Denk eens na over de laatste keer dat u een belangrijke beslissing nam voor uw winkel. Heb je weloverwogen gissingen gemaakt? Als dat het geval is, had je dat niet moeten doen. Zelfs als je intuïtie juist was, is het een riskante manier om een bedrijf te leiden. De meeste winkeliers doen dat niet. De wereldwijde retailanalysesector, met een waarde van $ 8.64 miljard, helpt retailers door de gegevens te verstrekken die ze nodig hebben om betere beslissingen te nemen. Door gegevens te gebruiken om een winstgevende detailhandel te beheren, hoeft u niet meer te gissen, van het bepalen waar u uw volgende winkel moet vinden tot het prioriteren van voorraadaanvullingen. Weet je niet zeker waar je moet beginnen? Dit artikel bespreekt de soorten retailanalyses die u moet raadplegen bij het nemen van beslissingen, samen met tools en voorbeelden om elke statistiek in actie te demonstreren.
Wat is Retail Data Analytics?
Retaildata-analyse is het verzamelen en analyseren van retailgegevens (zoals verkoop, voorraad, prijzen, enzovoort) om trends te identificeren, uitkomsten te voorspellen en betere, lucratievere zakelijke beslissingen te nemen.
Als data-analyse correct wordt uitgevoerd, kunnen detailhandelaren meer inzicht krijgen in de prestaties van hun winkels, producten, klanten en leveranciers - en dat inzicht gebruiken om de winstgevendheid te vergroten.
Bijna alle verkopers maken op de een of andere manier gebruik van data-analyse, ook al is het alleen maar om verkoopcijfers in Excel te onderzoeken.
Er is echter een aanzienlijk verschil tussen een analist die Excel gebruikt om door spreadsheets te bladeren en een speciaal gebouwde AI gebruikt om miljarden gegevenspunten tegelijkertijd te evalueren.
Om dit onderscheid te waarderen, moet u eerst de vier categorieën van retailgegevensanalyse begrijpen.
Soorten Retail Data Analytics
Er zijn vier basistypen van retailgegevensanalyse: beschrijvende analyses, die prestaties uit het verleden weergeven en verklaren; diagnostische analyse, die de kernoorzaak van een bepaald probleem identificeert; voorspellende analyses, die toekomstige resultaten inschatten; en prescriptieve analyses, die de volgende stappen voorstellen. Elk van de vier technieken wordt hieronder in meer detail besproken.
#1.Beschrijvende analyses
Beschrijvende analyses dienen als basis voor meer geavanceerde soorten analyses, zoals hieronder vermeld. Het beantwoordt fundamentele vragen zoals "hoeveel, wanneer, waar en wat" - de inhoud van basistools voor bedrijfsinformatie en dashboards die wekelijkse verkoop- en voorraadstatistieken opleveren.
#2. Diagnostische analyses
Diagnostische analyses helpen retailbedrijven bij het identificeren en analyseren van problemen die de prestaties kunnen belemmeren. Retailers kunnen een beter begrip krijgen van de kernoorzaken van problemen die ze ervaren door gegevens uit verschillende bronnen samen te voegen, zoals feedback van consumenten, financiële prestaties en operationele analyses.
#3. Voorspellende analyse
Voorspellende analyses helpen verkopers bij het voorspellen van toekomstige gebeurtenissen op basis van verschillende factoren, zoals het weer, economische trends, onderbrekingen in de toeleveringsketen en nieuwe concurrentie-uitdagingen. Deze strategie neemt vaak de vorm aan van een wat-als-analyse, waarmee een detailhandelaar in kaart kan brengen wat er zou gebeuren als hij 10% korting versus 15% korting op een product zou aanbieden, of anticiperen wanneer de voorraad op zou raken op basis van een bepaalde reeks alternatieve acties.
#4. Prescriptieve analyses
Prescriptieve analyse is de toepassing van AI en big data om voorspellende analyseresultaten te verkrijgen en acties voor te schrijven. Prescriptieve analyses kunnen klantenondersteuningsmedewerkers bijvoorbeeld voorgestelde aanbiedingen bieden die ze direct aan consumenten kunnen doorgeven, zoals een upsell op basis van eerdere aankoopgeschiedenis of een cross-sell om een nieuwe klantvraag te beantwoorden.
Toepassingsvoorbeelden voor gegevensanalyse in de detailhandel
Een van de belangrijkste redenen om data-analyse te gebruiken om besluitvorming te stimuleren, is ervoor te zorgen dat uw conclusies gebaseerd zijn op de feitelijke waarheid (koude, harde cijfers) in plaats van iemands perspectief op de werkelijkheid.
Analytics kan u ook helpen uw bedrijf veel gedetailleerder te begrijpen dan u anders zou kunnen.
In de praktijk kan een winkel data-analyse gebruiken om:
- Begrijp de waarde van de typische bestelling en de hoeveelheid verkochte producten.
- Bepaal welke producten het meest verkopen, welke het minst verkopen en alles daartussenin.
- Bepaal uw meest waardevolle klanten.
- Ontdek uw echte vraag en eerdere gemiste verkopen.
- Bepaal de best voorgestelde bestelhoeveelheden en doe aanbevelingen over koophoeveelheden en toewijzingen.
- Bepaal de beste prijs voor een specifiek product in elk bepaald gebied.
Deze (en andere) inzichten kunnen u helpen de statistieken van uw bedrijf beter te begrijpen en strategieën te ontwikkelen die u zullen brengen waar u heen wilt.
Het analyseren van gegevens moet een essentieel onderdeel van uw bedrijf worden naarmate het groeit, om de besluitvorming te verbeteren en effectieve verkooptactieken te ontwikkelen.
Het is dan ook geen verrassing dat de sector van analyseoplossingen voor de detailhandel groot en booming is. We zullen enkele van deze apps doornemen, hoe ze werken en welke voordelen u zou kunnen halen uit het gebruik ervan.
#1. Zakelijke intelligentie
Veel bedrijven gebruiken Business Intelligence-tools om hun gegevens goed te beheren en te organiseren. BI-tools zijn een voorbeeld van beschrijvende analyse omdat ze u helpen uw gegevens te ordenen en te visualiseren.
Veel winkels voeren elementaire business intelligence (BI) uit door gebruik te maken van native ERP-systeemfuncties (Enterprise Resource Planning) of door gegevens rechtstreeks in Microsoft Excel te importeren.
Iets geavanceerdere retailers zullen BI-software gebruiken, zoals:
- Microsoft Power BI
- Tableau
- SAP
- QlikView
- Vonk door Apache
Deze applicaties bieden toegang tot veel gegevensbronnen, aantrekkelijke beelden en enige gegevensmanipulatie.
De meest complexe BI bestaat doorgaans uit datawetenschappers die programmeertalen gebruiken (zoals Python) die extra vrijheid bieden voor gegevensverwerking, visualisatie en modellering.
Hoewel ze nuttig zijn, vereisen veel van de bovenstaande voorbeelden een aanzienlijke hoeveelheid menselijke tussenkomst en zijn ze tijdrovend om te beheren. Dit geldt met name voor middelgrote tot grote detailhandelaren met honderden of duizenden verkooppunten (en tienduizenden tot honderdduizenden goederen). Dit is de reden waarom veel detailhandelaren analisten in dienst hebben die aan elke afdeling zijn toegewezen om rapporten samen te stellen.
Geavanceerde analysetools, zoals Retalon, automatiseren doorgaans het merendeel van de handmatige, repetitieve procedures die gepaard gaan met standaard BI-methoden vanwege hun geavanceerdheid.
#2. Verkoopvoorspellingen
Verkoopprognose verkoop is een ander veelgebruikt gebruik van data-analyse in de detailhandel.
Eenvoudig beschreven, verkoopprognoses zijn het analyseren van eerdere verkoopgegevens, het identificeren van trends en het projecteren ervan in de toekomst om de verkoop te schatten.
Dit helpt verkopers met alles, van voorraadaankopen en OTB-budgetbeheer tot het definiëren van financiële doelen op hoog niveau voor de organisatie.
Verkoopprognoses, zoals de naam al aangeeft, zijn voorspellend van aard - en het is de meest elementaire vorm van voorspellende analyses die door retailers worden gebruikt.
Er zijn tal van technieken om de verkoop te voorspellen, omdat bedrijven dit al eeuwenlang proberen te doen:
- De verkoopcijfers van vorig jaar gebruiken om de verkoop voor het lopende jaar te voorspellen
- Enquêtes, observaties en andere vormen van marktonderzoek
- Schattingen van experts
- Excel statistische modellen
- Gespecialiseerde software
Veel winkels hebben hun eigen interne oplossing ontwikkeld voor het voorspellen van toekomstige verkopen, waarbij doorgaans tientallen (zo niet honderden) Excel-sheets, ERP-mogelijkheden, gespecialiseerde software en teams van analisten zijn geïntegreerd.
Hoewel verkoopprognoses de basis vormen van veel planningsprocessen in de detailhandel, is dit mogelijk het belangrijkste gebied van gegevensanalyse dat moet worden verbeterd. Dit is te wijten aan het feit dat verkoopprognoses vaak verkeerd zijn en geen rekening houden met de complexiteit van de detailhandel.
Als een handelaar vorig jaar bijvoorbeeld een product uitverkocht had, zouden conventionele methodologieën voor verkoopprognoses hen vertellen om de fout te herhalen - ook al zouden ze mogelijk aanzienlijk meer kunnen verkopen.
Als gevolg hiervan zijn de meeste verkoopprognoses uit de gratie geraakt en zijn er complexere voorspellende analyses voor in de plaats gekomen.
#3. Eis voorspelling
Zoals eerder gezegd, is vraagvoorspelling een veel geavanceerdere vorm van voorspellende analyse die verkopers gebruiken.
Vraagvoorspelling, in tegenstelling tot pogingen om de verkoop te schatten met alleen historische verkoopgegevens, maakt gebruik van een veel groter scala aan gegevens om de vraag naar elk product, in elke winkel, met precieze tijdsintervallen te berekenen. Vraagprognoses zijn dus veel nauwkeuriger dan typische verkoopprognoses.
Meer informatie over verkoopprognoses vs. vraagprognoses vindt u hier.
Samenvattend zijn de belangrijkste voordelen van deze vorm van retailanalyse als volgt:
- Preciezere voorspelling van de toekomstige status van het bedrijf
- Het maken van simulaties of “what-if” scenario’s
- Mogelijkheid om zich snel aan te passen wanneer de omstandigheden op de grond veranderen
- Unificatie van kritieke retailfuncties (bijvoorbeeld promoties en voorraadbeheer)
Zoals gebruikelijk zijn er tal van methoden om de vraag te voorspellen. Winkeliers kunnen het volgende gebruiken, in afnemende volgorde van verfijning:
- Excel-spreadsheets met statistische modellen
- Software voor algemene analyse en statistische modellering
- AI-aangedreven retailanalysesoftware
Lees ook: ONLINE RETAIL: Alles wat u moet weten
Hoewel de eerste twee alternatieven geschikt zijn voor kleinere bedrijven, worden ze moeilijk (zo niet onmogelijk) om te gebruiken met zeer grote datasets (zoals die in middelgrote tot grote detailhandelaren).
Dit is te wijten aan het feit dat vraagprognoses gebruikmaken van gegevens uit andere bronnen dan verkoopgegevens.
- Prijsgeschiedenis
- Eerdere inventaris
- Het bereik en de rijkdom van het assortiment
- Productgroepen en families
- Seizoensinvloeden
- Inconsistentie in de toeleveringsketen
- Activiteit van concurrenten
- Consumentenvoorkeuren
- Enz.
Stelt u zich eens voor dat u al deze gegevens handmatig verzamelt, analyseert en modelleert voor miljarden verschillende Store/SKU-combinaties.
Het vinden van een leverancier van voorspellende analysesoftware voor de detailhandel met een bewezen staat van dienst in het omgaan met detailhandelaren in hun branche, is de beste methode voor detailhandelaren om vraagvoorspelling toe te passen.
Het gebruik van dergelijke maatwerksoftware levert tal van voordelen op voor winkels.
U kunt bijvoorbeeld experimenteren met verschillende variabelen zoals productprijs, nieuwe winkelopeningen, nieuwe productlanceringen (en andere) om te zien welk effect ze hebben op uw KPI's, en vervolgens uw voorraad, prijzen of marketingstrategie dienovereenkomstig aanpassen.
#4. Uniforme geavanceerde retailanalyse
Dit is het krachtigste type analyse, met de beste ROI wanneer het op de juiste manier wordt gebruikt.
Geünificeerde geavanceerde analyses, die vallen onder het vierde type analyse (prescriptieve analyse), streeft ernaar de voordelen van business intelligence, sterke diagnostiek en nauwkeurige vraagprognoses te combineren met intelligente automatisering die de meest lucratieve activiteiten in het hele bedrijf voorstelt.
Fatsoenlijke uniforme analysesoftware zal het volgende doen:
- Automatiseer rapportage en datavisualisatie.
- Voorspelling van de vraag naar elk product in elke winkel op bepaalde tijden.
- Zorg voor flexibele simulaties en "wat-als"-scenario's voor nieuwe productlanceringen, winkelopeningen en andere soortgelijke situaties.
- Duizenden (zo niet miljoenen) micro-optimalisaties voor selectie, toewijzing, prijsstelling, enzovoort worden automatisch aanbevolen.
- Alle aanpassingen en updates moeten worden afgestemd op alle afdelingen en gegevensbronnen.
Deze vorm van analyse kan vanwege de complexiteit en specialiteit alleen worden gegeven door softwareleveranciers die gespecialiseerd zijn in geavanceerde retailanalyses.
Het automatiseert niet alleen honderden repetitieve processen (rapporten samenstellen, gegevens tussen afdelingen consolideren, evalueren, enzovoort), maar het optimaliseert ook met een granulariteit die menselijke analisten gewoon niet kunnen evenaren.
Dit type geavanceerde data-analyse wordt geleverd door een verscheidenheid aan oplossingen, waaronder het retailanalyseplatform van Retalon, dat zeer nauwkeurige vraagvoorspelling en geavanceerde AI gebruikt om honderden, duizenden of zelfs miljoenen gedetailleerde verbeteringen te leveren die het bedrijfsresultaat verbeteren.
Bovendien is dit soort software zeer aanpasbaar en kan het worden ingesteld om bepaalde suggesties automatisch te accepteren, terwijl voor meer controle menselijke toestemming van anderen nodig is.
Wanneer is het tijd om uw Retail Analytics te upgraden?
Elke middelgrote tot grote detailhandel die op de lange termijn succesvol wil zijn, moet een soort van data-analyse gebruiken. Dit komt omdat proactief de juiste inzichten moeten worden verkregen om het juiste product op de juiste plaats, op het juiste moment en in de juiste hoeveelheid te kunnen leveren.
Zelfs als u al analyses gebruikt, wilt u waarschijnlijk vroeg of laat updaten om de concurrentie voor te blijven.
Naarmate uw bedrijf groeit, groeien doorgaans ook de hoeveelheid gegevens en de complexiteit van de betrokken beslissingen.
Maar wat als je veel te veel gegevens hebt en geen idee hebt wat je ermee moet doen?
Stel eerst de volgende vragen om te bepalen of het tijd is om uw tools voor gegevensanalyse te moderniseren:
- Hoe ver moet ik in de data duiken? Zijn de oplossingen voor mijn problemen duidelijk?
- Komt het vaak voor dat ik uitzonderingen tegenkom en mijn prognoses handmatig moet herzien?
- Houden mijn analysetools in verschillende retailfuncties rekening met elkaar?
- Is het mogelijk dat ik jaar na jaar dezelfde fouten maak?
- Heb ik nog steeds zorgen over voorraadvervorming, zoals verloren verkopen, overstock en niet-voorraad?
- Heb ik te veel afprijzen tegen het einde van het seizoen?
- Is er een goede aanpak om om te gaan met nieuwe producten die geen verkoopgeschiedenis hebben?
De antwoorden op deze vragen helpen u te bepalen of u uw analysebenadering moet verbeteren.
Vermijd echter de al te vaak voorkomende verlammingsvalkuil bij retailanalyses.
Retailers die investeren in geavanceerde analyses stelen marktaandeel van degenen die nog twijfelen. Nu we het digitale handelstijdperk naderen, zijn krachtige data-analyse en retail-AI niet langer een "behoefte", maar een "behoefte".
De voordelen van retailanalyse
Retailanalyse is een verzameling tools die door detailhandelaren worden gebruikt om de verkoop te verbeteren, overhead- en arbeidskosten te minimaliseren en de winst te verbeteren. Retailanalyses kunnen deze doelstellingen op een aantal manieren helpen bereiken, waaronder:
#1. Het verminderen van stockouts en de behoefte aan kortingen
Retailanalyse helpt gebruikers bij het begrijpen van vraagtrends, zodat ze voldoende producten bij de hand hebben, maar niet zozeer dat ze hun toevlucht moeten nemen tot harde kortingen om overtollige voorraad kwijt te raken. Het gebruik van analyses om te bepalen hoe snel een product wordt geconsumeerd, is een gangbare praktijk.
#2. Personalisatie verbeteren:
Analytics stelt verkopers in staat om de voorkeuren van hun consumenten beter te begrijpen en daardoor meer vraag te vangen dan concurrenten. Een boekverkoper kan bijvoorbeeld de aankoopgeschiedenis gebruiken om consumenten die interesse hebben getoond in de Amerikaanse geschiedenis op de hoogte te stellen wanneer een nieuw boek van historicus Ron Chernow beschikbaar komt voor voorbestelling.
#3. Prijsbeslissingen verbeteren
Door een reeks indicatoren te synthetiseren, zoals verlaten winkelwagentjes, prijsinformatie van concurrenten en de kosten van verkochte producten, kunnen gegevensanalyses bedrijven helpen bij het bepalen van de ideale prijzen voor hun goederen. Retailers kunnen hun winst maximaliseren door geen prijzen te vragen die hoger zijn dan de markt zal dragen of lager zijn dan wat klanten bereid zijn te betalen.
#4. Producttoewijzingen verbeteren
Analyses kunnen retailers helpen bij het bepalen hoe ze producten moeten toewijzen aan geografische regio's, distributiefaciliteiten en winkelpuien, waardoor onnodige transportkosten worden geëlimineerd. Een sportkledingwinkel kan bijvoorbeeld analyses gebruiken om te zien hoe een variatie van twee graden in temperatuur de verkoop van thermische ondershirts beïnvloedt en meer van dergelijke artikelen toewijzen aan een distributiecentrum dat zich het dichtst bij locaties bevindt die in een bepaalde winter naar verwachting koelere temperaturen zullen hebben.
Software voor detailhandelanalyse
Retailanalyse is gebaseerd op gegevens die op verschillende manieren zijn verzameld, waaronder fysieke winkellocaties en websites. Enkele van de gebruikte instrumenten waren als volgt:
- Point-of-sale (POS) systemen worden door winkels gebruikt om consumententransacties te volgen en te beheren. POS-systemen verzamelen gegevens over consumentenaankopen en kunnen verkoop- en klanttrendrapporten leveren.
- Software voor klantrelatiebeheer (CRM): Applicaties in deze categorie beheren verkoop-, marketing-, klantenservice- en e-commerceprocessen. Winkeliers gebruiken deze programma's om klantinteracties te bekijken, gegevens over specifieke consumenten op te slaan en op basis van die gegevens mogelijke verkoop-, marketing- en klantenservicemogelijkheden te ontdekken.
- Hulpmiddelen voor bedrijfsinformatie: Retailers gebruiken Business Intelligence (BI)-tools om informatie te synthetiseren die is verzameld uit enorme hoeveelheden en diverse gegevenssets, voornamelijk om belangrijke prestatiestatistieken bij te houden, zoals klantloyaliteit, voorraadomloop, doorverkooppercentage en beschikbare dagen. Deze tools maken het voor retailers eenvoudig om rapporten samen te stellen en deze naar CEO's en andere besluitvormers te sturen.
- Voorraadbeheersystemen: Deze software wordt door detailhandelaren gebruikt om artikelen op voorraad te volgen, voorraadniveaus in magazijnen en distributiefaciliteiten te bewaken en de vraag te voorspellen. Het helpt handelaren ook bij het bepalen van de beste plaatsen voor het opslaan van specifieke dingen om de transportkosten te verlagen en ervoor te zorgen dat goederen beschikbaar zijn om aan de vraag van de klant te voldoen.
- Voorspellende analyse: Dit soort analyses voorspelt toekomstige trends en gedragingen met behulp van gegevens van eerdere transacties, interacties en andere gebeurtenissen. De vier meest voorkomende soorten retailanalyses zijn beschrijvend, diagnostisch, voorspellend en prescriptief (zoals hierboven beschreven), die worden gebruikt om nieuwe klantsegmenten en groeivooruitzichten bloot te leggen.
Best Practices op het gebied van Retail Analytics
#1. Maak veel gebruik van klantdata.
Klanten leveren veel expliciete en impliciete informatie over hun wensen en intenties, en de beste analisten in de detailhandel gebruiken die gegevens om trends te ontdekken en die klanten beter te begrijpen. Toonaangevende detailhandelaren combineren klantgegevens uit hun eigen loyaliteitsprogramma's met gegevens uit e-commerce, kassasystemen en andere bronnen, evenals gegevens verkregen van makelaars.
Klantgegevens worden door experts vaak geclassificeerd als een mix van demografische, transactie-, gedrags- en zelfs psychografische punten. Het verzamelen, aggregeren en kapitaliseren van verschillende soorten klantgegevens volgt vaak een logisch pad, te beginnen met het brede demografische bereik. Retailers maken ook onderscheid tussen 'klanten' (degenen die al zaken met hen hebben gedaan) en 'consumenten' (degenen die goede prospects kunnen zijn). Consumentengegevens kunnen helpen bij het informeren van "lookalike-modellering" - als een winkelier bijvoorbeeld Mark herkent als een geweldige klant, zoekt hij naar meer mensen met vergelijkbare kenmerken en richt hij zich op hen met speciale aanbiedingen.
#2. Maak gebruik van visualisatietools.
Visualisatietools in BI-software, zoals grafieken, grafieken en dashboards, zijn essentieel voor het interpreteren van gegevens en het nemen van weloverwogen beslissingen. Ze zijn veel effectiever dan alleen maar naar rijen en kolommen met gegevens te staren om kennis te begrijpen. BI-visualisatietools geven zakelijke gebruikers ook toegang tot analyses in plaats van hen te dwingen te wachten tot IT rapporten heeft opgesteld en query's heeft uitgevoerd.
#3. Onderzoek verschillende gegevensbronnen
Meerdere gegevensbronnen, zoals verkoopgegevens, historische klantgegevens en voorraadgegevens, kunnen verkopers helpen een genuanceerder inzicht in hun bedrijf te krijgen, vooral omdat KPI's vaak met elkaar verbonden zijn. Retailers kunnen bijvoorbeeld analyses van koopwaarattributen gebruiken in combinatie met analyses in de winkel om te ontdekken hoe ze de lay-out van een fysieke winkel kunnen optimaliseren om klanten om te zetten in betalende klanten. Voorraadanalyses kunnen detailhandelaren helpen ervoor te zorgen dat ze voldoende goederen bij de hand hebben om de merchandisinglay-out te ondersteunen. (Retailers moeten zich er ook van bewust zijn dat verschillende applicaties verschillende definities voor datatypes kunnen hebben, die, als ze niet worden gecorrigeerd, kunnen leiden tot onjuiste analyses; dit is een argument om één enkel platform voor retailanalyses te gebruiken in plaats van de zogenaamde beste toepassingen van het ras.)
#4. Bewaken van KPI's
Het volgen van de belangrijkste prestatie-indicatoren helpt verkopers bij het meten van hun prestaties en het identificeren van ontwikkelingskansen. De meeste succesvolle verkopers gebruiken wekelijkse KPI-overzichten (ook wel balanced scorecards genoemd) om de meest recente statistieken te vergelijken met die van de vorige week. Dit begint meestal met een overzicht van wat er is gebeurd (bijvoorbeeld de verkoop kelderde voor bepaalde items), gevolgd door een verder onderzoek naar de reden waarom het gebeurde (bijvoorbeeld stockouts).
#5. Geef prioriteit aan uw doelstellingen.
Het is niet nodig om alles te meten wat meetbaar is. Retailers hebben toegang tot nieuwe analytische tools en een zee aan gegevens, maar ze moeten voorzichtig zijn met wat ze meten, anders lopen ze het risico besluitvormers te verdrinken in aanbevelingen. Winkeliers moeten beginnen met het identificeren van kansen met een hoge prioriteit met onmiddellijk commercieel effect. Volgens McKinsey pakken de beste analyses een specifiek zakelijk probleem aan en creëren ze een meetbaar gevolg.
Volgens Mark Lawrence, een expert op het gebied van retailanalyse, zijn alle vijf hierboven genoemde aanbevolen werkwijzen met elkaar verbonden. Zijn advies: Begin met een doel, dan twee of drie onderliggende doelstellingen. Hij verwijst naar de KPI's die ontwikkeling op dit niveau informeren als "leidende" KPI's. Als één doel is om "dichter bij de klant te komen", kunnen KPI's zijn: "de customer lifetime value met 20% verhogen", "jaar-op-jaar consumentenconversie van 15% bereiken" en "voorraadniveaus optimaliseren om klantgerichte doelstellingen te ondersteunen". Visualisatietools stellen bedrijfsleiders in staat om de voortgang bij het behalen van die doelstellingen te volgen en corrigerende maatregelen aan te moedigen, zoals nieuwe promoties en wijzigingen in het productassortiment.
De toekomst van retailanalyse
De toekomst van de detailhandel is onzeker, maar de huidige staat van de detailhandel is dat niet. Gebruikers en applicaties zullen analyses onophoudelijk gebruiken, vaak onbedoeld, vergelijkbaar met hoe smartphones constant locatietracering gebruiken om aan de behoeften van gebruikers te voldoen.
Retailanalyses zullen meer geïntegreerd worden in de dagelijkse processen van zakelijke gebruikers in plaats van alleen te worden gebruikt voor het produceren of beoordelen van wekelijkse rapporten. Meer mensen zullen worden blootgesteld aan de vruchten van AI in hun dagelijkse zakelijke activiteiten, zelfs als ze zich er niet van bewust zijn. AI-aangedreven data-analyse zal niet langer worden aangeprezen.
Gerelateerde artikelen
- E-COMMERCE BEDRIJFSVERZEKERING: beste dekking en alles wat u moet weten
- VERKOOPVERWACHTING: definitie, voorbeelden en softwareoplossingen
- ONLINE RETAIL: Alles wat u moet weten
- DETAILHANDELBEDRIJF: Definitie, soorten en hoe het te starten
- DETAILHANDEL: Hoe werkt het?
Referenties
