Tracking von Marken im FMCG-Einzelhandel mit maschinellem Lernen

Der FMCG-Handel ist geprägt von schneller Dynamik und aggressivem Wettbewerb. Einzelhändler und CPG-Marken, die eine einzigartige Marktposition behaupten wollen, müssen ihre Markenleistung ständig im Auge behalten. Aber allein bei Joghurts gibt es auf einigen Märkten rund 1500 verschiedene Produkte; es ist nahezu unmöglich, sie alle nur mithilfe von Panelrecherchen oder manueller Datenanalyse im Auge zu behalten. Unsere Studie über 147 Lebensmittelgeschäfte in Deutschland beweist, dass maschinelles Lernen helfen kann.

Wenn Einzelhändler einen Weg finden, die große Fülle an Transaktionsdaten zu nutzen, die sie über Kunden haben, können sie Marken ein umfassendes Verständnis ihrer Position auf dem Markt bieten. Darüber hinaus können Einzelhändler diese Daten auch nutzen, um ihre Kategorien, Filialsortimente und Aktionsangebote besser zu optimieren.

Vielleicht haben Sie schon von der Product-to-Vec (P2V)-Marktstrukturanalyse gehört. Dieser maschinelle Lernansatz bietet Einzelhändlern und Marken eine völlig neue Möglichkeit, mit Daten zu arbeiten. Die Forschungsarbeit hinter diesem Ansatz von Dr. Sebastian Gabel, powered by unserer SO1 Engine, wurde mit dem diesjährigen EHI Retail Science Award 2020 ausgezeichnet und im Journal of Marketing Research veröffentlicht.

Der auf tiefen neuronalen Netzen basierende Ansatz nutzt die Einkaufsdaten der Einzelhändler und betrachtet das gleichzeitige Vorkommen von Tausenden von Produkten in Millionen von Warenkörben. Dadurch kann es alle Produkte auf 800 verschiedenen Vektoren abbilden und sie in einer visuellen Karte platzieren, auf der jedes Produkt im Portfolio des Einzelhändlers als einzelner Punkt dargestellt wird:

Das erste, was auffällt, ist, dass Produkte so gruppiert sind, dass Kunden sie kaufen und nicht Händler sie in Regalen platzieren. Beispiele für solche Cluster sind italienisches Essen, Grillen, Backen, Frühstück, Vegetarisches und sogar Kinderprodukte (z. B. kleine Saftboxen, Snacks für die Schule, Mittagsfleisch in Form von Teddybären oder Disney-Joghurt). Wir können auch sehen, welche Produkte in diesen Gruppen Ergänzungen (z. B. Nudeln + Tomatensauce) und welche Ersatzprodukte (zwei verschiedene Arten von Nudeln) sind.

Die obige Karte stammt von einer großen deutschen Lebensmittelkette und wird aus 73 Millionen Warenkörben abgeleitet. Die Analyse funktioniert völlig autonom und verwendet nur rohe Einkaufsdaten von Kassensystemen und Loyalty-Programmen. Schauen wir uns ein paar Beispiele an, wie Marken von dieser unvoreingenommenen Sicht auf Marktstrukturen profitieren können.

Substitution entdecken

Einzelhändler wollen Ersatz finden, um überflüssige Marken loszuwerden, oder mit ihnen bessere Konditionen aushandeln. Marken brauchen Einblicke in ihre engsten Konkurrenten und wie gut sie sich von ihnen abheben, um eine Substitution von vornherein zu verhindern.

Um zu sehen, wie diese Analyse helfen kann, zoomen wir in den Untercluster für dunkle Schokolade:

Wir sehen, dass Lindt-Produkte (die in Deutschland als Premium-Schokoladenmarke gelten) mit ähnlichen Kakaoanteilen, sowohl „milde“ als auch „normale“ Sorten, sehr nahe beieinander liegen. Die Marken Zetti und Sarotti (eher regionale und preisgünstigere Marken) liegen abseits von Lindt, aber sehr nahe beieinander, was auf eine starke Substitutionsbeziehung hinweist. Unten rechts sehen wir eine Unterkategorie von dunklen Schokoriegeln mit zusätzlichen Zutaten (Orange, Chili, Meersalz …), was darauf hinweist, dass sie ihre eigene einzigartige Position auf dem Markt einnehmen.

Das gibt den Marken ein paar wichtige Insights. Erstens grenzt sich Lindt stark von anderen Marken ab, aber die Mild-Version wird von den Kunden nicht klar erkannt. Vielleicht möchte Lindt den Unterschied zwischen den beiden auf der Verpackung oder in der Werbung besser kommunizieren.

Die Marken Zetti und Sarotti scheinen starke Substitute füreinander zu sein. Kunden unterscheiden wahrscheinlich nicht sehr gut zwischen ihnen und hätten nichts dagegen, zu wechseln, wenn eine der Marken im Angebot, nicht vorrätig oder komplett fehlt. Möglicherweise ist eine Änderung der Marketingstrategie erforderlich, um die beiden besser voneinander zu unterscheiden.

Was zur Differenzierung führt

Wir wissen also bereits, welche Produkte Substitute sind und welche einzigartig positioniert sind, aber was genau treibt diese Differenzierung an? Betrachtet man das Subcluster dunkle Schokolade, so erkennt man zwei Trends – der Preis sinkt von unten nach oben (mit Lindt für 2€ und Zetti/Sarotti für 1,29€) und der Kakaoanteil von links nach rechts. Diese beiden Attribute scheinen daher die Hauptunterscheidungsmerkmale zu sein, es sei denn, die Schokoladen sind aromatisiert.

Für Zetti und Sarotti könnte dies eine Gelegenheit bedeuten, eine aromatisierte Version ihrer Schokolade einzuführen. Mit niedrigeren Preisen und als regionale Marke könnte dieses neue Produkt eine Konkurrenz für die aromatisierten Schokoladen von Lindt sein.

Lassen Sie uns in einen anderen Cluster hineinzoomen, diesmal Wein. Wir sehen, dass das erste und wichtigste Unterscheidungsmerkmal ist, ob es sich um Sekt oder Standardwein handelt. Kleine 0,25l Wein- und Sektflaschen behaupten sich weit abseits von anderen.

Rechts zoomen wir in die 0,7 l Weintraube hinein. Der Preis scheint hier das stärkste Unterscheidungsmerkmal zu sein, viel mehr als die eigentliche Weinsorte (z. B. Chatou, Sauvignon, Riesling…). Wenn die Produkte so klar nach Preis getrennt werden, sprechen wir von einem hochgradig kommerzialisierten Markt, der Wein zu sein scheint. Dies deutet darauf hin, dass diese Kategorie hauptsächlich von Preis und Werbeaktionen bestimmt wird, aber es gibt immer noch Raum für Differenzierung, beispielsweise durch stärkeres Branding oder regionale Herkunft.

Produktplatzierung

Der Ansatz kann auch verwendet werden, um die Positionierung bestimmter Produkte zu bestimmen. Beispielsweise kam eine CPG-Keksmarke auf uns zu, um herauszufinden, ob Verbraucher ihre Produkte eher als Snack oder als Frühstücksprodukt wahrnehmen. Beim Blick in die Karte haben wir schnell erkannt, dass Keksprodukte dieser Marke unter den Frühstücksprodukten angesiedelt sind, ziemlich weit entfernt von anderen Keksen und Snacks.

Diese Erkenntnis wurde genutzt, um diese „Frühstücks“-Positionierung der Marke durch Werbung und Verpackungen noch weiter zu stärken, Partnerschaften mit Marken einzugehen, die ergänzende Frühstückskategorien wie Cerealien oder Marmeladen herstellen, und sogar in einige dieser Kategorien zu expandieren.

Das Endergebnis

Die Hauptvorteile dieses Ansatzes sind Einfachheit, Objektivität und Automatisierung. Da der Ansatz nur rohe Einkaufsdaten verwendet und das wahre Verbraucherverhalten widerspiegelt, gibt es keine Verzerrungen, die häufig bei anderen Ansätzen auftreten. Und da die gesamte Analyse automatisiert ist, kann sie beliebig oft mit neuen oder gefilterten Daten wiederholt werden, um die Wirksamkeit von Marketingkampagnen, die Einführung neuer Produkte oder saisonale und regionale Einflüsse zu bewerten. Um den P2V-Ansatz besser zu verstehen, lesen Sie den vollständigen Artikel von Dr. Sebastian Gabel.

Die in dieser Forschung verwendete Technologie – die SO1-Engine – wird auch in unserer fortschrittlichen Personalisierungs-Engine verwendet. Basierend auf den in diesem Prozess gewonnenen Erkenntnissen ermöglicht es Einzelhändlern, autonom die richtigen Produkte zum richtigen Preis und zur richtigen Zeit für jeden einzelnen Kunden zu empfehlen – und das alles unter Berücksichtigung der Geschäftsziele von Einzelhändlern und Marken.