Was ist Echtzeit-Einzelhandel?

Was sind Echtzeitdaten für den Einzelhandel?

• Einzelhandel in Echtzeit setzt Datenzugriff in Echtzeit voraus. Zugriff, Analyse und Compute erfolgten bisher batchbasiert. Die Abkehr von diesem Ansatz ermöglicht, dass Daten immer verfügbar sind, was Entscheidungen in Echtzeit und Business Intelligence fördert. Echtzeit-Anwendungsfälle wie Bedarfsplanung, Personalisierung, Regalverfügbarkeit, Vorhersage der Ankunftszeit sowie Kommissionierung und Konsolidierung bieten dem Unternehmen einen Mehrwert in Form von verbesserter Lieferkettenflexibilität, geringeren Lieferkosten, besserer Produktverfügbarkeit und Lagerauffüllung.

Warum sind Echtzeitdaten für den Einzelhandel wichtig?

• Wir haben in den letzten 20 Jahren den Übergang zu E-Commerce und Omni-Channel-Commerce miterlebt, nur um dann mit dem Ausbruch der COVID-19-Pandemie eine grundlegende Veränderung des Verbraucherverhaltens zu beobachten. In nur 10 Wochen erlebten wir einen Wandel, für den zuvor 10 Jahre erforderlich waren. Da physische Geschäfte mit Lockdown-Anordnungen konfrontiert waren, verlagerten die Verbraucher ihre Einkäufe auf den digitalen Channel. Es konnte niemand mehr im Restaurant essen, während die Drive-thru- und Lieferumsätze sprunghaft anstiegen. Mit der Verlagerung des Umsatzes kamen auch andere Veränderungen: mehr Betrugsversuche, veränderte Kundenerwartungen, ein höheres Retourenaufkommen und höhere Kosten für die Bedienung der Kunden außerhalb der Geschäfte und per Lieferung.
• Die jüngste Volatilität in den Lieferketten hat die verbraucherbedingten Veränderungen noch verstärkt. Das größte Risiko für die Einzelhandels- und Konsumgüterbranche in den nächsten Jahren ist die Volatilität.
• Herkömmliche Geschäftsstrategien waren sofort überholt – die Bedarfsplanung prognostizierte die falsche Nachfrage und die Präferenzen der Kunden änderten sich, was zu Bestandsmängeln in den Lagern führte. Darunter litten die Margen der Einzelhändler. Da Verbraucher in Echtzeit kauften, mussten Unternehmen ihre veralteten Data-Warehouse-Architekturen auf solche umstellen, die in Echtzeit ausgeführt werden und reagieren konnten – daher Lakehouse für den Einzelhandel.

Welche Vorteile bietet der Datenzugriff in Echtzeit?

• Schnelle Datenaufnahme im großen Maßstab macht erweiterte Erkenntnisse in der gesamten Wertschöpfungskette in Echtzeit verfügbar, wodurch Kosten gesenkt und Fehler minimiert werden. Einzelhändler machen Fehler, wenn sie Entscheidungen ohne Informationen treffen. Diese Fehler können sich auf vielerlei Weise äußern, darunter folgende:
  • Eine Unterschätzung der Nachfrage führt zu höheren Versandkosten bei Eillieferungen.
  • Eine falsche Vorhersage darüber, wie viel von einem Artikel produziert werden sollte, führt zu überhöhten Lagerkosten, verpasstem Umsatz und höherem Ausschuss.
  • Die Reaktion auf Unterbrechungen führt zu ungeplanten Ausfällen, die den gesamten Produktionszyklus stören.
  • Wickelt man Aufträge mit unvollständigen oder ungenauen Daten ab, führt zu zusätzlichen Versandkosten oder höheren Retourenquoten.
  • Verpasst man die Chance, einen Verbraucher auf der Grundlage aktueller Daten anzusprechen, verpasst man Vertriebschancen.
• Durch die Verarbeitung von Daten in Echtzeit können alle Teile der Wertschöpfungskette den Status des Betriebs ohne Verzögerung erkennen und fundiertere Entscheidungen treffen, die zur Vermeidung dieser Probleme beitragen.

Welche Echtzeit-Fähigkeiten von Databricks machen den Unterschied?

• Databricks Lakehouse nutzt Technologien wie Delta, DLT, Autoloader und Photon und bietet Kunden so die Möglichkeit, entscheidungskritische Daten in Echtzeit bereitzustellen.
• Lakehouse für den Einzelhandel unterstützt die größten Jobs nahezu in Echtzeit. Beispielsweise generieren Kunden fast 400 Mio. Ereignisse pro Tag aus Transaktionsprotokollsystemen, die mit 15-Sekunden-Intervallen arbeiten. Da Berichterstellung und Analyse infolge der Datenverarbeitung ständig unterbrochen würden, laden die meisten Kunden aus dem Handel ihre Daten in einem nächtlichen Batch in ihr Data Warehouse. Bei manchen Unternehmen erfolgt der Ladevorgang sogar nur wöchentlich oder gar monatlich.
• Eine ereignisgesteuerte Lakehouse-Architektur stellt eine einfachere Methode zur Erfassung und Verarbeitung von Batch- und Streaming-Daten dar als herkömmliche Ansätze wie etwa Lambda-Architekturen. Eine solche Architektur verwaltet die Erfassung von Änderungsdaten und sorgt für ACID-Konformität der Transaktionen.
• DLT vereinfacht das Anlegen von Datenpipelines und erstellt automatisch Data Lineages zur Unterstützung der laufenden Verwaltung.
• Das Lakehouse ermöglicht die Erfassung von Datenströmen in Echtzeit und die Analyse von Streaming-Daten. Zur Durchführung von Analyseaufgaben erfordern Data Warehouses eine Extraktion, eine Transformation und das Laden sowie eine zusätzliche Extraktion aus dem Data Warehouse.
• Photon bietet eine rekordverdächtige Abfrageleistung: Benutzer können selbst größte Datasets abfragen, um in BI-Tools Echtzeitentscheidungen zu treffen.

Erfahren Sie mehr zu Lösungen des Lakehouse für den Einzelhandel.

Zusätzliche Ressourcen

• Zusammenarbeit in der gesamten Wertschöpfungskette des Einzelhandels mit Daten und KI
• Point-of-Sale-Analytics in Echtzeit mit einem Data Lakehouse
• Verbesserung der Regalverfügbarkeit von Artikeln mit KI-Out-of-Stock-Modellierung