Abstract: Während IT-Strategie in der Vergangenheit als Funktionsstrategie ausgeprägt wurde, überlagern Digitale Strategien Unternehmens-, Geschäfts-, Organisations- und andere Funktionsstrategien. Durch die zunehmende Verfügbarkeit von Produkt- und Prozessdaten können Entscheidungen unterstützt und automatisiert werden, sodass eine Betrachtung auf allen Strategieebenen im Rahmen einer Digitalen Strategie sinnvoll ist. Dieser Beitrag befasst sich daher mit der datengetriebenen Entscheidungsfindung mit Fokus auf die Domäne des Handels.

1. Datenstrategien und Big-Data-Phänomene

In Zeiten, in denen Data-Driven Decision Making und Machine Learning zunehmend strategische Bedeutung erlangen, ist eine wohlüberlegte und zielführende Datenstrategie von größter Wichtigkeit. Der Handel ist ein besonders plakatives Beispiel für die Big-Data-Phänomene dieser Dekade. An unterschiedlichsten Kundenkontaktpunkten entstehen Daten zu verschiedensten Sachverhalten viele Millionen Mal am Tag, sodass die typischen Eigenschaften von großvolumigen (Volume), verteilten (Variety) und rasch wachsenden (Velocity) Daten schnell erfüllt sind. Während die Systemfähigkeit großvolumige und permanent neue entstehende Daten verwalten zu können, zwangsläufig sichergestellt werden muss, um überhaupt den Tagesbetrieb durchführen zu können, stellt der Aspekt der verteilten Daten die größte und nicht selten ungelöste Herausforderung dar. Bei mehrstufigen, wenigstens zum Teil genossenschaftlich organisierten Handelsunternehmen, wie etwa REWE oder EDEKA, ist die Datenhoheit häufig auf unterschiedlichen Ebenen, von der Zentral-Verwaltung über regionale Gesellschaften bis zum selbständigen Kaufmann, dispergiert, sodass Daten weder zentral noch homogen erfasst werden. Aufgrund der Komplexität, Kritikalität und der Existenz zahlreicher Legacy-Bestandteile der Warenwirtschafts- und Handelsinformationssysteme im Filialgeschäft münden Multichannel-Bestrebungen häufig in der informationstechnischen Separation des Online-Geschäfts, sodass systemtechnische Silos entstehen.

Damit steht der Einzelhandel vor besonderen Herausforderungen, denen in einer Datenstrategie ebenfalls Rechnung getragen werden muss. Die Literatur zur Entwicklung von Datenstrategien geht häufig von einer idealisierten Welt aus und kann dann allenfalls als Leitfaden für die Entwicklung und Einführung neuer Systeme gelten, die bis auf wenige Schnittstellen „auf der grünen Wiese” entwickelt werden. Die betriebliche Realität ist davon allerdings häufig weit entfernt. Die bestehende IT- und Datenlandschaft ist selten homogen und überschaubar. Bei einer IT-Abteilung mit mehreren hundert Mitarbeitern, die viele hunderte IT-Systeme entwickelt und betreibt, wobei ein einzelnes System bereits eine hohe Komplexität erreichen mag, ist es nicht abwegig, dass die Existenz, geschweige denn die Datenflüsse der Systeme überhaupt an zentraler Stelle bekannt sind. Eine Überführung der gesamten Datenbasis in eine moderne Datenarchitektur wäre daher mit immensen Kosten verbunden und in vielen Fällen finanziell, personell und zeitlich untragbar. Hinzu kommt, dass die hohe Interdependenz von Daten, Logik und Benutzerschnittstelle eine isolierte Transformation der Datenschicht fast unmöglich macht, ohne die zugreifenden Applikationslogiken und -benutzerschnittstellen zu verändern, sodass eine unternehmensweite Datentransformation wohl in eine Transformation der gesamten IT-Landschaft ausarten würde.

Eine Datenstrategie im Handel muss daher versuchen, einen gangbaren Weg zwischen den Extrema vollständige und überhaupt keine Datentransformation und Systemmodernisierung finden.

2. Branchenspezifische datengetriebene Entscheidungsphänomenologie im Handel

Um die Frage zu beantworten, wie das skizzierte Big-Data-Phänomen einen betriebswirtschaftlichen Beitrag für Lebensmitteleinzelhandelsunternehmens leisten kann, gilt es den Sektor zunächst zu charakterisieren. Der deutsche Einzelhandelssektor ist durch einen oligopolistischen Markt mit starkem Intrawettbewerb zwischen bestehenden Einzelhändlern und zunehmendem Wettbewerb zwischen traditionellen und neuen „reinen“ digitalen Händlern (Schütte und Vetter 2017). Mit dem bevorstehenden Markteintritt von Amazon mit „Amazon Fresh“ kann sich die Situation nur weiter verschärfen. Dieser zunehmende Wettbewerb, schwindende Differenzierungsmöglichkeiten zwischen den Betriebsarten (Meffert et al. 2015), erhöhte Kosten, ebenso wie das insgesamt gestiegene Preisbewusstsein (Daurer et al. 2012)und der Einfluss des Preisimages des Unternehmens auf die Wahl des Kunden für eine Handelskette führt zu einem stetigen Druck auf die Wettbewerbsfähigkeit der Handelsunternehmen. Die Tätigkeiten im Handel, gerade im stationären, umfassen umfangreiche manuelle Tätigkeiten, was sich in hohen Personalkosten wiederspiegelt, die, je nach Handelsbranche, zwischen 12% (Lebensmittel) und 40% (Backwaren) des Gesamtumsatzes ausmachen (Glaeser 2014). Dies gilt nicht nur für die operative Aktivitäten im direkten Kundenkontext, sondern, aufgrund des traditionell geringen Einsatzes von Technologien und Entscheidungsautomatisierung im Handel, auch für strategische und operative Entscheidungen. Diese hohen Personalkosten gehen einher mit einer geringen operativen Margen von durchschnittlich 0,1% bis maximal 3% (Lorentschitsch 2016). Beide Aspekte zusammen machen den Einzelhandel zur prädestinierten Branche für den Einsatz von technologischer Automatisierung, auf operativer und Ebene der Entscheidungsfindung. Gerade der Einsatz von Methoden der Künstlicher Intelligenz und verwandten Technologien haben ein enormes Potenzial zur Übertragung von menschlicher Tätigkeiten auf Maschinen im Handel (Weber und Schütte 2019)und damit der Steigerung der Wettbewerbsfähigkeit.

Zur Entfaltung der datengetrieben Entscheidungsphänomenologie im Handel ist das Handelsmarketing zentrales Konzept in der wissenschaftlichen Betrachtung

Das Handelsmarketing umfasst dabei alle Prozesse der Analyse, die Zielformulierung, die Strategieauswahl und die Zusammensetzung und Kontrolle des Marketing-Mixes in einem Handelsunternehmen (Borden 1964; Haller 2008). Im Einzelhandel hat das Marketing die Aufgabe, marktführende Konzepte zu entwickeln, und nachhaltig Wettbewerbsvorteile zu sichern (Schröder 2002). Das Marketing ist seit jeher eines der wichtigsten Tätigkeitsfelder und zentralen Einfluss- und Entscheidungsfaktoren im Einzelhandel (Haller 2008; Müller-Hagedorn 2002). Durch den sich veränderten Wettbewerb in jüngster Zeit hat die Bedeutung jedoch noch weiter zugenommen und zwingt die Handelsunternehmen alle verfügbaren Marketinginstrumente zu nutzen.

Die zentralen Entscheidungen, die im Rahmen des Handelsmarketing zu treffen sind, umfassen dabei die vier Bereiche des Marketing-Mixes. Grundlage hier ist das zentrale Konzept der 4Ps von McCarthy (1960), dass das Marketing in vier teilbare Komponenten „Product“, „Price“, „Placement“ und „Promotion“ gliedert (siehe Abbildung1).

Abbildung 1: Datenquellen zur Entscheidungsunterstützung im Marketing-Mix des Handels

Der Bestandteil des „Produkts“ umfasst dabei alle Arten von Entscheidungen, sowohl operative als auch strategische, bezüglich des Sortiments.Von der ersten Auswahl des Sortiments über die Entscheidung, ein neues Produkt anzubieten, bis hin zur Entscheidung, einen Artikel aus dem Sortiment zu entfernen, sind die Entscheidungen Teil des betrachteten Objektbereichs. Die Komponente „Preis“ beinhaltet alle Entscheidungen, die den Transaktionspreis beeinflussen: die Einstiegspreisgestaltung, die normalen Verkaufspreise, die Aktionspreise und die Abschriftenpreise am Ende des Produktlebenszyklus. Unter der Komponente „Platzierung/Ortwerden alle Entscheidungen und Handlungen des Unternehmens im Zusammenhang mit dem Vertrieb eines Produkts oder einer Dienstleistung – vom Erstanbieter bis zum Verbraucher – betrachtet. Wichtige Entscheidungen im Rahmen der „Promotion“ sind Entscheidungen über die Gestaltung und Verbreitung von produktbezogenen Informationen wie Unternehmenskommunikation, Werbung, Verkaufsförderung, Sponsoring oder Öffentlichkeitsarbeit. Mit Blick auf die oben skizzierten Trends und den Handlungsspielraum im Marketingmix erscheint die geringe Nutzung von Analytik und datengetriebener Entscheidungsfindung in der aktuellen Handelspraxis für die Zukunft nicht haltbar und wettbewerbsfähig.

Die Einordnung der im folgenden aufgeführten Daten in das Big-Data-Phänomen lässt sich alleine über die schiere Größe der Systeme im Handel argumentieren. Ein großer deutscher Einzelhändler unterhält beispielsweise etwa 5000 Filialen. Dadurch entstehen rund 1500 Transaktionen pro Tag und diese enthalten im Schnitt 13 gekauften Artikeln pro Kunde. Damit entstehen insgesamt 97.500.000 Datenpunkten pro Tag nur für die Transaktionsdaten (Kassenbons). Unter der Annahme, dass nur die betriebswirtschaftlich zwingend notwendigen Felder (ID, Uhrzeit, Artikel, Menge, Filiale, etc.) in den Systemen gespeichert wird, so erzeugt das skizzierte Szenario schnell mehr als 5GB an Transaktionsdaten pro Tag. In der Praxis werden aber sehr viel umfangreiche Daten pro Transaktion erfasst, im Kontext der handelsspezifischen Lösung der Standartsoftware von SAP sind dies beispielsweise 271 Felder pro Transaktion. So kommt der zuvor genannte Einzelhändler auf ein Log-Volumen von mehr als 500 GB täglich.

Der Unterscheidung innerhalb des Marketing Mixes, als Strukturelement des Entscheidungsrahmens im Handel, führt die weitere Analyse welchen Beitragdas Big-Data-Phänomen leistet.

Preismanagement („Price“)

Das Preismanagement (auch Preis- oder Kontrahierungspolitik) beschäftigt sich mit der Definition, Analyse, Entscheidung und Durchsetzung von allgemeinen Strategien und operativen Entscheidungen, die Art, Umfanges und Bedingungen der Gegenleistung betreffen, die aktuelle und potenzielle Kunden für die Inanspruchnahme einer Leistung eines Unternehmens zu entrichten haben (Siems 2009). Gegenüber den anderen Entscheidungsfeldern innerhalb des Marketing-Mixeskann die Umsetzung des Preismanagements ohne großen Zeitverzug erfolgen (Zeitvorteil). Während andere Maßnahmen in der Regel eine gewisse Vorlaufzeit für die Umsetzung benötigen, kann eine Änderung, gerade beim Einsatz von Informationssystemen nahezu in Echtzeit erfolgen. Gleichzeitig ist die Reaktion auf Kundenseite ebenso durch eine schnelle und starke Wirkung zu charakterisieren. Daneben sind auch keine unmittelbaren Vorabinvestitionen (wie beispielweise für Platzierung) nötig (Investitionsvorteil), um eine Preisentscheidung umzusetzen und gleichzeitig direkt Erlöse zu erzielen (Gewinnvorteil). Die Grundlegenden Entscheidungen betreffen dabei den gesamten Lebenszyklus des Produktes. Zunächst geht es darum zum Zeitpunkt 0 den Einlistungspreis festzulegen. Hierbei kann auf Referenzprodukte im Sortiment zurückgegriffen werden oder es werden Preisexperimente gemacht, mit denen von einer geringen Anzahl von Verkäufen auf einen Preis geschlossen wird. In dem Großteil der Zeit, in der ein Artikel im Sortiment ist, geht es darum regelmäßig den Preis den sich ändernden Gegebenheiten anzupassen (siehe Tabelle1). Dies betrifft vor allem die Entscheidung über Promotions. Dies können eigenen oder die Reaktion auf externe Promotions sein, und bei Ware mit Mindesthaltbarkeitsdatum die Entscheidung über einen Abverkaufspreis (Markdown). Diese Entscheidung entsteht dann wiederum am Ende des Lebenszyklus, wenn es gilt die Restlichen Bestände aus den Filialen und Lagern abzukaufen ohne dabei dem neuen Sortiment oder Image des Händlers zu schaden. Besonders Daten über Kundenreaktionen, in vor von Preisabsatzfunktionen, und Wettbewerbsreaktionen ermöglichen eine deutliche Verbesserung der Entscheidungsfindung. Aber auch die Identifizierbarkeit einzelner Produktgruppen und individueller Produkte im Rahmen der Logistik zwischen Lager und Filiale und im Sortimentsverbund (Stichwort Subsitutions- und Komplementäreffekte) verändern die bisherige Entscheidungsfindung. 

DatenquelleBeschreibung und Nutzen
TransaktionsdatenMithilfe von Preisabsatzfunktionen lassen sich Reaktionen auf Preisänderung vorhersagen und auch Sortimentsverbünde sind identifizierbar.
KundenprofileAuswirkungen von Änderungen auf einzelne Kunden bzw. Kundengruppen
MicrodatenWettbewerbspreise und -reaktionen sind mess- und vorhersagbar
MacrodatenVolkswirtschaftliche Marktdaten ermöglichen die Berücksichtig von größeren Trends und Entwicklungen
Logistische DatenKenntnisse über Bestände und Informationen über Instanzen einzelner Produkte (bspw. Mindesthaltbarkeitsdatum)
ProduktdatenQualität, Markeninformationen
SortimentsdatenBeziehung und Wechselwirkungen (Substitutionsprodukte) innerhalb des Sortiments ermittelbar
Internet of Things Sensoren an Produkten, Menschen und Maschinen ermöglichen die Reaktion auf Veränderungen in Echtzeit. Beispielsweise die Preisreduktion von Tiefkühlpizza, wenn die Kühltruhe kaputt geht.
Geotemporale Daten Geotemporale Daten umfassen Personenbewegungen und Stimmungen und ermöglichen so geografische Entscheidungen und Segmentierungen.

Tabelle1: Datenquellen im Big-Data-Umfeld am Beispiel der „Preisänderungsentscheidung“

Produktmanagement („Product“)

DieProduktpolitik (auch Sortiments- oder Programmpolitik)beinhaltet alle Entscheidungen, die sich auf die Gestaltung der vom Unternehmen im Absatzmarkt anzubieten den Leistungen beziehen. Dies umfasst im Handel vor allem Entscheidungen der Sortimentsbeschränkung, Sortimentserweiterungen, Strukturveränderungen des Sortiments oder über die Veränderung des akquisitorischen Potentials einzelner Sortimentsbereiche (Möhlenbruch 2013). Die besondere Bedeutung der Produktpolitik im Handel, die oft mit der Preispolitik gleichgestellt wird, lässt sich neben der Wirkung auf den Absatzmarkt vor allem mit der Kapitalbindung, die die Einzelhandelsunternehmen für das Inventar an Warenbestand aufbringen müssen, erklären (nach Möhlenbruch (2013)sind dies im Schnitt 40%). Neben den sich ändernden Kundenanforderungen und einem deutlich dynamischeren Marktumfeld stehen den Handelsbetrieben ein umfangreiches Angebot von einer Vielzahl unterschiedlicher Lieferanten zur Verfügung. Dieses mögliche Angebot übersteigt dabei selbst die quantitativen Aufnahmekapazitäten der großen Hypermärkte bei weitem und mehrere Artikelalternative konkurrieren um den begrenzten Platz im Gesamtsortiment. Somit bedeutet jede Entscheidung über die Aufnahme in das Sortiment im Rahmen der Sortimentspolitik ist immer zugleich einen Verzicht auf alternative Artikel. 

Bei den zentralen Entscheidungen zur Sortimentsbeschränkung oder -erweiterungen spielt eine größere Datenmenge eine entscheidende Rolle. Die Kenntnis über die Vorlieben, Gewohnheiten und Trends der Konsumenten ermöglicht dabei eine deutlich verbesserte Entscheidungsfindung. So betreibt beispielsweise die Schweizer Handelsgenossenschaft Migros eine Endkundenplattform. Auf der Webplattform „Migipedia“ stehen Produktinformationen, Inhaltsstoffe, Allergieinformationen und „Fairtrade“-Daten zur Verfügung. Die Kunden haben die Möglichkeit, Produkte zu bewerten, zu kommentieren, miteinander zu diskutieren und sich über Rezepte auszutauschen. Die so gesammelten Daten direkt aus den Kunden fließen bei Migros direkt in die Entscheidungen der Sortimentsplanung ein. In Verbindung mit den Transaktionsdaten können so schon im voraus Trends in sich veränderndem Kundeverhalten erkannt und dementsprechend reagiert werden. Beispielsweise wurde aufgrund des Kundenfeedbacks bei Migros das Sortiment um einen ursprünglich im Tetrapack verpackten Eistee um eine PET-Flasche erweitert (Österle und Otto 2014). Die Grundlage für die Entscheidungsfindung in der Produktpolitik bieten zahlreiche mögliche Datenquellen. Neben dem omnipräsenten Beispiel der Sammlung von Kundenmeinungen aus sozialen Netzwerken, was allerdings in der betrieblichen Praxis in Deutschland schon an der geringen Verbreitung von Twitter scheitern dürfte, bieten sich Analysen zur Produktnutzung und andere Daten, die erst durch den Einsatz von Big-Data-Technologien ausgewertet werden können (siehe Tabelle 1).

Durch den Einsatz von Big Daten ist es möglich Sortimentsentscheidungen zu treffen, die kundenorientierte und leistungsabgestimmte Produkte in den Fokus rücken. 

DatenquelleBeschreibung und Nutzen
TransaktionsdatenErmittlung von Substitutions- und Komplementäreffekten innerhalb des Sortiments.
Customer-Journey-DatenUmfasst auch Trackingdaten aus dem Webshop und Suchbegriffe aus dem Webshop und ermöglicht es die Kundenmotivation und -bedürfnisse zu analysieren.
Social-Media-Profile und NetzwerkBewertungen und Kundensegmentierung.
Unstrukturierte Daten Aus Emails, Videos, Facebook-Posts, Blogs oder Tweets lassen sich, mithilfe von Sentimentanalysen, Kundenfeedback und Kundenmeinungen zu einzelnen Produkte und auch für Warengruppen und einzelne Filialen ermitteln.
Responseraten Messung der Reaktionen in vergangenen Marketingaktionen auf einzelne Produkte

Tabelle2: Datenquellen im Big-Data-Umfeld am Beispiel der „Sortimentsbeschränkung“

Promotionmanagement

Zentraler Gegenstand ist die Kommunikation als Prozess der Übermittelung von Informationen von einem Sender zu einem Empfänger (Lang et al. 2003). Im Anwendungsgebiet des Marketings bekommt dieser Prozess zusätzlich noch ein Ziel: eine Beeinflussung des Empfängers auszulösen(Fuchs und Unger 2014). Die Ziele sind die Verbreitung und Verbesserung des Markenimages, Neukundengewinnung und Kundenbindung, die Erzielung hoher Wiederkaufsraten, sowie die Erhöhung des Umsatzes und des Marktanteils.

Big Data verbessert im Besonderen die Entscheidungen über Art, Zeitpunkt, und Raum, die Zielgruppe und eingesetzten Medien und führt so zu einer genaueren Kundenansprache.

Diese verbesserte Präzisierung hat zum einen ein großes Einsparungspotential und ermöglicht gleichzeitig wesentlich genauer Abstimmung auf einzelne Kunden und deren Bedürfnisse, Wünsche und Anforderungen. Zielvorstellung ist dabei eine individuelle Kundenabsprache in Echtzeit. Zu den Instrumenten im Handelsmarketing umfasst dabei die Sortiments- und Produktpräsentation, die Absatzwerbung, Public Relations und die Sonderangebotspolitik als Kombination der absatzpolitischen Instrumente Artikel, Preis, Platzierung und die klassische Werbung. Traditionell geht es bei der Gestaltung effektiver Einzelhandelsaktionen darum, die richtige Promotion-Intensität, d.h. Größe und Häufigkeit der Promotion, zu bestimmen. Die Forschung zeigt jedoch, dass viele andere Faktoren, vor allem die Art der Promotion, die Produktkategorie, die Marke und die Werbekommunikation, die Werbewirkung maßgeblich beeinflussen (Ailawadi et al. 2006).Die Berücksichtigung dieser deutlich umfassenderen Abhängigkeiten liefert Big-Data und die gleichzeitige, aufgrund der zunehmenden Digitalisierung, Erweiterung der Datenverfügbarkeit.

DatenquelleBeschreibung und Nutzen
Globale UserprofileNetzwerkübergreifende Verknüpfung von Userprofile (Googles Doubleclick) ist es möglich die Promotion auf individuelle Kunden oder Kundensegmente hin zuzuschneiden.
Responserates und EngagementdatenReaktionen und Interaktion von Kunden mit Marketingaktivitäten (historisch) ermöglichen die Bewertung der Attraktivität dieser.
TransaktionsdatenVerknüpfung von Werbeaktivitäten und Veränderungen im Kunden- und Kaufverhalten.
Sentimentanalyse der Werbe- und KommunikationsunterfangenReaktion der Kunden auf emotionaler Ebene messbar machen.
Trackingdaten Geografische Verbreitung und Aussspielung der Marketingaktivitäten steuern und analysieren (durch IP-Lokalisierung, WLAN-Tracking, Mobile-App-Tracking).
Netzwerkanalysen Analyse von Sozialen Netzwerken (Likes, Follows, etc.) zur Ermittlung der Verbreitung und Weitergabe von Promotions.
Customer Lifetime Value Individualisierung von Promotions durch individuelle Coupons oder Preisnachlässe.

Tabelle3: Datenquellen im Big-Data-Umfeld am Beispiel der „Zielgruppenentscheidung“

Distributionsmanagement (Placement)

Im Rahmen des Distributionsmanagement, auch Vertriebspolitik genannt, werden Strategien und operative Handlungen entwickelt, die sich mit der zur Zurverfügungstellung der Produkte oder Dienstleistungen an den (End)Kunden beschäftigt. Gegenstand der Vertriebspolitik ist die Wahl der Absatzwege (direkter oder indirekter Absatz), die Wahl der Absatzmittler (eigene oder selbständige Vertreter) und die Marketing-Logistik (der physische Transport und die Lagerhaltung). Weiterhin gehört zur Vertriebspolitik das Vertriebsmanagement welches die Planung, Durchführung und Kontrolle von Vertriebsaufgaben zum Gegenstand hat (Fließ 2006). Besonders die Entscheidungen für die Standorteröffnung, dem Ausbau oder Umbau von Standorten und auch der Standortschließung sind hier gerade für den stationären Einzelhandel die grundsätzlichen Entscheidungen. Aber auch die Platzierung innerhalb der einzelnen stationären Filialen ist ein betrachteter Teilbereich, hier wird beispielsweise basierend auf Planogrammen über die (optische) Zusammenstellung des Regallayouts entschieden.

DatenquelleBeschreibung
Markt- und WettbewerbsdatenAuf geografischer Basis lassen sich so Wettbewerbskennzahlen, Konsumenteninformationen und regionalspezifische und soziokulturelle Entwicklungen identifizieren.  
Internet of Things Veränderung von Vertriebsaufgaben aufgrund von Sensoren in der Logistik oder an Produkten, Menschen und Maschinen
Wartezeiten und Verkehrsstörungen Livetracking mit Bewegungstasten ermöglicht die automatische Veränderung und Optimierung von Auslieferungsprozessen (von GPS des LKWs bis zum RFID-Tag der einzelnen Produktinstanz)
Geotemporale DatenGeotemporale Daten umfassen Personenbewegungen und Stimmungen und ermöglichen so geografische Entscheidungen und Segmentierungen.

Tabelle4: Datenquellen im Big-Data-Umfeld am Beispiel der „Standortentscheidung“

3. Fazit

Der betriebswirtschaftliche Beitrag des Big-Data-Phänomens in der zuvor aufgeführten Entscheidungsphänomenologie manifestiert sich in einer verbesserten Entscheidungsqualität, der Beschleunigung der Entscheidungen und einer Kostenreduzierungsmöglichkeit durch die Automatisierung der Entscheidungsfindung im Rahmen von Informationssystemen. 

So haben die Entscheidungen im Rahmen des Marketing-Mixes, allen voran das Preismanagement, einen enormen und zum Teil direkten Einfluss auf den Unternehmensgewinn (Meffert et al. 2015; Simon und Fassnacht 2016; Ahlert und Kenning 2007). Mithilfe von Big-Data lässt sich die Entscheidungsqualität deutlich erhöhen, da nicht aufgrund unzureichender Informationen oder aus dem Bauchgefühl heraus entschieden werden muss. Die Auswirkungen, auch nur geringerer Verbesserung von Entscheidungen im Marketing-Mix zeigen Marn et al. (2004)auf: Entscheidung im Preismanagement über eine Preiserhöhung um 1%, bei konstantem Absatz, zu einer Steigerung des Betriebsergebnis von 15% führen kann. Die Steigerung des Absatzes durch gute Promotionsentscheidungen um 1%, bei konstanten Preisen, kann zu einer Verbesserung des Ergebnisses von 9% führen. Reduzieren sich die Kosten des unverkauften Sortiments und führen damit zu einer Fixkostenreduktion von einem Prozent im Rahmen der Sortimentsentscheidungen, so führt dies zu einer Ergebnissteigerung von 7%.Neben der Verbesserung der Entscheidungsqualität ist es aber auch möglich die Entscheidungen deutlich schneller und granularer durchzuführen. So stehen die meisten zuvor beschriebenen Daten in nahezu Echtzeit zur Verfügung und ermöglichen es beispielsweise mit nur geringem Zeitverzug auf die Entscheidungen der Konkurrenz zu reagieren. Gerade im Preismanagement ist es so möglich schnell auf Preisänderungen oder Promotions der konkurrierenden Einzelhändler zu reagieren und so das Image der eigenen Handelsunternehmung aufrechterhalten. Ebenfalls ermöglicht es Big-Data nun wesentlich granularer zu Entscheiden. Wurden Preis- und Sortimentsentscheidungen bisher für große geografische Regionen, wenn nicht sogar bundesweit, getroffen, ist es nun mit Big-Data möglich auf Ebene der einzelnen Betriebsstätten zu agieren. Ebenfalls denkbar wäre es auf einzelne Kunden zu reagieren und beispielsweise Preisentscheidungen im Rahmen einer Preisindividualisierung pro Kaufvorgang eines jeden Kunden hin zu setzen. 

Neben diesen direkten betriebswirtschaftlichen Beiträgen eröffnet Big-Data mit der Verfügbarmachung von bisher nicht-existierenden Daten und Informationen innerhalb der Informationssysteme die Entscheidungsautomatisierung im Rahmen des Marketing-Mixes. So ermöglicht die Verfügbarmachung von ausreichenden Datenmengen den Einsatz von systembasierten Entscheidungslösungen, wie eines Preismanagementsystems. Durch die Überführung dieser Entscheidungen von dem menschlichen Akteur auf ein Informationssystem ermöglicht es Big-Data, zusammen mit Advanced Analytics oder Methoden der Künstlichen Intelligenz, eine Reduzierung der Personalkosten.  

Literatur

Ahlert D, Kenning P (2007) Handelsmarketing -Grundlagen der marktorientierten Führung von Handelsbetrieben ; mit 21 Tabellen. Springer-Lehrbuch. Springer, Berlin u.a.

Ailawadi KL, Harlam BA, Cesar J, Trounce D (2006) Promotion profitability for a retailer: the role of promotion, brand, category, and store characteristics. Journal of Marketing Research 43 (4):518-535

Borden NH (1964) The concept of the marketing mix. Journal of advertising research 4 (2):2-7

Daurer S, Molitor D, Spann M (2012) Digitalisierung und Konvergenz von Online-und Offline-Welt. Zeitschrift für Betriebswirtschaft 82 (4):3-23

Fließ S (2006) Vertriebsmanagement. In:  Markt-und Produktmanagement. Springer Gabler, Berlin, S 369-494

Fuchs W, Unger F (2014) Management der Marketing-Kommunikation. Springer Berlin Heidelberg, 

Glaeser HR (2014) Qualitätsbausteine für die Beschäftigung im Einzelhandel. Vortrag, Landschaftsverband Westfalen-Lippe Messe der integrationsunternehmen  2014, Münster, 

Haller S (2008) Handelsmarketing. Modernes Marketing für Studium und Prxis, 3. Auflage Aufl. Fridrich Kiehl Verlag, Ludwigshafen (Rhein)

Lang A, Conrads S, Oberhäuser B, Lorenz D (2003) Kommunikation und Management. Verlag Versicherungswirtschaft, 

Lorentschitsch B (2016) Der Lebensmittelhandel im Spannungsfeld zwischen gesellschaftlicher Verantwortung und „Geiz ist geil “. In: Willers C (Hrsg) CSR und Lebensmittelwirtschaft. Springer, Berlin, S 331-344

Marn MV, Roegner EV, Zawada CC (2004) The Price Advantage. Wiley, 

McCarthy E (1960) Basic Marketing: A Managerial Approach. Irwin, Indiana

Meffert H, Burmann C, Kirchgeorg M (2015) Marketing: Grundlagen marktorientierter Unternehmensführung Konzepte – Instrumente – Praxisbeispiele. 12 Aufl. Springer Fachmedien Wiesbaden, Wiesbaden. doi:10.1007/978-3-658-02344-7_4

Möhlenbruch D (2013) Sortimentspolitik im Einzelhandel: Planung und Steuerung. Springer-Verlag, Berlin

Müller-Hagedorn L (2002) Handelsmarketing. Kohlhammer-Edition Marketing, 3., vollst. überarb. und erw. Aufl. Aufl. Kohlhammer, Stuttgart u.a.

Österle H, Otto B (2014) Das datenzentrierte Unternehmen: Eine Business-Engineering-Perspektive. In: Enterprise-Integration. Springer, S 91-105

Schröder H (2002) Handelsmarketing Methoden und Instrumente im Einzelhandel. 1 Aufl. Redline Wirtschaft, München

Schütte R, Vetter T (2017) Analyse des Digitalisierungspotentials von Handelsunternehmen. In:  Handel 4.0. Springer, Berlin, S 75-113

Siems F (2009) Preismanagement Konzepte, Strategien, Instrumente. Vahlens Handbücher der Wirtschafts- und Sozialwissenschaften. Vahlen, München

Simon H, Fassnacht M (2016) Preismanagement: Strategie – Analyse – Entscheidung – Umsetzung. 4. Auflage Aufl. Springer Fachmedien, Wiesbaden

Weber F, Schütte R (2019) A Domain-Oriented Analysis of the Impact of Machine Learning—The Case of Retailing. Big Data and Cognitive Computing 3 (1):11