Advertisement

Datengetriebene Entscheidungsfindung aus strategischer und operativer Perspektive im Handel

  • Mohamed Kari
  • Felix WeberEmail author
  • Reinhard Schütte
Schwerpunkt
  • 32 Downloads

Zusammenfassung

Mit der digitalisierungsbedingten Zunahme kontinuierlich erfasster Massendaten aus unterschiedlichsten Quellen entsteht die Hoffnung, einen besseren Zugang als je zuvor zur Realität zu erhalten. Angesichts des Big-Data-Phänomens stellt sich dabei für Handelsunternehmen die Frage, welche unternehmensweite Datenstrategie es zu verfolgen gilt. Dazu liefert der folgende Beitrag anhand eines Frameworks eine sachlogische Struktur für eine unternehmensweite Datenstrategie. Für jedes aufgezeigte Strategiefeld dieses Frameworks sind dabei Basisentscheidungen zu treffen, die die nötigen Voraussetzungen zur Nutzung von Daten für erfolgreiche Einzelprojekte als auch die erfolgreiche Eingliederung datengetriebener Aktivitäten in Standardprozesse schaffen. Neben der Datenstrategie wird auch der realisierbare betriebswirtschaftliche Beitrag für Einzelhändler anhand einer Fallstudie entfaltet. Dazu wird auf das Handelsmarketing und den Marketing-Mix als zentrales Konzept, und seit jeher eines der wichtigsten Tätigkeitsfelder im Einzelhandel, zur Aufstellung einer datengetriebenen Entscheidungsphänomenologie zurückgegriffen. Als Antwort auf die Frage, welche Datenstrategie angesichts von Big Data von einem Einzelhändler zu verfolgen ist, wurden verschiedene Teilbereiche identifiziert und Maßnahmen innerhalb dieser ausgearbeitet. Es wurde gezeigt, dass integrierte und kohärente Maßnahmen auf organisationaler und technologischer Ebene für die Sammlung, Speicherung, Verarbeitung, Verwendung, Steuerung und Transformation von Big Data im Unternehmen nötig sind. Mit Erfüllung der notwendigen Vorrausetzungen für Big Data im Rahmen der Datenstrategie ist es dabei möglich nicht nur die hier aufgezeigte Absatzseite der Unternehmung zu optimieren, sondern auch die tiefgreifende Integration der verschiedenen Prozessbereiche im Handelsunternehmen abzubilden.

Schlüsselwörter

Handel Big Data Entscheidungsfindung Künstliche Intelligenz Strategie Marketing Mix 

Data-Driven Decision-Making from a Strategic and Operational Perspective in Retailing

Abstract

With the digitalization-induced increase in continuously recorded mass data from a wide variety of sources, there is hope of obtaining better access to reality than ever before. In view of the big data phenomenon, retail companies are faced with the question of which company-wide data strategy to pursue. The following article establishes a framework to provide a logical structure for a company-wide data strategy. For each strategy field of this framework, basic decisions have to be made. This are the necessary prerequisites for the use of data within successful separated projects as well as the successful integration of data-driven activities into standard processes. In addition to the data strategy, a case study will be used to unfold the feasible business contribution for retailers. For this purpose, retail marketing and the marketing mix will be used as the central concept, which has always been one of the most important fields of activity in retail, to establish a data-driven decision phenomenology. In response to the question as to which data strategy should be pursued by a retailer in view of Big Data, various sub-areas and measures within these were identified and elaborated. It is shown that integrated and coherent measures at the organizational and technological levels are necessary for the collection, storage, processing, use, control and transformation of Big Data in a company. By fulfilling the necessary prerequisites for Big Data within the framework of the data strategy, it is not only possible to optimize the sales side of the company, but also to enable a profound integration of the various process areas within a retail company.

Keywords

Retail Big Data Decisions Artificial Intelligence Strategy Marketing Mix 

Literatur

  1. Ailawadi KL, Harlam BA, Cesar J, Trounce D (2006) Promotion profitability for a retailer: the role of promotion, brand, category, and store characteristics. J Mark Res 43(4):518–535CrossRefGoogle Scholar
  2. Beck M, Libert B (2018) The machine learning race is really a data race. Sloan management review. https://sloanreview.mit.edu/article/the-machine-learning-race-is-really-a-data-race/. Zugegriffen: 02.02.2018Google Scholar
  3. Borden NH (1964) The concept of the marketing mix. J Advert Res 4(2):2–7Google Scholar
  4. DalleMule L, Davenport TH (2017) What’s your data strategy? Harv Bus Rev 6(3):112–121Google Scholar
  5. Gronau N, Thim C, Fohrholz C (2016) Business Analytics in der deutschen Praxis. Controlling.  https://doi.org/10.15358/0935-0381-2016-8-9-472 Google Scholar
  6. Klostermeier R, Haag S, Belian A (2018) Digitale Zwillinge – Eine explorative Fallstudie zur Untersuchung von Geschäftsmodellen. HMD 2018(55):297–311CrossRefGoogle Scholar
  7. Marn MV, Roegner EV, Zawada CC (2004) The price advantage. Wiley, HobokenGoogle Scholar
  8. McAfee A, Brynjolfsson E (2012) Big Data: The Management Revolution. Harvard Business Review, Watertown, Massachusetts, USAGoogle Scholar
  9. McCarthy E (1960) Basic marketing: a managerial approach. Richard D, Irwin, USAGoogle Scholar
  10. Meffert H, Burmann C, Kirchgeorg M (2015) Marketing: Grundlagen marktorientierter Unternehmensführung Konzepte – Instrumente – Praxisbeispiele, 12. Aufl. Springer, Wiesbaden  https://doi.org/10.1007/978-3-658-02344-7_4 Google Scholar
  11. Möhlenbruch D (2013) Sortimentspolitik im Einzelhandel: Planung und Steuerung. Springer, BerlinGoogle Scholar
  12. Müller-Hagedorn L (2002) Handelsmarketing. Kohlhammer-Edition Marketing, 3. Aufl. Kohlhammer, StuttgartGoogle Scholar
  13. Pasqua J (2014) Schema-on-read vs schema-on-write. https://www.marklogic.com/blog/schema-on-read-vs-schema-on-write/. Zugegriffen: 15.02.2019Google Scholar
  14. Retail Institute EHI (2016) handelsdaten.de – Supermärkte. https://www.handelsdaten.de/branchen/superm%C3%A4rkte. Zugegriffen: 15.02.2019Google Scholar
  15. Richardson C (2018) Refactoring a monolith into microservices. https://www.nginx.com/blog/refactoring-a-monolith-into-microservices/. Zugegriffen: 10.02.2019Google Scholar
  16. Schütte R, Vetter T (2017) Analyse des Digitalisierungspotentials von Handelsunternehmen. In: Handel 4.0. Springer, Berlin, S 75–113Google Scholar
  17. Suriadi S, Wynn M, Wohed P, ter Hofstede A, Recker J (2012) A Process Mining Analysis of Woolworth’s GPS Data. Research Report. http://www.janrecker.com/wp-content/uploads/2013/02/20121212_FinalReport_GPS-ProcessMining.pdf. Zugegriffen: 06.09.2017Google Scholar
  18. Weber F, Schütte R (2019) A domain-oriented analysis of the impact of machine learning—the case of retailing. Big Data Cogn Comput 3(1):11CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden GmbH, ein Teil von Springer Nature 2019

Authors and Affiliations

  1. 1.Universität Duisburg-EssenEssenDeutschland

Personalised recommendations