Handel & Konsumgüter

Dieselbe Jacke hat an der Kasse eine Nummer, im Onlineshop eine zweite und im Einkauf eine dritte. Filialen sind in einem System nach Region gruppiert, im anderen nach Vertriebsschiene. Und wenn jemand fragt, welcher Kanal am meisten Rohertrag bringt, rechnet jeder anders und alle haben ein bisschen recht.

Wir bauen für Handels- und Konsumgüterunternehmen die Datenbasis, auf der Berichte, Dashboards und Prognosen aufsetzen. KI und Machine Learning kommen dazu, wo sie sich an den eigenen Daten bewähren.

Artikel und Standorte zuordnen

Die Technik ist selten das Problem. Kassen, Shopsysteme und Marktplätze haben Schnittstellen oder liefern Exporte. Aufwendig ist die Zuordnung: Welche Kassenartikelnummer gehört zu welcher Shop-Variante, wie werden Größen und Farben abgebildet, welche Filiale zählt zu welcher Region? Wo es ein gepflegtes PIM gibt, ist das eine gute Grundlage. Wo nicht, entsteht eine Zuordnungstabelle, die jemand aus dem Einkauf mitpflegen muss, sonst ist sie nach drei Monaten wieder veraltet.

Erst wenn diese Zuordnung steht, ist ein Kanalvergleich mehr als eine Schätzung. Deshalb fangen wir hier an und nicht beim Dashboard.

Was Umsatz und Rohertrag bedeuten

Controlling, Einkauf und Onlineshop nennen oft dieselbe Zahl und meinen Verschiedenes: brutto oder netto, vor oder nach Retouren, nach Bestell-, Liefer- oder Rechnungsdatum. Beim Rohertrag kommt hinzu, ob Abschriften, Konditionen und Boni schon abgezogen sind. Solche Fragen entscheiden, ob die Filiale auf der Fläche gut dasteht oder nur auf dem Papier.

Wir legen jede dieser Definitionen einmal mit den Beteiligten fest und hinterlegen sie im Datenmodell. Alle Berichte rechnen daraus, auch die Wochenberichte für Standortleitungen, die bisher jemand per Hand in Excel baut.

Aktionen auswerten

„Die Aktion hat Umsatz gebracht“ ist schnell gesagt. Gemessen wird dagegen der Absatz, der ohne Aktion zu erwarten gewesen wäre, abzüglich Vorzieheffekten, Verlagerung auf andere Artikel und Rabatt im Rohertrag. Das geht nur, wenn Zeitraum, Rabatt und Platzierung jeder Aktion festgehalten wurden. Daran scheitert es in der Praxis häufiger als an der Methode.

Dazu passt eine rechtliche Pflicht, die sich auch für die Analyse lohnt. Wer mit einer Preissenkung wirbt, muss nach der Preisangabenverordnung den niedrigsten Preis der letzten 30 Tage nennen. Eine Preishistorie je Artikel muss also ohnehin vorliegen, und sie macht auch die Aktionsauswertung belastbarer.

Nachfrage prognostizieren, ohne sich selbst zu täuschen

Eine Prognose schätzt den Absatz je Artikel und Standort aus Historie, Saison, Preis, Aktionen und Kalender und liefert daraus Bestellvorschläge. Bei Artikeln mit ausreichend Verlauf funktioniert das gut. Bei Neuheiten, Sonderposten und sprunghafter Nachfrage ist es unsicher, und das sollte der Vorschlag auch zeigen.

Eine Falle steckt in den Daten selbst. Wo Ware fehlte, wurde nichts verkauft, und ein Modell, das daraus lernt, unterschätzt die Nachfrage. Fehlmengen müssen deshalb in der Historie markiert sein. Vor dem Einsatz prüfen wir die Vorschläge an Zeiträumen, die das Modell nicht gesehen hat, und vergleichen sie mit dem bisherigen Vorgehen. Im Betrieb bleiben die Disponierenden verantwortlich. Sie kennen den Lieferengpass und die Wetterlage, die in keiner Tabelle stehen.

Ähnlich nüchtern gehen wir mit generierten Produkttexten aus PIM-Daten vor: Stichproben, bevor etwas online geht.

Onlineshop, Retouren und Datenschutz

Bei Retouren ist der Durchschnitt wenig aufschlussreich. Nach Artikel, Größe oder Lieferant aufgeschlüsselt zeigt sich, wo Schnitt, Beschreibung oder Qualität das Problem sind. Seit dem 19. Juni 2026 müssen Onlinehändler bei Verbraucherverträgen einen Widerrufsbutton anbieten. Widerrufe und Retouren sollten in den Daten getrennt erfasst werden, sonst vermischen sich zwei verschiedene Vorgänge.

Das Verhalten im Shop messen wir mit Server-Side Tracking, damit es sich mit Bestellungen und Retouren verknüpfen lässt. Dabei gelten für Cookies und ähnliche Zugriffe auf das Endgerät in Deutschland das TDDDG und für personenbezogene Daten die DSGVO. Das gilt auch für Kundenkarten und Konten. Viele Auswertungen, etwa zu Sortiment und Warenkorb, kommen mit pseudonymisierten oder aggregierten Daten aus. Die im Digital Omnibus vorgeschlagenen Änderungen an diesen Regeln sind bislang nur ein Vorschlag und nicht beschlossen.