Retourenmanagement78
genauer betrachten, anprobieren und bei
Bedarf wieder zurückschicken.
Hinzu kommt eine große Auswahl,...
Retourenmanagement 79
tigten Daten aus verschiedenen Quellen
eine besondere Beachtung zu schenken.
Komplexe Daten, wie die...
Retourenmanagement80
Diese waren die Basis für umfangreiche
Maßnahmenpakete, die schließlich schritt-
weise umgesetzt wurd...
Nächste SlideShare
Wird geladen in …5
×

Präzise Prognosen verbessern das Retourenmanagement

670 Aufrufe

Veröffentlicht am

Mit Big-Data-Analysen von Blue Yonder senkt OTTO seine Retourenquote und spart Kosten im Millionenbereich.

Veröffentlicht in: Daten & Analysen
0 Kommentare
1 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

Keine Downloads
Aufrufe
Aufrufe insgesamt
670
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
21
Aktionen
Geteilt
0
Downloads
3
Kommentare
0
Gefällt mir
1
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Präzise Prognosen verbessern das Retourenmanagement

  1. 1. Retourenmanagement78 genauer betrachten, anprobieren und bei Bedarf wieder zurückschicken. Hinzu kommt eine große Auswahl, wie sie im stationären Handel ihresgleichen sucht: Täglich werden beispielsweise auf otto.de mehr als 2,1 Millionen Artikelpositionen angeboten. Retouren: Kostenfaktor Nr. 1 im Onlinehandel Retouren bilden im E-Commerce jedoch die Kehrseite des für die Branche erfreuli- chen Wachstums, denn ebenso rasant wie die Zahl der Einkäufe steigt die Quote der zurückgesendeten Waren. Wie für alle Versandhändler sind Warenrück- Präzise Prognosen verbessern das Retouren- management Autorin: Dunja Riehemann, Director Marketing Blue Yonder Mit Big-Data-Analysen von Blue Yonder senkt OTTO seine Retouren- quote und spart Kosten im Millionenbereich Der deutsche Multichannelhändler OTTO hat durch permanente Anpassungen seiner Geschäftsprozesse und eine Neuausrichtung des Unternehmens den Übergang vom klas- sischen Versandhändler zum Onlinehändler erfolgreich gemeistert. Den Mittelpunkt des heutigen Geschäfts bildet der Online-Shop www.otto.de mit einem Anteil von über 80 Prozent am Gesamtjahresumsatz, der sich auf mehr als zwei Milliarden Euro beläuft. Eine der Grundvoraussetzungen für diese posi- tive Entwicklung ist das umfassende Sorti- mentsangebot. Neben Mode, Technik und Möbeln werden unter anderem auch Sport- artikel, Schuhe und Spielzeug angeboten. Der E-Commerce-Sektor vermerkt ein rasantes Wachstum. Im Jahr 2013 gaben Kunden in Deutschland fast 50 Milliarden Euro beim Einkaufen im Internet aus. Ein bedeutsamer Vorteil des Online-Shoppings liegt für die Kunden in dem bequemen Ein- kaufen. Waren können am PC angesehen, verglichen und geordert werden. Ein wei- terer Vorteil des Kaufs im Web: Zuhause kann der Käufer den Artikel noch einmal 6 Abbildung 42: Mit einem Umsatz von über zwei Milliarden Euro ist OTTO der zweigrößte Versandhändler Deutsch- lands
  2. 2. Retourenmanagement 79 tigten Daten aus verschiedenen Quellen eine besondere Beachtung zu schenken. Komplexe Daten, wie die aus dem Bereich der Lieferzeiten, erweiterten den Projek- tumfang. Das Thema Datenschutz hatte dabei stets höchste Priorität. Zusätzliche Schwierigkeit: Innerhalb von sechs Mona- ten sollten bereits die Ergebnisse aus dem Projekt vorliegen. Retourentreiber verifizieren und Maß- nahmen entwickeln Zunächst überprüften die Experten bereits bekannte Retourentreiber, verifizierten sie und identifizierten neue Maßnahmenfel- der. Als entscheidender Faktor entpuppte sich dabei die Lieferdauer: nimmt diese zu viel Zeit in Anspruch, erhöht dies die Wahr- scheinlichkeit einer Rücksendung. Dagegen wirkt sich eine unbeschädigte und anspre- chende Verpackung positiv aus. Ebenfalls wichtig ist das Retouren-Handling, denn gerade hier fördert ein reibungsloser Ablauf die Kundenzufriedenheit. Ganzheitliche Betrachtung der Daten Um die Daten zu analysieren und Maßnah- men abzuleiten, müssen die aus den ein- zelnen Vorgängen gesammelten Daten im Anschluss zusammengeführt und die Inputwerte standardisiert werden. Für die Qualität der Analyseergebnisse ist eine ganzheitliche Betrachtung entscheidend. Dabei müssen alle Dimensionen, wie bei- spielsweise das CRM und ERP, die Waren- wirtschaft und das Kundenverhalten sowie externe Faktoren berücksichtigt werden. Alexander Pompös, Projektleiter der Ange- bots- und Category-Steuerung bei OTTO, bringt den Nutzen einer Big-Data-Analyse sendungen durch den Kunden auch für OTTO ein wichtiges Thema. Retouren und deren Management haben sich gerade im Onlinehandel zum erfolgskritischen Faktor Nummer 1 entwickelt. Auf der einen Seite sind Retouren grundlegender Bestandteil des Geschäftsmodells Versandhandel, dessen Vorteil es ist, die Ware in Ruhe zu Hause zu prüfen, dann zu entscheiden und anschließend unter Umständen einen Teil der Ware zurückzusenden. Für den Kun- den bedeutet das einen höheren Komfort beim Einkauf, ist also eine Serviceleistung, die den Kundenbedürfnissen entgegen- kommt – ein nicht unwesentlicher Faktor für den Erfolg des Versand- bzw. Online- handels. Auf der anderen Seite verursa- chen die Retouren immense Logistikkos- ten, Kosten zur Wiederaufbereitung und im unerfreulichsten Fall Abschreibungen für nicht mehr einlagerungs- und somit versandfähige Ware. Herausforderung: Big Data Das Hamburger Multichannel-Unterneh- men hat sich das Ziel gesetzt, die Anzahl der Rücksendungen möglichst gering zu halten. Dazu musste OTTO aber zunächst die Gründe für die Retouren erforschen. Diese Überlegungen waren zu Jahres- beginn 2012 der Ausgangspunkt für ein gemeinsames Projekt zwischen OTTO und dem Karlsruher IT-Unternehmen Blue Yon- der, einem der führenden SaaS-Anbieter für Predictive Analytics in Europa. Die große Herausforderung bestand darin, dass sich bei OTTO im Laufe von mehr als sechs Jahrzehnten eine umfas- sende Menge an Informationen ange- sammelt hatte. Heute fließen tagtäglich mehr als 100 Millionen Datensätze in die Systeme. Zudem war es erforderlich, der Bereitstellung und Aufbereitung der benö- Optimierung der Retourenprozesse durch IT 6
  3. 3. Retourenmanagement80 Diese waren die Basis für umfangreiche Maßnahmenpakete, die schließlich schritt- weise umgesetzt wurden. Wird heute z. B. ein Kleid auffällig und überdurchschnittlich oft retourniert, schlagen die Systeme Alarm. Wenn sich bei der anschließenden Produkt- prüfung ein Materialfehler herausstellt, kann OTTO schnell reagieren und das Kleid bei- spielsweise vorübergehend aus dem Sorti- ment nehmen. Außerdem implementierte der Online- händler ein Fenster, das sich vor Beendi- gung des Bestellvorgangs öffnet und auf die Möglichkeit hinweist, dass die Umwelt- belastung durch unnötige Transportwege reduziert werden kann. Hier wird der Kunde freundlich gebeten, in einem ersten Schritt Bestellungen in mehreren Größen eines Artikels zu prüfen und die entsprechenden Größenhinweise zu beachten. Allein durch diese Maßnahme konnte die Zahl der Rück- sendungen deutlich reduziert werden. Auf die Konversionsrate, also den prozentualen Anteil der Besuche eines Online-Shops, der zu Bestellungen führt, hatte dies keine nega- tiven Auswirkungen. Positive Auswirkungen auf die Nachhaltigkeits- bilanz Wie geplant, wurde das Projekt nach den veranschlagten sechs Monaten abgeschlos- sen. Im Ergebnis ließen sich bei OTTO Kosteneinsparungen im Millionenbereich realisieren. So amortisierten sich die Pro- jektkosten nach sechs Monaten. Hinzu kommt eine positive Wirkung auf die Nach- haltigkeitsbilanz, denn weniger Retouren senken auch die Umweltbelastung. Darüber hinaus kann OTTO auf Basis der Ergebnisse heute genau einschätzen, welche künftigen Investitionen in eine Verringerung der Lie- ferzeiten aus betriebswirtschaftlicher Sicht sinnvoll sind. auf den Punkt: „Der wesentliche Vorteil der Einbindung von Big-Data-Analysen in die Retourenprognose besteht darin, dass erst- mals strukturierte und unstrukturierte Daten zum Thema Retouren miteinander verknüpft werden. Die daraus resultierenden Analyse- möglichkeiten bieten viel Potenzial.“ Ein selbstlernendes System Die Basis für genaue Prognosen bildet das sogenannte Pre-Processing, bei dem sowohl die Datenquantität als auch deren Qualität analysiert und die vorhandenen Daten für den Einsatz in der Analysesoft- ware vorbereitet werden. Diese Vorarbeit ist die Voraussetzung für eine hohe Leistungs- fähigkeit und Prognosequalität der Soft- ware. Ein weiterer wichtiger Faktor ist das „Machine Learning“: Mit den vorhandenen und neu hinzukommenden Daten trainiert sich das System selbst, um relevante Muster und Zusammenhänge zu erkennen. So ist beispielsweise die Retourenquote je nach Sortiment bei OTTO sehr unterschiedlich – u.a. wird Damenoberbekleidung deutlich öfter retourniert als Technikartikel. Maßnahmen zur Retou- renoptimierung ableiten Nach dem Abschluss der Trainingsphase liefern dann aktuelle Daten neuen Input. Auf Basis der im Projektrahmen ermittelten Verbesserungspotenziale konnten konkre- te Maßnahmen zur Retourenoptimierung abgeleitet werden. Das interdisziplinäre Projektteam des Versandhändlers erar- beitete etwa 30 Arbeitshypothesen rund um die Bereiche Logistik, Sortiment und Kunde. Im weiteren Projektverlauf analy- sierte Blue Yonder die zehn wichtigsten Ergebnisse. 6

×