Das Versprechen von Predictive Analytics für den Handel erinnert ein wenig an den Wunsch, die Lottozahlen von Morgen zu kennen. Doch anders als beim Glücksspiel geht die Hoffnung auf den großen Reibach auf. Zufriedenere Kunden inklusive. Und man muss dazu nicht einmal Amazon heißen, um aus der Datenfülle Prognosen für das kommende Kaufverhalten abzuleiten und schon an der Tür des Kunden zu stehen, wenn der gerade erst den Kaufknopf gedrückt hat.

 

Der Essenslieferdienst Sprig hat in den USA in einer Finanzierungsrunde gerade 45 Millionen Dollar eingesammelt. Ganz bestimmt nicht, weil das Konzept so überragend neu wäre. Spring liefert, wie ähnliche Mitbewerber auch, seine Gerichte aus eigener Küche an hungrigen Kunden in San Francisco. Binnen 20 Minuten. Demnächst womöglich noch schneller, weil die Lieferfahrzeuge schon vor der Bestellung mit dem Menu unterwegs sind. Helfen soll dabei Predictive Analytics. “We use data science to predict when orders are coming in,” sagt CEO Gagan Biyani dem Magazin “Fortune”.

 Man muss sich das beispielsweise bei Ihrem Chinesen um die Ecke also so vorstellen: Der weiß oder ahnt aufgrund seiner Daten, dass donnerstags in ihrer Nachbarschaft gegen 18.30 Uhr so ziemlich  immer die 311, die 48, die 432 und die 16 bestellt werden. Also ist das Lieferfahrzeug mit den gut gewärmten Speisen schon um diese Uhrzeit in der Gegend, kann prompt die Bestellung erfüllen. Nix mehr mit „Dauert 45 Minuten“. Die Folge: Glückliche Kunden und die Lieferfahrzeuge können besser ausgelastet werden. Das spart Geld.

Maschinelles Lernen und „Anticipatory Shipping“

Das Konzept von Sprig erinnert denn auch stark an eine  Patentschrift von Amazon. Da erklärt der Online-Riese wie er sich die Lieferung in Zukunft vorstellt. „Auf Verdacht“ fahren LKW als fahrende Lager in der Gegend herum, um die Produkte dann an den Kunden zu liefern, kaum das die Ware bestellt wurde. Prognosedaten sorgen dabei dafür, dass die entsprechenden Produkte bereits gebunkert sind. Diese Art des „Anticipatory Shipping“ macht damit zumindest im Segment der Schnelldreher jeden Standortvorteil des stationären Handels zunichte.

Anticipatory Shipping (Grafik: Amazon)
Anticipatory Shipping (Grafik: Amazon)

Amazon ist durchaus bereit, sein „handwerkliches Können“ um die Zukunftsschau ein Stück weit zu teilen, wenn sich damit Geld verdienen lässt. So will Amazon mit dem Cloud-Angebot "Machine Learning" über die Amazon Web Services auch anderen Kunden "Predictive Analytics"-Dienstleistungen anbieten. Die API soll auch in einer IT mit geringen Vorkenntnissen leicht einsetzbar sein, um aus eigenen Daten Vorhersagen abzuleiten. Und die dann in Windeseile präsentieren.

Ein ähnliches Werkzeug für Maschinelles Lernen bietet unter anbderem Microsoft im Rahmen seines Cloud-Services Azure.

Prognosedaten für Retouren

Auch auf der anderen Seite der Prozesskette macht Predictive Analytics Sinn. So rechnen Fulfillment-Anbieter zunehmend mit Prognosedaten für Retouren, identifizieren Retourentreiber. Derartiges Zahlenwerk kann helfen, Retouren schneller abzuwickeln und wieder in den Handel einzuschleusen – oder gar Retouren vermeiden helfen. Auch das ist bares Geld wert.

HyperCube nennt sich eine Lösung von BearingPoint. Die Datenanalyse-Software sammelt sämtliche internen und externen Faktoren, die zu einer Retoure führen können, analysiert sie auf Basis eines mathematischen Algorithmus, setzt Variablen miteinander in Ursache-Wirkungs-Beziehungen und soll dann Empfehlungen und „erklärende“ Beschreibungen "ausspucken".

Beispielsweise im Otto-Kosmos wird mit Software, die das Beteiligungsunternehmen Blue Yonder entwickelt hat, auch das Retourenmanagement optimiert. Mit Blue Yonder kann Otto zudem das Einkaufsverhalten seiner Kunden genauer prognostizieren und damit unter anderem den Einkauf besser steuern. Die Lösung wird aber auch bei der Abverkaufs-Optimierung eingesetzt. Die Glaskugel von Blue Yonder soll Otto zu Einsparungen im zweistelligen Millionenbereich verholfen haben.

  "Where business intelligence before was about past aggregates ('How many red shoes have we sold in Kentucky?'), it will now demand predictive insights ('How many red shoes will we sell in Kentucky?')," he says. "An important implication of this is that machine learning will not be an activity in and of itself … it will be a property of every application. There won’t be a standalone function, 'Hey, let’s use that tool to predict." Peter Levine, Andreessen Horowitz


Auch mit Blick auf das Bestandsmanagement wächst also das Interesse an Predictive Analytics-Lösungen zur besseren Steuerung.

Der britische Foodservice-Anbieter EAT implementiert gerade die Software-as-a-Service (SaaS)-Lösung Forward Demand von Blue Yonder, um in seinen 114 Filialen in Großbritannien das täglich wechselnde Angebot an heißen und kalten frischen Gerichten sowie Getränken zu jeder Zeit in ausreichender Menge für alle Kunden sicherzustellen. Forward Demand bezieht dabei Faktoren wie Wetter, Feiertage und saisonale Anlässe ein, um den Absatz für den nächsten Tag, die nächste Woche oder den nächsten Monat zu prognostizieren.

Stichwort Marketing. Auch hier versprechen diverse Lösungen einen genauen Blick in die Glaskugel. Die Adobe Marketing Cloud ist nur ein Beispiel, wie Anbieter versuchen, mit Hilfe von Datenanalyse und Mustererkennung Vorhersagen für den Erfolg von digitalen Kampagnen bis hin zu Social Media noch vor der Buchung vorherzusagen. Aber auch SAP und IBM haben Werkzeuge für unterschiedlichste Anwendungsfälle.


Bis zum „Anticipatory Shopping“ ist da nicht mehr allzu weit. Die persönliche Shop-Landingpage, basierend nicht allein auf unseren Vorlieben, sondern auf unserem prognostizierten Einkaufsverhalten ist greifbar.

Fernziel: Die „7 Köstlichkeiten“ vom China-Food-Laden an der Tür, bevor wir merken, dass wir Hunger haben.