KI-fähiges Money Mapping – Neue Erkenntnisse für Visual Merchandising und Daten zur Umsatzsteigerung

Datenproblem von Visual Merchandising 

 

Visual Merchandising ist eine der „dunklen Künste” des Einzelhandels. Für Uneingeweihte ist es die Praxis, optisch ansprechende Verkaufsflächen und Ladeneinrichtungen zu entwerfen, die Kunden anziehen und letztendlich die ausgestellten Produkte verkaufen. Es ist ein subjektives und künstlerisches Mittel, um einen konkreten KPI zu liefern – Verkäufe.

Eine der Herausforderungen des Visual Merchandising sind Daten. Experimentieren und Gestalten ist schön und gut, aber nicht, wenn Sie nicht wissen können, was gut oder schlecht funktioniert. Verkaufsdaten sind immer ein guter Ausgangspunkt, aber es spielen so viele andere Faktoren eine Rolle, dass es oft unmöglich ist, Visual Merchandising einer Steigerung oder einem Rückgang des Umsatzes eines einzelnen Produkts zuzuschreiben. Sie müssen noch einen Schritt weiter gehen …

Survey: How does your organisation measure in-store execution and compliance?

Was bedeutet Money Mapping?

 

Wie messen Sie die Verkaufsleistung eines Geschäfts anhand seines Layouts und Designs? Zunächst planen Sie die Verkaufsfläche mit der genauen Position der Produkte. Anschließend unterteilen Sie die Karte des Geschäfts in „Zonen“, normalerweise um bestimmte Geräte, Regale und Displays herum. Diese Zonen können aus mehreren verschiedenen Artikeln bestehen, die je nach Design des Geschäfts nach Kategorie oder Stil gruppiert sind. Anschließend stellen Sie die Verkäufe jedes Artikels in dieser Zone zusammen und vergleichen sie mit den Verkäufen anderer Artikel im selben Geschäft. Das Ergebnis? Sie erhalten einen Eindruck von den Verkäufen auf der Verkaufsfläche, aufgeschlüsselt nach den Bereichen des Ladengeschäfts.

Dies wird als „Money Mapping“ bezeichnet, und es ermöglicht Einzelhändlern zu visualisieren und zu analysieren, welche Bereiche eines Geschäfts „Hotspots“ und welche „kalt“ in Bezug auf den Umsatz sind. Dies gibt einen ersten Überblick darüber, in welchen Bereichen und Vorrichtungen Produkte verkauft werden und in welchen nicht.

Um anderen externen Einflüssen auf den Umsatz Rechnung zu tragen, empfiehlt es sich, Artikel zwischen den Vorrichtungen auszutauschen oder über einen langen Zeitraum eine „Money Map“ zu beobachten, da sich Kollektionen und Waren zwischen den Jahreszeiten ändern. Wenn die lokalisierten Verkaufsdaten auch nach der Rotation der Produkte relativ ähnlich bleiben, dann ist klar, dass das Design oder die Positionen der Vorrichtungen einen Einfluss haben.

Money Mapping Infographic

Was sind die Vorteile von Money Mapping?

  • Einblick in die Verbrauchererfahrung
  • Liefert wertvolle Daten für Visual Merchandiser
  • Aufteilung der Verkaufsflächen nach Verkaufsleistung
  • Kann zur Optimierung der Ladengestaltung verwendet werden
  • Steigert den Umsatz
  • Kann Produkt-Platzierung und Visual Merchandising in Beziehung setzen
  • Kann zur Durchführung von A/B-Tests verwendet werden

Das klingt alles großartig, und warum macht das dann nicht jeder Einzelhändler und jeder des Ladengeschäfts bereits? Die Antwort ist einfach – der Prozess des manuellen Abgleichs der Verkaufsdaten mit bestimmten Standorten in der Verkaufsfläche für jeden Artikel und jedes Geschäft ist logistisch eine schwierige Frage. Das heißt, wenn dies überhaupt von Visual Merchandisern durchgeführt werden kann, so kann es nur in einer kleinen Anzahl von Geschäften erfolgen.

Wie verändert die KI das Money Mapping?

 

Wie können wir dieses Datenproblem für Visual Merchandiser lösen und das „Money Mapping“ für Einzelhändler einfacher und zugänglicher gestalten?

Das erste Problem besteht darin, eine genaue Karte eines Ladengeschäfts zu haben, auf der genau verzeichnet ist, wo jeder einzelne Artikel verkauft wird. Normalerweise müsste dies manuell erfolgen, und die Verkaufsdaten der Artikel müssten dann mit ihrem Standort im Store abgeglichen werden.

Die Lösung: Mit Hilfe von RFID (Radio Frequency Identification) und KI-Lokalisierungstechniken können wir nun eine Karte eines Ladengeschäfts als Teil der täglichen oder wöchentlichen Bestandszählung erstellen. Dies geschieht durch das Einbringen von „Referenz“-RFID-Tags in den Ladengeschäften. Kleine Tags, wie sie an den Produkten angebracht sind, werden an den Einrichtungsgegenständen und Wänden des Geschäfts angebracht. Da diese sich nie bewegen, können wir die Signalstärke (relativ zu den Vorrichtungen) aus den Bestandszählungen verwenden, um genau abzubilden, wo sich die Artikel im Geschäft befinden und mit welchen Artikeln sie zusammen angeordnet sind.

Diese Informationen zum Standort werden dann in die Daten der Verkaufsstelle integriert, um im Rahmen der regulären Berichts- und Analysefunktion des Ladengeschäfts eine automatisierte Money Map eines Ladengeschäfts zu erstellen. Dies kann für beliebig viele Ladengeschäfte erfolgen. Da die Datenerfassung automatisiert ist, können sich die Visual Merchandiser darauf konzentrieren, die Daten zur Optimierung der Platzierung von Produkten und der Gestaltung von allen Ladengeschäften zu nutzen.

Bei größeren Datenmengen, mit denen man arbeitet, eröffnet dies das Potenzial für detailliertere Analysen und Experimente, wie z. B. A/B-Tests von Produktkombinationen und der Ladengestaltung.

 

Was bedeutet der Prozess für das KI Money Mapping?

  • Anbringen von Referenz-RFID-Tags an Wänden und Vorrichtungen innerhalb des Ladengeschäfts
  • Durchführung von regelmäßigen RFID-Bestandsaufnahmen wie üblich
  • Die Software nutzt maschinelles Lernen, um die Standorte der Artikel innerhalb des Ladengeschäfts zu ‘kartographieren’
  • Integration von Daten aus der Verkaufsstelle mit der RFID-Software
  • Software erstellt eine ‘Heatmap’ des Ladengeschäfts auf der Grundlage von Verkäufen
  • Visual Merchandiser können Daten zur Information über die Strategie und zur Messung der Ergebnisse verwenden
Retail Money Mapping

Fazit

 

Visual Merchandising ist ein subtiler, aber äußerst wertvoller Prozess für Einzelhandelsgeschäfte. Wenn er richtig durchgeführt wird, so er einen enormen Einfluss auf Umsatz, Kundenerfahrung und Markenimage. Das einzige Problem dabei ist, dass Visual Merchandiser nicht über genügend Daten verfügen, um die Leistung dort zu messen und festzustellen, wo ihre Aufmerksamkeit am meisten benötigt wird. Die Daten, die sie sammeln können, sind entweder zeitaufwändig, teuer oder ungenau.

Künstliche Intelligenz verändert das Spiel für Visual Merchandising. Durch die Verwendung von RFID-Tags und maschinellem Lernen ist es möglich, den Standort von Artikeln in einem Ladengeschäft und vor allem die Verteilung für den Verkauf innerhalb einer Verkaufsfläche zu „kartieren“. Diese ‘Money Maps’ zeigen den Visual Merchandisern, welche Bereiche der Verkaufsfläche ‘Hotspots’ für den Verkauf sind und welche nicht ausreichend Leistungen erbringen. Anhand dieser Daten können sie ihre Aufmerksamkeit dann auf die Verbesserung der Gestaltung oder des Layouts bestimmter Bereiche richten.

Darüber hinaus können sie mit diesen Daten ihre Verkaufs-Hotspots nutzen, indem sie entweder die besten Standorte für Bestseller, hochwertige Artikel oder Artikel, die außerhalb der Saison verkauft werden sollen, priorisieren.

So oder so ist KI-aktiviertes Money Mapping eine weitere wichtige Entwicklung im Bereich der Einzelhandelsdaten und -analysen. Sie bietet Einzelhändlern einen noch nie dagewesenen Einblick in genau das, was in Brick-and-Mortar-Stores vor sich geht.

Möchten Sie die neuesten Erkenntnisse zu Einzelhandel und Einzelhandelstechnologie direkt in Ihrem Posteingang erhalten?

Mit der fortschreitenden Digitalisierung der Einzelhandelslieferketten wird eine Fülle von Daten auf Artikelebene über den Warenfluss durch die Lieferkette freigeschaltet.
Die RFID-Retail-Experten Detego haben eine neue Lösung für Mode- und Sportbekleidungshändler zur Verbesserung der Genauigkeit der Lieferungen ab Werk angekündigt.
In-Store-Erfüllung, auch als Ship-from-Store bekannt, ist eine Omnichannel- Retailstrategie, bei der Einzelhandelsgeschäfte im Wesentlichen als Miniatur- Vertriebszentren genutzt werden.

Schlagwörter: , , ,