Datengetriebene Entscheidungsfindung aus strategischer und operativer Perspektive im Handel

Data-Driven Decision-Making from a Strategic and Operational Perspective in Retailing

Zusammenfassung

Mit der digitalisierungsbedingten Zunahme kontinuierlich erfasster Massendaten aus unterschiedlichsten Quellen entsteht die Hoffnung, einen besseren Zugang als je zuvor zur Realität zu erhalten. Angesichts des Big-Data-Phänomens stellt sich dabei für Handelsunternehmen die Frage, welche unternehmensweite Datenstrategie es zu verfolgen gilt. Dazu liefert der folgende Beitrag anhand eines Frameworks eine sachlogische Struktur für eine unternehmensweite Datenstrategie. Für jedes aufgezeigte Strategiefeld dieses Frameworks sind dabei Basisentscheidungen zu treffen, die die nötigen Voraussetzungen zur Nutzung von Daten für erfolgreiche Einzelprojekte als auch die erfolgreiche Eingliederung datengetriebener Aktivitäten in Standardprozesse schaffen. Neben der Datenstrategie wird auch der realisierbare betriebswirtschaftliche Beitrag für Einzelhändler anhand einer Fallstudie entfaltet. Dazu wird auf das Handelsmarketing und den Marketing-Mix als zentrales Konzept, und seit jeher eines der wichtigsten Tätigkeitsfelder im Einzelhandel, zur Aufstellung einer datengetriebenen Entscheidungsphänomenologie zurückgegriffen. Als Antwort auf die Frage, welche Datenstrategie angesichts von Big Data von einem Einzelhändler zu verfolgen ist, wurden verschiedene Teilbereiche identifiziert und Maßnahmen innerhalb dieser ausgearbeitet. Es wurde gezeigt, dass integrierte und kohärente Maßnahmen auf organisationaler und technologischer Ebene für die Sammlung, Speicherung, Verarbeitung, Verwendung, Steuerung und Transformation von Big Data im Unternehmen nötig sind. Mit Erfüllung der notwendigen Vorrausetzungen für Big Data im Rahmen der Datenstrategie ist es dabei möglich nicht nur die hier aufgezeigte Absatzseite der Unternehmung zu optimieren, sondern auch die tiefgreifende Integration der verschiedenen Prozessbereiche im Handelsunternehmen abzubilden.

Abstract

With the digitalization-induced increase in continuously recorded mass data from a wide variety of sources, there is hope of obtaining better access to reality than ever before. In view of the big data phenomenon, retail companies are faced with the question of which company-wide data strategy to pursue. The following article establishes a framework to provide a logical structure for a company-wide data strategy. For each strategy field of this framework, basic decisions have to be made. This are the necessary prerequisites for the use of data within successful separated projects as well as the successful integration of data-driven activities into standard processes. In addition to the data strategy, a case study will be used to unfold the feasible business contribution for retailers. For this purpose, retail marketing and the marketing mix will be used as the central concept, which has always been one of the most important fields of activity in retail, to establish a data-driven decision phenomenology. In response to the question as to which data strategy should be pursued by a retailer in view of Big Data, various sub-areas and measures within these were identified and elaborated. It is shown that integrated and coherent measures at the organizational and technological levels are necessary for the collection, storage, processing, use, control and transformation of Big Data in a company. By fulfilling the necessary prerequisites for Big Data within the framework of the data strategy, it is not only possible to optimize the sales side of the company, but also to enable a profound integration of the various process areas within a retail company.

This is a preview of subscription content, log in to check access.

Abb. 1

Notes

  1. 1.

    Cross-Industry Standard Process for Data Mining.

  2. 2.

    Knowledge Discovery in Databases.

  3. 3.

    https://kafka.apache.org.

  4. 4.

    https://flink.apache.org.

  5. 5.

    Auch diese Geschäftswelt-orientierte Datenmodellierung folgt dem konstruktionsorientierten Modellierungsparadigma. Im Gegensatz zur Use-Case-orientierten Datenmodellierung ist der Zweck jedoch nicht an den Use Case der Projektdefinition gebunden, sondern wird auf einen übergeordneten Zweck ausgedehnt, der etwa in der Datenstrategie selbst definiert wird.

  6. 6.

    Micro-Service Architecture beschreibt ein Software-Architektur-Konzept, bei dem eine Applikation als eine überschaubare Menge von Services entwickelt wird, die jeweils als selbständige Prozesse laufen und über dedizierte Schnittstellen, die sog. APIs, kommunizieren. Während diese Form der Software-Architektur gegenüber monolithischen Systemen ex ante einen größere Infrastruktur-Aufwand bedeuten, zeichnet sie sich durch u. a. durch Skalierbarkeit und modulare Ausrichtung an fachliche Anforderungen aus.

  7. 7.

    In-Memory-Datenbanken halten alle als relevant deklarierten Daten im Hauptspeicher, sodass im Allgemeinen schnellere Zugriffszeiten gegenüber Datenbanken mit auf der Festplatte residierenden Daten erreicht werden. Bei relationalen In-Memory-Datenbanken kann die Zugriffs-Performance weiterhin verbessert werden, indem Tabellen in Abhängigkeit des Einsatzszenarios (analytisch-lesend oder transaktional-schreibend) zeilenweise oder spaltenweise gespeichert werden.

  8. 8.

    https://www.sap.com/germany/products/hana.html.

  9. 9.

    https://hadoop.apache.org.

  10. 10.

    Extract, Transform, Load (ETL).

  11. 11.

    https://azure.microsoft.com/de-de/services/machine-learning-studio/.

  12. 12.

    https://www.h2o.ai/products/h2o-driverless-ai/.

  13. 13.

    https://www.sap.com.

  14. 14.

    https://www.oracle.com.

  15. 15.

    https://www.periscope-solutions.com.

  16. 16.

    http://www.revionics.com.

  17. 17.

    https://www.blueyonder.ai/de.

  18. 18.

    https://spark.apache.org/mllib/.

  19. 19.

    https://scikit-learn.org/stable/, eine Software-Bibliothek zur Entwicklung und Bereitstellung von Machine-Learning-Modellen.

  20. 20.

    :https://www.tensorflow.org, ein Software-Framework zur Entwicklung und Bereitstellung von Deep-Learning-Modellen von Google.

  21. 21.

    https://pytorch.org, ein Software-Framework zur Entwicklung und Bereitstellung von Deep-Learning-Modellen von Facebook.

  22. 22.

    Containervirtualisierung ist ein System-Infrastruktur-Konzept, bei dem Software einschließlich ihrer Abhängigkeiten als sog. Container ausgeliefert wird und sich durch die damit entstehende Skalierbarkeit als infrastrukturelle Basis der Micro-Service-Architektur etabliert hat. Docker ist ein Open-Source-Framework zur Bereitstellung von Containern und Kubernetes ein Open-Source-Framework zur Ausführung von Containern.

  23. 23.

    https://www.docker.com/.

  24. 24.

    https://kubernetes.io/.

  25. 25.

    Siehe https://www.aldi-nord.de und https://www.aldi-sued.de.

  26. 26.

    https://www.lidl.de.

  27. 27.

    https://www.rewe-group.com/de/startseite.

  28. 28.

    https://www.edeka.de/homepage.jsp.

Literatur

  1. Ailawadi KL, Harlam BA, Cesar J, Trounce D (2006) Promotion profitability for a retailer: the role of promotion, brand, category, and store characteristics. J Mark Res 43(4):518–535

    Article  Google Scholar 

  2. Bean R (2016) Big Data Executive Survey 2016. http://newvantage.com/wp-content/uploads/2016/01/Big-Data-Executive-Survey-2016-Findings-FINAL.pdf. Zugegriffen: 31.01.2018

    Google Scholar 

  3. Beck M, Libert B (2018) The machine learning race is really a data race. Sloan management review. https://sloanreview.mit.edu/article/the-machine-learning-race-is-really-a-data-race/. Zugegriffen: 02.02.2018

    Google Scholar 

  4. Borden NH (1964) The concept of the marketing mix. J Advert Res 4(2):2–7

    Google Scholar 

  5. Chamoni P (2019) Data Mining. Enzyklopädie der Wirtschaftsinformatik Online-Lexikon. http://www.enzyklopaedie-der-wirtschaftsinformatik.de/lexikon/daten-wissen/Business-Intelligence/Analytische-Informationssysteme--Methoden-der‑/Data-Mining/index.html. Zugegriffen: 02.11.2017

    Google Scholar 

  6. DalleMule L, Davenport TH (2017) What’s your data strategy? Harv Bus Rev 6(3):112–121

    Google Scholar 

  7. Gronau N, Thim C, Fohrholz C (2016) Business Analytics in der deutschen Praxis. Controlling. https://doi.org/10.15358/0935-0381-2016-8-9-472

    Article  Google Scholar 

  8. Klostermeier R, Haag S, Belian A (2018) Digitale Zwillinge – Eine explorative Fallstudie zur Untersuchung von Geschäftsmodellen. HMD 2018(55):297–311

    Article  Google Scholar 

  9. Marn MV, Roegner EV, Zawada CC (2004) The price advantage. Wiley, Hoboken

    Google Scholar 

  10. McAfee A, Brynjolfsson E (2012) Big Data: The Management Revolution. Harvard Business Review, Watertown, Massachusetts, USA

    Google Scholar 

  11. McCarthy E (1960) Basic marketing: a managerial approach. Richard D, Irwin, USA

    Google Scholar 

  12. Meffert H, Burmann C, Kirchgeorg M (2015) Marketing: Grundlagen marktorientierter Unternehmensführung Konzepte – Instrumente – Praxisbeispiele, 12. Aufl. Springer, Wiesbaden https://doi.org/10.1007/978-3-658-02344-7_4

    Google Scholar 

  13. Möhlenbruch D (2013) Sortimentspolitik im Einzelhandel: Planung und Steuerung. Springer, Berlin

    Google Scholar 

  14. Müller-Hagedorn L (2002) Handelsmarketing. Kohlhammer-Edition Marketing, 3. Aufl. Kohlhammer, Stuttgart

    Google Scholar 

  15. Pasqua J (2014) Schema-on-read vs schema-on-write. https://www.marklogic.com/blog/schema-on-read-vs-schema-on-write/. Zugegriffen: 15.02.2019

    Google Scholar 

  16. Retail Institute EHI (2016) handelsdaten.de – Supermärkte. https://www.handelsdaten.de/branchen/superm%C3%A4rkte. Zugegriffen: 15.02.2019

    Google Scholar 

  17. Richardson C (2018) Refactoring a monolith into microservices. https://www.nginx.com/blog/refactoring-a-monolith-into-microservices/. Zugegriffen: 10.02.2019

    Google Scholar 

  18. Schütte R, Vetter T (2017) Analyse des Digitalisierungspotentials von Handelsunternehmen. In: Handel 4.0. Springer, Berlin, S 75–113

    Google Scholar 

  19. Suriadi S, Wynn M, Wohed P, ter Hofstede A, Recker J (2012) A Process Mining Analysis of Woolworth’s GPS Data. Research Report. http://www.janrecker.com/wp-content/uploads/2013/02/20121212_FinalReport_GPS-ProcessMining.pdf. Zugegriffen: 06.09.2017

    Google Scholar 

  20. Weber F, Schütte R (2019) A domain-oriented analysis of the impact of machine learning—the case of retailing. Big Data Cogn Comput 3(1):11

    Article  Google Scholar 

Download references

Author information

Affiliations

Authors

Corresponding author

Correspondence to Felix Weber.

Rights and permissions

Reprints and Permissions

About this article

Verify currency and authenticity via CrossMark

Cite this article

Kari, M., Weber, F. & Schütte, R. Datengetriebene Entscheidungsfindung aus strategischer und operativer Perspektive im Handel. HMD 56, 914–931 (2019). https://doi.org/10.1365/s40702-019-00530-9

Download citation

Schlüsselwörter

  • Handel
  • Big Data
  • Entscheidungsfindung
  • Künstliche Intelligenz
  • Strategie
  • Marketing Mix

Keywords

  • Retail
  • Big Data
  • Decisions
  • Artificial Intelligence
  • Strategy
  • Marketing Mix