Die Retail-Datenlandschaft end to end kartieren

# Die Retail-Datenlandschaft end to end kartieren

Ein Baumwoll-T-Shirt verlässt eine Fabrik in Bangladesch mit einem bereits aufgedruckten Barcode. Bis es sechs Wochen später von einem Kunden zurückgeschickt wird, hat es eine EDI-Versandmitteilung, einen Einlagerungsdatensatz im Lager, eine POS-Transaktion, einen Loyalty-ID-Match, eine Clickstream-Session und einen Retouren-Dispositionscode erzeugt. Sechs Datentypen, sechs Systeme und bei den meisten Händlern null Personen, die dieses einzelne Kleidungsstück über alle hinweg nachverfolgen 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. Diese Lücke ist das Problem der Retail-Datenlandschaft im Kleinen.

Diese Lektion kartiert das Terrain: woher Retail-Daten tatsächlich kommen, wie Sie beurteilen, ob sie vertrauenswürdig sind, und welche Benchmarks Ihnen zeigen, ob Ihr Measurement-Stack funktioniert.

Die zentralen Datenquellen: von der Lieferung über das Regal bis zum Screen

Retail-Daten entstehen an jedem Übergabepunkt der Produktreise. Fassen Sie sie in fünf Cluster zusammen.

1. Supply-Chain- und Beschaffungsdaten. Entstehen über EDI-Dokumente (Electronic Data Interchange, ein jahrzehntealter Standard für strukturierte Business-to-Business-Nachrichten) wie die 850 (Bestellung), 856 (Advance Ship Notice) und 810 (Rechnung). Zunehmend ergänzt durch APIAPIApplication Programming Interface: a standardised interface that lets applications communicate and exchange data without knowing each other's internal workings.Vollständige Definition ansehen →-Feeds von Lieferanten. Diese Daten sagen Ihnen, was bestellt wurde, was versandt wurde und wann.

2. Lager- und Logistikdaten. Erfasst durch das WMS (Warehouse Management System), umfasst Einlagerung, Pick-Pfade, Bestandsort und Zyklusinventuren. Kombiniert mit TMS-Daten (Transportation Management System) zu Versand und Carrier-Performance.

3. Point-of-Sale- (POS) und Transaktionsdaten. Der klassische Retail-Datensatz: SKU, Preis, Menge, Zeitstempel, Store-ID, Zahlungsart. Das ist bei den meisten Händlern die ausgereifteste Datenquelle, oft 20 bis 30 Jahre tief in Legacy-Systemen.

4. Kunden- und Loyalty-Daten. Loyalty-Programm-IDs, CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →-Datensätze (Customer Relationship ManagementCustomer Relationship ManagementCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →), E-Mail- und App-Engagement und zunehmend einheitliche Kundenprofile, aufgebaut aus einer CDPCDPA Customer Data Platform unifies customer data from all sources into persistent, actionable profiles that other systems can use.Vollständige Definition ansehen → (Customer Data PlatformCustomer Data PlatformA Customer Data Platform unifies customer data from all sources into persistent, actionable profiles that other systems can use.Vollständige Definition ansehen →, Software, die Kundendaten aus mehreren Quellen in einem einzigen Profil konsolidiert).

5. Digital- und Clickstream-Daten. Website- und App-Sessions, Produktansichten, Cart-Adds, Suchanfragen und Werbekontakte. Erfasst über Tools wie Google Analytics oder Adobe Analytics und typischerweise am wenigsten mit den In-Store-Daten integriert.

Eine sechste, querliegende Kategorie: Bestands- und Merchandising-Stammdaten, also Produktkatalog, Attribute, Preise und Promotions, die alle anderen Datensätze miteinander verbinden sollten, es aber häufig nicht tun, weil SKUs über Systeme hinweg unterschiedlich codiert sind.

Warum diese Quellen selten zusammenpassen

Die meisten Händler arbeiten auf einem über 15 bis 20 Jahre gewachsenen Flickwerk: eine Legacy-POS-Plattform, ein separat beschafftes WMS, ein angeflanschter E-Commerce-Stack und ein per M&A erworbenes CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →. Jedes hat sein eigenes Produkt-ID-SchemaSchemaA schema is the formal blueprint that defines how data is structured, named, typed, and related within a database, file, or message.Vollständige Definition ansehen →, Kunden-ID-SchemaSchemaA schema is the formal blueprint that defines how data is structured, named, typed, and related within a database, file, or message.Vollständige Definition ansehen → und seinen eigenen Aktualisierungsrhythmus. Das Ergebnis nennen Praktiker „Identity Fragmentation“: Derselbe Kunde, dasselbe Produkt oder derselbe Store existiert als unterschiedlicher Key in unterschiedlichen Systemen, und niemand verantwortet das Mapping.

Deshalb ist OmnichannelOmnichannelAn integrated approach connecting all customer touchpoints (physical, digital, mobile) into a seamless experience, with shared data and consistent context across channels.Vollständige Definition ansehen →-Analytics in der Praxis schwierig, nicht weil das Konzept unklar wäre, sondern weil die zugrunde liegenden Joins ohne erhebliche Investitionen in Master Data ManagementMaster Data ManagementMaster Data Management (MDM) is the discipline of creating and maintaining a single, consistent, trusted version of an organization's core business entities like customers, products, and suppliers.Vollständige Definition ansehen → (MDMMDMMaster Data Management (MDM) is the discipline of creating and maintaining a single, consistent, trusted version of an organization's core business entities like customers, products, and suppliers.Vollständige Definition ansehen →) gar nicht existieren, also in Disziplin und Tooling zur Pflege einer einzigen verlässlichen Version zentraler Entitäten wie Produkt, Kunde und Standort.

Datenqualität: die Metriken, auf die es wirklich ankommt

Datenqualität ist nicht binär. Sie wird über Dimensionen hinweg gemessen, und Retail hat für jede davon sektorspezifische Schwachstellen.

• Vollständigkeit: Sind die erforderlichen Felder gefüllt? Ein häufiger Retail-Fehler: 15 bis 20 % der SKUs haben zum Launch keine Schlüsselattribute (Größe, Farbe, Material), Schätzung auf Basis typischer PIM-Audits (Product Information Management).
• Genauigkeit: Spiegeln die Daten die Realität? Bestandsgenauigkeit (Systembestand vs. physischer Bestand) ist ein klassischer Benchmark. Best-in-Class-Händler halten diesen über 95 %; viele liegen näher bei 85-90 %, laut Branchenumfragen von Gruppen wie RILA (Retail Industry Leaders Association).
• Aktualität: Wie veraltet sind die Daten zum Zeitpunkt der Nutzung? Echtzeit-Bestandstransparenz (Aktualisierung innerhalb von Minuten) gegenüber Batch-Updates (einmal täglich) verändert mamaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßgeblich, ob „auf Lager“ online auch real auf Lager bedeutet.
• Konsistenz: Stimmt dieselbe Entität über Systeme hinweg überein? Ein Produkt mit drei verschiedenen SKU-Codes in ERP, WMS und E-Commerce ist ein Konsistenzfehler.
• Eindeutigkeit: Gibt es doppelte Datensätze? Doppelte Kundenprofile sind in Loyalty-Datenbanken endemisch, oft 10 bis 15 % der Datensätze, Schätzung, vor der Deduplizierung.

Ein durchgerechnetes Beispiel: die Kosten schlechter Bestandsdaten

Angenommen, eine mittelgroße Modekette hat 90 % Bestandsgenauigkeit über 10.000 SKUs. Das bedeutet, rund 1.000 SKUs weisen zu jedem Zeitpunkt einen falschen Lagerbestand aus.

Wenn auch nur ein Viertel dieser Fehler online ein „auf Lager“-Versprechen erzeugt, das nicht erfüllt werden kann (ein „Phantom Stock“-Szenario), sind das 250 SKUs mit gebrochenen Versprechen. Kostet jedes gebrochene Versprechen einen verlorenen Verkauf von durchschnittlich 40 $, ergibt das ein grobes Risiko von 10.000 $ pro Bestands-Snapshot, das sich täglich aufsummiert, bis abgeglichen wird. Das ist eine vereinfachte Beispielrechnung, kein Benchmark, aber sie zeigt, warum Bestandsgenauigkeit als KPIKPIKey Performance Indicator, a measurable value that shows how effectively you're achieving a specific objective, tracked over time against a target.Vollständige Definition ansehen → (Key Performance IndicatorKey Performance IndicatorKey Performance Indicator, a measurable value that shows how effectively you're achieving a specific objective, tracked over time against a target.Vollständige Definition ansehen →) auf Governance-Ebene behandelt wird und nicht bloß als operative Metrik.

Governance: wer die Korrekturen verantwortet

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 → im Retail dreht sich typischerweise um:

• Data StewardshipData StewardshipA business-side owner responsible for the quality, consistency and appropriate use of data in their domain.Vollständige Definition ansehen →: benannte Owner pro Domäne (Produkt, Kunde, Standort), verantwortlich für Qualitätsschwellen.
• Master Data Management (MDM): die technische und prozessuale Schicht, die doppelte oder widersprüchliche Datensätze zu einem „Golden Record“ auflöst.
• Datenschutz und Compliance: In der EU regelt die DSGVO (Datenschutz-Grundverordnung) die Erhebung von Kundendaten und die Einwilligung; in den USA setzen Landesgesetze wie die CCPA (California Consumer Privacy Act) und ihre Erweiterung CPRA ähnliche Regeln. Händler, die Loyalty- und Clickstream-Daten verarbeiten, müssen die Rechtsgrundlage der Verarbeitung dokumentieren und Löschanfragen erfüllen, eine Governance-Pflicht, nicht nur eine rechtliche.

Analytics- und Measurement-Benchmarks

Sobald die Daten inventarisiert und halbwegs vertrauenswürdig sind, lautet die nächste Frage: Was sollten Sie eigentlich messen, und gegen welchen Benchmark?

Zentrale Retail-Analytics-KPIs

• Sell-Through-Rate: verkaufte Einheiten ÷ erhaltene Einheiten, über einen Zeitraum. Ein gesunder Sell-Through im Bekleidungsbereich in den ersten 4 bis 6 Wochen einer Saison wird oft mit rund 70-80 % angegeben, Schätzung, stark abhängig von der Kategorie.
• Lagerumschlag: Wareneinsatz ÷ durchschnittlicher Bestandswert. Lebensmittelhändler erreichen oft einen Umschlag von 10 bis 15x pro Jahr; Bekleidung und Gebrauchsgüter liegen deutlich niedriger, oft 3 bis 5x, Schätzungen, die je Subsektor stark variieren.
• 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 →: Transaktionen ÷ Besuche (in-store über Kundenzähler oder online). E-Commerce-Conversion in den USA wird häufig mit rund 2 bis 3 % angegeben, Schätzung der letzten Jahre, laut Benchmarks von Anbietern wie dem Adobe Digital Economy Index.
• Customer Match Rate: der Anteil der Transaktionen, die erfolgreich einer bekannten Kundenidentität zugeordnet werden. Sie ist die Grundlage jeder Loyalty- oder Personalisierungsanalyse und liegt in-store oft unter 50 %, gegenüber nahezu 100 % bei eingeloggten E-Commerce-Sessions.

Ein einfaches Snippet von Datenqualität zu KPIKPIKey Performance Indicator, a measurable value that shows how effectively you're achieving a specific objective, tracked over time against a target.Vollständige Definition ansehen →

Analysten starten Qualitätsdiagnosen oft mit einfachen Vollständigkeits- und Duplikatprüfungen, bevor sie einem KPIKPIKey Performance Indicator, a measurable value that shows how effectively you're achieving a specific objective, tracked over time against a target.Vollständige Definition ansehen →-Dashboard vertrauen:

-- Vollständigkeitsprüfung: % der SKUs ohne ein erforderliches Attribut
SELECT
  COUNT(*) AS total_skus,
  SUM(CASE WHEN size IS NULL OR color IS NULL THEN 1 ELSE 0 END) AS incomplete_skus,
  ROUND(100.0 * SUM(CASE WHEN size IS NULL OR color IS NULL THEN 1 ELSE 0 END) / COUNT(*), 1) AS pct_incomplete
FROM product_master;

Dies vor dem Aufbau eines Sell-Through-Dashboards auszuführen verhindert einen häufigen Fehlermodus: einen KPIKPIKey Performance Indicator, a measurable value that shows how effectively you're achieving a specific objective, tracked over time against a target.Vollständige Definition ansehen → selbstbewusst auf einem kaputten Fundament zu reporten.

Benchmarking-Mindset

Benchmarks sind richtungsweisend, keine universellen Zielwerte. Das Lagerumschlagsziel einer Lebensmittelkette ist auf ein Luxusmodehaus angewandt bedeutungslos. Benchmarken Sie immer innerhalb des Subsektors und behandeln Sie jede extern zitierte Zahl als Schätzung, solange sie nicht aus Ihren eigenen geprüften Systemen kommt.

🎬 [VIDEO: "How Retailers Use Data Analytics" - youtube.com/@McKinsey - ein kompakter Überblick darüber, wie führende Händler Datenquellen mit Entscheidungen verknüpfen, nützlich zur Verankerung der Konzepte dieser Lektion]

Key Takeaways

• Retail-Daten kommen aus mindestens fünf unterschiedlichen Quellclustern (Supply Chain/EDI, Lager/WMS, POS, Kunde/CRMCRMCustomer Relationship Management: software and strategy to manage and analyse customer interactions throughout their lifecycle.Vollständige Definition ansehen →, Digital/Clickstream), und die meisten Händler haben sie wegen Identity Fragmentation über Legacy-Systeme hinweg nie vollständig kartiert oder verknüpft.
• Datenqualität sollte über fünf Dimensionen bewertet werden: Vollständigkeit, Genauigkeit, Aktualität, Konsistenz, Eindeutigkeit. Bestandsgenauigkeit unter 90 % ist verbreitet und hat direkte, berechenbare Umsatzwirkung.
• Governance erfordert benannte Data Stewards, MDMMDMMaster Data Management (MDM) is the discipline of creating and maintaining a single, consistent, trusted version of an organization's core business entities like customers, products, and suppliers.Vollständige Definition ansehen → zur Auflösung doppelter „Golden Records“ und Compliance mit DSGVO (EU) und CCPA/CPRA (USA) für Kundendaten.
• Zentrale KPIs wie Sell-Through, Lagerumschlag und 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 → sind nur vertrauenswürdig, wenn die zugrunde liegenden Daten zuvor grundlegende Qualitätsprüfungen bestanden haben, also immer erst auditieren, dann benchmarken.
• Behandeln Sie alle Branchen-Benchmarks als Schätzungen für einen bestimmten Subsektor und Zeitraum, und nehmen Sie nie an, dass ein Benchmark aus dem Lebensmittel- oder Luxusbereich auf Ihre Kategorie übertragbar ist.