Vierzig Jahre Umsatzwachstumsmanagement – und warum die letzten zehn Jahre so wichtig sind

Manche betrachten Umsatzwachstumsmanagement als ein selbstverständliches Instrument für moderne Konsumgüterunternehmen. Es hat sich zu einem so unverzichtbaren Werkzeug entwickelt, dass es in jeden Berührungspunkt von Konsumgüterunternehmen integriert wurde, einschließlich der Preisoptimierung.Handelsförderung und Ausgabeneffektivitätzu Portfolio- und Produktmix-Optimierungsstrategien.

Heutzutage ist es schwierig, ein Unternehmen zu finden, das keine messbaren Vorteile durch RGM erzielt. Viele berichten von einem Umsatzplus von3–7 %durch Kanaloptimierung,einer Reduzierung der Lagerkosten um 10–20 %odereinem 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.

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 wieCoca-Cola, PepsiCo, P&G und Nestlébegannen, 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:

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.

Was fehlt im aktuellen RGM-Datenökosystem?

Die Fähigkeit, mithilfe von generativen und KI-gestützten Tools sofortige Erkenntnisse undbeschleunigte Entscheidungen überden 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 Signalerkennungund frühzeitige proaktive Innovation durch LLM-Mining von sozialen, Such- und Kreativplattformen;
• Effizienz- und Kostenoptimierungim Unternehmensmaßstab, da KI-gestützte Erkenntnismaschinen repetitive Analysen ersetzen.

Warum also sind die letzten zehn Jahre wichtig?

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 strategischenDatenberatungspartnerskönnen 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.

Welche Auswirkungen hatte diese Transformation auf RGM?

Kanaloptimierung ist der Prozess der Abstimmung von Preis-, Werbe- und Produktstrategienüber 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.

Wie eine Datenintelligenzplattform Anwendungsfälle ermöglicht

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 Bedarfsplanungist ein wichtiger Eckpfeiler vonRGM, 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 Konsumgüterherstellereine Reduzierung der Lagerkosten um 10–20 %undeine 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.

Wie die Databricks Data Intelligence Platform hilft!

DieDatabricks-Datenintelligenzplattformermöglicht Prognose- und Bedarfsplanungs-Anwendungsfälle durch einen einheitlichen Satz fortschrittlicher Funktionen, darunter:Databricks Feature Storefür Bedarfstreiber,AutoMLfür Prognosemodellierung,Delta Live-Tischefür die Datenerfassung und -transformation in Echtzeit, Unity Catalog für Herkunft, Governance und Rückverfolgbarkeit von ML- und GenAI-Modellen sowieLakehousefür die Transformation und Integration historischer und Streaming-Daten.

Category Manager, Brand Manager undUmsatzwachstumsstrategenstehen 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 Expertise + Databricks Data Intelligence Platform – Was bedeutet das?

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.
• Datennexus:Ein Datenverarbeitungstool, das die Bereitstellung von zusammensetzbaren Datenmodellen beschleunigt, welche die Grundlage aller Nutzungsschichten bilden – Visualisierung, maschinelles Lernen sowie generative KI und Agenten.
• Agentenstatus: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:

Was bringt die Zukunft? Hier sind unsere Prognosen:

• 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 SiePolestar Analyticsfür weitere wegweisende Analysen oder besuchen Siepolestaranalytics.com.