Optimale Filialstandortwahl im Einzelhandel mit Gravitationsmodellen

Beim Start oder der Expansion eines Unternehmens ist die Standortwahl sowohl für etablierte als auch für junge Firmen von grundlegender Bedeutung. In der Praxis ist es sehr komplex, einen Standort zu identifizieren, der sich für eine neue Filiale gut bewährt (z. B. viele Besucher und hoher Umsatz). Verschiedene, voneinander abhängige Variablen wie Soziodemografie, Wettbewerb und die Entfernung zu anderen Points of Interest tragen zur Attraktivität eines bestimmten Standorts für ein bestimmtes Geschäftsmodell bei.

Glücklicherweise können moderne Technologien und Marktmodelle innerhalb von Sekunden unvoreingenommene und analytische Lösungen für die Standortwahl liefern. Im Kern von Targomos Location Intelligence liegt der in diesem Artikel beschriebene Gravitationsansatz. Er ist an jedem Ort der Welt anwendbar und basiert auf der Kombination aus automatischer Reisezeitberechnung, Volkszählungs- und proprietären Daten für präzise KPI-Prognosen.

Die Eröffnung einer neuen Einzelhandelsfiliale ist ein komplexes und zugleich grundlegendes Geschäftsproblem. Die Investition in einen neuen Standort kann ein riskanter Prozess sein, und eine präzise Vorabbeurteilung ist der Schlüssel, um negative langfristige Auswirkungen auf das Unternehmen zu vermeiden. Solche Bewertungen müssen unterschiedliche Faktoren berücksichtigen, wie die Eignung des Gebiets, die Infrastruktur und die Aktivität von Wettbewerbern, um vorherzusagen, wie erfolgreich ein bestimmter Standort sein wird und um den größten Wert zu schaffen.

Unternehmen, die ihr Netz an Einzelhandelsstandorten erweitern wollen, stehen vor den folgenden Fragen:

Bei der Bewältigung dieser Fragen stehen Unternehmen einer Vielzahl unterschiedlicher Strategien gegenüber, und es ist nicht einfach, die am besten geeigneten Methoden zu wählen. Umfangreiche Feldstudien und Umfragen gehören heute zu den am häufigsten von Einzelhandelsunternehmen angewandten Strategien. Unternehmen, denen hausinterne Expertise in Location Intelligence fehlt, müssen auf externes Wissen zurückgreifen. Abgesehen von hohen Kosten und Zeitaufwand sind in beiden Fällen die Schlussfolgerungen der Analyse anfällig für Verzerrungen und Fehler aufgrund schlechter Datenqualität oder menschlicher Dateninterpretation und oft nur auf eine spezifische Fallstudie anwendbar.

Ein kostengünstigerer, zuverlässigerer und verallgemeinerbarer Ansatz zur Auswahl des besten Filialstandorts ist der Einsatz datengetriebener Analyse-Frameworks, die theoretische ökonomische Modelle nutzen. Der hier vorgestellte Ansatz kombiniert präzise Reisezeitschätzungen, Big Data (z. B. Volkszählungs- oder proprietäre Daten), theoretische Marktmodelle (wie Gravitationsmodelle) und Künstliche Intelligenz (KI), um zuverlässige und schnelle Prognosen für Key Performance Indicators (KPIs) von Filialen — z. B. Besucherzahlen oder Umsatz — zu erstellen. Wir sind der Ansicht, dass solche Standortbewertungstools auf der Grundlage fundierter Annahmen auf alle vorgenannten Fragen aufschlussreiche Antworten liefern können.

Die Idee des „Gravitationsmarktmodells“ stammt aus dem Konzept von Newtons Gravitationsgesetz. Dieses Gesetz beschreibt die Anziehung zwischen Himmelskörpern und besagt, dass die Stärke dieser Gravitationskraft proportional zu (dem Produkt) ihrer Massen ist, während sie umgekehrt proportional zur (Quadrat-)Entfernung zwischen den beiden Körpern ist. Kurz gesagt: Große Massen und geringe Entfernungen führen zu starker Anziehung. Behandelt man Einzelhandelsstandorte als Himmelskörper, können diese grundlegenden Prinzipien wirksam auf die Planung von Filialnetzen im Einzelhandel angewandt werden. Unter Verwendung dieser Analogie kann eine dem Gravitationsfeld entsprechende Gleichung formuliert werden, die stattdessen die Attraktivität eines Geschäfts für Kunden beschreibt.

Gravitationsmarktmodelle bieten eine mathematische Methode, um die Wahrscheinlichkeit vorherzusagen, dass ein Verbraucher in einem bestimmten Gebiet Stammkunde eines Geschäfts wird, wobei sowohl die eigenen Filialen des Händlers als auch konkurrierende Standorte berücksichtigt werden. Diese Wahrscheinlichkeit hängt stark von zwei Faktoren ab:

Trotz der vielen Erweiterungen, Anpassungen und Varianten des entwickelten Gravitationsmodells lassen sie sich alle auf Huffs ursprüngliche Formel zurückführen:

Der Nenner dient als Normierungskonstante und macht die Ausgabe des Modells zu einer Wahrscheinlichkeit: Er ist tatsächlich die Summe der Terme im Zähler über alle betrachteten Geschäfte.

Durch die Berechnung der Besuchswahrscheinlichkeit für ein bestimmtes Filialnetz im Einzelhandel und seine Wettbewerber ist es möglich, die Performance eines potenziellen Expansionsstandorts vorherzusagen. Da diese Wahrscheinlichkeit stark von der Reisezeit zwischen Verbraucher und Geschäft abhängt, erfordern genaue Vorhersagen ein präzises und effizientes Routing-Tool, das Reisezeiten für eine große Anzahl von Adressen schnell berechnen kann.

Wird die auf Reisezeiten basierende Gravitationsanalyse sowohl auf das bestehende Filialnetz im Einzelhandel als auch auf das konkurrierende Netz angewendet, zeigen die Ergebnisse eine objektive Darstellung von Einzugsgebieten mit unterschiedlichen Besuchswahrscheinlichkeiten für beide Einheiten. Sie berücksichtigen sowohl Wettbewerb als auch Kannibalisierungseffekte. Ist dies erledigt, können dem Filialnetz mehrere theoretische neue Standorte hinzugefügt werden. Das Modell berechnet sofort die Auswirkungen der neuen Netzstruktur und ermöglicht es dem Nutzer, verschiedene Strategien dynamisch und intuitiv zu testen.

Nicht nur die Reisezeit bestimmt die Entscheidung der Kunden. Menschen sind unter Umständen bereit, weiter zu fahren, um ihr Lieblingsgeschäft, ein bestimmtes Produkt oder ein größeres Einkaufsareal zu erreichen. Die Kombination aus Entfernung und Standortattraktivität ist der Schlüssel zur gravitationsbasierten Vorhersage der Performance im Einzelhandel.

Attraktivität fasst alle Faktoren eines Geschäfts zusammen, die Kunden ansprechen, wie verfügbare Parkplätze, Sortiment oder Preise. Wichtig ist, dass diese Kennzahl je nach Anwendungsfall unterschiedlich definiert werden kann, da die relevanten Merkmale eines Geschäfts je nach Handelsstrategie stark variieren können. Die folgenden Abbildungen zeigen, wie sich die Ausgabe des Gravitationsmodells ändert, sobald die Attraktivität eines Geschäfts verändert wird.

Die Messung und Charakterisierung von Gebieten mit hoher Besuchswahrscheinlichkeit allein reicht nicht aus, um die Performance eines Standorts vollständig vorherzusagen — das wird besonders deutlich, wenn man an ein Geschäft in einem Gebiet mit sehr geringer Bevölkerungsdichte denkt. Obwohl das potenzielle Einzugsgebiet groß ist, ist die Gesamtzahl der Kunden, die das Geschäft anzieht, dennoch gering. Daher muss die Gravitationsanalyse um soziale und wirtschaftliche demografische Daten ergänzt werden, die einen Standort charakterisieren. Zensusdaten sind ein naheliegendes Beispiel dafür, wie man Statistiken sinnvoll mit der Ausgabe des Modells (der Besuchswahrscheinlichkeit) kombiniert, um wichtige Leistungskennzahlen wie die Zahl der Besucher vorherzusagen.

Hier ist es wichtig zu verstehen, dass das Gravitationsmodell punkt-zu-punkt angewendet wird. Eine Analyse besteht aus Tausenden einzelner Berechnungen, die alle von zwei Koordinaten ausgehen — den Koordinaten eines Geschäfts und den Koordinaten eines Verbrauchers. Unter der Annahme, dass die Besuchswahrscheinlichkeit eines bestimmten Geschäftsstandorts bereits für alle potenziellen Kundenstandorte innerhalb des Einzugsgebiets ermittelt wurde, ermöglicht eine einfache Multiplikation dieser Wahrscheinlichkeiten mit der Zahl der in den jeweiligen Standorten lebenden Menschen (gemäß der Volkszählung) die Vorhersage der gesamten Kundenzahl, die das Geschäft anziehen wird.

Da kein Unternehmen dem anderen gleicht, sollte die Gravitationsanalyse idealerweise auf die spezifische Geschäftsstrategie zugeschnitten werden. Es gibt mehrere Möglichkeiten, die Prognosegenauigkeit des individuellen Modells zu erhöhen.

Ein bereits etabliertes Filialnetz enthält wertvolle Daten zu Umsatz, Transaktionen und Kundenzahlen. Diese bestehenden Filialen sollten genutzt werden, um das Gravitationsmodell abzustimmen, damit Vorhersagen mit realen Daten getestet werden können. Dies ermöglicht die Optimierung multiplikativer Koeffizienten und Exponenten in seiner Formel mittels Regressionsanalyse und führt zu den realistischsten Ergebnissen.

Je schärfer das Bild der eigenen Zielgruppe, desto präziser lassen sich statistische Daten nutzen. Wenn Produkte beispielsweise hauptsächlich an Menschen über 65 Jahre oder an Frauen zwischen 18 und 29 verkauft werden, sollten Zensusdaten vor der Analyse nach Alter gefiltert werden.

Wie oben erwähnt, dient die Reisezeit als Ausgangspunkt der Gravitationsanalyse, da sie die Entfernung zwischen Verbraucher und Produkt bzw. Dienstleistung definiert. Die Analyse sollte sich an den von der Zielgruppe üblicherweise genutzten Verkehrsmitteln orientieren, da sich die Erreichbarkeitsmuster von Auto, Fahrrad oder öffentlichem Verkehr erheblich unterscheiden.

Wenn klar ist, warum und wie Kunden mit einem Unternehmen interagieren, können zusätzliche Datenquellen hinzugefügt werden, um aus der Gravitationsanalyse das Beste herauszuholen. Für Filialnetze, die stark auf Laufkundschaft angewiesen sind, kann die Nutzung hochwertiger Mobilfunkdaten nützlich sein. Sind Produkte und Dienstleistungen auf Fahrzeughalter ausgerichtet, könnten Kfz-Zulassungsdaten eine wertvolle Ergänzung sein. Da zu viel Rauschen das Endergebnis zwangsläufig verfälscht, ist eine sorgfältige Auswahl und Balance der Datenquellen zwingend erforderlich.

In einer weiterentwickelten Version des Modells werden auch Agglomerationseffekte berücksichtigt. Der Begriff „Agglomeration“ bezieht sich auf den Einfluss, den andere Points of Interest in der Umgebung — einschließlich der Aktivitäten von Wettbewerbern — auf die Attraktivität eines Standorts haben. Stellen Sie sich vor, Sie eröffnen ein neues Geschäft mitten in einem Wohngebiet. Unabhängig davon, wie groß oder gut ausgestattet Ihr Geschäft ist, würde es wahrscheinlich mehr Kunden anziehen, wenn es im größten Einkaufszentrum der Stadt eröffnet würde. Aus mathematischer Sicht wurde Agglomeration in Gravitationsmodellen mittels eines zusätzlichen multiplikativen Faktors implementiert:

Um dem Modell mehr Freiheitsgrade zu geben, können zwei weitere Parameter in Form von zwei Exponenten (α und β), auf die A und G potenziert werden, hinzugefügt werden. Diese aufwändigeren Modelle können theoretisch genauere und fallbezogene Schätzungen liefern, da Parameter auf kundenspezifische Daten zugeschnitten werden können, gehen jedoch mit einem arbeitsintensiveren Parameterschätzungsverfahren einher und bergen das Risiko, das Modell zu vielseitig zu machen, sodass es — in der Fachsprache des Machine Learning — zu „Overfitting“ neigt.

In der folgenden Grafik visualisieren wir den Prozess und die Anforderungen für den Aufbau einer gravitationsbasierten Analyse-Pipeline. Grundlage aller Berechnungen sind die Koordinaten der eigenen Filialen (geplant oder bestehend) sowie die der Konkurrenz. Der Attraktivitätsmultiplikator bestimmt später die „gravitatorische Stärke“ dieser Standorte. Gravitationsmodelle für die Planung im Einzelhandel beruhen auf einer wesentlichen Eingabe: der Fähigkeit, Reisezeiten schnell und präzise zu berechnen. Wie bereits erwähnt, hängt die Wahrscheinlichkeit, dass ein Kunde ein bestimmtes Geschäft besucht, stark von der Reisezeit zwischen Kunde und Geschäft ab. Um also eine präzise Schätzung der Key Performance Indicators per Gravitationsanalyse zu erhalten, müssen wir in der Lage sein, Reisezeiten zwischen einer großen Zahl von Punkten (die ein ganzes Viertel oder sogar eine ganze Stadt abdecken) in kurzer Zeit genau zu berechnen. Ist dies geschehen, erzeugt das Gravitationsmodell eine Karte der Besuchswahrscheinlichkeit für jede zuvor definierte Filiale im Netz. Es folgt die Verarbeitung großer Datensätze wie Zensusdaten, woraus sich Prognosen für KPIs wie Kundenzahl, Umsatz und Kannibalisierungseffekte ergeben. Basierte der Prozess auf einem bereits bestehenden Filialnetz im Einzelhandel, können diese Vorhersagen nun mit den tatsächlichen Verkaufszahlen abgeglichen werden. Die Ergebnisse können genutzt werden, um das Gravitationsmodell weiter zu schärfen, sodass es die Realität so genau wie möglich abbildet. Idealerweise wird dieser iterative Prozess durch Methoden des maschinellen Lernens unterstützt, die eine effiziente Identifikation übergreifender Muster ermöglichen.

Die Fallstudie in diesem Kapitel dient als Beispiel für eine mögliche reale Gravitationsanalyse zur Bewertung mehrerer Standorte. Der Verständlichkeit halber sind Vorgehen und verwendete Variablen hier stark vereinfacht. Wir nehmen die Perspektive des Discounter-Supermarkts Penny ein: In der Stadt Berlin steht er in starkem Wettbewerb mit den Discountern Lidl und Aldi. In unserem Fall möchte Penny die Standorte bewerten, die sich innerhalb der Stadt am besten für eine neue Filiale eignen, um die Besucherzahl und den Umsatz zu maximieren. Die folgende Karte zeigt alle Standorte der drei konkurrierenden Unternehmen: Lidl und Aldi sind beide blau dargestellt, während die Standorte von Penny rot sind. Die Koordinaten stammen aus frei zugänglichen Online-Verzeichnissen.

Folgt man der oben erwähnten Pipeline unserer Gravitationsanalyse, müssen wir zunächst die Reisezeiten zwischen jedem Punkt in der Stadt und jedem betrachteten Einzelhandelsgeschäft (Lidl, Aldi und Penny) berechnen. Die folgende Abbildung zeigt die kürzeste Reisezeit zwischen jedem Punkt in Berlin und dem nächstgelegenen Einzelhandelsgeschäft, ermittelt über TargomoAPI. Rot markierte Straßenabschnitte entsprechen langen Reisezeiten, grüne kurzen. Die maximale Reisezeit ist auf 10 Minuten mit dem Auto festgelegt.

Sobald uns alle Reisezeiten und die Standorte der Geschäfte vorliegen, können wir eine Gravitationsanalyse in Kombination mit deutschen Zensusdaten durchführen und die Ergebnisse auf einer interaktiven Karte darstellen. Die Kombination aus automatischer Reisezeitberechnung, Zensusdaten und benutzerfreundlicher Kartenvisualisierung bietet bereits ein unmittelbares und leicht zu bedienendes visuelles Werkzeug, um zu beurteilen, welche Standorte sich für eine Filialerweiterung eignen könnten. Der Einfachheit halber haben wir keine Informationen zu einzelnen Geschäften — z. B. Größe in Quadratmetern, Parkmöglichkeiten und Sortiment — berücksichtigt; daher legen wir fest, dass jedes Geschäft denselben Attraktivitätswert hat. Die folgende Karte zeigt die tatsächliche Wettbewerbssituation zwischen Penny sowie Lidl und Aldi. Vereinfacht gesagt bedeutet Grün auf der Karte, dass Penny in diesen Gebieten gut abschneidet und Kunden aus diesen Bereichen anzieht. Rot bedeutet, dass Kunden in diesem Gebiet höchstwahrscheinlich einen Wettbewerber wählen. Gelb bedeutet, dass die Wahrscheinlichkeit, dass sich ein Kunde für Penny oder einen seiner Wettbewerber entscheidet, ungefähr gleich ist.

Potenziell profitable Standorte für Penny sind theoretisch sowohl rote Bereiche, in denen Kunden von Wettbewerbern gewonnen werden könnten, als auch gelbe Bereiche, die im Wesentlichen unterversorgten Vierteln entsprechen. Wenn diese Gebiete jedoch nicht sehr bevölkert sind oder von der falschen Zielgruppe bewohnt werden, ergäbe es wenig Sinn, dort eine Filiale zu eröffnen. Wir können unsere Gravitationsanalyse nun durch die Integration demografischer Daten erweitern. Die folgende Abbildung bietet eine anschauliche Darstellung der Informationen aus den Zensusdaten (Alter 18 bis 65): Die Höhe der Balken stellt die Anzahl der in dieser Kachel lebenden Menschen dar, während das Farbschema dem oben genannten entspricht und die Gravitationsstärke jedes Standorts widerspiegelt.

Dies ermöglicht es uns, schnell zu beurteilen, wie viele und welche Kunden (nach Alter) jede Filiale auf der Karte anzieht. In der Folge kann Penny die prognostizierte Performance mit den tatsächlichen Zahlen seiner bestehenden Geschäfte vergleichen. Auf Basis dieser Ergebnisse kann das Gravitationsmodell so angepasst werden, dass es die aktuelle Situation so genau wie möglich abbildet. Nach diesem iterativen Schritt ist der Discounter in der Lage, die erwartete Performance potenzieller neuer Standorte zu bestimmen und die Veränderungen, die eine Neueröffnung für das gesamte Filialnetz im Einzelhandel bewirken würde, leicht zu identifizieren.

Der eigentliche Mehrwert der Nutzung von Daten liegt in der Fähigkeit, Entscheidungen zu verbessern und Risiken zu minimieren. Durch die Anwendung der Gravitationsanalyse können Unternehmen von einer Fülle neuer Erkenntnisse profitieren, die sowohl für die operative als auch für die strategische Planung relevant sind. Die Gravitationsanalyse ermöglicht es Organisationen, potenzielle neue Filialstandorte im Einzelhandel kosteneffizient und datengetrieben zu bewerten. Dieser Prozess ist zuverlässig und verallgemeinerbar und ergänzt umfangreiche Umfragen oder Feldstudien erheblich — in manchen Fällen macht er sie sogar überflüssig.

In diesem Whitepaper haben wir im Detail erläutert, wie Reisezeit, Attraktivität und statistische Daten als die Hauptsäulen der Gravitationsanalyse betrachtet werden können. Außerdem haben wir gezeigt, wie die Integration zusätzlicher Datensätze, wie Bewegungsdaten, die Prognosekraft des Modells erheblich verbessern kann. Besonders bemerkenswert ist die Möglichkeit, die ersten rechnerischen Ergebnisse mit realen proprietären Geschäftsdaten zu Umsatz und Transaktionszahlen zu testen. Dies spielt eine entscheidende Rolle bei der Verfeinerung und Anpassung der Modellparameter, wodurch das Modell wiederum realistischer und dynamischer wird. In diesem Prozess können modernste KI- und Machine-Learning-Techniken, wie unser GeoAI-Modell, genutzt werden, um enorme Datenmengen zu verarbeiten — insbesondere, wenn große Filialnetze im Einzelhandel beteiligt sind. Obwohl die Gravitationsanalyse kein neues Konzept ist, sind wir überzeugt, dass diese aufkommenden technologischen Möglichkeiten völlig neue Chancen für Unternehmen eröffnen.