In einem früheren Blogbeitrag haben wir das Potenzial von Predictive Analytics für die Planung künftiger Filialstandorte untersucht. Jetzt werfen wir einen Blick hinter die Kulissen, um mehr über Funktionsweisen und Nutzen von Predictive zu erfahren. Unser Guide ist David Redlich, Teamleiter für API Services & Data Teams bei Targomo.
David, was ist Predictive Analytics, einfach ausgedrückt?
Stell dir vor, du könntest die Leistung künftiger neuer Filialen mit einem hohen Maß an Genauigkeit vorhersagen, und zwar auf der Grundlage harter Fakten und nicht nach Bauchgefühl. Das nennen wir Predictive Analytics. Wir kombinieren maschinelles Lernen und Geoalgorithmen mit soziodemografischen, Netzwerk- und Leistungsdaten, um einzigartige Vorhersagemodelle zu erstellen. Diese helfen unseren Kunden, Fragen zu beantworten wie: Was macht mein Geschäft erfolgreich? Wie viele Gäste werden in mein Restaurant kommen? Wie viel Umsatz kann ich von meinem Outlet-Store erwarten? Wohin soll ich als nächstes expandieren? All diese Analysen lassen sich jetzt in einem Bruchteil des üblichen Zeit- und Arbeitsaufwands und mit vollständiger Kontrolle und Transparenz beantworten.
Wie sahen Standortanalysen oder -planungen vor Predictive Analytics aus?
In der Regel konzentrierte sich die Analyse eher auf Teilaspekte und konnte nicht mit so großen Datenmengen umgehen. Nehmen Sie zum Beispiel Beratungsunternehmen. Die Analysen sind statisch und meist auf einige wenige Standorte beschränkt. Das macht es unmöglich, Szenarien zu erstellen, die die Wechselwirkungen zwischen verschiedenen Standorten berücksichtigen oder in die Zukunft blicken. Wie der Name schon sagt, ist Predictive Analytics zukunftsorientiert. Ist das Modell einmal eingerichtet, können Kunden tiefgreifende Analysen für eine beliebige Anzahl von Standorten durchführen, ohne dass sich die Kosten spürbar verändern.
Mit TargomoLOOP haben wir ein wirklich gutes Tool, das es unseren Kunden ermöglicht, ihre eigenen Analysen durchzuführen und auf der Grundlage von Daten aussagekräftige Erkenntnisse über die Zukunft zu gewinnen. Die Plattform ist skalierbar, da dieses Modell weltweit eingesetzt werden kann je nach Datenverfügbarkeit. Wir sind zuversichtlich, dass wir bei der Vorhersage der zukünftigen Leistung eines Standorts führend sind. Außerdem verbessern wir unsere Modelle und Tools kontinuierlich.
Welche Art von Daten verwendet ihr für die Vorhersageanalyse und woher stammen sie?
Im Allgemeinen verwenden wir vier Quellen: öffentliche, private, unternehmenseigene und selbst erstellte Daten.
Zu den öffentlich zugänglichen Daten gehören Netzwerkdaten wie Verkehrsmittel und Verkehrsinformationen, die wir zur Erstellung von Mobilitätsanalysemustern verwenden, um zu sehen, wie Menschen zu Ihrem potenziellen neuen Standort gelangen. Auch soziodemografische Daten und Points-of-Interest (POI) sind Teil der öffentlichen Daten.
Kommerzielle Daten umfassen ergänzende feingranulare soziodemografische Daten, zusätzliche Daten zu Points of Interest (POI), ökonomische Daten wie Kaufkraft oder Zielgruppendaten wie Limbic Types. Diese beziehen wir von unseren renommierten weltweiten Datenpartnern.
Ein wichtiger Teil des Vorhersagemodells sind natürlich die Unternehmensdaten unserer Kunden. Das sind standortbezogene Daten, die Aufschluss über verschiedene Filialmerkmale und die Performance geben. An erster Stelle stehen die Verkaufszahlen. Wenn wir ein Prognosemodell für einen bestimmten KPI entwickeln sollen, brauchen wir die entsprechenden Daten der bestehenden Filialen. Auch Informationen wie unterschiedliche Schließzeiten, Verkaufsflächen usw. sind wichtig, um deren Auswirkungen zu untersuchen oder Abweichungen erklären zu können.
Eine weitere relevante Quelle, mit der wir uns von unseren Mitbewerbern unterscheiden, sind selbst aufbereitete domänenspezifische Daten. Wir stellen die Fußgängerströme aufgeschlüsselt nach Tages- und Nachtzeiten sowie nach Intentionen wie Einkaufen oder Restaurantbesuche zur Verfügung. Wir bieten Auto- oder Hausbesitzerquoten und benutzerdefinierte POI-Sets, die besonders für stationäre Geschäfte interessant sind, um zu sehen, welche ergänzenden Geschäfte oder Dienstleistungen es in der Nähe ihrer Standorte gibt.
Was sind einige der Herausforderungen bei der Erstellung eines Predictive Analytics Models?
Zu Beginn eines Projekts wird ein beträchtlicher Teil der Zeit für das Sammeln, Vervollständigen und Bereinigen der Daten aufgewendet. Dieser Schritt wird oft unterschätzt, ist aber entscheidend, um unseren Kunden zuverlässige Ergebnisse zu liefern. Die größte Herausforderung besteht jedoch darin, dass die Algorithmen für künstliche Intelligenz und maschinelles Lernen in der Regel nicht für Geodaten (Geoinformationen, POIs, Netzdaten und Ladenstandorte) optimiert sind. Es ist eine Herausforderung, diese Dinge miteinander in Einklang zu bringen.
Eine der Maßnahmen, die wir ergriffen haben, um dieses Problem zu lösen, ist die Verwendung etablierter ökonomischer Modelle – wie das Gravitations- oder Logit-Modell. In diesen Modellen haben alle Standorte eine “Anziehungskraft”, mit der man die Wahrscheinlichkeiten berechnen kann, dass bestimmte demografische Gruppen an den eigenen Standort kommen, wobei andere konkurrierende Standorte und deren Anziehungskraft berücksichtigt werden.
Die Komplexität des Problems ist unglaublich. Viele Menschen haben versucht, dieses Problem zu lösen, mit unterschiedlichem Erfolg. Aber ich glaube, dass es niemandem in der verallgemeinerten Weise gelungen ist, wie wir es getan haben. Unsere prädiktive Analytik funktioniert bereichsübergreifend. Sie können die Daten einfach einfügen und individuelle Erfolgstreiber finden, ohne dass eine bereichs- oder unternehmensspezifische Anpassung erforderlich ist. Das ist eine ziemlich große Herausforderung, die wir gemeistert haben.
Wie adressiert TargomoLOOP die Kundenbedürfnisse im Bereich von Predictive Analytics?
Ein wichtiger Einflussfaktor ist für uns die Nutzererfahrung. Wir wollen TargomoLOOP vollständig in die Hände unserer Kunden legen und nicht als Mittelsmann fungieren, der die Analyse für sie übernimmt. Wir wollen ihnen ein Werkzeug an die Hand geben, mit dem sie viele verschiedene Szenarien selbst durchspielen können.
Es ist ein schmaler Grat – und wir lernen immer noch, wie wir komplexe Ergebnisse vermitteln und gleichzeitig unseren Kunden viel Kontrolle geben können. Wir haben schon immer viel mit Testnutzern gearbeitet und Feedback von bestehenden Kunden gesammelt, um eine gute User Experience zu erreichen und weiterzuentwickeln.
Welche Rolle spielt der Kunde bei Predictive Analytics?
Die Kunden spielen vor und während der Entwicklung eine wichtige Rolle. Zu Beginn stellen sie uns ihre Filial- und Unternehmensdaten sowie umgebungsunabhängige Geschäftsdaten zur Verfügung.
Sie spielen dann auch bei der Auswertung eine aktive Rolle. Wenn wir die ersten Ergebnisse zu den Erfolgstreibern haben, besprechen wir die Ergebnisee mit ihnen, um zu sehen, ob es für sie nachvollziehbar ist. In der Regel ist es keine völlige Überraschung, was die Erfolgstreiber sind, sondern in welchem Ausmaß sie wichtig sind. Schließlich quantifizieren wir genau, wie wichtig Auto- und Fußgängerverkehr vor Ort sind und welche Rolle die Wettbewerber spielen. Nach der Analyse wissen sie, wie viel ihres Umsatzes auf die einzelnen Faktoren zurückzuführen ist. Manchmal finden wir auch heraus, dass Faktoren, die als wichtig angesehen wurden, in Wirklichkeit überhaupt keinen Einfluss auf den Umsatz haben.
Predictive Analytics ist immer eine Teamleistung: David und sein Team besprechen die Analyseergebnisse.
Welche Fähigkeiten sind erforderlich, um Predictive Analytics Models zu erstellen?
Es war eine steile Lernkurve für uns, und wir haben gemeinsam mit Universitäten ein Forschungsprojekt ins Leben gerufen, um uns Wissen anzueignen, das wir nicht hatten. Außerdem haben wir unsere Teams mit sehr fähigen Datenwissenschaftlern erweitert. Zusammen mit unseren großartigen Softwareentwicklern haben wir eine erfolgreiche Symbiose geschaffen, um modernste Geo-KI als Unternehmensprodukt anzubieten. Ich würde die erforderlichen Fähigkeiten jedoch nicht auf die von Datenwissenschaftlern oder Softwareentwicklern beschränken. Marketing, Business Development und Customer Success sind ebenfalls sehr wichtig. Es ist entscheidend, dass die Konzepte und Ergebnisse auf verständliche Weise kommuniziert werden. Das ist oft eine schwierige Aufgabe.
David, vielen Dank, dass du uns durch Predictive Analytics geführt hast. Keiner von uns besitzt eine Kristallkugel. Aber wie wir gesehen haben, kann die Analyse wirklich helfen, zukünftige Ergebnisse vorherzusagen, um Einzelhandelsstandorte erfolgreich zu planen und Risiken zu minimieren. Und das Beste daran ist, dass das Tool intuitiv zu bedienen ist, so dass unsere Kunden die Szenarien, die für sie am besten geeignet sind, durch Plug-and-Play ermitteln können.
Comments