Von Margenkalkulation bis Bestellplanung: Daten als Grundlage für Entscheidungen im eCommerce (eCommerce Daten & Entscheidungen Teil 1)

Daten der verschiedenen Verkaufsplattformen vereinheitlichen. Und warum das nicht so einfach ist wie es klingt.

Die Projektbeschreibung war zu Beginn sehr simpel: Ladet die Abrechnungsdaten der verschiedenen Plattformen (Shop/JTL, Amazon, eBay, Kaufland, Otto) und berechnet die Nettomarge pro Verkaufsplattform und Produkt. Schnell war klar, so einfach ist es nicht. Zwar sind alle Daten verfügbar, aber in völlig unterschiedlichen Formaten, Granularität und auch verschiedenem Informationsgehalt.

Eine kurzfristige Lösung wäre gewesen alle Daten zu laden, Logiken und Berechnungen darauf auszuführen und die Ergebnisse zu addieren. Die Lösung wäre aber wenig nachhaltig gewesen und hätte einen hohen Wartungsaufwand, da alle Anpassungen an den Plattformen, und diese geschehen sehr häufig, immer wieder in Code und Logik angepasst werden müssen. Weiterhin hätte die Vergleichbarkeit der Produkte für das Gesamtunternehmen gefehlt, es gäbe keine Historisierung und die gesamte Anwendung wäre auf einen einzigen Anwendungsfall zugeschnitten.

Ein Data Warehouse und Datenmodell das alle Daten vereinheitlicht

Wie also konnten wir der Herausforderung begegnen und statt eine zugeschnittene wartungsintensive und isolierte Anwendung zu entwickeln, eine langfristige umfassende Lösung schaffen die mehrere Use Cases ermöglicht? Wir entwickelten ein Data Warehouse, dass die einzelnen Quellen wie Warenwirtschaft, Verkaufskanäle, Shops und Buchhaltung anzapft, die Daten lädt, verarbeitet und in einem vereinheitlichten Datenmodell bereitstellt.

Ein vereinheitlichtes Datenmodell musste dabei erst erstellt werden. Alle Quellen haben ähnliche Daten, sind aber doch unterschiedlich strukturiert, haben verschiedene Entitäten und Stufen an Granularität. So sind z.B. Angebote auf Amazon auf magische Weise verknüpft und werden als verschiedene Optionen auf einer Angebotsseite dargestellt, so z.B. verschiedene Farben eines Produktes die auf einer Angebotsseite ausgewählt werden können. Dabei ist jede Farbe ein eigenes Angebot. Bei eBay wiederum ist dies anders gelöst und diese Unterschiede mussten zusammengebracht werden.

Die Vereinheitlichung der Daten bot weiteres Potential. Bisher hatte unser Kunde die Herausforderung mit fast 3.700 Stammartikeln umzugehen die auf 20.500 Plattformangebote aufgeteilt waren. Noch komplizierter wurde es, da die Angebote über verschiedene Stücklisten gemanagt wurden, die dann auf die Stammartikel aufgelöst wurden. Zu analysieren, welcher Artikel, über welche Plattform, wie oft verkauft wurde, war mit den Funktionen der Warenwirtschaft nicht möglich. Das vereinheitlichte Datenmodell für eCommerce, indem alle Verkäufe bis auf den Stammartikel aufgelöst wurden, schaffte aber plötzlich ganz neue Möglichkeiten.

Neue Möglichkeiten: Von Profitabilität auf Produktebene bis hin zum Forecast für den Einkauf

Die nun verfügbare Datenbasis ermöglicht zahlreiche Use Cases in Sales, Produktmanagement und Einkauf. Da nicht alles auf ein mal umgesetzt werden kann, wurden die Themen mit dem größten Nutzen für den eCommerce Händler identifiziert.

Verkaufsanalyse

• Produkte/Stammartikel/Produktgruppen und deren Verkäufe auf den einzelnen Plattformen und für das gesamte Unternehmen
• Identifikation von Artikeln und Angeboten, die einer Überarbeitung bedürfen
• Evaluation des Erfolgs von Marketingmaßnahmen auf die Verkaufszahlen
• Monitoring kritischer Artikel und Information bei Abweichungen von Zielen

Profitabilität und Margen

• Profitabilität von einzelnen Artikeln, Produkten und Produktgruppen und Identifikation der Kostentreiber
• Kalkulation von Marketingbudgets pro Artikel basierend auf verfügbaren Deckungsbeiträgen und Margen
• Identifikation von Produkten mit hoher Profitabilität aber geringen Verkäufen um deren Potentiale zu heben

Forecast

• Vorhersage der Verkäufe auf Angebotsebene unter Berücksichtigung saisonaler Schwankungen und Artikeltrends
• Ableitung der Warenbedarfe, um die Verkaufsplanung zu bedienen
• Vorhersage der Lagerbestände auf Grundlage der Bedarfe

Einkauf

• Die Vorhersage zu Warenbedarf und Lagerbestand ermöglicht eine Planung zukünftiger Einkäufe
• Strategische Preisverhandlungen mit Lieferanten auf Basis der Bedarfsvorhersagen
• Bestellvorschläge auf Basis der Lagerentwicklung und Wareninformationen, z.B. Lieferzeit, aus der Warenwirtschaft

Ausblick auf zukünftige Beiträge

Wir haben bereits ein gutes Stück Arbeit geschafft, haben die Grundlagen des Datenmodells und arbeiten an den ersten Use Cases. Es ist noch ein weiter Weg bis alle Ziele erreicht sind und auf dem Weg dahin werden weitere Ziele und Herausforderungen identifiziert werden.

In den kommenden Monaten möchten wir euch auf diese Reise mitnehmen und zu verschiedenen Themen in die Tiefe gehen, die Ziele und Herausforderungen erläutern, sowie die Lösung skizzieren. Ein kurze Vorausschau über die Themen die wir näher ausführen wollen

• Der Aufbau eines eigenen Data Warehouse
• Ein vereinheitlichtes Datenmodell für eCommerce
• Margenkalkulation vom Angebot bis zum Artikel
• Forecast für Verkauf, Lager und Einkauf
• Bestellvorschläge und Bestellplanung im Einkauf

Was wünscht ihr Euch?

Seid ihr neugierig geworden? Habt ihr ähnliche Herausforderungen?

Lasst uns wissen, wie Ihr unseren Ansatz findet und welche Themen euch näher interessieren und worauf wir eingehen sollen. Und wenn Ihr ganz neue Problemstellungen habt, dann immer her damit, vielleicht diskutieren wir gemeinsam mögliche Ansätze für eine Lösung.

Für euren Input und Feedback schreibt mir einfach an robert.kramer@esveo.com