Die FMCG-Datenlandschaft jenseits des Kassenscanners kartieren

# Die FMCG-Datenlandschaft jenseits des Kassenscanners kartieren

Ein einzelner Becher Eiscreme erzeugt Daten, noch bevor ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → gefroren ist. Ein Aromawissenschaftler erfasst Bewertungen eines Sensorik-Panels in einem Laborsystem. Ein Demand Planner prognostiziert das Sommervolumen in einem ERP-Modul (Enterprise Resource Planning). Ein Trade Marketer verhandelt einen Promotion-Slot mit einem Händler, dokumentiert in einem TPM-Tool (Trade Promotion Management). Ein Shopper scrollt bei Instacart daran vorbei und erzeugt ein Clickstream-Event. Bis dieser Becher an einer Walmart-Kasse gescannt wird, hat ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → schon fünf oder sechs Datensysteme durchlaufen, die die meisten Category Manager nie gemeinsam betrachten.

Genau das löst diese Lektion: zu wissen, welcher Datensatz Ihre Frage tatsächlich beantwortet, statt standardmäßig auf Point-of-Sale-Daten (POS) zurückzugreifen, weil sie am vertrautesten sind.

Warum POS-Daten allein in die Irre führen

POS-Scannerdaten (von Nielsen, Circana oder direkt vom Händler) sagen Ihnen, was verkauft wurde, zu welchem Preis, in welchem Store. Sie sagen Ihnen nicht:

• Warum ein Shopper stattdessen einen Wettbewerber gewählt hat (das sind Clickstream- oder Paneldaten)
• Ob das Produkt überhaupt im Regal stand (das sind Supply-Chain-/OSA-Daten)
• Ob eine Promotion korrekt finanziert wurde (das sind Trade-Promotion-Daten)
• Ob die Rezepturänderung, auf die Shopper reagieren, die Sensoriktests bestanden hat (das sind F&E-Daten)

Ein häufiges Fehlermuster: Eine Marke sieht einen Volumenrückgang im POS und hält es für ein Nachfrageproblem, obwohl es sich um ein Out-of-Stock-Problem (OOS) weiter oben in der Kette handelt. In der Retail-Literatur häufig genannte Schätzungen sehen durchschnittliche OOS-Raten bei 5 bis 8 % der SKUs zu einem beliebigen Zeitpunkt im US- und europäischen Lebensmitteleinzelhandel (das ist eine langjährige Branchenschätzung, keine einzelne aktuelle Studie, also als Richtwert behandeln).

Die fünf zentralen Datenfamilien im FMCG

1. Supply-Chain- und Operations-Daten

Liegen in ERP-Systemen (SAP, Oracle) und Warehouse-Management-Systemen. Wichtige Datensätze: Produktionsvolumina, Lagerbestände, Fill Rates, On-Time-In-Full-Lieferquoten (OTIF) und OSA (On-Shelf Availability).

OTIF ist hier die Arbeitskennzahl: Prozentsatz der Aufträge, die vollständig und pünktlich an das DC (Distribution Center) des Händlers geliefert werden. Händler wie Walmart und Carrefour setzen OTIF-Ziele (häufig um 95 % genannt) und kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen Lieferanten bei Verfehlung mit Strafzahlungen belegen.

2. Trade-Promotion- und Preisdaten

Gehalten in TPM-Plattformen (z. B. SAP TPM, Blacksmith, Vistex) sowie in Händler-Scorecards. Wichtige Datensätze: Promotion-Kalender, Trade Spend je Mechanik (Preisnachlass, Display, Feature Ad), Promotion-ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → sowie Baseline- vs. Inkrementalvolumen.

Hier wird „Datenqualität" politisch: Trade Spend ist bei Konsumgütermarken oft die zweitgrößte Kostenposition nach den Herstellkosten, und trotzdem wird sie in vielen Unternehmen noch in Spreadsheets abgeglichen, was zu chronischen Abweichungen zwischen dem, was Finance bucht, und dem, was Vertriebsteams als Ausgaben angeben, führt.

3. Retail-POS- und syndizierte Paneldaten

Von Nielsen (NielsenIQ), Circana (früher IRI) und händlereigenen APIs (Kroger 84.51°, Walmart Luminate, Target Roundel). Wichtige Datensätze: Absatz in Stück, ACV (All Commodity Volume, also der Anteil am gesamten Einzelhandelsumsatz in Stores, die Ihr Produkt führen), Marktanteil sowie Preis-/Promotion-Elastizität.

4. E-Commerce- und Clickstream-Daten

Von Retailer.com-Seiten, Amazon, Instacart und eigenen DTC-Plattformen (Direct-to-Consumer). Wichtige Datensätze: Search ShareSearch ShareThe proportion of searches in your category that mention your brand, a leading indicator of market share.Vollständige Definition ansehen → (wie häufig Ihre Marke bei einer Kategoriesuche in den Top-Ergebnissen erscheint), Conversion RateConversion RateThe percentage of visitors or prospects who complete a desired action (purchase, sign-up, contact form), calculated as conversions divided by total opportunities.Vollständige Definition ansehen →, Add-to-Cart-Rate und Content-Compliance im digitalen Regal (korrekte Bilder, Claims, Zutatenlisten).

Das ist die jüngste und am schnellsten wachsende Datenfamilie. Anders als POS erfasst sie die *Intention* des Shoppers, nicht nur das Ergebnis, weshalb Marken zunehmend Retail-Media-Daten neben Abverkaufsdaten einkaufen.

5. F&E-, Sensorik- und Qualitätsdaten

Liegen in LIMS (Laboratory Information Management Systems) und Sensorik-Panel-Software. Wichtige Datensätze: hedonische Bewertungen (wie stark Panelisten ein Produkt mögen, typischerweise auf einer 9-Punkte-Skala), Haltbarkeits- und Stabilitätstests sowie Ergebnisse von Konzepttests bei Konsumenten.

Diese Daten sprechen selten mit kommerziellen Systemen, und genau deshalb gehen Reformulierungen manchmal live, ohne dass jemand ein sensorisches Warnsignal mit einem späteren Absatzrückgang verbindet.

Wie das Ökosystem tatsächlich zusammenhängt

Denken Sie an eine Kette, nicht an einen Haufen:

R&D/Sensory --> Supply Chain/ERP --> Trade Promotion --> Retail POS --> E-commerce/Clickstream
     (what)         (how much)          (at what price)    (what sold)   (why/intent)

Eine Kategoriefrage wie „Warum hat unsere Joghurtmarke im Q3 Anteile verloren?" braucht mindestens drei dieser fünf Familien. Nur POS-Daten zu ziehen liefert Ihnen das *Was*, niemals das *Warum*.

Datenqualitätsmetriken, die hier zählen

Drei Governance-Konzepte tauchen in FMCG-Datenteams ständig auf:

Stammdatenqualität: Produkthierarchien (SKU, Marke, Kategorie, Subkategorie) müssen über ERP, TPM und POS-Systeme hinweg übereinstimmen. Ein typischer Fall aus der Praxis: Dieselbe SKU hat nach einer Akquisition unterschiedliche GTINs (Global Trade Item Numbers, der von GS1 verwaltete Barcode-Standard) oder Produktbeschreibungen in US- und europäischen Systemen, was das marktübergreifende Reporting zerschießt.

Datenvollständigkeit und Latenz: Händler-POS-Feeds kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnen je nach Händler und Integrationsmethode (EDI vs. APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen →) 1 bis 7 Tage nachlaufen. Clickstream-Daten sind nahezu in Echtzeit verfügbar. Zeiträume zu mischen, ohne die Latenz zu berücksichtigen, ist ein häufiger Analystenfehler.

Abstimmungsgenauigkeit: Der in TPM gebuchte Trade Spend sollte zum Hauptbuch der Finanzabteilung passen. Eine Toleranz von unter 2 bis 3 % Abweichung ist ein vernünftiges Arbeitsziel, das viele CPG-Finance-/Controlling-Teams informell nutzen, auch wenn es dafür keinen universellen regulatorischen Standard gibt (es ist ein internes Kontroll-Benchmark, kein Gesetz).

Ein durchgerechnetes Beispiel: einen falschen Anteilsrückgang erkennen

Angenommen, Nielsen-POS zeigt, dass der Wertanteil Ihrer Marke in einer Kategorie innerhalb eines Quartals von 18 % auf 16 % gefallen ist.

• Schritt 1: Prüfen Sie die ACV-gewichtete Distribution. Wenn der ACV von 85 % auf 78 % gefallen ist, ist ein Teil des „Anteilsverlusts" eigentlich ein Distributionsverlust (Sie sind in weniger effektiven Stores), kein Nachfrageproblem.
• Schritt 2: Einfache Rechnung: Wenn Sie 7 ACV-Punkte verloren haben und der Kategorieanteil in reifen Kategorien tendenziell etwa mit der Distribution skaliert, kkThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →önnte ein Teil Ihres 2-Punkte-Anteilsrückgangs distributions- statt shoppergetrieben sein.
• Schritt 3: Gegenprüfung mit OSA- und OTIF-Daten. Wenn OTIF im selben Quartal eingebrochen ist, kann der Distributionsverlust ein Supply-Chain-Versagen sein und keine Auslistung.

Deshalb führt eine isolierte Kennzahl (Anteil) in die Irre, und deshalb zählt die Kerngewohnheit dieser Lektion: über Supply-Chain- und Trade-Daten zurückzuverfolgen.

Governance: wer besitzt was, und warum es bricht

Die meisten FMCG-Unternehmen haben nicht einen einzigen „Data Owner". Die Verantwortung ist typischerweise geteilt:

• IT/Data Engineering verantwortet PipelinePipelineAll active sales opportunities across the stages of the sales process, together with their combined potential value and probability of closing.Vollständige Definition ansehen →-Zuverlässigkeit und Systemintegration
• Commercial-/Category-Teams verantworten die Interpretation von POS- und Trade-Daten
• Supply Chain verantwortet ERP- und Logistikdaten
• F&E verantwortet LIMS- und Sensorikdaten, oft die am stärksten isolierten von allen

In regulierten Kategorien (Lebensmittelsicherheit, Kosmetik) fließen F&E- und Qualitätsdaten zusätzlich in Compliance-Meldungen an Behörden wie die FDA (US Food and Drug Administration) oder EFSA (European Food Safety Authority), was Aufbewahrungs- und Nachverfolgbarkeitsanforderungen mit sich bringt, die sich von der kommerziellen Data GovernanceData GovernanceData governance is the set of policies, roles, and processes that ensure data is accurate, secure, well-defined, and used responsibly across an organization.Vollständige Definition ansehen → unterscheiden. Traceability-Vorgaben (z. B. nach dem EU-Lebensmittelrecht, Verordnung (EG) Nr. 178/2002) verlangen, dass Unternehmen Zutaten einen Schritt zurück und einen Schritt vorwärts in der Lieferkette nachverfolgen, eine völlig andere Datendisziplin als ein Nielsen-Anteilsreport.

Als praktische Einführung in Retail-Datenstandards ist die Dokumentation von GS1 eine solide kostenlose Ressource: GS1 barcode and traceability standards.

🎬 [VIDEO: "How Barcodes Work (and Why Retail Data Depends on Them)" - https://www.youtube.com/results?search_query=how+barcodes+and+gtin+work+retail - eine Erklärung in einfacher Sprache zu GTINs und Scanning, dem unsichtbaren Rückgrat unter jedem POS-Datensatz]

Key Takeaways

• FMCG-Daten liegen in fünf verbundenen Familien: Supply Chain/ERP, Trade Promotion, Retail POS/Panel, E-Commerce/Clickstream und F&E/Sensorik. Eine echte Kategoriefrage braucht meist Daten aus mindestens zwei oder drei davon.
• POS-Daten sagen Ihnen, *was* verkauft wurde; sie sagen Ihnen selten das *Warum*. Kombinieren Sie sie mit Distribution (ACV), On-Shelf Availability und Clickstream-Intentionsdaten, bevor Sie einen Rückgang als nachfragegetrieben einordnen.
• Stammdaten-Abweichungen (Produkthierarchien, GTINs) zwischen Systemen sind die häufigste und am leichtesten vermeidbare Ursache schlechter FMCG-Analysen.
• Der Abgleich von Trade-Promotion-Daten mit den Finanzbüchern ist eine praktische Governance-Kontrolle, die Beachtung verdient, denn Trade Spend ist oft die größte steuerbare Kostenposition eines Unternehmens.
• Regulatorische Traceability-Anforderungen (FDA, EFSA, EU-Lebensmittelrecht) erzeugen für F&E- und Supply-Chain-Daten Aufbewahrungs- und Herkunftspflichten, die strenger sind als kommerzielle Reporting-Standards und von diesen getrennt bestehen.