Online-Offline-Attribution: Effizienzsteigerung durch KI im Retail

In Filialnetzen mit hunderten Standorten lässt sich mit rohen Besucherzahlen kaum sagen, ob ein Store gut geführt wird oder einfach gut liegt. Genau an diesem Punkt setzte ein gemeinsames Projekt von SMA Dev mit einem bundesweiten Filialisten an. Die entwickelte Methode lässt sich auf jedes Netz mit heterogenen Standorten übertragen.

In diesem Case zeigen wir, wie die Methode funktioniert und was der reale Testbetrieb an Ergebnissen gebracht hat.

Ausgangslage: Wie lässt sich die Performance von Filialen miteinander vergleichen?

Ein Store im Ballungsgebiet wirkte allein durch seine Lage automatisch performanter als ein Store im ländlichen Raum, unabhängig von der tatsächlichen operativen Leistung oder der Wirkung von Marketing Maßnahmen. Bei einfacher Betrachtung der Frequenzdaten war die Varianz zwischen den Stores unseres Kunden zu hoch, um Trends zuverlässig zu interpretieren. Das hatte direkte Konsequenzen für die Steuerung: Trainings-Budget, Handlungsempfehlungen und Marketing-Maßnahmen richteten sich faktisch nach dem Standort statt nach der operativen Leistung. Leistungsstarke Stores in schwächeren Lagen und schwache Stores in Toplagen wurden durch ihre Lage kaschiert.

Methode: Wie kann man Filialen trotz unterschiedlicher Lage vergleichbar machen?

SMA Dev entwickelte für den Retail Kunden eine KI, die für jede Filiale einen neutralen Score generiert, der seine Performance unabhängig der Lage vergleichbar macht.

Die Analyse umfasst Zeitreihendaten für Frequenz, Umsatz, Conversion, Flächennutzung und Wetter.  Jeder Store wird damit nicht mehr gegen den Durchschnitt aller Stores gemessen, sondern gegen sein eigenes, lagebereinigtes Potenzial, auf 7-Tage- und 30-Tage-Basis, um kurzfristige Ausreißer von nachhaltiger Entwicklung zu unterscheiden. Aus dem Abgleich von aktueller Performance und Score ergeben sich vier Segmente: High-Performer, Performer, Low-Performer, Underperformer.

Damit wurden Trends sichtbar und es war ein realistischer Vergleich möglich. Handlungsempfehlungen für die Media-Planung und Budget-Allocation konnten so abgeleitet werden.

Kann die Wirkung von Marketing Maßnahmen auf Filialen durch KI Segmentierung verbessert werden?

Die nächste naheliegende Frage im Projekt war, ob gezieltes Marketing-Budget auf Basis dieser Segmentierung tatsächlich stärker wirkt als eine reine Verteilung auf Basis der Standorte. Getestet wurde das mit einem kontrollierten Experiment, statt einer reinen Vorher-Nachher-Betrachtung: Pro Segment erhielten 5 Stores eine Local-Ad-Kampagne auf Facebook und Instagram, während 5 nach Besucherzahlen, Store-Typ, Store-Größe und Performance gematchte Referenzstores ohne diese Kampagne blieben. So ließ sich der tatsächliche Effekt der Werbung von allgemeinen Saison- und Kampagneneffekten trennen. Die Kampagne lief vier Wochen mit rund 14,8 Millionen Impressions bei 4,3 Millionen erreichten Personen.

Ergebnis: Die Effekte von Marketing Maßnahmen, basierend auf KI-Segmentierung, auf einzelne Filialen im bundesweiten Netzwerk:

Die beworbenen Stores legten im Kampagnenzeitraum um 6,5 % gegenüber ihrer Norm zu, die Referenzgruppe ohne Ads um 4,3 %. Die Differenz lässt sich dem gezielten Ad-Einsatz zuordnen, nicht dem allgemeinen Saisoneffekt. 6 der 20 beworbenen Stores stiegen während der Testphase ins High-Performer-Segment auf, verteilt zu gleichen Teilen aus den Segmenten Performer, Low-Performer und Underperformer. Der Effekt der Methode zeigte also nicht nur bei ohnehin starken Stores Wirkung, sondern gerade dort, wo Budget bislang am wenigsten gezielt eingesetzt wurde.

Für den Kunden bestätigte der Testcase, dass sich Store-Vergleichbarkeit und Kampagnensteuerung datenbasiert lösen lassen, ohne auf Lage-Logik oder Erfahrungswerte allein angewiesen zu sein. Für die Folgephase ist bereits ein zweiter Testcase mit 80 Stores geplant, um zu prüfen, ob sich die Mechanik reproduzieren und mit zusätzlichen Daten weiter verbessern lässt.

Wer ebenfalls ein Filialnetz steuert: Wir zeigen Ihnen gerne, wie das für Ihre Datenlandschaft konkret aussehen würde.