BI Anwendungspotenziale im Handel

Aus Winfwiki

Fallstudienarbeit
Hochschule:	Hochschule für Oekonomie & Management
Standort:	Hamburg
Studiengang:	Bachelor Wirtschaftsinformatik
Veranstaltung:	Fallstudie / Wissenschaftliches Arbeiten
Betreuer:	Prof._Dr._Uwe_Kern
Typ:	Fallstudienarbeit
Themengebiet:	Business Intelligence
Autor(en):	Franziska Kirschner, Nils Dieckmann
Studienzeitmodell:	Tagesstudium
Semesterbezeichnung:	WS11
Studiensemester:	2
Bearbeitungsstatus:	vergeben
Prüfungstermin:
Abgabetermin:

Inhaltsverzeichnis 1 Einleitung 2 Grundlagen 2.1 Business Intelligence 2.1.1 Data Warehouse 2.1.2 Data Mart 2.1.3 Online Analytical Processing 2.1.4 Data Mining 2.1.4.1 Assoziation 2.1.4.2 Sequenzen 2.1.4.3 Klassifizierung 2.1.4.4 Clustering 2.1.4.5 Prognose 2.2 Handel 2.2.1 Großhandel 2.2.2 Einzelhandel 2.2.3 E-Commerce 3 Anwendungspotenziale im Handel 3.1 Warenkorb- und Bondatenanalyse 3.1.1 Ziele 3.1.1.1 Prognosemodelle 3.1.1.2 Abweichungsanalysen 3.1.1.3 Identifikation von Beziehungsmustern 3.1.2 Vorgehen 3.1.2.1 Datenerhebung 3.1.2.2 Datenaggregation 3.1.2.3 Datenauswertung 3.1.3 Bewertung 3.1.3.1 Vorteile 3.1.3.2 Nachteile 3.2 RFID basierte Retail Supply Chain 3.2.1 Ziele 3.2.1.1 Automatisierungspotenziale 3.2.1.2 Bestandsdatenintegrität 3.2.2 Vorgehen 3.2.2.1 Datenerhebung 3.2.2.2 Datenaggregation 3.2.2.3 Datenauswertung 3.2.3 Bewertung 3.2.3.1 Vorteile 3.2.3.2 Nachteile 4 Fazit 5 Fußnoten 6 Literatur- und Quellenverzeichnis 7 Abkürzungsverzeichnis 8 Abbildungsverzeichnis 9 Tabellenverzeichnis

1 Einleitung

Ein wesentlicher Erfolgsfaktor für den Handel ist die Fähigkeit zur Anpassung an die Umweltbedingungen und die Anforderungen der Abnehmer und Konsumenten. Handelsunternehmen, die sich erfolgreich am Markt behaupten wollen, sind darauf angewiesen, möglichst viele und detaillierte Informationen über Kunden, Zielgruppen und deren Vorlieben und Kaufgewohnheiten zu sammeln. Technologischer Fortschritt und Entwicklung ermöglichen dem Handel die Akkumulation von Informationen über Abläufe und Gewohnheiten beim Einkauf. Die sorgfältige, computergestützte Analyse und Auswertung dieser gesammelten Informationen - Business Intelligence (BI) - dient der Identifikation von positiven und negativen Tendenzen im Kaufverhalten und deren Bedeutung für den Absatz.

Die Zielsetzung dieser Fallstudie ist es, anhand von Fallbeispielen, Potenziale für die Anwendung von BI in ausgewählten Situationen des Handels darzustellen. Da die METRO Group als international agierendes Handelsunternehmen, mit seinen Vertriebsmarken (Tochterunternehmen) alle, für diese Arbeit relevanten Handelsbereiche abdeckt (siehe Tabelle 1), soll Sie dieser Arbeit als Beispielunternehmen dienen.

Die METRO Group

Vertriebsmarke	Bereich
Metro Cash & Carry	Großhandel
Real SB-Warenhäuser	Einzelhandel
Media Markt & Saturn	Einzelhandel
Galeria Kaufhof	Einzelhandel
METRO PROPERTIES	Immobilien
Redcoon	E-Commerce/Einzelhandel

Tabelle 1: Handelssegmente der international agierenden METRO Group ^{[1] [2]}

Zu Beginn dieser Arbeit werden die Grundlagen der BI und ihre typischen Bestandteile und Techniken, ebenso der Handel und dessen Teilbereiche voneinander abgegrenzt und festgelegt. Die Anwendungspotenziale von BI im Handel sollen hier anhand einer Warenkorb- und Bondatenanalyse (WBA), sowie der Analyse einer funkbasierten Lieferkette (RFID basierten Retail Supply Chain) inklusive Zielen, Betrachtung der Vorgehensweisen und anschließender Bewertung aufgezeigt werden. Die abschließende Zusammenfassung der aus dieser Arbeit gewonnenen Erkenntnisse bildet das Fazit.

2 Grundlagen

2.1 Business Intelligence

Bereits in den 1960er Jahren, mit dem Beginn der kommerziellen Nutzung von elektronischen Datenverarbeitungssystemen (EDV-Systemen), gab es Bestrebungen, die Unternehmensführung bei Ihren Entscheidungen mit Informationen aus der EDV zu unterstützen. Dieser Ansatz wurde aber erst in den 80er Jahren durch Scott Morton, der den Begriff des "Management unterstützenden Systems" (MUS) prägte, etabliert. Den Begriff MUS trifft man zwar auch heute noch an, allerdings vorrangig im wissenschaftlichen Bereich. Mitte der 1990er Jahre wurde er weitestgehend durch den Begriff "Business Intelligence" (dt. Geschäftsanalyse, BI) abgelöst. Ausschlaggebend dafür waren vor allem Studien der Gartner Group, in denen der Begriff verwendet und dadurch publik gemacht wurde ^[3].

Allgemein versteht man unter BI verschiedene Techniken zur Konsolidierung, Analyse und Bereitstellung von Daten zur Unterstützung von Entscheidungsfindungsprozessen in Unternehmen ^[4].

BI kann sowohl in einem engeren als auch in einem weiteren Kontext betrachtet werden. Unterschieden wird dabei nach den Anwendungen und Werkzeugen zur Entscheidungsfindung. In Abbildung 1 ist diese Differenzierung schematisch dargestellt.

Im engeren Sinne werden nur wenige Kernapplikationen zur Entscheidungsfindung gezählt, wie beispielsweise das Online Analytical Processing (OLAP), auf das im Kapitel 2.1.3 eingegangen wird, und entscheidungsunterstützende Systeme wie das Management Informationssystem (MIS) bzw. das Executive Information Systems (EIS).

Im analyseorientierten Sinne wird BI diesbezüglich noch um Text und Data Mining, das Ad-hoc Reporting, sowie die Balanced Scorecard, das Customer Relationship Management (CRM) und Tools zur Konsolidierung und Planung erweitert. Es umfasst demnach alle Anwendungen, mit denen ein Entscheider in Berührung kommt.

Im weiteren Sinne werden neben den Auswertungs- und Präsentationsfunktionalitäten auch alle direkt und indirekten Anwendungen für die Entscheidungsfindung mit einbezogen. Dies bezieht auch die Datenspeicherung und -aufbereitung mit ein ^[5].

2.1.1 Data Warehouse

Um dem Management die benötigten Informationen zur Verfügung stellen zu können, benötigt man eine Datenbank, die die entsprechenden Daten vorhält. In den meisten Unternehmen stehen oft nur operative Daten - meist auch auf verschiedene Systeme verteilt - zur Verfügung. Operative Daten meint dabei Daten, die "konkrete Maßnahmen betreffen, die unmittelbar wirksam werden"^[6], und die von Administrations-, Dispositions- und Abrechnungssystemen generiert bzw. verarbeitet werden ^[7].
So gibt es z.B. jeweils eine separate Datenbank für den Vertrieb und für den Einkauf. Würde man auf Basis dieser Daten Auswertungen vornehmen, bestünde die Gefahr, Fehlentscheidungen aufgrund unvollständiger Daten zu treffen. Der Grund dafür ist, dass überwiegend nur eine der beiden Datengrundlagen ausgewertet wird. Eine externe Komponente wie die allgemeine Marktsituation würde hier bei einer Analyse komplett vernachlässigt werden.

Ein Data Warehouse (dt. Datenlager oder universelle Datenbank, DWH) löst dieses Problem, indem es alle Daten des Unternehmens bereichsübergreifend, von den operativen Datenbeständen getrennt, logisch zentralisiert ^[8], konsistent und zuverlässig für eine Auswertung zur Verfügung stellt. Dabei werden operative und historische Daten aus verschiedenen Systemen, die für spätere Auswertungen relevant sein können, extrahiert und aufbereitet. Während in den Quellsystemen auch schreibende Zugriffe erfolgen, können die Daten in einem DWH nur gelesen, aber nicht verändert werden. Das Information Directory (dt. Informationsverzeichnis, ID) liefert dem Management darüber hinaus Informationen zu den im DWH gespeicherten Daten ^[9].

2.1.2 Data Mart

Es gibt verschiedene Architekturmodelle, nach denen eine DWH-Lösung aufgebaut werden kann. BI-Landschaften, welche in der Praxis oft historisch gewachsenen sind^[10], lassen sich nach zwei wesentlichen Architekturvarianten unterscheiden:

• Unternehmensweites, zentrales DWH (auch Core DWH genannt)
• Kleinere, dezentrale Data Marts (DMs).

In Anlehnung an: Kemper (2004), S. 22 Abbildung 3: Zentrales Data Warehouse

In Anlehnung an: Kemper (2004), S. 22 Abbildung 4: Data Marts

Die in Abbildung 4 aufgeführten DMs sind dabei kleine Datenbanken, die spezielle Ausschnitte der Unternehmensdaten für bestimmte Applikationen und Benutzergruppen enthalten. Sie sind somit Teilmengen des DWHs und sind zumeist zeit- und kostengünstiger als die Errichtung eines zentralen DWHs, das durch die Aggregation sehr großer Datenbestände oft unflexibel und langsam sein kann. Werden andererseits bei der zweiten Variante zu viele DMs erstellt, können der Zeit- und Kostenvorteil durch die Komplexität bei der Auswertung wieder annulliert werden ^[11].
Im Falle der METRO Group gibt es zwei identische Produktionssysteme in Düsseldorf und Frankfurt, wobei eines als aktives Master- und das andere als passives Slavesystem dient, auf die rund 38.000 Benutzer zugreifen ^[12].

2.1.3 Online Analytical Processing

Werden die Daten in einem DWH bzw. in DMs aggregiert, müssen diese so aufbereitet werden, dass sie den Anforderungen an ein benutzerfreundliches und flexibles Abfrage- und Auswertungssystem gerecht werden. Die Technik der mehrdimensionalen Auswertung fasst man unter dem Begriff "Online Analytical Processing" (OLAP) zusammen. OLAP-Werkzeuge bieten dabei die Möglichkeit, dieselbe Datengrundlage aus verschiedenen Perspektiven zu betrachten. Dazu werden die Daten aus dem DWH in der Struktur eines Würfels (sog. OLAP-Würfel) dargestellt ^[13].

In Abbildung 5 vertreibt ein Händler Muttern, Bolzen, Unterlegscheiben und Schrauben in den Regionen Ost, West und Mitte. Es werden pro Region die tatsächlichen Umsatzzahlen pro Produkt ermittelt, um sie mit vorhergesagten Umsatzzahlen vergleichen zu können. Jedes Kriterium wie beispielsweise Produkt, Preis, Region und Zeitraum wird dabei als eine eigene Dimension im OLAP-Würfel dargestellt. Mit Hilfe des Würfels können nun Fragen beantwortet werden: Zum Beispiel, wie viele Schrauben im Monat Februar in der Region West verkauft wurden, inwiefern der ermittelte Ist-Wert vom Soll-Wert abweicht und ob die Verkaufszahlen aus dem Februar gegenüber dem Vorjahr gesteigert werden konnten. Würde der Würfel um 90° im Uhrzeigersinn um die gedachte y-Achse gedreht werden, könnte man auf der Vorderseite die Produktumsätze nach den tatsächlichen und den vorhergesagten Werten ablesen. Dreht man den Würfel dahingegen auf der x-Achse um 90° nach unten, so zeigt die Vorderseite die Ist- und Soll-Umsatzzahlen nach Regionen aufgeschlüsselt ^[14].

2.1.4 Data Mining

Bei der vorgestellten OLAP-Methode muss der Anwender vorab eine Vorstellung von den abzufragenden Daten und den zu beantwortenden Fragen haben. Das Data Mining (dt. Datenauswertung, DMi) bezeichnet die Methoden zur Mustererkennung bei der Analyse großer Datenbestände, die für die Entscheidungsfindung und Trendprognosen dienlich sein können. Es ist ein explorativer Prozess, bei dem verborgene Muster und Beziehungen aufgezeigt werden ^[15]. Die Methoden können dabei der Statistik, der künstlichen Intelligenz, des maschinellen Lernens und der klassischen Mustererkennung (engl. Pattern Recognition) entstammen ^[16]. Formen der aus dem DMi gewonnenen Informationen können u.a. Assoziationen, Sequenzen, Klassifizierungen, Cluster und Prognosen sein, welche in den folgenden Abschnitten genauer erläutert werden ^[15].
Während beim DMi klassischerweise Daten analysiert werden, die in Datenbanken oder Dateien strukturiert sind, stellen das Text und das Web Mining Sonderformen dar. Schätzungen zufolge liegen 80% der relevanten Unternehmensinformationen in unstrukturierter Form vor, d.h. hauptsächlich in Textdateien, Emails, Memos etc. Sie sind daher unerlässlich für die Auswertungen im Zuge der BI. Die Analyse dieser Daten erfolgt mit Hilfe sog. Text Mining - Tools.
Eine weitere wichtige Informationsquelle für Unternehmen ist das Internet. Dort kann durch den Einsatz von Web Mining - Tools wie bspw. Google Insights oder Google Trends das Kundenverhalten, der Erfolg einer Webseite oder einer Werbekampagne analysiert werden ^[17].

2.1.4.1 Assoziation

Die Assoziation dient der Identifikation von Interdependenzen zwischen Objekten und Attributen ^[18]. Die Datenausprägungen sind dabei einem einzelnen Ereignis zugeordnet, sie sind also stichtagsbezogen ^[15].
Üblicherweise wird dafür eine Korrelations- oder eine Assoziationsanalyse durchgeführt ^[18].
Wird beispielsweise eine Studie von Einkaufsmustern (Warenkorbanalyse) erhoben, so kann man feststellen, dass beim Kauf einer Tüte Chips in 65% der Fälle auch eine Flasche Cola gekauft wurde (Cross-Selling-Effekt ^[19]), während im Zuge einer speziellen Werbekampagne die Quote auf 85% gesteigert werden konnte ^[15].

2.1.4.2 Sequenzen

Bei Sequenzen wird die zeitliche Verknüpfung von Objekten analysiert. Anders als bei Assoziationen sind die Ausprägungen hierbei nicht einem einzelnen Ereignis zugeordnet, sondern zeitraumbezogen. Daraus können Kausalitätsbeziehungen sowie Abweichungen identifiziert werden. So könnte man bspw. feststellen, dass beim Kauf eines Hauses binnen zwei Wochen in 65% der Fälle ein neuer Kühlschrank und in 45% der Fälle binnen eines Monats ein neuer Herd gekauft wird ^[20].

2.1.4.3 Klassifizierung

Bei der Klassifizierung werden Muster der Artikelgruppe identifiziert. Dabei werden Artikel analysiert, die bereits klassifiziert wurden, um Erkenntnisse über die Artikelgruppe zu erlangen ^[20]. Ziel der Klassifizierung ist die automatische Zuordnung weiterer Daten zu den bestehenden Klassen. Da die Datenbasis zumeist sehr umfangreich und vielschichtig ist, ist es notwendig verschiedene, zumeist komplexe Algorithmen und analytische Verfahren anzuwenden. Eine Möglichkeit bilden künstliche neuronale Netze. Hierbei handelt es sich um spezielle Software, die auf Basis von Erkenntnissen aus der Biologie und Bioinformatik ähnlich des Nervensystems arbeitet und mehrschichtige, dynamische Verbindungen abbildet ^[18].
So kann die Klassifizierung beispielsweise dabei helfen, die Merkmale der Kundengruppe zu analysieren, die bereit ist, in einem anderen Geschäft einzukaufen. Darauf basierend könnte das Management entsprechende Gegenmaßnahmen einleiten, um die Kunden zu halten ^[20].

2.1.4.4 Clustering

Im Gegensatz zur Klassifizierung, existieren beim Clustering (dt. Zusammenfassen) noch keine vordefinierten Artikelgruppen. Diese werden erst durch das Clustering auf Basis von gleichen Merkmalen gebildet ^[20]. Dazu sollten die Objekte eines Clusters möglichst homogen und die Objekte unterschiedlicher Cluster möglichst heterogen sein. Neben der Clusteranalyse können künstliche neuronale Netzwerke eingesetzt werden ^[18].

2.1.4.5 Prognose

Bei der Prognose wird sich der statistischen Regressions- und der Zeitreihenanalyse bedient. Für die Regressionsanalyse basieren die ermittelten zukünftigen Werte bzw. Ergebnisse auf gegebenen (hypothetischen) Datenwerten. Beispielsweise wird anhand des Absatzes des Vorjahres die Vorhersage des diesjährigen Absatzes erstellt. Im Gegenzug werden bei der Zeitreihenanalyse zeitabhängige Datenwerte ermittelt, wie z.B. der Absatz von Skiausrüstungsartikeln in den Wintermonaten auf Basis des tatsächlichen Absatzes von Skiausrüstungsartikeln in der vorherigen Saison.
Die statistischen Methoden zur Ermittlung einer Prognose werden dabei vom Anwender vorgegeben. Es werden also konkrete Werte ermittelt, wohingegen beim DMi ohne Vorgabe Muster und Regeln identifiziert werden. Eine Sonderform der Prognose stellen die Predictive Analytics (dt. voraussagende Analysen) dar, bei denen sich das DMi-Prinzip zu Nutzen gemacht wird. Dabei werden historische Daten und Annahmen in einem Modell kombiniert, um bspw. Fragestellungen nach der Wahrscheinlichkeit, dass ein Kunde an einer bestimmten Werbekampagne teilnimmt, zu beantworten ^[20].

2.2 Handel

Der Handel ist für den Ausgleich von Spannungen zwischen Nachfrage und Konsum zuständig. Diese Spannungen können zeitlicher, räumlicher, qualitativer oder quantitativer Natur sein. Funktional ist der Begriff des Handels mit dem der Distribution (Vertrieb) gleichzusetzen. Institutionell betrachtet ist der Handel der Güteraustausch zwischen wirtschaftlichen Organisationseinheiten (Betrieben und Haushalten) durch spezialisierte Betriebe. Groß- und Einzelhandelsbetriebe unterscheiden sich durch Absatzmengen und Abnehmerkreise ^[21].

2.2.1 Großhandel

Gewerbliche Verwender, Großverbraucher sowie Wiederverkäufer bilden den Abnehmerkreis, an den der Großhandel absetzt. Es wird zwischen dem Binnengroßhandel, der den Schwerpunkt seiner Tätigkeit innerhalb der Zollgrenzen eines Landes entfaltet, und dem Außengroßhandel mit dem Schwerpunkt der Tätigkeit im grenzüberschreitenden Warenverkehr unterschieden ^[22].

2.2.2 Einzelhandel

Diese Form des Handels, in der klassischen Form stationär (z.B. Filiale/Stand), setzt Konsumwaren an Letztverwender ab. Der Absatz findet in haushaltsgerechten Kleinmengen statt, was als zusätzliches Kriterium zur Abgrenzung von anderen Formen des Handels gilt. Jedoch kann über die Absatzmenge allein keine trennscharfe Unterscheidung über die jeweilige Form des Handels gemacht werden ^[23].

2.2.3 E-Commerce

Obwohl die meisten kommerziellen Transaktionen noch über konventionelle Kanäle abgewickelt werden, benutzt eine zunehmende Anzahl von Menschen, Unternehmen und Verwaltungen das Internet für den elektronischen Handel (Electronic Commerce, E-Commerce). E-Commerce wird in einer engeren Begriffsfassung für die elektronische Unterstützung insbesondere von (Handels-) Aktivitäten verwendet, die in direktem Zusammenhang mit dem Kauf oder Verkauf von Produkten oder Dienstleistung stehen ^[24].

Da sich das Internet mittlerweile als Plattform für die unterschiedlichen Handelsformen etabliert hat, stellt E-Commerce aber nicht nur eine Ergänzung, sondern auch eine ernsthafte Konkurrenz zum traditionellen Handel, besonders dem Einzelhandel dar:

In den USA verzeichnete der traditionelle Einzelhandel im Weihnachtsgeschäft 2011 gerade mal einen Umsatzzuwachs von 4%. Grund dafür ist, dass der Online Handel durch neue Verteilungszentren und saisonale Personalaufstockung noch kurzfristigere Termine für Lieferungen zusichern konnte. So verkürzte sich der Versand von ehemals 2 Tagen auf wenige Stunden und das Geschenk war rechtzeitig beim Kunden. Dank der ausgedehnten Einkaufsfristen wurden den Online-Händler Umsatzerhöhungen von 15% prognostiziert ^[25].

3 Anwendungspotenziale im Handel

3.1 Warenkorb- und Bondatenanalyse

Warenkörbe, repräsentiert durch Kassenbons, zeigen durch ihre Abverkaufpositionen die Präferenzen der Verbraucher, sofern sich die Artikel und Verbraucher in Verbindung bringen lassen und diese Präferenzen kausal begründet werden können. Die Bondaten bilden eine essenzielle Datengrundlage für die Steuerung der operativen Unternehmenslogistik. Artikel des Abverkaufes, Menge, Ort, Preis, Zeit werden präzise festgehalten und identifizieren den Kundenwarenkorb im Sinne eines Bedarfsbündels.

Durch diese Eigenschaften eignet sich der Kassenbon auch für Marktforschungszwecke hervorragend. Anhand der Bondaten müssen geeignete Analyse- und Prognosemethoden implementiert werden, die als Baustein einer Informationslogistik die Steuerung der Logistikkette übernehmen. Strategisch wird die Logistikkette durch die Marktforschung gesteuert. Die zu implementierenden Methoden werden im Folgenden unter dem Begriff Warenkorb- und Bondatenanalyse (WBA) zusammengefasst. Im Rahmen der Marktforschung soll die WBA helfen, die Anonymisierung der Kunden im Einzelhandel von heute aufzuheben und diese wieder als individuelle Käufer wahrzunehmen, wie im Konzept des klassichen "Tante Emma Ladens".

Die Verbraucherpräferenz ist nicht nur für den Handel und dessen Marketingmix zu Marktforschungszwecken interessant, sondern auch für die Produzenten. Da die Konsumgüterindustrie eng mit dem Handel zusammenarbeitet, ist die WBA für alle Beteiligten der Wertschöpfungskette von Interesse. Als Mikro-Marketing-Instrument analysiert die WBA individuelles Verbraucherverhalten, um eine zielgerichtete Kundenansprache vorzunehmen. Aufgrund breiter Sortimente sollen im Handel eher Gesamtsortimente, als einzelne Artikel gesteuert werden. Ein Zusatznutzen der Bondaten sind die gewonnenen Informationen wie Absatz, Umsatz, Deckungsbeitrag je Sortimentsbereich.

Das Interesse der Produzenten liegt in der optimalen Präsentation und Werbung für ihre Produkte, daher betreibt die Konsumgüterindustrie Marktforschung in größerem Umfang als der Handel. Demgegenüber steht das "Informationsmonopol" des Handels hinsichtlich der Abverkaufsdaten der Konsumenten. Abverkaufs- oder Kundentypdaten über Marktforschungsinstitute zu beschaffen ist teuer und durch Stichproben begrenzt, kontinuierliche Analysen sind zu teuer oder undurchführbar. Die WBA zeigt der Industrie neue Wege auf, bei denen der Handel zum Informationsdienstleister wird ^[26].

3.1.1 Ziele

Die BI im Handel unterscheidet beschaffungs-, prozess- und vertriebsorientierte Analysen. Beschaffungsorientierte Analysen geben Informationen für die Preis- und Mengenpolitik gegenüber den Lieferanten und unterstützen die Unternehmenslogistik bei der Waren- und Beschaffungsdisposition. Die unternehmensinternen Betriebsabläufe können mittels prozessorientierter Analysen beleuchtet werden: Beispiele sind Personaleinsatzplanung und Revision. Vertriebs- und marketingorientierte Analysen betrachten die Schnittstelle des Handelsunternehmens mit dem Endverbraucher, etwa durch Analysen zur Sortiment- oder Aktionsplanung ^[27]. Im Folgenden werden die Einsatzgebiete solcher Analysen in typischen Unternehmensbereichen näher vorgestellt:

Ressourcen

• Revisionsanalysen

Decken Unregelmäßigkeiten bei Kassiervorgängen auf, verhindern deren Manipulationen durch Kassierer oder Kunden und dienen der Erkennung von Schulungsbedarf. Eine zentralisierte Datenspeicherung (Core DWH) und Vernetzung machen eine Anreise von Revisoren, die nun zentral auf alle Filialbondaten zugreifen können, unnötig. Es können Reisekosten eingespart werden ^[28].

• Personaleinsatzbezogene Analysen

Frequenzanalysen unterstützen die Anpassung von Personaleinsatz an die Kundenfrequenz, gemessen an der Anzahl der Bons. So können die unterschiedlichen Einsatzbereiche einer Filiale, wie bspw. Bedientheken, Leergutbereiche und besondere Serviceleistungen für beratungsintensive Produkte effektiv besetzt werden. Je nach Fristigkeit dienen diese Analyseergebnisse der operativen Personaleinsatz- oder Personalplanung ^[29].

Vertrieb

• Sortimentsanalysen

Verbesserte Kundenansprache und -bindung durch eine effektive Sortimentsplanung: Lieferanten, Kunden, Artikel, Filialen und deren Beziehungstypen liefern die Kerninformationen. Sie sind nicht nur die wesentlichen Analysedimensionen für die Clusteranalysen der Sortimentsplanung, sondern auch für alle weiteren vorgestellten Analysetypen ^[30].

• Aktionsanalysen

Beobachtungsobjekte sind Kauffrequenzen und -verbünde über einen bestimmten Aktionszeitraum. Durch die Aktionsanalyse soll der Ertragsverlust durch Werbe- und Aktionsartikel aufgrund geringerer Margen so niedrig wie möglich gehalten werden ^[31].

Logistik

• Lieferantenanalysen
  Vergleichende Betrachtung und Bewertung einzelner oder mehrerer Lieferanten ^[29]. Die Verknüpfung mit der WBA beantwortet folgende Fragestellungen:
  

1. Welche Gesamtleistung (Verbundumsatz, -ertrag, -spanne) erzielt ein Lieferant mit seinen Artikeln?
2. Wie ist die Relation zwischen Lieferant und Kundenfrequenz?
3. Wie hoch ist die anteilige Durchschnittsleistungen des Lieferanten je Bon?
4. Werden Artikel dieses Lieferanten überdurchschnittlich oft in den Filialen gehortet?

• Dispositionsanalysen

Laufende Frequenzanalysen eines Tages über Abverkäufe dienen einer präzisen Dispositionsgestaltung. Diese können in stündlichen oder sogar minütlichen Intervallen artikelgenau zusammengefasst und der Industrie zur Verfügung gestellt werden ^[29].

Marketing

• Artikelverbünde
  

Die Verbundbeziehung zwischen Artikeln und Kundenwarenkörben ist eine wichtige Erkenntnis zur Auswahl der richtigen Aktionsartikel. Eine wertorientierte Betrachtung ist betriebswirtschaftlich wichtiger als eine rein mengenmäßige Betrachtung. Der Verbundrohgewinn wird zur entscheidungsrelevanten Größe, die die Verbundwirkungen über einen bestimmten Zeitraum bestimmt. Unter Einbeziehung aller Bons mit Aktionsartikeln wird eine "Renner-/Penner"-Liste erstellt. Während "Renner" die Artikel der Aktion mit hohem Absatz und Verbundwirkungen sind, handelt es sich bei den "Pennern" um solche Artikel, die eine niedrige monetär bewertete Verbundwirkung haben. Sie sollen in Zukunft nicht weiter aktioniert werden. Artikel die weder als "Renner" oder "Penner" zu einzustufen sind, der Verbund also akzeptabel ist, können erneut aktioniert werden. Dabei ist der Aktionspreis höher anzusetzen und die Einkaufspreise müssen reduziert werden ^[31].

• Schnäppchenjäger
  

Kunden, die ausschließlich Aktionsartikel kaufen, werden als "Schnäppchenjäger" bezeichnet. Die Menge der gekauften Aktionsartikel kann beliebig variieren. Allerdings sind solche Käufe betriebswirtschaftlich unerwünscht, da Aktionsartikel einen geringeren Ertrag erwirtschaften und im Falle der Schnäppchenjäger ihre gewünschte Verbundwirkung nicht erzielen ^[32].

• Verdrängungseffekte und Vorratskäufe
  

Betrachtet werden die Auswirkungen der Werbeaktion ^[33] in den Folgewochen:

1. Existieren Verdrängungseffekte ("Kannibalisierung") innerhalb der Warengruppe?
2. Nehmen Kunden Vorratskäufe ("Hamsterkäufe") vor?
3. Gibt es einen Umsatzrückgang nach Ende der Aktion?

• Werbemedium
  

Erkenntnisgewinn aus der Analyse des Mediumaufbaus:

1. Welche Reichweite hat ein einzelner Aktionsartikel ?
2. Werden Artikel der ersten Seite einer Wurfsendung häufiger gekauft als andere?
3. Wie viele Kunden haben einen oder mehrere Aktionsartikel gekauft?
4. Ist eine Umstrukturierung der Prospekte notwendig?
5. Welchen Verbundrohgewinn erzielen die Aktionsartikel?
6. Lohnt der Einsatz zusätzlicher Werbemedien (TV- oder Radiospots)?

Entscheidungshilfen können die Reichweitenwirkung und Verbunderfolgswirkung von Aktionsartikeln sein ^[33].

3.1.1.1 Prognosemodelle

Basierend auf Kassenbondaten müssen geeignete Analyse- und Prognosemethoden implementiert werden, die als Baustein einer Informationslogistik die Steuerung der Logistikkette übernehmen ^[34]. Durch solche Implementierungen können Prognosemodelle generiert werden, um die Warendisposition und die richtige Sortimentszusammenstellung zu unterstützen ^[34].

Auf dem Gebiet der Analysen zur Sortimentsplanung begreift sich die Industrie zunehmend als Dienstleister für den Handel. Die Vorteile für die Produzenten liegen auf der Hand: ein Einblick in die Abverkaufsdaten des Handels gewährt der Industrie wichtige Informationen für die eigene Produktpolitik ^[35].

3.1.1.2 Abweichungsanalysen

Diese Analysen sollen signifikante Veränderungen bestimmter Kennzahlen zu früheren Werten oder die Abweichungen von Vorgaben ermitteln. Die Out-of-stock - Analyse (dt. Regallücke) ist eine typische Form der Abweichungsanalyse, die aus den vorhanden Datenbeständen Listen erzeugt und die gelisteten Artikel unterschiedlich gruppiert:

• Top-Artikel des Kernsortiments
• Aktionsartikel
• Nullverkäufe

Die Listen geben Aufschluss über unzureichende Disposition oder falsche Platzierungen in den Filialen. Bei langen, filialübergreifenden Listen, ist durch nicht übereinstimmende Artikelnummern zwischen Filialen und Zentrale eine Datenintegrität nicht immer gegeben. Daher empfiehlt es sich, Auswertungen dieser Art täglich vorzunehmen, um Probleme frühzeitig zu erkennen und entsprechend zu reagieren ^{[36] [37]}.

3.1.1.3 Identifikation von Beziehungsmustern

Eine im Handel häufig anzutreffende Form der Abhängigkeitsanalyse ist die Ermittlung von Assoziationsregeln. Sie identifizieren Objektmengen, die häufig gemeinsam in Transaktionen vorkommen und zeigen das Kaufverhalten im Zeitverlauf. So können beispielsweise alle Kreditkartentransaktionen eines Karteninhabers in einem bestimmten Zeitraum als Nutzungssequenz zusammengefasst werden. Ein weiteres Beispiel ist die Erkennung von Betrugsdelikten bei der Kreditkartennutzung durch bereits identifizierte Nutzungssequenzen ^[38].

3.1.2 Vorgehen

Im folgenden Fallbeispiel wird in Anlehnung an die Vertriebsmarke Galeria Kaufhof der METRO Group, eine Kaufhauskette mit Filialen in mehreren deutschen Bundesländern, eine BI-Anwendung für ein integriertes Kampagnenmanagement vorgestellt. Rabatte und Zugaben sind umfangreiche Anreizinstrumente, die dem Einzelhandel zur Verfügung stehen. Diese Instrumente ermöglichen einen Kundendialog, in dessen Rahmen Informationen über das Kaufverhalten und die Interessen der Kunden zur Verfügung gestellt werden. Durch die Einführung einer Kundenkarte, kombiniert mit einem entsprechenden Bonusprogramm, werden Teile dieser Informationen bei Beantragung durch den Kunden direkt erfasst, der Großteil durch die Benutzung der Karte im Rahmen von Einkäufen indirekt. Damit soll auf den Wettbewerb reagiert werden.

Mit einem solchen Informationsbestand wird ein Direktmarketing ermöglicht, bei dem der Kunde individuell mit konkreten, interessanten Angeboten angesprochen wird. Die Umsetzung des Direktmarketings erfolgt durch ein umfassendes Kampagnenmanagement: Planung, Abwicklung und Steuerung aller Aktivitäten bei der Durchführung einer Marketing- oder Verkaufsaktion werden realisiert. Das integrierte Kampagnenmanagement ermöglicht eine individuelle und effektive Kundenansprache über geeignete Kommunikationskanäle:

• E-Mail
• Post
• Telefon

Diese Kanäle können zur Effizienzsteigerung auch miteinander kombiniert werden. Eine verbesserte Datenbasis durch individuell zuordenbare Nutzungsdaten der Kundenkarten ist Grundlage für die Implementierung eines operativen Kampagnenmanagementsystems. Das System wird durch mehrere analytische BI-Komponenten ergänzt, die die Entwicklung und Auswertung von Kampagnen unterstützen und die Antwortquoten verbessern sollen.

Durch DMi-Methoden wie neuronale Netzwerke und die Clusteranalysen werden Ziel- und Kontrollgruppen selektiert, die eine Konzentration auf möglichst homogene, eng abgegrenzte Kundengruppen gewährleistet. Ein oder mehrere passende Kommunikationsmedien werden als Kanäle für eine Kampagne anhand folgender Kriterien ausgewählt:

• Kundenpräferenzen
• Kosten-Nutzen-Relation
• Antwortwahrscheinlichkeit

Eine Entscheidungsfindung wird durch die Analyse der Ergebnisdaten aus bisherigen Kampagnen mittels der oben genannten DMi-Methoden unterstützt. Die Kampagnendurchführung (siehe Abbildung 7) umfasst die eigentliche Umsetzung und ist eine typische Anwendung des operativen CRM. Sie soll im theoretischen Ablauf nicht weiter vertieft werden ^[39].

3.1.2.1 Datenerhebung

An den Scannerkassen der Filialen, dem Point of Sale (POS), werden die Einkäufe der Kunden elektronisch erfasst und gespeichert. Die bundesweiten Transaktionsdaten werden täglich nach Ladenschluss periodisch in ein Core DWH geladen. Dieser Vorgang wird als ETL-Lauf (Extraktion, Transformation, Laden) bezeichnet:

• Extraktion: Die Daten werden aus den EDV - Systemen der Filialen in das System der Zentrale geladen.
• Transformation: Die Daten werden in ein für das Core DWH lesbares Format konvertiert.
• Laden: Die konvertierten Daten werden in das Core DWH geladen und abgespeichert.

Da die Daten historienbildend abgelegt werden, erwächst innerhalb weniger Jahre ein Volumen im Terabyte-Bereich. Im Falle der METRO Group hat die Datenbank bereits einen Umfang von 34TB ^{[40] [41]}.

3.1.2.2 Datenaggregation

Aus Performancegründen stehen dem Kampagnenmanagement dedizierte DMs mit folgenden Informationen zur Verfügung:

• aggregierte Nutzungsdaten der Kundenkarten
• Kundenstammdaten
• Kampagnenspezifika

Sowohl das operative Kampagnenmanagementsystem, als auch die Analysesysteme verwenden die DMs zur gemeinsamen Datenhaltung ^[40].

3.1.2.3 Datenauswertung

Nach Abschluss der Kampagne werden zunächst direkt zuordenbare Wareneinkäufe im Kampagnensystem durch eine Messung der Antworten erfasst. Auf dieser Grundlage werden Wirkungsanalysen durchgeführt, die mit Hilfe von DMi- und OLAP-Systemen ausgewertet werden. Ziel dieser Analysen ist der Gewinn handlungsrelevanter Informationen für den weiteren Kampagnenverlauf und für zukünftige, folgende Kampagnen:

• Eine Assoziationsanalyse identifiziert etwaige Cross-Selling-Potenziale.
• Eine Sequenzanalyse zeigt die wechselseitigen Abhängigkeiten mehrerer, aufeinander folgender Kampagnen auf.

Um unnötige Mailings mit niedriger Erfolgswahrscheinlichkeit zu vermeiden, wird zusätzlich das Reaktionsverhalten analysiert. Als Effekt treten neben einer Kosteneinsparung auch weniger verärgerte Kunden durch unpassende oder ungewünschte Angebote auf. Diese Beispiele sind aber lediglich exemplarische Potenziale der Analysesysteme einer Kampagnenauswertung, auch weitere unternehmens- und kampagnenspezifische Analysen sind denkbar. Generelle Auswertungen werden über Standardberichte abgedeckt. Darunter fällt vor allem die Kostenanalyse, die den Aufwand und den Erfolg in Form von Rückmeldungen monetär bewertet und in ein Verhältnis setzt.

Der Lernprozess im Direktmarketing durch die Auswertungsphase des Kampagnenmanagements ist sehr wichtig. So entsteht Wissen über Zusammenhänge zwischen Kundengruppen, Produkten und Kommunikationskanälen. Dieses Wissen kann in die Entwicklung zukünftiger Kampagnen einfließen und somit eine kontinuierliche Verbesserung des Kampagnenmanagements ermöglichen.

Die technische Realisierung erfolgt durch einen geschlossenen Kreislauf aus operativem und analytischem CRM. Die Daten der Antworts- und der Wirkungsanalyse werden in die DMs zurückgeschrieben ^[42].

3.1.3 Bewertung

Ein Integriertes Kampagnenmanagement zeigt neue Potenziale auf: Die Antwortquote steigt und die Anzahl der angeschriebenen Kunden kann effizient verringert werden. Das bereitgestellte BI-System und die Durchführung von Analysen amortisieren sich durch Einsparungen bei Werbekosten, etwa Post- und Hauswurfsendungen. Diese strukturierte, IT-unterstützte Vorgehensweise ermöglicht die effektive Koordination vieler hundert Kampagnen in einem Jahr. Durch die analytischen BI-Werkzeuge werden die Erfahrungen vorangegangener Kampagnen sichergestellt und können zur inhaltlichen Abstimmung und Optimierung der Qualität und Quantität von weiteren Marketingaktionen genutzt werden ^[43].

3.1.3.1 Vorteile

• Einsparungen bei Reise- und Werbekosten
• Effizienzsteigerung von Werbekampagnen und -aktionen
• Verbesserung der Kundenansprache
• Optimierung des Warenangebotes

3.1.3.2 Nachteile

• Initialaufwand für die Systemeinführung
• Schulungsbedarf
• Organisation der Datenbestände

3.2 RFID basierte Retail Supply Chain

BI wird bereits seit der Jahrtausendwende im Einzelhandel (engl. Retail) auch im Bereich des Lieferkettenmanagements (engl. Supply Chain Management, SCM) in Kombination mit der funkbasierten Identifikation (engl. Radio Frequency Identification, RFID) eingesetzt ^[44]. Als Vorreiter in Deutschland gilt dabei die METRO Group ^[45].

Anders als bei den bisherigen Barcode - Systemen, bei denen Strichcodes gescannt werden, sind die notwendigen Informationen bei RFID-Systemen auf einem Transponder (Zusammensetzung aus Transmitter und Responder, auch RFID-Tag genannt) aufgebracht. Der RFID-Tag, welcher als eine Art Datenträger in Etikettenform angesehen werden kann, besteht aus einem Mikrochip und einer Antenne, welche zusammen auf dem Produkt angebracht werden. Jeder Datenträger erhält eine global eindeutige Nummer, den elektronischen Produktcode (EPC), mit dem die eindeutige Identifizierung sichergestellt wird. Der Zugriff auf den RFID-Tag erfolgt über ein Lesegerät, welches elektromagnetische Felder erzeugt und somit den RFID-Tag mit Energie versorgt, um die Daten auf dem RFID-Tag lesen, verarbeiten und ggf. sogar verändern zu können ^[46]. Diese Technik kann sich in den verschiedensten Anwendungsbereichen zu Nutzen gemacht werden. Während momentan der Einsatz von RFID überwiegend im logistischen Bereich angesiedelt ist, wird eine Entwicklung über das Ladenmanagement bis hin zum Einzelproduktmanagement prognostiziert.

3.2.1 Ziele

3.2.1.1 Automatisierungspotenziale

Ziel des SCM mittels RFID ist die automatische Objekterkennung sowie die Lokalisierung der Ware zu jedem Zeitpunkt und an jeder Stelle der Lieferkette. Es soll eine Steigerung der Transparenz mittels der gesammelten Daten erreicht werden, um einen höheren Automatisierungsgrad wie bspw. in der Warenannahme und der Disposition zu erzielen und Schwachstellen innerhalb der Lieferkette ausmachen zu können. Wie in Abbildung 9 zu erkennen ist, wird der Nutzen der RFID-Technik derzeit eher im logistischen Bereich - also innerhalb der Lieferkette bis zur eigentlichen Filiale - ausgeschöpft. Zukünftig sollen weitere Automatisierungspotenziale im Bereich des Laden- und des Einzelproduktmanagementes wahrgenommen werden. Schon heute wird mittels RFID eine automatische Diebstahlsicherung wie bspw. bei Kleidung und CDs/DVDs und die automatische Kaufabwicklung realisiert. Während in den USA Selbstbedienungskassen (SB-Kassen) weit bereitet sind, setzt dieser Trend auch langsam in Deutschland ein. Neben den regulären Kassen gibt es bspw. schon bei der METRO-Tochter Real Bereiche, in denen der Kunde selbstständig die Ware scannt und den Zahlungsvorgang vollzieht. Dort wird zwar derzeit das klassische Scan-Verfahren mit Barcodes verwendet, aber auch der Einsatz von RFID und somit eine vollkommen automatisierte Kaufabwicklung beim Passieren des Kassenbereiches ist denkbar.

3.2.1.2 Bestandsdatenintegrität

Gemeinsam mit der Prozessautomatisierung und der damit verbundenen Kosteneinsparung durch den Einsatz von RFID, kann die Lieferkette bedarfsorientiert gestaltet werden (Pull-Strategie). Ein Bestandsausgleich kann automatisch erfolgen. Werden z.B. in einem Elektrofachgeschäft Flachbild-Fernseher während der Weihnachtszeit besonders gut verkauft, wird zur Vermeidung einer "Out-Of-Stock" - Situation mit Hilfe eines DWH-Systems stets die Verfügbarkeitsmenge geprüft, sodass bei Unterschreitung eines Mindestbestandswertes entsprechend nachbestellt werden kann ^[47]. Schwund und Fehllieferungen können außerdem zeitnah erkannt, Ursachen analysiert und Gegenmaßnahmen ergriffen werden.

3.2.2 Vorgehen

In Anlehnung an die METRO Group wird im Folgenden ein Einzel- und Großhandelsunternehmen betrachtet, welches Konsumgüterprodukte im Ausland produziert, die über ein zentrales Warenverteilzentrum an die einzelnen Filialen ausliefert werden.

3.2.2.1 Datenerhebung

Bereits bei der Produktion wird die Ware vom Hersteller mit einem RFID-Tag und dem eindeutigen EPC ausgestattet. Um Kosten zu sparen, werden anstatt der Einzelprodukte oft nur die Container und Paletten mit einem RFID-Tag ausgestattet. Während des gesamten Transportes bspw. per Schiff, Flugzeug, LKW oder über den Schienenverkehr von den Produktionshallen zu den Filialen werden stets Positions- und Sensordaten der Ware ermittelt und an das zentrale Warenverteilzentrum (Core DWH) übertragen^[48].

3.2.2.2 Datenaggregation

• Verdichtung

Im Core DWH gesammelt, werden die Informationen noch um externe Daten aus der Produktion, welche von den Informationssystemen des Herstellers bezogen werden, Daten zu den einzelnen Lieferwegen und den Lagerkapazitäten aus den Warehouse Management Systemen der Logistikunternehmen sowie um Qualitätskennzahlen wie bspw. Temperatur-, Feuchtigkeits- und Druckwerte erweitert ^[48].
Um im Falle einer Über- bzw. Unterschreitung von Grenzwerten oder Problemen in der Lieferkette reagieren zu können, ist die Genauigkeit und die Aktualität der Daten von hoher Bedeutung ^[49].
Das bedeutet aber auch, dass die Güte des Gesamtsystems mit der Güte der einzelnen Informationssysteme steigt bzw. sinkt ^[50]. Des Weiteren müssen für die reibungslose Kommunikation und Integration der verschiedenen Datenquellen die externen Schnittstellen standardisiert sein. Es ist daher üblich, die Daten zentral beim Warenverteilzentrum in einem Core DWH zu halten, auf das alle Lieferkettenakteure wie bspw. der Hersteller und die Zulieferer Zugriff haben.
Eine Möglichkeit dafür bietet das EPCglobal Network. Dies ist ein vom GS1 (Global Standards One) standardisiertes Netzwerk, in dem unternehmensübergreifend Stamm- und Bewegungsdaten von RFID/EPC-Objekten gespeichert sind (siehe Abbildung 11) ^[51]. Dazu werden die sog. EPCEvents (Ereignisse des RFID-Objektes) zunächst in lokalen Datenbanken beim Hersteller (Manufactoring Management System), beim Lieferanten (Warehouse Management System) und beim Händler (Store Management System) gespeichert und anschließend über eine definierte Schnittstelle, den sog. EPC Information Service (EPC-IS), an das zentrale EPCglobal Network übergeben ^[48].

• Bereinigung

Im anschließenden Prozess werden die gesammelten Daten von Fehlern bereinigt und ggf. um fehlende Werte ergänzt. Es erfolgt zusätzlich eine Transformation der Rohdaten in die für die ausgewählte DMi-Methode notwendige Darstellungsform und Formate ^[52]

3.2.2.3 Datenauswertung

Im Zuge der Datenauswertung erfolgt eine Interpretation der Abfrageergebnisse. So kann man u.a. auf Basis der Sensordaten Mängel der Ware während des Transportes erkennen und deren Ursachen lokalisieren. Anhand des eindeutigen EPCs ist zusätzlich ein selektiver Rückruf von mangelhafter Ware möglich.
Die Filialen können durch den Einbezug von Kapazitätswerten und einem zentral gesteuerten Bestandsausgleich effizienter versorgt werden. Durch die Sammlung und Auswertung historischer Daten im DWH kann der Beschaffungsprozess zudem kontinuierlich optimiert werden ^[53].

3.2.3 Bewertung

Der Einsatz von RFID in der Lieferkette und die damit verbundene automatische Datenerfassung bietet neue Potenziale, aber auch Herausforderungen für den Handel, auf die im Folgenden eingegangen wird.

3.2.3.1 Vorteile

Im Vergleich zum klassischen Scanning-Verfahren bietet RFID vor allem die Vorteile, dass bei der Datenerfassung kein Sicht- oder Berührungskontakt nötig ist. Außerdem können mehrere Objekte gleichzeitig erfasst werden (Pulk-Erfassung). Lesefehler wie z.B. keine oder eine doppelte Erfassung sind größtenteils ausgeschlossen - es sei denn, der RFID-Tag ist defekt.
Für das SCM ergeben sich im Wesentlichen folgende Vorteile:

• Vermeidung von Out-Of-Stock - Situationen durch Bestandsdatenintegrität und Automatisierung
• bessere Auslastung der Transportmittel
• verbesserter Lagerbetrieb
• dadurch eingesparte Lagerflächen im POS können als Verkaufsflächen zur Umsatzsteigerung genutzt werden
• Verminderung nicht verkaufsfähiger, verdorbener Ware
• frischere Produkte
• Einsparungen bei Personal- und Verwaltungskosten durch Automatisierung^[54]

3.2.3.2 Nachteile

Der größte Nachteil beim Einsatz von RFID im Handel stellen neben datenschutzrechtlichen Bedenken aufgrund der Datenverdichtung und -verknüpfung die Kosten dar. Die Verteilung der Anschaffungskosten, sowie die Kosten für Schulung und Wartung ist besonders unter den Lieferkettenakteuren strittig ^[55]. Hinzu kommt, dass das Anbringen eines RFID-Tags nicht für alle Produkte aufgrund ihrer Größe und Beschaffenheit geeignet ist ^[49].
Es ist außerdem mit Metallgegenständen möglich, die Funkübertragung zu beeinflussen. Die gesundheitlichen Auswirkungen elektromagnetischer Strahlung sind zudem noch nicht vollends geklärt.^[56]

4 Fazit

Abschließend betrachtet kann die BI Antworten auf viele Fragestellungen im Handel liefern, ob

• Kundengewinnung
• Kundenbindung
• Kostenminimierung
• Gewinnmaximierung

bieten die zahlreichen Möglichkeiten zur Datenerhebung und -auswertung detaillierte Erkenntnisse. Diese Technologien und Konzepte sind für den Handel ein immer wichtiger werdender Erfolgsfaktor. Jedoch stehen diesen Potenzialen auch Herausforderungen gegenüber, die sich vor allem durch die hohen Initialaufwände, die Qualitätssicherung und Wartung, aber auch datenschutzrechtliche Bedenken ergeben.

Im Rahmen der Fallstudie wurden, neben den Grundlagen, diese Potenziale und die damit verbundenen Probleme an ausgewählten Beispielen der WBA und der RFID basierten Retail SC betrachtet. Es wurde gezeigt, dass detaillierte Kundeninformationen und Einkaufspräferenzen durch Bondatenanalysen ermittelt werden können. So gewonnene Daten werden in kundenspezifischen Marketingstrategien verwertet, wodurch sich der Kunde einerseits persönlich angesprochen fühlt und andererseits Marketingkosten effektiv gesenkt werden können.

Anhand einer beispielhaften Lieferkette in Anlehnung an die Metro GROUP wurde erkennbar, dass mittels RFID vom Produzenten bis zur Ladentheke eine vollständige Überwachung und Qualitätssicherung erfolgen kann. Die Qualität von Produkten, Prozessen und Daten ist heute im Zuge der Globalisierung und des dadurch verstärkten Wettbewerbs wichtiger denn je. Hochverfügbare IT-Systeme und stetig optimierte Unternehmensabläufe sollen dies ermöglichen.

Daher ist es für ein wachsendes Handelsunternehmen auf lange Sicht unerlässlich, zunächst die vorliegenden operativen Daten in DWHs zu konsolidieren und zu analysieren. Derartige Maßnahmen ermöglichen, Automatisierungs- und Marketingpotenziale auszuschöpfen und die Trends von morgen zu erkennen.

5 Fußnoten

1. ↑ Vgl. METRO (2011)
2. ↑ Vgl. internetworld (2011)
3. ↑ Vgl. Kemper (2004), S. 1f
4. ↑ Vgl. Laudon (2006), S. 306
5. ↑ Vgl. Kemper (2004), S. 3f
6. ↑ Vgl. Duden (2011)
7. ↑ Vgl. Kemper (2004), S. 15
8. ↑ Vgl. Kemper (2004), S. 19
9. ↑ Vgl. Laudon (2006), S. 306f
10. ↑ Vgl. Kemper (2004), S. 21
11. ↑ Vgl. Laudon (2006), S. 307
12. ↑ Vgl. Wischka (2011)
13. ↑ Vgl. Laudon (2006), S.308
14. ↑ Vgl. Laudon (2006), S.309f
15. ↑ ^{15,0 15,1 15,2 15,3} Vgl. Laudon (2006), S. 310f
16. ↑ Vgl. Kemper (2004), S. 115
17. ↑ Vgl. Laudon (2006), S. 312
18. ↑ ^{18,0 18,1 18,2 18,3} Vgl. Kemper (2004), S. 116
19. ↑ Vgl. Kemper (2004), S. 223
20. ↑ ^{20,0 20,1 20,2 20,3 20,4} Vgl. Laudon (2006), S. 311
21. ↑ Vgl. Barth (1988), S. 1
22. ↑ Vgl. Barth (1988), S. 43
23. ↑ Vgl. Barth (1988), S. 44
24. ↑ Vgl. Laudon (2006), S. 573f
25. ↑ Vgl. FTD (2011)
26. ↑ Vgl. Fischer (2001), S. 4
27. ↑ Vgl. Fischer (1999), S. 1
28. ↑ Vgl. Fischer (1999) S. 4f
29. ↑ ^{29,0 29,1 29,2} Vgl. Fischer (1999) S. 5
30. ↑ Vgl. Fischer (1999) S. 1f
31. ↑ ^{31,0 31,1} Vgl. Fischer (1999), S. 3
32. ↑ Vgl. Fischer (1999), S. 3f
33. ↑ ^{33,0 33,1} Vgl. Fischer (1999), S. 4
34. ↑ ^{34,0 34,1} Vgl. Fischer (2001) S. 14
35. ↑ Vgl. Fischer (2001) S. 8
36. ↑ Vgl. Farkisch (2011) S. 99f
37. ↑ Vgl. Fischer (2011) S. 4
38. ↑ Vgl. Farkisch (2011) S. 100
39. ↑ Vgl. Kemper (2004), S. 219ff
40. ↑ ^{40,0 40,1} Vgl. Kemper(2004) S. 221
41. ↑ Vgl. MicroStrategy(2012)
42. ↑ Vgl. Kemper(2004) S. 223
43. ↑ Vgl. Kemper(2004) S. 223f
44. ↑ Vgl. Kemper (2004), S. 235
45. ↑ Vgl. Liebmann (2008), S. 54
46. ↑ Vgl. Liebmann (2008), S. 49f
47. ↑ Vgl. Kemper (2004), S. 236f
48. ↑ ^{48,0 48,1 48,2} Vgl. Kemper (2004), S. 237
49. ↑ ^{49,0 49,1} Vgl. Kemper (2004), S. 238
50. ↑ Vgl. Liebmann (2008), S. 750
51. ↑ Vgl. GS1 Germany (2010)
52. ↑ Vgl. Farkisch (2011), S. 97f
53. ↑ Vgl. Kemper (2004), S.237f
54. ↑ Vgl. Liebmann (2008), S. 671
55. ↑ Vgl. Kemper (2004), S. 239
56. ↑ Vgl. Koubek (2007), S. 3f

6 Literatur- und Quellenverzeichnis

Monographien

Barth (1988)	Barth, Klaus; Hartmann, Michaela; Schröder, Hendrik (1988): Betriebswirtschaftslehre des Handels, 6. Aufl., Wiesbaden 2007, ISBN 3-8349-0267-2
Farkisch (2011)	Farkisch, Kiumars (2011): Data-Warehouse-Systeme kompakt, 1. Aufl., Berlin 2011, ISBN 3-642-21532-2
Kemper (2004)	Kemper, Hans-Georg; Baars, Henning; Mehanna, Walid (2004): Business Intelligence – Grundlagen und praktische Anwendungen, 3. Aufl., München 2010, ISBN 3-8348-0719-9
Laudon (2006)	Laudon, Kenneth C.; Laudon, Jane P.; Schoder, Detlef (2006): Wirtschaftsinformatik - Eine Einführung, 2. dt. Aufl., München 2010, ISBN 3-8273-7348-9
Liebmann (2008)	Liebmann, Hans-Peter; Zentes, Joachim; Swoboda, Bernhard (2008): Handelsmanagement, 2. Aufl., München 2008, ISBN 3-8006-3539-9

Internet-Quellen

Duden (2011)	Bibliographisches Institut GmbH (Hrsg.): ope­ra­tiv, 2011, http://www.duden.de/rechtschreibung/operativ#Bedeutung3 (15.01.2012 16:10)
Fischer (2001)	Fischer, Joachim: Auswertungspotentiale einer Data Warehouse - gestützten Warenkorb- und Bondatenanalyse im Handel, 2001, https://wiwi-test.uni-paderborn.de/fileadmin/lehrstuehle/department-3/wiwi-dep-3-ls-2/pdf/veroeffentlichungen/Fischer/4.71_Auswertungspotentiale_einer_Data_Warehouse_-_gestuetzten_Warenkorb-_und_Bondatenanalyse_im_Handel.pdf (15.01.2012 17:00)
Fischer (1999)	Fischer, Joachim: Entscheidungsunterstützende Analyseketten in einem Data Warehouse zur Warenkorb- und Bondatenanalyse im Handel, 1999, http://wiwi.uni-paderborn.de/fileadmin/lehrstuehle/department-3/wiwi-dep-3-ls-2/pdf/veroeffentlichungen/Fischer/4.64_Entscheidungsunterstuetzende_Analyseketten_in_einem_Data_Warehouse_zur_Warenkorb-_und_Bondatenanalyse_im_Handel.pdf (10.01.2012 11:45)
Füßler (2005)	Füßler, Andreas: Warensicherung - Management-Information, März 2005, http://www.gs1-germany.de/common/downloads/epc_rfid/3021_warensicherung.pdf (02.01.2012 21:13)
GS1 Germany (2010)	GS1 Germany (Hrsg.): Darstellung des EPCglobal-Netzwerks, 01.07.2010, http://www.gs1-germany.de/standards/epc_rfid/epcglobal_netzwerk/index_ger.html (11.01.2012 14:40)
internetworld (2011)	Internet World Business (Hrsg.): Metro Group steigert das Ergebnis im ersten Quartal 2011: Redcoon soll den E-Commerce stärken, 03.05.2011, http://www.internetworld.de/Nachrichten/E-Commerce/Handel/Metro-Group-steigert-das-Ergebnis-im-ersten-Quartal-2011-Redcoon-soll-den-E-Commerce-staerken (15.01.2012 11:45)
Koubek (2007)	Koubek, Jochen: RFID-Technik - Vor- und Nachteile für die künftige Gesellschaft, 10.09.2007, http://medienwissenschaft.uni-bayreuth.de/dimensionen/unterrichtsentwuerfe/Unterrichtsentwurf_RFID-Technik.pdf (11.01.2012 15:11)
METRO (2011)	METRO GROUP: Unternehmen, 07.12.2011, http://www.metrogroup.de/internet/site/metrogroup/node/9280/Lde/index.html (15.01.2012 11:45)
MicroStrategy (2012)	MicroStrategy Deutschland GmbH (Hrsg.): Kundenbericht: Metro Group - Datengigant mit Durchblick, Köln 2012, http://www.microstrategy.de/Customers/Successes/SS_Metro.asp (11.01.2012 13:35)
Wischka (2011)	Wischka, Luzie: Business Intelligence Magazine - Best Practice: Metro Group, 20.09.2011, http://www.bi-magazine.net/Best_Practice.aspx?aid=916 (11.01.2012 11:32)

7 Abkürzungsverzeichnis

CRM	Customer Relation Management
DM	Data Mart
DMi	Data Mining
DWH	Data Warehouse
EDV	elektronische Datenverarbeitung
EIS	Executive Information System
EPC	elektronischer Produktcode
EPC-IS	Electronic Product Code Information Services
GS1	Global Standards One
ID	Information Directory
MIS	Management Informationssystem
MUS	Management unterstützendes System
OLAP	Online Analytical Processing
POS	Point of Sale
RFID	Radio Frequency Identification
SB	Selbstbedienung
SC	Supply Chain
SCM	Supply Chain Management
WBA	Warenkorb- und Bondatenanalyse

8 Abbildungsverzeichnis

Abbildung 1	Unterschiedliche Facetten von Business Intelligence
Abbildung 2	Komponenten eines Data Warehouses
Abbildung 3	Zentrales Data Warehouse
Abbildung 4	Data Marts
Abbildung 5	OLAP Würfel
Abbildung 6	Analysedimensionen der Warenkorb- und Bondatenanalyse
Abbildung 7	Regelkreis des Kampagnenmanagements
Abbildung 8	Customer-Relationship-Management im Einzelhandel
Abbildung 9	Anwendungsbereiche von RFID/EPC auf der Zeitachse
Abbildung 10	Anwendungsbereiche von RFID über die Supply Chain
Abbildung 11	Supply Chain - Datenaustausch

9 Tabellenverzeichnis

Tabelle 1

Vertriebsmarken der METRO Group