HET RECEPT. Factual decision making. Retailen met data science. Joost van der Zon & Bart Koeman 20 september 2017 Utrecht

Transcriptie

1 HET RECEPT Retailen met data science Joost van der Zon & Bart Koeman 20 september 2017 Utrecht

2 Bakker Bart 1200 fte s 86 mln omzet 172 stores 2

3 Veneficus 990 Vestigingen geanalyseerd Data scientists & software engineers >450 mln Kassabonnen geanalyseerd 103 Opdrachtgevers 10 jaar 34 medewerkers 43 Analyse flows 3

4 Bio s Bart Koeman - CFO Bakker Bart CFO sinds 2014 Voorheen verschillende Finance manager posities o.m. Oriflame Cosmetics, YER en Vitae Focus Lean management Innovatie Joost van der Zon Partner Veneficus Partner Veneficus sinds 2007 Project ervaring bij Unilever, Jumbo, Praxis, Sissy Boy en vele andere. Focus Sector lead Retail Business development 4

5 De route van Decision Making Waarde 1. Observerend Wat is er gebeurd? 3. Voorspellend Wat zal er gebeuren? 2. Diagnostisch/ Maatgevend Waarom is het gebeurd? 4. Dirigerend Hoe laten we het gebeuren? Complexiteit 5

6 Hoofdonderwerpen in de Retail sector Vestigingen Klanten Assortiment Prijs & Promo Multichannel 6

7 De oplossingen voor Bakker Bart 7

8 INGREDIËNTEN VOOR DATA SCIENCE IN RETAIL

9 Clustering van klanten en shopping trips Input Soorten info Kassabonnen Product kenmerken Tijdstip Product hiërarchie Prijs Afprijzing Aantal producten Omzet Combinatie aankopen # kassabonnen > 300 miljoen 9

10 Mission Trip Clusters Bakker Bart Dagelijks Bakker Bezoek Gericht Bakker Bezoek Gebak (met koffie) Koopjesjagen Meerdere kleine broodjes en hartige snacks Kleine bon met At Home producten Vlaai en banket, vaak met warme drank Producten met promotie veel broodjes en snacks Snelle lunch Lunch met drankje Luxe lunch Goedkopere out of home bon, zonder drankje Broodje(s) of snack(s), heel vaak met verpakte drank Duurdere out of home bon, vaak met verse drank 10

11 Potentie van een locatie Voorzieningen Bereikbaarheid Concurrenten Demografische kenmerken 11

12 Potentie van een locatie verklaard Huidige situatie Resultaat na locatie-analyse Potentie Potentie Realisatie Nu 12

13 Potentie van een locatie verklaard Effect van drivers Hoe scoort locatie X op die driver Conclusie Gevelbreedte % Belangrijk inzicht voor nieuwe vestigingen Stedelijkheid 60 90% Verklarend Zitplaatsen 20 30% Draaiknop voor bestaande vestigingen Directe concurrenten % Verklarend + inzicht nieuwe vestigingen Inwoners met uitkering % Verklarend

14 Potentie voor winkels binnen een keten % 100% Bijvoorbeeld: 80% Goede vestigingsmanager 60% maar te lage potentie 40% 20% Vestigingen 0% Werkelijke omzet Potentiële omzet Efficiëntie 14

15 Winkel clustering Steekwoorden voor beschrijving cluster 5: Gemiddeld hoge omzet Centrum grote stad Grote vestigingen met veel zitplek Verkopen veel OOH + veel luxe producten (weinig brood, veel broodjes). 15

16 Effect meting Start experiment 160 Controle-groep Experiment-groep 80 Counterfactual observatie 60 Tijd 16

17 Bakker Bart effect concept verandering

18 BAKKER BART RECEPT VOOR MEERWAARDE

19 19

20 20

21 21

22 TOEGEVOEGDE WAARDE OP ANDERE VLAKKEN

23 Retailen met data science op andere vlakken 23

24 Verkoopvoorspellingen Dagen Base Tv/radio Online Locale actie Promoties/Campagnes 24

25 Promotievoorspellingen Base 2=1 Promotion placement Positive balance Competition TV/radio Expectation 25

26 Wil jij ook? De 6 stappen naar succes! 26