Fassen Sie diesen Blogbeitrag wie folgt zusammen:
Umsatzwachstumsmanagement gilt für viele als unverzichtbares Instrument für moderne Konsumgüterunternehmen. Es hat sich zu einem so wichtigen Werkzeug entwickelt, dass es in alle Berührungspunkte von Konsumgüterunternehmen integriert ist – von Preisoptimierung über Handelsförderung und Ausgabeneffizienz bis hin zu Portfolio- und Produktmixoptimierungsstrategien.
Heutzutage ist es schwierig, ein Unternehmen zu finden, das keine messbaren Vorteile durch RGM erzielt. Viele berichten von einem Umsatzplus von 3–7 % durch Kanaloptimierung, einer Reduzierung der Lagerkosten um 10–20 % oder einem Umsatzwachstum von 2–4 % durch Sortiments- und Mixoptimierung.
Doch viele Unternehmen hinken hinterher.
Um zu verstehen, wie wir an diesen Punkt gelangt sind und warum das letzte Jahrzehnt so entscheidend war, müssen wir die Uhr zurückdrehen, in die Mitte der 1980er Jahre – also vor vierzig Jahren.
Heutzutage sind nur noch wenige Arbeitnehmer in einer analogen Welt aufgewachsen, RGM hingegen entstand genau in dieser Zeit. Bevor digitale Werkzeuge zum Standard gehörten, nutzten Konsumgüterhersteller manuelle Berichte, Tabellenkalkulationen auf Papier und Großrechner für grundlegende Analysen. Im besten Fall war die Arbeit manuell, isoliert, reaktiv und mehr von Erfahrung als von Daten geprägt.
Kurz gesagt, RGM entstand aus der Notwendigkeit heraus, nicht aus einer strategischen.
| Datenmanagement | Papierbasierte Berichte, Tabellenkalkulationen, Großrechnersysteme, gedruckte Verkaufsbelege |
|---|
| Preisgestaltung | Manuelle Preislisten, Margentabellen, Kostenaufschlagskalkulation |
|---|
| Sortimentsplanung | Regalplanogramme werden manuell von Category Managern erstellt; wissensbasiert auf Filialebene |
|---|
| Analysen | Beschreibende Berichte über IBM-Großrechner, Lotus 1-2-3, eingeschränkte Regressionsanalyse |
|---|
| Entscheidungsfindung | Stark beziehungsorientiert, geprägt von Erfahrung und Bauchgefühl |
|---|
Springen wir in die 2010er Jahre, so beginnt eine Übergangsphase, in der das Jahrzehnt dank verbesserter Datenverfügbarkeit, leistungsfähigerer statistischer Werkzeuge und skalierbarer ERP/CRM-Systeme einen Wandel von reaktiven Entscheidungsfindungsprozessen hin zu diagnostischen und prädiktiven Ansätzen markierte.
Führende große Konsumgüterkonzerne wie Coca-Cola, PepsiCo, P&G und Nestlé begannen, formale interne RGM-Teams mit klar definierten Rollen, strukturierten Methoden und einer strategischeren Denkweise aufzubauen. Zusammenfassend lässt sich sagen, dass die 2010er Jahre folgendermaßen aussahen:
| Datenmanagement | SQL-basierte EDWs, Teradata, SAP BW, Oracle, Excel (immer noch weit verbreitet), Syndikatsdaten |
|---|
| Preisgestaltung | Vendavo, PROS, Zilliant, SAP Pricing, kundenspezifische Excel-Modelle mit Elastizitätsberechnungen |
|---|
| Sortimentsplanung | Nielsen Spaceman, JDA (jetzt Blue Yonder), Planogramm-Tools |
|---|
| Analysen | SAS, SPSS, R, Excel-Pivot-Tabellen, einfache Vorhersagemodelle, Monte-Carlo-Simulationen |
|---|
| Entscheidungsfindung | Immer noch stark auf Tabellenkalkulationen basierend, aber unterstützt durch Dashboards (z. B. Tableau, MicroStrategy). |
|---|
Viele der oben genannten Tools sind auch heute noch weit verbreitet, darunter Teradata, Oracle, SAP, Blue Yonder, SAS und Tableau. Sie alle haben jedoch eine entscheidende Gemeinsamkeit: Es handelt sich nicht um Systeme, sondern um eigenständige Tools, die jeweils für die Lösung eines spezifischen Problems oder die Ausführung einer begrenzten Anzahl von Aufgaben entwickelt wurden.
Die Fähigkeit, mithilfe von generativen und KI-gestützten Tools sofortige Erkenntnisse und beschleunigte Entscheidungen über den gesamten Datenbestand hinweg zu liefern, verkürzt die Forschungs- und Testzeit von Wochen auf Tage und ermöglicht es Marketingfachleuten, zu handeln, solange das Zeitfenster noch offen ist.
- Hyperpersonalisierung , die messbares Wachstum durch optimale Angebote bei geringerem Marketingaufwand ermöglicht;
- Frühe Signalerkennung und frühzeitige proaktive Innovation durch LLM-Mining von sozialen, Such- und Kreativplattformen;
- Effizienz- und Kostenoptimierung im Unternehmensmaßstab, da KI-gestützte Erkenntnismaschinen repetitive Analysen ersetzen.
Wir befinden uns nun im Zeitalter des Übergangs vom Enterprise Data Warehouse (EDW) zum Data Lake, zum Data Lakehouse und schließlich zur Databricks Data Intelligence Platform. Mit der Unterstützung eines strategischen Datenberatungspartners können Unternehmen diese Entwicklung voll ausschöpfen. Die Databricks Data Intelligence Platform beseitigt die Herausforderungen langsamer und isolierter Daten, ungenauer Erkenntnisse und fragmentierter Marktsichten.
Mit Databricks lassen sich Erkenntnisse in Echtzeit – oder so schnell wie Ihr Unternehmen es benötigt – aus allen Datentypen generieren : Bilder, Videos, POS-Daten, Social-Media-Daten, Kanaldaten und mehr, vereint an einem zentralen Ort und in einem einheitlichen Format. Databricks überwindet Datensilos durch die Integration von Legacy-Daten aus lokalen Enterprise Data Warehouses (EDWs) sowie modernen Quellen wie Synapse, Snowflake und BigQuery. Das Ergebnis: schnellere, präzisere Entscheidungen und ein umfassender Blick auf Kunden, Markt und Unternehmen.
Kanaloptimierung ist der Prozess der Abstimmung von Preis-, Werbe- und Produktstrategien über physische und digitale Kanäle hinweg, um Kundenreichweite, Umsatz und Rentabilität zu maximieren. Mit den veralteten Systemen aus den 2010er-Jahren war dies nahezu unmöglich, da sie weder für das Datenvolumen noch für die unstrukturierten Daten ausgelegt waren, die heute über die digitalen Kanäle erfasst werden. Für Channel-Manager, Vertriebsleiter und E-Commerce-Verantwortliche löst die Data Intelligence Platform eine Vielzahl von Herausforderungen, die mit veralteten Systemen nicht bewältigt werden können.
- Uneinheitliche Preisgestaltung über verschiedene Kanäle hinweg
- Vertriebskanalkonflikt zwischen Direktvertrieb und Einzelhandel
- Begrenzte Transparenz der Kanalperformance
- Diskrepanz zwischen Online- und stationären Kundenerlebnissen
- Nicht optimierte Sortimentsstrategien nach Kanal
- Fragmentierte oder unkoordinierte Werbeplanung
Eine moderne Data-Intelligence-Plattform schließt diese Lücken, indem sie Folgendes ermöglicht:
- kanalübergreifende Leistungsanalyse
- Preisharmonisierung
- Kanalspezifische Sortimentsoptimierung
Das Ergebnis ist ein einheitlicher, agiler Ansatz für die Kanalstrategie, der sich in Echtzeit an das Verbraucherverhalten und die Marktdynamik anpasst.
Zu den Schlüsselkomponenten der Datenintelligenzplattform, die diese Anwendungsfälle ermöglichen, gehören:
- Delta Lake ist ein Open-Source-System, das Daten an einem zentralen Ort zusammenführt und so das Kopieren oder Verschieben von Daten zwischen Systemen überflüssig macht.
- Unity Catalog für Governance und Herkunftsverwaltung auf Unternehmensebene
- ML Flow für Elastizitätsmodelle des maschinellen Lernens
- Autoloader und Lakeflow für Echtzeit-Feeds
- AI/BI Genie verwandelt Ihre statischen Dashboards in GenAI-gestützte Erkenntnismaschinen.
Die Bedarfsplanung ist ein wichtiger Eckpfeiler von RGM , der die Genauigkeit der Bedarfsprognosen und die Bestandsabstimmung durch die Verwendung von Echtzeitdaten und prädiktiven Modellen verbessert, indem er die Prognosegenauigkeit, den Lagerumschlag, die Fehlbestandsquote und die Servicequalität steigert.
Durch den Einsatz der Data Intelligence Platform können Konsumgüterhersteller eine Reduzierung der Lagerkosten um 10–20 % und eine Verbesserung der Prognosegenauigkeit um 5–15 % erzielen, indem sie Anwendungsfälle implementieren, die externe Signale, maschinelle Lernprognosen und Echtzeitwarnungen einbeziehen, um Angebot und Nachfrage proaktiv auszugleichen.
Bedarfsplaner, Supply-Chain-Manager und Vertriebsleiter müssen sich nun nicht mehr mit den üblichen Herausforderungen veralteter Systeme auseinandersetzen: geringe Prognosegenauigkeit, Fehlbestände und Überbestände, reaktives statt proaktives Bestandsmanagement, fehlende integrierte Bedarfssignale, isolierte Vertriebs- und Bedarfsplanung oder hohe Lagerhaltungskosten. Stattdessen erhalten sie einen integrierten, intelligenten Überblick über die Nachfrage – und die Werkzeuge, um in Echtzeit darauf zu reagieren.
Die Databricks Data Intelligence Platform ermöglicht Prognose- und Bedarfsplanungs-Anwendungsfälle durch einen einheitlichen Satz fortschrittlicher Funktionen, darunter: Databricks Feature Store für Bedarfstreiber, AutoML für Prognosemodellierung, Delta Live Tables für die Datenerfassung und -transformation in Echtzeit, Unity Catalog für Herkunft, Governance und Rückverfolgbarkeit von ML- und GenAI-Modellen sowie Lakehouse für die Transformation und Integration historischer und Streaming-Daten.
Category Manager, Brand Manager und Umsatzwachstumsstrategen stehen vor Herausforderungen bei der Optimierung des Produktsortiments und -mixes, die von veralteten Systemen lediglich toleriert werden. Dazu gehören die zunehmende Anzahl und Komplexität von Artikeln (SKUs), schlecht performende Produkte, die Regalfläche belegen, geringe Umschlagshäufigkeit in Schlüsselkategorien oder nicht aufeinander abgestimmte Preis- und Verpackungsstrategien – allesamt Folgen der Beschränkungen der älteren Systeme.
Moderne Anwendungsfälle greifen auf Databricks SQL für SKU-Dashboards, Delta Sharing für die Einbindung von Syndikatsdaten, MLflow für Mix-Optimierungsmodelle und Lakehouse für die Integration von POS-, Loyalitäts- und Warenkorbdaten zurück, die POS- und Paneldaten nutzen, um SKUs zu rationalisieren, die Preis- und Verpackungsstruktur zu verbessern und margenstarke Artikel zu priorisieren, um das Produktportfolio zu optimieren, indem Sortiment und Preis- und Verpackungsstruktur an Kundenbedürfnissen und Rentabilitätszielen ausgerichtet werden.
Zusammengenommen helfen diese Instrumente dabei, das Produktportfolio zu optimieren, indem Sortiments- und Preisstrategien auf Kundenbedürfnisse und Rentabilitätsziele abgestimmt werden.
Polestar Analytics nutzt die Databricks Data Intelligence Plattform, um drei innovative Lösungsangebote für den Markt bereitzustellen:
- Profit Pulse: Eine integrierte Suite von ML- und Visualisierungslösungen zur Optimierung von Preisgestaltung, Werbung und Handelsausgaben. Die Lösung hat in der Konsumgüterindustrie weite Verbreitung gefunden.
- Data Nexus: Ein Datenverarbeitungstool, das die Bereitstellung von zusammensetzbaren Datenmodellen beschleunigt, welche die Grundlage aller Nutzungsschichten bilden – Visualisierung, maschinelles Lernen sowie generative KI und Agenten.
- AgentHood: Eine Data-Science-Lösung, die Agent Bricks nutzt und die Erstellung von Agenten per Drag & Drop, einen Agentenmarktplatz und ein Agenten-Orchestrierungstool ermöglicht.
Polestar Analytics hat einen hohen Kundennutzen geschaffen, wie folgende Beispiele belegen:
- RGM wird durch die Einbindung von OLTP-Daten (Lake Base) wirklich in Echtzeit funktionieren.
- Die detaillierte Kundensegmentierung wird kanalübergreifend (Fernsehen, Telefon, Suchmaschinen und darüber hinaus) vereinheitlicht.
- Agenten unterstützen Kunden und übernehmen anschließend Routineaufgaben wie den Lebensmitteleinkauf. Dadurch verändern sie die Segmentierungs- und Auswahlprozesse grundlegend. Agenten haben das Potenzial, emotionale Faktoren bei alltäglichen Kaufentscheidungen auszublenden und so das Kundenerlebnis zu optimieren.
Folgen Sie Polestar Analytics für weitere wegweisende Analysen oder besuchen Sie polestaranalytics.com.