Online Special Optimierung für den Handel

Mehr als nur Bauchgefühl

   Artikel anhören
© pixabay.com
Persönlicher Verkauf scheint auf den ersten Blick wenig mit Datenanalysen zu tun zu haben. Doch die Arbeit von Außendienstmitarbeitern kann durch den sinnvollen Einsatz von Datenbanken und Predictive Analytics unterstützt werden. Gerade für Markenhersteller mit einer Vielzahl von Geschäften bringt eine auf Daten basierende Auswahl eine Effizienzsteigerung, wie Johann-Hinrich Nagel, CPM Germany, erläutert.
In einer Welt von digitalen Medien und millionenschweren Werbekampagnen wird oft vergessen, dass die guten Beziehungen zum Einzelhandel über den Erfolg oder Misserfolg einer Marke entscheiden. Der Endkonsument steht normalerweise im Fokus, wenn über Marketing geredet wird. Allerdings kann ein Produkt nur gekauft werden, wenn es auch in den Regalen der Geschäfte steht.
Der Autor
Johann-Hinrich Nagel
© CPM
Johann-Hinrich Nagel ist Geschäftsführer von CPM Germany und Experte für integrierten Vertriebsstrategien und POS-Marketing. Sein Unternehmen betreut deutsche und internationale Marken mit innovativen Vertriebslösungen rund um den Point of Sale.​
Die Maßnahmen, mit denen Hersteller ihre Position beim Handel verbessern, wird auch als Trade Marketing bezeichnet – und seine Bedeutung darf man nicht unterschätzen. Der wichtigste Kanal hier ist immer noch der Außendienst – Menschen, die mit den Händlern vor Ort verhandeln und kooperieren, um in beiderseitigem Interesse den Abverkauf von Produkten voranzubringen. Die Rolle des Außendiensts ist heute viel mehr als das Aushandeln von Konditionen – es geht auch um Kommunikation, das Erklären von Produkten oder das Vermitteln der Markenwelt. Viele denken, dass hier der Erfolg noch auf den persönlichen Fähigkeiten des Vertriebspersonals beruht. Doch Daten spielen auch eine immer wichtigere Rolle.

Den Außendienst mit Daten unterstützen

Ein Beispiel, wie Datenanalyse die Effizienz von Außendienst-Aktivitäten deutlich verbessern kann, ist die Planung der Besuche von Einzelhandelsgeschäften. Selbst im Lebensmitteleinzelhandel haben die lokalen Marktleiter eine große Entscheidungsmacht, weshalb hier Außendienst-Besuche auch auf Geschäftsebene (und nicht nur Key Account Meetings auf höherer Ebene) notwendig sind. Eine Planung solcher Besuche ist bei zirka 13.000 Filialen und Cash-and-Carry-Märkten im deutschen Lebensmittelhandel durchaus eine Herausforderung. Welche Märkte sollen zuerst angesprochen werden? Wo sind die Verkaufschancen besonders hoch? Welche Märkte eignen sich für eine Produktneueinführung?


Bislang ist das gängige Kriterium zur Marktauswahl meist die bloße Verkaufsfläche. Doch gibt es weitere Daten und Erfahrungen aus vergangenen Aktionen, die mit in die Entscheidung einfließen sollten. Hier kommt das Thema Datenanalyse ins Spiel:  Predictive Analytics erlauben individuelle Prognosen zur Kooperationsbereitschaft der Marktverantwortlichen und den erwarteten Absatzerfolg. Allerdings verfügen die meisten Markenhersteller nicht über die notwendigen Ressourcen, solche Analysen durchzuführen. Doch selbst wenn es betriebliche Marktforscher oder Business-Intelligence-Spezialisten im Unternehmen gibt, die sich einer solchen Aufgabe annehmen könnten, fehlen ihnen meist im Detail die notwendigen Daten auf Marktebene. Hinzu kommt, dass nicht selten die zeitlichen Ressourcen fehlen und Fragen des Konsumenten-Marketings wichtiger erscheinen als die Optimierung der Außendienst-Aktivitäten.

Predictive Analytics für das Besuchsmanagement

Wir haben ein Instrument entwickelt, das es ermöglicht, eine kundenspezifische Marktpotenzialanalyse einfach auszuführen und dadurch diejenigen Märkte zu selektieren, bei denen die Erfolgswahrscheinlichkeit am größten ist. Der „Power Outlet Selector“ ist ein datenbankgestütztes Analysewerkzeug. Sein Algorithmus entwickelt individuelle Analysemodelle aus einer breiten Datenbasis. Es werden TradeDimensions-Marktdaten von Nielsen mit CPM-Ergebnisdaten aus über 300.000 Marktbesuchen verknüpft. Solche qualitativen Bewertungen aus früheren Vermarktungsaktivitäten werden mit den quantitativen Daten kombiniert. Die Datenbank des Power Outlet Selectors wird ständig aktualisiert und ergänzt, ist also ein wachsendes, lernendes System. So wählt das Tool je nach Aufgabenstellung diejenigen Outlets aus, die sowohl in der Struktur als auch in Bezug auf die Bereitschaft zur Kooperation mit dem Außendienst des Herstellers die besten Besuchsergebnisse versprechen.

Eine lernende Datenbank als Grundlage

Der klare Vorteil eines solchen datengestützten Vorgehens liegt auf der Hand: Durch die Konzentration auf Erfolg versprechende Märkte und die damit einhergehende Reduzierung von ineffizienten Besuchen werden die Kosten gesenkt und die Gesamtbesuchsproduktivität wird gesteigert. Solche Instrumente sollen selbstverständlich den Außendienstmitarbeitern nicht das Denken abnehmen, sondern sie in ihrer Arbeit unterstützen​. Durch die Berücksichtigung großer Mengen objektiver Daten lassen sich verborgene Muster und Zusammenhänge erkennen, die der Erfahrung des einzelnen Mitarbeiters meist verschlossen bleiben. Dabei sorgen lernenden Algorithmen für eine permanente Verbesserung. Der Power Outlet Selector lernt mit jedem Einsatz dazu. Seine Datenbank wird kontinuierlich mit allen neuen Ergebnissen aus Außendienstbesuchen ergänzt. Die Datenbasis ist jederzeit aktuell und wächst weiter.
Die smarte Nutzung von Daten ist keine alleinige Domäne des E-Commerce und des Online-Shoppings. Maßnahmen, die auf den stationären Handel zielen, können ebenso von Predictive Analytics profitieren. Das steigert die Bedeutung der Vertriebsmitarbeiter für den Markterfolg und stärkt die Position der Hersteller gegenüber dem Handel. Das Ziel ist es, immer mehr Bereiche des Trade-Marketings mit digitalen Tools und Datenanalysen effizienter und erfolgreicher zu machen.
Bitte loggen Sie sich hier ein, damit Sie Artikel kommentieren können. Oder registrieren Sie sich kostenlos für H+.
Ich habe die Datenschutzbestimmungen zur Kenntnis genommen und akzeptiere diese.
stats