Datenbasierte Optimierung des Wareneinkaufs für Einzel- und Fachhandel

Case

Jeder Einzel- und Fachhandel steht vor der Herausforderung Produkte in der Menge einzukaufen, welche erwartungsgemäss auch abgesetzt wird. Jeder Wareneinkauf bindet Kapital und jeder Tag an dem ein Produkt im Lager oder Regal liegt verliert es an Wert.

Ziel

Für Produkte und Warengruppen soll je nach Lieferant errechnet werden, was die durchschnittliche Lagerdauer beträgt. Diese Kennzahl soll dazu dienen absatzstarke und -schwache Lieferanten zu identifizieren um entsprechende Einkaufsmengen anzupassen.

Vorgehen

  1. Bereinigung der Transaktionsdaten (Data Preparation)
  2. Warengruppe filtern; Für diese Analyse wurde nur ein Teil des Sortiments in Betracht gezogen
  3. Auflistung aller Lieferanten dieser Warengruppe
  4. Berechnung der Differenz zwischen Wareneingang und -verkauf
  5. Berechnung des Medians pro Lieferant
  6. Visualisierung der Ergebnisse

Resultate

Datenbasierte Optimierung des Wareneinkaufs für Einzel- und Fachhandel - Data Analysis / Datenanalyse - Jaywalker Digital

Interpretation

Die Ergebnisse der Datenvisualisierung sind wie folgt zu interpretieren: Die Lieferanten (Supplier 1 – 19) sind aufsteigend nach Median geordnet. Ist der Median weit links, bedeutet das für den Lieferanten, dass dessen Ware im Mittelwert nur wenig Zeit am Lager verbringt und schnell verkauft wird. Jeder Punkt auf den Linien entspricht einem verkauften Produkt. Die Grösse des Punktes gibt darüber Auskunft mit wie viel Rabatt das Produkt verkauft wurde. Desto kleiner der Punkt, desto höher die Marge auf dem Produkt.

Mögliche Business Implikationen

High-Performer

  • Bei Lieferanten mit einer tiefen, mittleren Lagerdauer stellt sich die Frage, ob mehr von deren Produkten eingekauft werden sollen.
  • Bei Lieferanten mit Produkten, welche oftmals ohne Rabatt und schnell verkauf werden,  könnte die Preisbereitschaft der Kunden höher ausfallen.

Low-Performer

  • Bei Lieferanten mit einer langen, mittleren Lagerdauer sollte genauer hingeschaut werden: Sind die Produkte gut platziert? Kann der Absatz dieser Produkte mit Aktionen oder Verkaufspaketen angekurbelt werden? Oder soll beim Lieferanten zukünftig überhaupt noch eingekauft werden?
  • Bei vielen Verkäufen mit rabattierten Produkten liesse sich fragen, ob die Produkte nicht attraktiv genug sind um zum vollen Preis verkauft zu werden oder ob diese Produkte zu teuer angepriesen werden.

«Your data may hold tremendous amounts of potential value, but not an ounce of value can be created unless insights are uncovered and translated into actions or business outcomes»

Forbes.com – Data Storytelling: The Essential Data Science Skill Everyone Needs

Patrick Buchter
Data Scientist at Jaywalker Digital