Welke informatie is essentieel voor een goede omzetvoorspelling?

#BIGDATA #OMZETVOORSPELLING #LOCATIEBESLISSING

Big Data, een veelomvattend en veelgebruikte term. Hoe meer (goede) informatie, des te nauwkeuriger kan een omzetprognose zijn. Dat is duidelijk. Maar welke informatie zorgt voor die betere voorspelling en hoe kun je die informatie verwerken?

Interview met Daan Kolkman

Daan Kolkman, medeoprichter van de The Big Data Company specialiseert zich al tien jaar in het doen van omzetvoorspellingen. Als consultant met uitgebreide professionele ervaring in geo-analytics en machine learning helpt hij (internationale) retailers bij het inschatten van de omzet van nieuwe winkellocaties. Daarvoor maakt hij bij voorkeur gebruik van de rijke en complete dataset van Locatus.

Welke informatie is essentieel?

Kolkman: “In dit geval gaat het om omzetvoorspellingen voor nieuwe locaties of relocatie, dus veel van de informatie die nodig is, is gekoppeld aan locaties en de betreffende retailer.
De drie belangrijkste pijlers zijn [1] concurrentie / ideale buren ea, [2] de klant: verzorgingsgebied / typering / reistijd etc en [3] de gezondheid van het winkelgebied: winkelpassanten / leegstand / wisselingen retailers etc.

Om deze informatie te verzamelen gebruiken we een heel netwerk aan bronnen zoals CBS, Locatus, POI, Reistijden, Whooz, Standaardconsumenten POI, Woningbouw, Daytime population én natuurlijk de klantdata van de retailer zelf.

Dit levert een enorme hoeveelheid aan informatie op die absoluut niet meer te verwerken is via een Excel spreadsheet.

De modellen die de data verwerken zijn ondertussen zo complex dat het om miljoenen berekeningen per minuut gaat. Tien jaar geleden nam dit dagen in beslag, tegenwoordig kan dit gelukkig in enkele minuten. Hierdoor is de ontwikkeling van omzetvoorspelmodellen in een stroomversnelling gekomen.

Is er een standaardformule voor een omzetmodel?

Was dat maar zo”, lacht Kolkman. “Of eigenlijk toch liever niet, want dan had men ons niet nodig. Natuurlijk weten wij wat in grote lijnen de samenhang is tussen alle factoren, maar het model dat we bouwen verschilt per branche en zelfs per winkelformule. Je kunt je hierbij baseren op twee type modellen: een model dat de klant (consument) centraal zet en een model dat de winkel centraal zet.


Client centricity model
Voorspelt bestedingen van consumenten per deelgebied bij bijvoorbeeld alle supermarkten. Op basis van de relatieve aantrekkelijkheid van winkels wordt de omzet in de markt verdeelt. Heeft complete en goede data nodig en doorgaans een langere ontwikkeltijd, geavanceerde scenario-analyses.

Store centricity model
Voorspelt de omzet van bijvoorbeeld fastfood op basis van KPI’s in het verzorgingsgebied. Uitgangspunt is dat elke nieuwe opening de markt kan vergroten. Kan opgezet worden met beperkte data, maar heeft minder scenario-analyse mogelijkheden.

Hybride model
Kan via beide principes werken. 


De Retail Revenue Calculator die wij ontwikkeld hebben is een hybride model. Afhankelijk van de branche en het type retailer kunnen wij hierin flexibel schakelen.”

De weging van factoren en welke factoren precies meegenomen worden verschilt per winkelketen. Kolkman: “Hiervoor hebben we uitgebreid contact met de betreffende retailer. Heeft deze zelf al uitgebreide informatie over zijn klanten via klantkaarten dan helpt dat enorm om het model te finetunen.”

Klik hier voor meer informatie over de Retail Revenue Calculator of hoe Shoeby deze tool inzet.

Astrid is Marketing Communicatie Manager bij Locatus en ziet zo heel wat interessante informatie voorbij komen. Dit zorgt ervoor dat zij met enige beroepsdeformatie door de winkelstraten loopt. En daar over schrijft...

Niets meer missen?

Wilt  u op de hoogte blijven van de laatste ontwikkelingen op het gebied van retail?

 

Meld u dan aan voor onze nieuwsbrief of ons blog.