Die Category-Entscheidung aus integrierten FMCG-Daten aufbauen

Eine Einkäuferin bei einem großen Lebensmittelhändler gibt Ihnen 20 Minuten, um zu begründen, warum sie 14 SKUs auslisten, das Regal neu aufbauen und Ihnen erlauben sollte, die 1-Liter-Saftflasche bei gleichem Preis auf 900 ml zu verkleinern. Sie hat in diesem Quartal schon jeden Lieferantenpitch gehört. Das Einzige, was sie bewegt: eine schlüssige Story, aufgebaut aus Daten, die sie nicht einfach bestreiten kann.

Genau das ist die Aufgabe eines Category Captain (des Herstellers, dem ein Händler zutraut, ihn bei der Steuerung einer ganzen Kategorie zu beraten, nicht nur bei den eigenen Marken). Diese Lektion zeigt, wie Sie vier unübersichtliche Datenströme zu dieser einen Empfehlung verschmelzen.

Die vier Datenströme, die Sie integrieren

Jeder Strom beantwortet eine andere Frage. Keiner reicht allein.

POS-Daten (Point of Sale). Scannerdaten aus den Kassen des Händlers. Sie zeigen genau, was verkauft wurde, wo und zu welchem Preis, bei diesem Händler. Das ist die Ground Truth für *diesen* Account, aber blind für alles außerhalb.

Paneldaten. Eine rekrutierte Stichprobe von Haushalten (oder Personen), die jeden Einkauf über alle Geschäfte hinweg erfassen. Anbieter wie Kantar und NielsenIQ betreiben solche Panels. Das Panel zeigt, *wer* kauft, wie loyal die KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →äufer sind und was sie woanders kaufen. Es ist direktional, nicht auf Vollerhebungsniveau, deshalb tragen kleine Segmente einen Stichprobenfehler.

Distributionsdaten. Wo Produkte physisch gelistet und verfügbar sind. Zentrale Kennzahl: gewichtete Distribution (der Anteil am gesamten Kategorieumsatz, der in Geschäften stattfindet, die Ihre SKU führen, nicht nur die reine Anzahl der Geschäfte). Eine SKU in 200 kleinen Läden kann eine niedrigere gewichtete Distribution haben als eine in 40 Verbrauchermärkten.

Loyalty-Daten. Kartenbezogene Kaufhistorien aus dem Loyalty-Programm des Händlers. Das ist das Kronjuwel: Sie verknüpfen Warenkörbe über Zeit mit identifizierten Shoppern, sodass Sie Switching, Cross-Shop und Wiederkaufraten sehen.

Die Kompetenz liegt nicht in einem einzelnen Datensatz. Sie liegt darin, sie zu versöhnen, wenn sie sich widersprechen, und das werden sie.

Schritt 1: Den Tail mit POS finden, dann mit Loyalty gegenprüfen

Starten Sie mit einer Dezilanalyse: Sortieren Sie jede SKU der Kategorie nach Umsatz und teilen Sie sie in zehn Gruppen.

import pandas as pd

# pos = one row per SKU with 52-week sales and units
pos = pos.sort_values("sales_52wk", ascending=False)
pos["cum_share"] = pos["sales_52wk"].cumsum() / pos["sales_52wk"].sum()
pos["rate_of_sale"] = pos["units_52wk"] / pos["stores_stocking"]

tail = pos[pos["cum_share"] > 0.95]   # candidate delist SKUs

Typischerweise trägt das unterste Dezil einen niedrigen einstelligen Prozentsatz zum Kategorieumsatz bei. Das sind Auslistungskandidaten. Aber streichen Sie noch nicht.

Zwei SKUs kkDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →önnen aus entgegengesetzten Gründen identisch niedrige Umsätze haben:

• Niedriger Rate of Sale. Wirklich nicht gewünscht. Niemand kauft sie, selbst dort, wo sie gelistet ist. Kann gestrichen werden.
• Niedrige Distribution, hoher Rate of Sale. Ein versteckter Gewinner, dem Regalfläche fehlt. Diese zu streichen vernichtet Wert.

POS allein verdeckt das. Teilen Sie Einheiten durch die Zahl führender Geschäfte, um den Rate of Sale zu erhalten, und ziehen Sie dann Loyalty-Daten hinzu, um die letzte und wichtigste Frage zu prüfen.

Schritt 2: Die Inkrementalitätsfrage, die Loyalty beantwortet

Die eigentliche Angst der Einkäuferin: *Wenn ich diese SKU auslisten, verliere ich diesen Umsatz, oder kauft der Shopper einfach etwas anderes in meinem Geschäft?*

Loyalty-Daten erlauben eine Schätzung. Schauen Sie sich Shopper an, deren Warenkorb die Kandidaten-SKU enthält. Was kaufen sie sonst in der Kategorie? Wenn 85 Prozent von ihnen regelmäßig auch eine SKU kaufen, die Sie behalten, ist die Tail-SKU weitgehend nicht inkrementell (ihr Umsatz verlagert sich, ererDas Verhältnis von Interaktionen (Likes, Kommentare, Shares) zur Reichweite eines Inhalts. Zeigt, wie stark die Zielgruppe reagiert, gemessen an der Zahl der Personen, die den Inhalt gesehen haben.Vollständige Definition ansehen → verschwindet nicht, wenn sie geht). Wenn ein relevanter Teil *nur* die Tail-SKU und nichts anderes in der Kategorie kauft, riskiert eine Auslistung, diese KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →äufer zu einem Wettbewerber zu treiben.

Das ist Ihre Verteidigung. Sie sagen nicht „die verkaufen sich schlecht“. Sie sagen „die verkaufen sich schlecht *und* ihre Shopper bleiben in Ihrem Geschäft“.

Als solide Einführung, wie diese Techniken Category Management unterlegen, sind die Category Management Association und NielsenIQs Bildungsinhalte nützliche kostenlose Startpunkte.

Schritt 3: Das Planogramm mit Space-to-Sale neu aufsetzen

Ein Planogramm ist die visuelle Karte, was wo im Regal steht. Das Grundprinzip: Fläche proportional zum Umsatz einer SKU zuweisen, angepasst um einige Realitäten.

Berechnen Sie für jede SKU den Space-to-Sale-Index: ihren Anteil an den Regal-Facings geteilt durch ihren Anteil am Kategorieumsatz. Ein Index über 1,0 bedeutet zu viel Fläche (Regal verschenkt), unter 1,0 bedeutet zu wenig Fläche.

| Signal | Datenquelle | MaMaEinsatz von Software, um wiederkehrende Marketingaufgaben und Kampagnen zu automatisieren und Personalisierung in großem Maßstab über Kanäle wie E-Mail, Web und Social zu ermöglichen.Vollständige Definition ansehen →ßnahme |

|---|---|---|

| Space-to-Sale-Index hoch | POS + Regalaudit | Facings reduzieren |

| Hoher Rate of Sale, niedrige Distribution | POS + Distribution | Facings ergänzen / breiter listen |

| Hohe Wiederkaufrate | Loyalty | Schützen, in Augenhöhe platzieren |

| Wachsendes Segment | Panel | Zusätzliche Fläche geben |

Zwei Anpassungen halten das ehrlich:

1. Days of Supply. Schnelldreher brauchen genug Facings, um zwischen zwei Nachschubzyklen nicht out of stock zu gehen. Eine reine Umsatzanteilszuweisung kann eine Top-SKU aushungern und Umsatz kosten.

2. Segmentblöcke. Shopper navigieren das Regal nach Bedarf (Kindersaft, Premium, Value). Paneldaten zu Segmenttrends zeigen, welche Blöcke Sie ausbauen sollten. Verteilen Sie eine wachsende Premiumstufe nicht über das gesamte Regal.

Machen Sie den Reset visuell erlebbar. Einkäufer reagieren auf ein Vorher-Nachher-Regalbild deutlich stärker als auf eine Tabelle.

🎬 [VIDEO: "What is Category Management?" - youtube.com - eine knappe Erklärung der Rolle des Category Captain und der Beziehung zwischen Händler und Lieferant]

Schritt 4: Die Änderung der Price-Pack-Architecture verteidigen

Price-Pack-Architecture (PPA) ist die Bandbreite an Packungsgrößen und Preispunkten, die eine Marke anbietet, damit unterschiedliche Shopper und Anlässe abgedeckt sind (Single-Serve-Impuls, Familien-Multipack usw.).

Ihr Vorschlag: die 1-Liter-Flasche auf 900 ml reduzieren, Regalpreis halten. Das ist eine Price-Pack-Änderung, gelegentlich Shrinkflation genannt, wenn sie still erfolgt. Sie wird genau geprüft, also muss Ihre Datenbasis wasserdicht und Ihre Logik transparent sein.

Bauen Sie die Verteidigung aus drei Winkeln:

Preis-pro-Liter-Kontext (Panel). Zeigen Sie, wie sich der Preis pro Liter in der Kategorie entwickelt hat. Wenn die Inputkosten branchenweit gestiegen sind, kann eine Packungsänderung den Einstiegspreispunkt zugänglich halten und gleichzeitig die Marge schützen. Framen Sie es als Verteidigung des Key Value Item (des Preispunkts, den Shopper tatsächlich wahrnehmen und an dem sie messen, ob ein Geschäft teuer ist).

Elastizität (POS). Schätzen Sie, wie das Volumen auf Preis reagiert. Wenn die Alternative zur Packungsänderung eine direkte Preiserhöhung beim 1-Liter ist, modellieren Sie beides. Eine moderate Packungsreduktion schützt das Volumen oft besser als eine sichtbare Regalpreiserhöhung, weil Shopper sich stark am Headline-Preis verankern.

Kannibalisierung und Trade-up (Loyalty). Zeigen Sie, ob die 900 ml Shopper von größeren Packungen *herunterzieht* (schlecht, Sie verlieren Volumen) oder sie hält und dabei die Marge verbessert. Loyalty-Switching-Daten sind der einzige saubere Weg, das zu sehen.

Ein Wort zur Vorsicht: Packungsverkleinerung birgt Reputationsrisiken und in manchen Märkten regulatorische Offenlegungsrisiken. Mehrere Jurisdiktionen verlangen klarere Grundpreisangaben. Präsentieren Sie es als transparente Architekturentscheidung, nicht als verdeckten Trick, sonst lehnt die Einkäuferin (deren Marke am Regal hängt) ab.

Schritt 5: Die einseitige Empfehlung zusammenstellen

Die Integration ist das Deliverable. Vier Ströme, ein Narrativ:

1. Auslisten der 14 Tail-SKUs. Belege: unterstes Dezil der POS-Umsätze *und* Loyalty zeigt, dass ihre KKDie durchschnittliche Zahl neuer Nutzer, die jeder bestehende Nutzer über Empfehlungen generiert. Über 1,0 verstärkt sich das Wachstum selbst und wird exponentiell.Vollständige Definition ansehen →äufer nicht inkrementell sind (sie bleiben im Geschäft). Projizierter Kategorieumsatzverlust: minimal. Freigewordene Fläche: in Facings quantifiziert.

2. Reset des Planogramms. Freigewordene Fläche auf den wachsenden Premiumblock (Paneltrend) und auf zwei unterdistribuierte SKUs mit hohem Rate of Sale (POS plus Distribution) umverteilen. Vorher-Nachher zeigen, mit Days-of-Supply-Prüfung.

3. PPA-Änderung. 1 Liter auf 900 ml. Belege: Preis-pro-Liter-Kontext der Kategorie, Elastizität spricht für Packung statt Preis, Loyalty zeigt keine Abwärtskannibalisierung. Auf Shopper-Transparenz ausgelegt.

Die drei Einwände der Einkäuferin sind vorhersehbar. Kommen Sie jedem mit dem Datensatz zuvor, der ihn beantwortet:

• „Ich verliere Umsatz.“ -> Loyalty-Inkrementalität.
• „Sie greifen nur Regalfläche für Ihre Marken ab.“ -> Space-to-Sale-Index angewendet auf *alle* Marken, einschließlich Ihrer eigenen, die Fläche verlieren, wo es begründet ist.
• „Shopper werden die Verkleinerung merken.“ -> Preis pro Liter und Elastizität, plus transparenter Kennzeichnungsplan.

Der Glaubwürdigkeitstrick: Empfehlen Sie, einige Ihrer *eigenen* SKUs zu streichen oder ihnen Fläche zu nehmen, wo die Daten es verlangen. Ein Captain, der sich immer nur selbst bevorteilt, wird abgesetzt.

Versöhnen, wenn Datenströme sich widersprechen

Sie werden sich widersprechen. Eine SKU kann im POS dieses Händlers schwach aussehen, im nationalen Panel aber stark. Das heißt meist, dass sie eine Stärke im Wettbewerbsaccount oder hier eine Sortimentslücke ist, also eine Chance, keine Auslistung. Wenn Loyalty und POS bei einem Segment im Konflikt stehen, vertrauen Sie POS für das *was verkauft wurde* und Loyalty für das *wer und warum*. Nennen Sie Ihre Annahmen immer im Deck, Einkäufer vertrauen Analysten, die die Nähte zeigen.

Wichtigste Erkenntnisse

• Listen Sie niemals allein auf Basis des Umsatzrangs aus. Teilen Sie schwache Verkäufer vor dem Streichen in wirklich unerwünschte (niedriger Rate of Sale) und ausgehungerte Gewinner (niedrige Distribution, hoher Rate of Sale).
• Loyalty-Daten belegen Inkrementalität, die größte einzelne Angst der Einkäuferin. Zeigen Sie, dass die Shopper ausgelisteter SKUs im Geschäft bleiben.
• Der Space-to-Sale-Index steuert den Reset, angepasst um Days of Supply und Segmentblöcke. Fläche folgt Umsatz, mit Leitplanken.
• Verteidigen Sie eine Price-Pack-Änderung mit drei Datensätzen: Preis-pro-Liter-Kontext, Elastizität und Loyalty-Kannibalisierung, und präsentieren Sie sie angesichts der Kennzeichnungsprüfung transparent.
• Empfehlen Sie auch, Ihre eigenen schwachen SKUs zu streichen. Glaubwürdigkeit als Captain entsteht daraus, für die Kategorie zu handeln, nicht nur für Ihre Marke.