Een winkelier die zenuwachtig wordt van sites als Groupon, draait waarschijnlijk nog niet erg lang mee. Het shoppingnetwerk zorgt weliswaar voor een andere manier van winkelen, maar de ervaren retailer ziet onmiddellijk dat het onderdeel is van een trend waarin veranderingen de regel vormen.

Meegaan met veranderingen is essentieel voor retailers. Dat gold al voor de streepjescode in de jaren zeventig tot en met het internetshoppen van nu. In 2013 ging een record aantal winkels failliet. Die stijging vormt een waarschuwing voor de hele sector: wie niet in staat is om snel genoeg te veranderen, loopt het risico dat zijn logo's uit de winkelstraat verdwijnt.

Analyse van bedrijfsgegevens is een belangrijk hulpmiddel voor winkels. De analyse van historische data, klantgegevens, transacties en externe data helpt retailers om trends snel te signaleren, zodat zij beter kunnen inspelen op de behoeftes van klanten. Bij het invoeren van een dergelijke analytics-strategie onderscheiden we drie verschillende niveaus: historische, real-time en voorspellende data.

1. Historische data

Op het eerste niveau worden de gegevens gebundeld die binnen de organisatie beschikbaar zijn, maar vaak verspreid over verschillende IT-systemen zijn opgeslagen. Zo segmenteert de cosmeticaketen L'Occitane zijn klanten op basis van hun online en offline gedrag. De winkel gebruikt zowel gegevens die klanten zelf hebben verstrekt als gegevens over hun online activiteiten zoals de producten die zij bekijken en de bestellingen.

Die analyse werpt vruchten af bij de e-mail marketing-campagnes van L'Occitane: traditioneel schieten winkels daarbij met hagel door alle klanten dezelfde mailing te sturen. De cosmeticawinkel stuurt persoonlijke aanbiedingen voor producten die klanten ook echt kopen, met als resultaat een omzetstijging voor de nieuwsbrief van 2.500 procent en een stijging van de aankoopconversie van 1.700 procent.

2. Real-time data

Een groothandel in auto-onderdelen had een probleem: het totale assortiment bestond uit 400.000 onderdelen, maar een gemiddeld filiaal heeft slechts ruimte voor 11.000 verschillende onderdelen. Het is al een uitdaging om voor alle winkels gezamenlijk de voorraad te bepalen, het wordt nog ingewikkelder als je dat voor 3.400 winkels afzonderlijk wilt doen.

Vroeger bepaalde de verkoop uit het verleden welke artikelen de winkel op voorraad had in een vestiging. Het klinkt logisch om elk jaar voor de winter bijvoorbeeld sneeuwkettingen in te slaan. Als automobilisten echter massaal hun auto inruilen voor een model met grotere wielen, blijft de winkel met oude voorraad zitten, terwijl de grote maten te snel uitverkopen.

Met de invoering van een nieuwe analytics-strategie is de handelaar overgestapt op een systeem waarbij ruim 35 factoren bepalen welke onderdelen elk filiaal op voorraad heeft. Data van de wegenbelasting geeft inzicht in het merk en model van de auto's in de buurt van elke vestiging. Vervolgens legt de winkel kruisverbanden met verschillende data zoals de leeftijd van die voertuigen, de gemiddelde reisafstand en marktdata over de betrouwbaarheid van het merk en model. Op die manier voorspelt de firma welke onderdelen aan vervanging toe zijn en stemt daar zijn voorraden op af. Als extra factor bekijkt de winkel bovendien het gedrag van zijn klanten, zoals de tijd die iemand bereid is om op een besteld onderdeel te wachten.

Het nieuwe analysesysteem doet elke maand 100.000 voorspellingen, waarbij het in tien uur de ideale samenstelling van de voorraad bepaalt voor elk van de 3.400 vestigingen. Op die manier verkoopt de winkel meer onderdelen en minder vaak 'Nee'.

3. Voorspellende data

Winkels die in staat zijn om data uit verschillende bronnen samen te brengen en te analyseren, krijgen onverwachte inzichten in welke klanten hun producten kopen en waarom. Neem bijvoorbeeld een klant die een bakkerswinkel binnenloopt. Waarom koopt hij de ene dag een croissant en de andere dag een saucijzenbroodje?

Een bakkersketen in Duitsland gebruikt een complex statistisch model om allerlei historische data te analyseren: aankopen uit het verleden, feestdagen, lokale evenementen, marketingacties en zaken als de weersvoorspelling. Daaruit bleek dat mensen op regenachtige dagen trek hebben in zoetigheden en bij zonnig liever hartige broodjes eten.

De patronen die de data bloot legde, leken op het eerste gezicht niet altijd logisch. Maar de bakker gebruikt ze voortaan om de dagelijkse omzet te voorspellen en om slimmer in te kopen. Daarmee voorkomt het analysesysteem dat een winkel producten op voorraad heeft waar geen behoefte aan is, of dat producten juist te snel uitverkocht raken. Hoe meer data het systeem analyseert, hoe beter het in staat is om trends te voorspellen.

De buitenwereld denkt bij retail vooral aan gangpaden, kassasystemen en (digitale) winkelmandjes. Maar de strijd in de retail wordt evengoed achter de schermen gewonnen: de winnaars zijn de partijen die de juiste producten op voorraad hebben zonder dat zij met onverkoopbare waar blijven zitten. De leveranciersketen, distributie en de manier waarop een winkel wordt gemanaged zijn kritieke factoren. Business intelligence en analyse van bedrijfsgegevens maken het verschil tussen top en flop.

Dit artikel is tot stand gekomen in samenwerking met IBM Kijk hier voor meer informatie over big-data.