Kampagnen haben als treibende Kraft des Konsumentenverhaltens in den letzten Jahrzehnten immer mehr an Bedeutung gewonnen. Sie machen mittlerweile einen beträchtlichen Teil der Umsätze aus. Verstärkt wird dieses Phänomen noch durch die vermehrte Nutzung digitalen Marketings mit personalisierten, zeitgebundenen Angeboten. Es ist unabdingbar, dass sowohl das Management von Promotions als auch deren Prognostizierung mit diesem Entwicklungstrend Schritt halten. Um das zu bewerkstelligen, sind ausgefeilte Methoden zur Prognostizierung und Planung von Kampagnen notwendig.
Dieses Whitepaper zeigt, wie der Schritt vom kategoriebasierten zum Kausalmodell die Prognosegenauigkeit erhöht und die Planung von Kampagnen erleichtert.
Die Methode der Kategorisierung und ihre Schwachstellen
Ein weit verbreiteter Ansatz für die Prognostizierung von Promotions war lange, diese zu kategorisieren und unterschiedlichen Gruppen zuzuordnen. Die Gruppierung erfolgte anhand von Eigenschaften wie: Welche Preisreduktion beinhaltete die Kampagne? Welche spezielle Platzierung wurde in der Filiale verwendet? Welche Marketingaktivitäten wurden während der Kampagne durchgeführt? Die Prognose für eine bevorstehende Kampagne wurde dann auf Grundlage der durchschnittlichen Verkaufsergebnisse einer Kampagnengruppe mit ähnlichen Eigenschaften gebildet.
Diese Methode ist bereits recht komplex, insbesondere, wenn die Gruppen frei definiert werden können – etwa basierend auf Produktkategorie oder Standort. Denn Backwaren verhalten sich während Promotions anders als Süßigkeiten, kleine Filialen anders als große. Verfügt man nicht über passgenaue Daten, sind führende Lösungen zur Prognostizierung von Kampagnen in der Lage, eine intelligente Suche nach passenden Gruppierungen durchzuführen. Ein Beispiel: Es liegen keine historischen Daten für ähnliche Promotions mit den gleichen Eigenschaften für eine bestimmte SKU-Filial-Kombination vor. Oder die Anzahl entsprechender Kampagnen ist zu gering, um statistisch signifikant zu sein. Die fortschrittlichsten Lösungen können nun nach der am besten passenden Kampagnen-Gruppe suchen und anhand dieser eine Prognose ableiten, die die größtmögliche Genauigkeit erreicht: Sie setzen auf SKU-Filial-Ebene an, durchlaufen aber beispielsweise auch die Produkt- und Standorthierarchie sowie partiell passende Gruppen.
Dieser kategoriebasierte Ansatz hat jedoch auch Nachteile:
- Die Grenzen der Kategorisierung: Nehmen wir an, die Preisnachlässe der Promotions sind in die Kategorien „0-20 %“, „20-40 %“ und „mehr als 40 %“ eingeteilt. Folglich würde die prognostizierte Wirkung einer 21-prozentigen und einer 39-prozentigen Preisreduktion gleich ausfallen, obwohl diese jeweils eher der Kategorie „0-20 %“ beziehungsweise „über 40 %“ entsprechen dürfte. Entscheidet man sich jedoch für eine kleinteiligere Einteilung der Kategorien, geht dies zu Lasten von Verlässlichkeit und Genauigkeit der Kampagnenprognosen, da die Datenmenge hinter jeder einzelnen Kategorie reduziert wird. Werden wiederum unnötigerweise manuelle Regeln hinzugefügt, wird die Konfiguration der Kampagnenprognostizierung komplexer und damit viel schwerer zu handhaben.
- Die Datenverwertung: Nutzt man nur exakt passende Referenz-Promotions (zum Beispiel mit gleicher Preisnachlass-Kategorie, der gleichen Filial-Platzierung und den gleichen Marketingmaßnahmen) für das Kampagnenprognosemodell, werden große Datenmengen außer Acht gelassen, die in Teilen der bevorstehenden Kampagne entsprechen (beispielsweise mit anderer Preisnachlass-Kategorie aber gleicher Filial-Platzierung und gleichen Marketingmaßnahmen) und wertvolle Informationen für die Kampagnenprognose bieten würden.
- Big Data bedeutet nicht unbedingt aussagekräftige Daten: Nicht selten stößt man beim Durchsehen der Kampagnen-Stammdaten auf Promotions, die vielleicht zu zehn verschiedenen Kategorien gehören, von denen jede „obligatorisch“ für die Prognostizierung verwendet werden muss: Wir leben nun mal im Zeitalter von Big Data. Jedoch bedeutet Big Data nicht unbedingt, dass die Daten auch aussagekräftig sind. Womöglich tragen nur drei oder vier dieser Kategorien zur Verkaufsperformance bei oder die zehn Kategorien könnten zum Prognostizieren in weniger Kategorien zusammengefasst werden. Beim Category-basierten Ansatz erschließt sich nicht auf den ersten Blick, welche Kategorien relevant für die Prognosebildung sind und welche nicht.
- Gleichzeitige Kampagnen mit unterschiedlichen Kategorisierungen: Die Kampagnendaten können sich überschneidende Promotions enthalten. In diesem Fall lässt sich schwer beurteilen, welcher Teil des Kampagnenergebnisses welcher Kombination aus Kampagne und Kategorie zuzuschreiben ist.
Das Kausalmodell erhöht die Prognosegenauigkeit und hilft bei der Kampagnenplanung
Diese Nachteile lassen sich mit dem Kausalmodell umgehen. Kausalmethoden extrahieren die Ursache-Wirkung-Beziehungen zwischen bestimmten Gruppen von Variablen. In der Praxis bilden Kausalmethoden ein Modell auf Grundlage der Eingabedaten. Das minimiert die Differenz zwischen den Daten und dem Modellergebnis und erlaubt eine bestmögliche Interpretation der Daten anhand der vorliegenden Parameter. Werden Kampagnenverkäufe prognostiziert, bieten sich statt der Frage „Wie haben ähnliche Kampagnen in der Vergangenheit abgeschnitten?“ weitere Möglichkeiten an, beispielsweise: „Wie wirkt sich ein 24-prozentiger Preisnachlass auf die Nachfrage aus? Wie wirkt sich eine Sonderplatzierung aus?“. Oder: „Welche Wirkung erzielt die Kombination von beidem?“ Im Detail betrachtet, bietet die Kausalmethodik die folgenden Lösungsansätze für die identifizierten Schwachstellen:
- Verwendung kontinuierlicher statt kategorialer Variablen: Bei einer kontinuierlichen Beziehung zwischen Preissenkung und Nachfrage wird die Wirkung, die der Preisnachlass auf die Nachfrage haben wird, viel präziser bestimmt und das Kategorisieren oder Hinzufügen von Heuristiken oder manuellen Regeln erübrigt sich.
- Unterscheiden der einzelnen Effekte: Kausale Methoden können die voraussichtliche Auswirkung einzelner Variablen oder von Kombinationen dieser Variablen zeigen und so Erkenntnisse aus dem gesamten Datensatz liefern, nicht nur aus deckungsgleichen Kampagnen.
- Herausfiltern aussagekräftiger Daten aus dem Datenrauschen: Durch die Untersuchung der mit kausalen Methoden gewonnenen Ergebnisse und das Automatisieren der Ergebnisanalyse lässt sich bestimmen, welche Variablen einen deutlichen Einfluss auf die Kampagnenverkäufe haben und welche nicht. Diese Erkenntnisse können dann in der Prognostizierung verwendet werden.
Die Verwendung von Kausalmodellen für Kampagnenprognosen mit Einbezug des Modells des historischen Durchschnitts bietet große Vorteile: Der Prognosefehler sinkt im Durchschnitt bis zu 15 Prozentpunkte und die Prognosen sind wesentlich stabiler. Folglich reduziert sich die Zahl sehr hoher Fehlerspitzen stark.
Der Mehrwert dieser Methode ist jedoch nicht nur die genauere Prognostizierung – die Kampagnenplanung wird ebenfalls verbessert. Dadurch, dass man die Wirkung jeder individuellen Kampagneneigenschaft auf die Nachfrage jeder einzelnen SKU-Filial-Kombination kennt, kann die Planung viel detaillierter erfolgen. So kann man sich auf die wichtigsten Kampagnenaktivitäten konzentrieren. Es ist beispielsweise wenig sinnvoll, starke Preisnachlässe oder Marketingmaßnahmen für SKUs zu planen, die kaum auf Rabatte oder Werbung reagieren. Stellt man diese Herangehensweise auf den Kopf, werden Preissenkungen und Kampagnenmaßnahmen so optimiert, dass sie bestimmte Umsatzziele erreichen – beispielsweise bei Rabattaktionen, die das Ziel haben, den vorhandenen Bestand auszuverkaufen. Diese Maßnahmen tragen zu einer effizienteren Kampagnenplanung bei und erhöhen somit auch den Profit.
Best Practices für das Prognostizieren von Promotions
Bei der Implementierung eines Prognostizierungsprozesses für Kampagnen gilt die goldene Regel, dass das Ergebnis nur so gut sein kann, wie die vorhandenen Daten. Je komplexer die Kampagnenprognosemodelle, desto wichtiger wird dieser Grundsatz.
Ein vernünftiger erster Schritt ist deshalb, sicherzustellen, dass die Kampagnenstammdaten gut gepflegt sind: Die Kampagnenpreise müssen korrekt und die Kampagneneigenschaften gründlich und systematisch eingestellt sein. Das ist leider nicht selbstverständlich: Manuelle Eingabefehler finden sich regelmäßig in Kampagnenstammdaten, zum Beispiel ein Kampagnenpreis von 49,9 statt 4,99 oder TV Marketing statt TV-Marketing. Stammdatenpflege zahlt sich bei der Automatisierung der Kampagnenprognostizierung aus.
Der zweite Schritt ist die Etablierung eines Prozesses, in dem kausale Kampagnenprognosemodelle auf mehreren Ebenen kalkuliert werden und das am besten passende ausgewählt wird. Die Kriterien für diese Auswahl sollten mindestens die Verlässlichkeit der Schätzungen und die Detailliertheit der Daten berücksichtigen. Für gewöhnlich gilt: je feiner die Schätzungsebene, desto besser. In der für den Einzelhandel typischen Einstellung liefert die SKU-Filial-Ebene die genauesten Ergebnisse. Es ist zudem sinnvoll, den Prozess der Kampagnenprognostizierung zu automatisieren. So wird das endlos lange Durchspielen verschiedener Modelle auf verschiedenen Ebenen mit möglicherweise Millionen von SKU-Filial-Kombinationen vermieden.
Ist der Prozess für die Kampagnenprognostizierung implementiert, lassen sich die Ergebnisse auch außerhalb der Prognostizierung verwenden – als Grundlage für verschiedene Kampagnenaktivitäten.
