Profitieren Sie von Prognosedaten in Planogrammen
Apr 12, 2018 • 5 min
Seit fast sieben Jahren arbeite ich mit Software für Flächenplanung. Inzwischen wurde mir so ziemlich jede Frage gestellt, die es zu diesem Thema gibt. Eine kommt aber regelmäßig vor: „Lassen sich Prognosedaten für die Erstellung der Planogramme verwenden?“
Die Antwort darauf war eigentlich immer die gleiche: „Nur, wenn wir die Prognosedaten auf wöchentlicher Produktstandortebene erhalten“. Für die meisten Planogramm-Systeme dürfte das auch heute noch die häufigste Antwort sein: Prognosedaten in wöchentliche Durchschnitte umwandeln und auf dieser Basis Planogramme erstellen. Tatsächlich ist das aber nicht sinnvoll.
Ich habe mich oft gefragt, warum die Diskussionen über Prognosedaten in Planogrammen nie zu etwas führten. Der Grund dafür wurde mir erst klar, nachdem ich bei RELEX angefangen hatte und wir begannen, Prognosedaten in den Flächenplanungsprozess aufzunehmen: Kehrten meine Ansprechpartner nach unseren Meetings zu ihren IT-Teams und Prognostizierungsexperten zurück, sprachen sie über meine Antwort bezüglich der Verwendung von Prognosedaten in Planogrammen. Dabei sahen sie sich schnell mit einer Fülle von Herausforderungen konfrontiert: Wie werden Prognosedaten und historische Daten kombiniert? Wie Prognosen in Durchschnitte umgewandelt? Und wie lassen sich akkurate Prognosen garantieren?
Diesen Herausforderungen mussten wir uns auch bei RELEX stellen, weshalb ich im Folgenden auf sie eingehen und mögliche Lösungswege aufzeigen möchte.
Die Logik hinter der Verwendung von Prognosedaten in Planogrammen
Ein Planogramm muss jeden Öffnungstag der Woche abbilden. Deshalb wäre eine erste Herangehensweise, sich die Verkaufshistorie vorzunehmen und den Durchschnitt zu ermitteln. Aber im Einzelhandel sehen wir mittlerweile von der Verwendung allgemeiner zugunsten von Cluster- und filialspezifischen Planogrammen ab. Denn keine Filiale ist wie die andere. Diesen Grundsatz sollten wir auch auf die zeitliche Ebene übertragen, denn auch kein Tag ist wie der andere – wovon jeder ein Lied singen kann, der einmal an vorderster Front im Einzelhandel gearbeitet hat. Deshalb lohnt es sich, statt der historischen Absätze Prognosedaten in den Planogrammen zu verwenden. So werden prognosebasierte Planogramme erstellt, die Trends und Saisonalität in der Nachfrage treffsicher abbilden.
Dadurch gibt es an einem durchschnittlichen Tag in jeder Filiale genügend Tiefkühl-Fertigpizzen im Regal – und in der Filiale, die direkt an eine große Fabrik angrenzt, bei der Gehaltsauszahlung genug Pizza für eine verstärkte Nachfrage der Belegschaft. (Angenommen sie sind Pizza-Fans.)
Historische Daten und ihre Tücken
Jedes Mal, wenn wir bei der Erstellung von Planogrammen historische Daten verwenden, formulieren wir eine grobe Projektion: Sie besagt, dass sich die nächsten 12 Wochen im Durchschnitt ähnlich wie die letzten 12 Wochen verhalten werden. Natürlich weiß jeder, dass das nicht der Fall ist. Wenn wir jedoch Nachfrageprognosen miteinbeziehen, heben wir diese Projektionen auf eine neue, leistungsfähigere Stufe. Historischen Daten enthalten meist keine Wetter-Fluktuationen, Trends, Saisonalität oder ähnliche Faktoren – hier bieten Prognosen einen signifikanten Mehrwert.
Verfügen wir über intelligente Prognosen, die 12, 52 oder 104 Wochen in die Zukunft reichen und tragen historischen Daten gebührend Rechnung, erhalten wir Daten, die wertvoller sind als rein historische.
Wenn ich früher Gespräche über die Verwendung von Prognosedaten in Planogrammen geführt habe, ging es meist darum, die Daten so zu nutzen wie eine neue historische Kennzahl, also vergleichbar mit beispielsweise der Einbeziehung von Kundentreuedaten. Je intensiver ich mich jedoch mit Prognosen beschäftige, desto mehr rücke ich davon ab, Prognosen mit historischen Daten vermischen, beziehungsweise verwässern zu wollen: Prognosen werden gebildet, um die Zukunft zu projizieren – dazu haben sie bereits auf die historischen Daten zurückgegriffen. Würde man sie nun auf irgendeine Weise zusammenführen oder einen Mittelwert bilden, wäre das wieder ein Schritt zurück.
Warum wöchentliche Durchschnittswerte nicht verlässlich sind
Planogramme haben sich in der Vergangenheit der wöchentlichen Umsatzdurchschnitte bedient (was sich sicherlich damit erklärt, dass die marktführenden Flächenplanungslösungen seit nunmehr bald 40 Jahren existieren). Dieser wöchentliche Durchschnitt wird durch die Anzahl der geöffneten Tage dividiert, um den durchschnittlichen täglichen Absatz zu ermitteln. Im nächsten Schritt wurde dann auf Grundlage dieses täglichen Durchschnittswerts ermittelt, wie viele Tage Reichweite die Menge im Regal bietet.
Wie ich bereits erwähnt habe, wird sich niemand im Einzelhandel an einen „durchschnittlichen Tag“ erinnern. Warum also mitteln wir Mittelwerte und bauen unseren wichtigsten Interaktionspunkt mit dem Kunden auf das Fundament solcher Annäherungswerte?
Schauen wir uns dieses typische Beispiel der Grafik an: Die hellblauen Balken zeigen die tägliche Nachfrage nach einem Produkt in einer einzelnen Filiale, die dunkelblauen geben den durchschnittlichen Verkauf an. Sehen Sie, wie stark beinahe jeder Tag vom Durchschnittswert abweicht?
Erhält man zwei Lieferungen pro Woche, würde man für gewöhnlich die „Reichweite in Tagen“ im Planogramm auf „3“ einstellen. Im Durchschnitt betragen die täglichen Verkäufe 14 Einheiten, 3 Tage Reichweite entsprächen also 42 Einheiten. Wenn in diesem Beispiel die Wiederauffüllung am Freitagmorgen erfolgt, nachdem am selben Morgen eine Lieferung eingetroffen ist, ist das Regal am Samstagmittag leer.
Es ist vernünftig anzunehmen, dass die Daten des wöchentlichen Absatzdurchschnitts bisher genutzt wurden, um die Datenmenge im Rahmen zu halten und alle Umsatzspitzen und -täler auszugleichen. Denn diese sollen nicht die Grundlage für die Planung bilden. Ich bin ein großer Fan von grobem Überschlagen, um schnell festzustellen, ob eine Rechenmethode sinnvoll ist – was die Flächenplanung betrifft, ist jedoch die Zeit reif für eine wissenschaftlichere Herangehensweise.
Kann man sicher sein, dass die Prognosen genau genug sind?
Werden zur Planogrammerstellung historische Daten genutzt, ist es klug, eine Zeitspanne zu wählen, die die Häufigkeit der Kategorieüberprüfung widerspiegelt. Wird eine Produktkategorie einmal im Jahr geändert, werden die Leistungsdaten der vorherigen 52 Wochen verwendet. Besteht eine Kategorie für 12 Wochen, werden die Daten der vorherigen 12 Wochen genutzt, etc. Bei der Nutzung von Prognosedaten für die Erstellung von Planogrammen ist es ähnlich: Auch hier werden für ein saisonales Planogramm, das 12 Wochen gültig ist, die Prognosedaten von 12 Wochen benötigt.
Viele Einzelhändler stellen jetzt die berechtigte Frage, ob die Prognose präzise genug ist, um sich die kommenden 12 oder 52 Wochen darauf zu verlassen. Diese Frage lässt sich nur durch ein empirisches Vorgehen abschließend beantworten. Aber beim Vergleich von 12 Wochen prognostizierter Absätze der Wochen 13-25 mit den tatsächlichen Verkäufen dieser Wochen und dann mit den durchschnittlichen historischen Absätzen der Wochen 1-12 würden die prognostizierten Verkäufe nicht weiter von den tatsächlichen Absätzen abweichen als die durchschnittlichen. Ich bin mir sogar sicher, dass die Prognose erheblich näher am tatsächlichen Umsatz liegt. Mehr zu diesem Thema finden Sie in unserem Guide zur Prognosegenauigkeit.
Profitieren Sie bei der Planogrammerstellung durch ganzheitliche Planung
Wir leben heute in einer Welt mit ungemein leistungsstarker Technologie: Systeme erstellen Prognosen und gleichen Schwankungen aus. Es ist viel leichter geworden, etwas Neues und Wertschöpfendes in der Planogrammplanung zu nutzen und sich für die Zukunft zu rüsten. Der Einzelhandel verändert sich rasch: Wer eine vorteilhafte Innovation verschläft, läuft Gefahr, dass der Wettbewerb das nicht tut.
Unsere Vision ist es, Einzelhandelsplanung ganzheitlich zu gestalten. Bisher wurden die Bereiche des Category-Managements und der Supply-Chain-Planung isoliert gehandhabt. Dieses Silo-Denken gilt es zu überwinden.
Unsere Vision ist es, Einzelhandelsplanung ganzheitlich zu gestalten. Bisher wurden die Bereiche des Category-Managements und der Supply-Chain-Planung isoliert gehandhabt. Dieses Silo-Denken gilt es zu überwinden. Wenn Sie sich für unseren ganzheitlichen Ansatz in der Einzelhandelsplanung interessieren, lesen Sie diesen Blogeintrag: Integrierte Handelsplanung: Raus aus dem Silo.
Beitrag von
ähnliche Artikel
Wie eine Software-Plattform Lebensmittelherstellern bei der Planung hilft
Für lebensmittelverarbeitende Betriebe ist effektive Planung ein ständiger Drahtseilakt: Sie müssen Produktionspläne, betriebswirtschaftliche Zwänge und Materialknappheit gegen eine schwankende Nachfrage und die drohende Gefahr des Verderbs abwägen.
Fallstudie: Transmeri
Transmeri Ab, importiert und vermarktet beliebte Produkte und Kosmetika in Finnland und den baltischen Staaten, wie beispielsweise Chanel oder Clinique, und produziert Eigenmarken.
Kunden-Video: Bünting Unternehmensgruppe
Helge-Christian Eilers, Geschäftsführer der Bünting Gruppe, erklärt, wie RELEX dem Unternehmen dabei hilft, die Bestands- und Category Management Planung für über fünf Millionen Produkte, einschließlich Frischwaren, zu optimieren.