderungen beinhalten kann. Die manuelle Simulation von Preisänderungen bietet sich alternativ an, wenn man die Wirkung einer begrenzten Zahl von bekannten Preisänderungen ausprobieren oder nur eine Teilmenge der Änderungsvorschläge realisieren möchte. Nach der Auswahl der passenden Alternativen und der Datenabfrage können die Verkaufs- und Einkaufspreise beliebig gewählt werden. Wie bei der Optimierung können auch die Grundeinheiten des Artikels verändert werden, um z.B. inkompatible Packungsgrößen anzugleichen. Es kann dann ein Simulationsergebnis erzeugt werden, das in seiner Form dem Ergebnis einer Optimierung entspricht. Dieses Ergebnis ist dann aber nicht die Simulation der optimalen Verkaufspreise, sondern eine Simulation manuell vorgegebener Preise. Solange die Artikel und die Packungsgrößen sowie die generellen Parameter wie Lernzeitraum, Analysezeitraum und Filialgruppierung nicht verändert werden, können die Preise beliebig weiter verändert und sehr schnell neue Ergebnisse erzeugt werden, da kein neues Modell berechnet werden muss. F. Fallstudie: Zara I. Darstellung des Unternehmens Das Mode- und Textilunternehmen Zara1 ist eine Tochtergesellschaft der spanischen Inditex-Gruppe, eines der weltweit größten Handelsunternehmen im Fashion-Bereich. Inditex wurde im Jahre 1975 von Amancio Ortega in La Coruña (Galizien) gegründet. Heute handelt es sich um eine fast vollständig vertikale Integration („Vertical Integration“) mit Optimierung und hoher Kontrolle der Supply Chain, um insbesondere eine möglichst hohe Reaktionsgeschwindigkeit auf Kundenbedürfnisse zu erzielen. Zeit ist daher der wichtigste Faktor, wichtiger noch als die Fertigungskosten. Die vertikale Integration ermöglicht eine Verkürzung der Lieferzeiten und bietet hohe Flexibilität, sodass die Lagerbestände und auch das Moderisiko minimiert werden. Diese Philosophie spiegelt sich im nachfolgend behandelten Geschäftsmodell wider. Der Erfolg von Inditex ist enorm, der Umsatz stieg seit dem Jahre 2000 um durchschnittlich 17% p.a. und der Gewinn vor Zinsen und Steuern (EBIT) um durchschnittlich 20%. Im Jahre 2010 hat Inditex einen Umsatz von 12,53 Mrd. EUR erwirtschaftet. Die Business Unit ZARA, die größte Vertriebsmarke, erreichte im gleichen Jahr 8,088 Mrd. EUR (64,6% des Gesamtumsatzes) in über 1.700 Outlets in 77 Ländern der Welt (siehe Tabelle 5.3). Zaras Gewinn vor Steuern und Zinsen (EBIT) betrug 1,534 Mrd. EUR und damit 67% vom Gesamtgewinn. 1 Die Fallstudie basiert auf Unternehmensinformationen, so www.inditex.com sowie dem Inditex Geschäftsbericht 2010.

Chapter Preview

References

Zusammenfassung

Modernes Handelsmanagement.

Zentes/Swoboda/Foscht, Handelsmanagement

3. Auflage. 2012.

ISBN 978-3-8006-4265-6

Handelsmanagement komplett

Handelsunternehmen bauen ihre Wertschöpfungstiefe sowohl »up-stream« als auch »down-stream« aus. Auch Industrieunternehmen gestalten ihre Wertschöpfungsarchitekturen zunehmend um: Durch absatzmarktorientierte Vertikalisierung werden auch sie zu »Händlern«. Das Buch führt in die neuen Ansätze und Methoden des modernen Handelsmanagements ein und erklärt die Zusammenhänge in der Handelspraxis.

Handelsmanagement in der Praxis

Diese Ansätze und Methoden des Handelsmanagements werden vorgestellt:

* Strategien, Betriebs- und Vertriebstypen des Handels

* Optionen des Absatzmarketing

* Gestaltung der Supply-Chain

* Konzepte der Führung in Handelsunternehmen.