Klimaschutzmaßnahmen kann man auf den Weg bringen, indem man sie von langer Hand bis ins Detail plant, oder sie als Pilotprojekt in einer Testumgebung erprobt, um schnell Ergebnisse aus der Praxis zu erhalten. Um den zweiten Ansatz zu unterstützen, hat die HafenCity Universität (HCU) Hamburg das ANN RADAR (A New Normal) entwickelt. Das durch den ICLEI Action Fund geförderte Projekt hilft der Stadt Hamburg, geeignete Räume und Bezirke für die Erprobung nachhaltiger Energieinnovationen zu identifizieren und greift dabei auf die API Services von Targomo zurück.

„ANN RADAR liefert eine datengetriebene Entscheidungsgrundlage, Testbeds für Klimaschutzmaßnahmen zu finden“, erklärt Kay Hartkopf, der als Senior Researcher an der HCU Hamburg die Entwicklung des ANN RADARs leitet. „Je besser die Gebiete für die Erprobung geeignet sind, desto schneller können wir Erkenntnisse sammeln und dafür sorgen, dass die Maßnahmen in der Breite umgesetzt werden.“

Im Rahmen des Projekts wurden drei Kernthemen nachhaltiger Stadtentwicklung identifiziert, für das das ANN RADAR Testgebiete auswählen soll: Mobilität, Solar & Photovoltaik, sowie Energieeffizienz. TargomoAPI kommt insbesondere bei Szenarien rund um das Thema Mobilität zum Einsatz. Hier liegt ein Schwerpunkt darauf, lokale logistische Mobilitätszentren zu planen, wie es z.B. im Projekt MOVE 21 der HCU vorgesehen ist. MOVE21 ist ein von der Europäischen Kommission finanziertes Innovationsprojekt, das darauf abzielt, europäische Städte und ihre Umgebung in intelligente, emissionsfreie Knotenpunkte für Mobilität und Logistik zu verwandeln.

„Targomo ist uns eine große Unterstützung, da wir mit der API relevante Fragestellungen zur Mobilität, Erreichbarkeit und Versorgungsqualität beantworten und auf Karten visualisieren können“, sagt Kay Hartkopf. „Wir profitieren besonders von der schnellen Datenverarbeitung und den vielfältigen Anpassungsmöglichkeiten, die uns komplexe Analysen ermöglichen.“

ANN RADAR ist als Prozessunterstützung (moderierter Prozess zur Auswahl von Urban Testbeds) konzipiert und wurde von „A New Normal“ in Melbourne, Australien, inspiriert, das Prototypen und Pilotprojekte im Zusammenhang mit einem nachhaltigen Melbourne 2030 entwickelt. Es sammelt Indikatoren, um für ausgewählte Klimaschutzmaßnahmen die am besten geeigneten Stadtgebiete zu finden. Dabei berücksichtigt es auch lokale Klimastrategien sowie die verfügbaren Umweltdaten und unterstützt so die Entscheidungsfindung auf Grundlage von Fakten. Da schnell verschiedene Datenquellen integriert und Kombinationen von Datensätzen erforscht werden können, fördert es zudem die Beteiligung von Interessengruppen und ermöglicht für diese Zielgruppen spezifische Perspektiven zu erschließen.

Aufbauend auf den gewonnenen Erfahrungen ist geplant, ANN RADAR perspektivisch um weitere Datenlayer (z.B. Umweltdaten, Heat Islands, Urban Green, Echtzeit Mobilitätsdaten) und Funktionen zur Exploration von spezifischen Projektszenarien zu erweitern.

Aktuell steht es für Projekte der HCU zur Verfügung.

Analysen einzelner Standorte und ihrer Einzugsgebiete sind die Basis für datengestützte Standortentscheidungen, lassen aber oft einen wichtigen Aspekt außer Acht: Wie wirken sich benachbarter Geschäfte und Wettbewerber auf den Standort aus? Um dieses Problem anzugehen, müssen wir Netzwerkanalysen durchführen, so dass wir die Wechselwirkungen und die Anziehungskraft zwischen Geschäften besser verstehen.

Die Statistics Context API von Targomo verfügt über einige tiefgreifende Funktionen. Eine davon ist eine Implementierung unserer Multigraph API mit Statistik-Datensätzen als Aggregationsgeometrien. Damit können wir komplexe Aggregationen durchführen – in diesem Fall das Huff-Modell. So können wir die Wahrscheinlichkeit berechnen, dass bestimmte demografische Gruppen an einen Standort kommen, und die Wahrscheinlichkeit, dass ein Standort das Umsatzpotenzial einer Region anzieht.

Im folgenden Beispiel simulieren wir zwei Filialnetze: unser Netz (schwarze Pins) und das der Konkurrenz (graue Pins). Der Einfachheit halber gehen wir davon aus, dass alle Standorte gleich attraktiv sind, abgesehen von der Entfernung.

Die Farbe der Statistikzellen gibt an, wie wahrscheinlich es ist, dass die Einwohner an diesem Standort ein Geschäft in unserem Netz besuchen. Da die Zellen Bevölkerungsdaten enthalten, können wir die Wahrscheinlichkeit mit dem statistischen Wert multiplizieren, um die Gesamtzahl der potenziellen Besucher zu erhalten.

So funktioniert’s:

Ein wichtiges Ziel von Netzwerkanalysen ist zu bestimmen, wie sich die Nachfrage auf die vorhandenen Standorte verteilt, einschließlich der eigenen Filialen und die der Konkurrenz. Hier kommen häufig Gravitationsmodelle zum Einsatz, die die „Anziehung“ zwischen den Knoten in einem Netzwerk messen. Im Kontext von Analysen für den Einzelhandel bezieht sich das Konzept der Gravitation auf die Attraktivität eines Einzelhandelsstandorts für potenzielle Kunden. Wir messen also, welche Attraktivität die einzelnen Standorte haben und mit welcher Wahrscheinlichkeit ein Kunde welchen Laden besucht.

Durch den Einsatz von Netzwerkanalysen und Gravitationsmodellen können wir wertvolle Erkenntnisse über das Kundenverhalten gewinnen und fundierte Entscheidungen über Standortstrategien treffen. Das Verständnis über die Wechselwirkung  zwischen benachbarten Geschäften und der Attraktivität der einzelnen Standorte kann Unternehmen dabei helfen, ihre Präsenz zu optimieren und wettbewerbsfähig zu bleiben.

Das Huff-Modell (oder Huff-Modell) wurde 1963 von David B. Huff entwickelt und baut auf dem Gravitationsmodell auf. Es ist eine weit verbreitete Methode zur Vorhersage der Wahrscheinlichkeit, dass ein Besucher einen Ort besucht, als Funktion der Entfernung des Ortes, seiner relativen Attraktivität (im Vergleich zu anderen Orten) und der relativen Attraktivität von Alternativen. Mit anderen Worten, es prognostiziert die Wahrscheinlichkeit, dass Menschen einen Standort gegenüber einem anderen bevorzugen, basierend auf Faktoren wie Entfernung, Attraktivität und Wettbewerb.

In einer Notfallsituation sind schnelle Reaktionszeiten von entscheidender Bedeutung. Sie helfen den Einsatzkräften, das Risiko weiterer Verletzungen oder Schäden zu minimieren, und erhöhen die Chancen auf einen positiven Ausgang des Vorfalls für die Beteiligten. Ob bei Unfällen, Notarzteinsätzen oder Bränden, ein Großteil dieser Reaktionszeit wird durch die Fahrt der Einsatzfahrzeuge bestimmt. Straßen können jedoch durch plötzliche Ereignisse wie Umwelteinflüsse oder Demonstranten, die sich auf der Straße festkleben, plötzlich unpassierbar werden.

Um Entwicklern und Planern die Möglichkeit zu geben, ihre Reaktionen in Notfallsituationen zu verbessern, hat Targomo eine neue Funktion veröffentlicht. Die Funktion „Polygon Exclusion“ ermöglicht es, jederzeit bestimmte Gebiete (Polygone) vom Routing auszuschließen. Dies kann zum Beispiel notwendig sein, wenn eine Straße blockiert ist, ein Gebiet von einem Feuer betroffen ist oder ein Hochwasser Straßen oder Brücken unpassierbar macht – die Rettungsdienstleister können ihre Analysen on-the-fly anpassen, ohne auf die Aktualisierung der Straßendaten zu warten.

Das neue Feature verbessert allerdings nicht nur die schnelle Reaktion in Notsituationen, sondern ermöglicht auch eine bessere Planung im Fall von Unglücken. Kombiniert mit weiteren Datenservices von Targomo sind Notfallplaner in der Lage zu sehen, wie viele Menschen innerhalb einer vorgeschriebenen Mindestzeit versorgt oder evakuiert werden müssen. Wenn eine Brücke unterspült würde, wie viele Menschen wären nicht mehr erreichbar und müssten versorgt werden? Welche Gegenmaßnahmen sollten eingeleitet werden? Reichen die vorhandenen Standorte zum Beispiel von Polizei oder Feuerwehr für eine ausreichende Versorgung, oder werden weitere Standorte benötigt? 

„Die Planung des Notfallmanagements ist schwierig, und wir müssen das Unvorhergesehene modellieren. Auf diese Herausforderung hat Targomo mit einer effizienten und innovativen Lösung geantwortet“, sagt Espen Bjerkås, Chief Technology Officer (CTO) bei Ada Technologies, das TargomoAPI für die Entwicklung und Optimierung von Katastrophenschutzlösungen in Norwegen nutzt.

„Die neue Funktion kann zur Beantwortung einer Vielzahl von sicherheitsrelevanten Fragen genutzt werden“, sagt Adam Roberts, Produktmanager von TargomoAPI. „Wir haben das Feature explizit nach den Wünschen und Anforderungen unserer Rapid-Response-Kunden entwickelt, da sie ein solches Feature nirgendwo auf der Welt finden konnten. Die Funktion wird nun aktiv in Ländern auf mehreren Kontinenten eingesetzt, darunter die USA, Norwegen und Deutschland, und wir hoffen, dass so vielen Menschen in Notsituationen schneller und besser geholfen werden kann.“

Targomo bietet leistungsstarke Entwickler-Tools, um innovative Geodatenanalyse-Anwendungen zu erstellen, Funktionen zur Standortsuche zur verbessern und die User Experience zu personalisieren. Das API-Portfolio zeichnet sich durch schnelle Verarbeitung und sehr präzises Routing sowie integrierte Anpassungsoptionen aus, mit denen Entwickler ihre Lösung an alle individuellen Szenarien adaptieren können.

Das Projekt Innovation Insights Map, das Targomo zusammen mit Deutschlands größtem Wohnungsanbieter Vonovia umgesetzt hat, hat es auf die Shortlist des Immobilienmanager Awards 2023 geschafft. Die Gewinner werden am 9. März 2023 gekürt.

Mit mehr als einer halben Million Wohnungen an rund 400 Standorten ist Vonovia der größte Anbieter für privaten Wohnraum in Deutschland. Ein erklärtes Ziel des Wohnungsunternehmens ist es, Quartiere aktiv mitzugestalten und den Mietern nutzbringende neue Dienstleistungen und innovative Produkte anzubieten.

Doch wo besteht Bedarf an welchem Service? Wo sollten Innovationen pilotiert werden? Um diese Fragen zu beantworten, hat Targomo in Kooperation mit Vonovia die ‚Innovation Insights Map‘ entwickelt. Das Tool vereint hochrelevante Datenpunkte, um zum „Single Source of Truth“ zu werden, wenn das Immobilienunternehmen neue Ideen oder Dienstleistungen für seine Mieter verorten und erfolgreich umsetzen möchte.

Es wurden Datensätze mit über 500 Datenvariablen integriert, die nach Bedarf auf einer interaktiven Karte angezeigt werden können. Die drei wichtigsten Datenkategorien sind Points of Interest (POI) zu rund 350 Kategorien, statistische Datenebenen zu sozio-demografischen Merkmalen sowie georeferenzierte Daten zu Vonovias Gebäuden und zu vorhandenen Services.

Dabei wird es allerding nicht bleiben, denn die Plattform wurde so angelegt, dass Daten aus unterschiedlichen Quellen jederzeit ergänzt und Nutzer sogar selbst neue Standortinformationen hochladen können.

Ein thematischer Schwerpunkt liegt auf der Förderung umweltfreundlicher Mobilität Fahrradfreundlichkeit in den Quartieren stärken. Dazu wurde die Innovation Insights Map mit Daten zum Thema Fahrrad ergänzt und ein Fahrrad-Attraktivitäts-Index (Bike Attractivity Index / BAI) entwickelt. Dieser folgt einem ähnlichen Konzept wie der sogenannte „Kopenhagenize Index“, doch bewertet konkret die Erreichbarkeit fahrradbezogener Einrichtungen und Möglichkeit, alltägliche Bedürfnisse mit dem Fahrrad zu erledigen.

Es konnten dank der Innovation Insights Map bereits eine Vielzahl von Projekten erfolgreiche verortet und umgesetzt werden, darunter eine Analyse, welche Gebiete mit Paketstationen unterversorgt sind, und der Einsatz mobiler Fahrradwerkstätten.

Nominiert wurde die Innovations Insights Map in der Kategorie „Management“. Die Preisverleihung findet am 9. März 2023 in der Kölner Motorwelt statt und kann über Twitter-Kanal des Immobilienmanager Magazins (@immomanager) live verfolgt werden.

In früheren Beiträgen haben wir bereits erörtert, was bei der Standortplanung für eine Filiale zu beachten ist und welche Fehler zu vermeiden sind. Ein zentraler Aspekt für den Erfolg eines neuen Geschäfts ist die Analyse der Umgebung: Gibt es Points of Interest, die als Publikumsmagneten viele Besucher anziehen – und wenn ja, welche Art von Besuchern? Welche anderen Läden finden sich in der Nähe? Lassen sich direkte Wettbewerber oder komplementäre Geschäfte finden, welche das eigene Produktangebot unterstützen oder ergänzen?  

Die Aktivitäten des Einzelhandels konzentrieren sich in der Regel auf Stadtzentren und sekundäre Einkaufsgebiete. Als Folge lässt sich hier oft ein „Wettbewerbseffekt“ messen, welcher zu einem stärkeren Preiswettbewerb und damit zu geringeren Einnahmen führt. Zugleich erhöht die Nähe von konkurrierenden und ergänzenden Geschäften die Gesamtattraktivität des Gebiets und zieht somit mehr Verbraucher an – auch als „Agglomerationseffekt“ bekannt.  

Ob und in welchem Ausmaß ein Effekt den anderen überwiegt, hängt meist von der Beschaffenheit des Geschäfts und insbesondere von der Fähigkeit ab, sich mit seinem Leistungsangebot gegenüber Wettbewerbern zu differenzieren. So bieten beispielsweise Tankstellen ein Standardprodukt an, bei dem der Preiswettbewerb dominiert. Mode- und Bekleidungsläden bieten dagegen häufig unterschiedliche Produkt– und Preispaletten an und können so von der Präsenz ähnlicher Geschäfte in der unmittelbaren Umgebung profitieren. 

Die Summe aller Leistungsangebote und die große Auswahl für den Konsumenten erhöhen die Attraktivität der Shoppingmeile und ziehen mehr Laufkundschaft an. So lässt sich zusätzlich das Kundensegment der Non-Brand-Follower gewinnen. Hier genießt die Marke bisher noch keine Top-of-Mind Position in der Wahrnehmung, so dass sie die Filiale oder den Showroom wahrscheinlich sonst nicht besucht hätten.

Fashion-Brands und Modehäuser bilden somit Paradebeispiele im Einzelhandel, welche von der Nähe zu Wettbewerbern profitieren. Der Wettbewerb trägt nicht nur dazu bei, die Besucherzahlen in der Gegend insgesamt zu erhöhen, sondern erhöht die Attraktivität für eine Kundschaft, die besonders affin für einen Informations- und Kaufprozess ist. 

Dies erklärt, warum das Konzept der „Business-Cluster“, oder genauer gesagt der „Shop-Cluster“, für den Einzelhandel von großer Bedeutung ist. Doch schauen wir uns die Eigenschaften von Shop-Clustern mal genauer an. Sie können als eine Gruppe von Geschäften mit ähnlichen oder unterschiedlichen Merkmalen definiert werden, die eng beieinander liegen.  

Wir bei Targomo verwenden vier Kategorien, um zwischen verschiedenen Arten von Clustern zu unterscheiden: 

Die Größe des Clusters wird durch die Anzahl der Geschäfte bestimmt, die den Cluster bilden. In der Regel gilt: Je mehr Geschäfte ein Cluster anbieten kann, desto mehr Besucher können wir erwarten.  

Aus wie vielen verschiedenen Kategorien von Geschäften setzt sich der Cluster zusammen? Handelt es sich um eine „Fashion-Meile“ oder sind hier Möbelgeschäfte angesiedelt? Oder ist der Cluster vielleicht durch sich ergänzende Geschäfte wie eine Apotheke, einen Supermarkt und eine Drogerie definiert? Insbesondere Branchencluster können sich sehr positiv auf Geschäfte derselben Kategorie auswirken.  

Wie hoch ist der Durchschnittspreis der Geschäfte, die den Cluster bilden? Das Sprichwort „Gleich und gleich gesellt sich gern“ gilt auch für den Einzelhandel, wenn er die gleichen Zielgruppen anspricht. Deshalb findet man in der Regel edle Designerläden nebeneinander, aber nur selten einen Juwelier neben einem Discounter.  

Bilden die bekanntesten und beliebtesten Marken den Cluster, oder unabhängige Geschäfte und alternative Designerlabels? Auch hier finden sich oft gleichgesinnte Geschäfte zusammen und prägen den Charakter einer Einkaufsstraße.  

Die Untersuchung der Auswirkungen verschiedener Clustertypen liefert den Entscheidern im Bereich Retail sehr wertvolle Erkenntnisse darüber, welche Merkmale für ihren Geschäftserfolg ausschlaggebend sind und worauf sie bei der Auswahl ihres nächsten Standorts achten sollten. Tatsächlich geht es nicht nur um die Quantität der Besucherzahlen, sondern vor allem um die Qualität der Laufkundschaft rund um ein Geschäft.  

Um die Verkaufsziele zu erreichen, sollte sich ein Unternehmen in einem Gebiet ansiedeln, welches die richtigen Personen anzieht. Das heißt im Rahmen der Standortplanung sollte die Nähe zu Geschäften anvisiert werden, welche die gleiche Zielgruppe ansprechen.  

Bei Targomo untersuchen wir in unserer „Erfolgstreiber„-Analyse, ob und inwieweit sich die Zugehörigkeit zu einem bestimmten Shop-Cluster positiv auf den Umsatz auswirkt. Die Einzelhändler können so Zusammenhänge verstehen und wissen nicht nur, auf welche Standortattribute sie bei der Eröffnung eines neuen Standorts achten sollten, sondern auch, in welcher Gewichtung sie den Geschäftserfolg beeinflussen.  

Die gewichteten Attribute können darüber hinaus in das Geo AI-Modell von Targomo integriert werden – ein Prognosemodell, um relevante Umsatzkennzahlen für jeden potenziellen Standort vorherzusagen.  

Der Ansatz von Targomo basiert auf drei maßgeblichen Schritten: 
1. Erstellung von Shop-Clustern auf der Grundlage der Entfernung zwischen den POIs der Geschäfte 
2. Berechnung verschiedener Cluster-Attribute wie Größe, Vielfalt, Preis und Markenpopularität
3. Einbeziehung der Cluster und ihrer Attribute in das Geo AI Prognosemodell 

Das Geo AI Prognosemodell weist dann feingranular aus, welche Merkmale einen Standort zum Erfolg führen und in welchem Maße die jeweiligen Standortmerkmale zum Erfolg beitragen.  

Um ein Beispiel zu nennen: Die Ergebnisse einer aktuellen Fallstudie haben gezeigt, dass für einen Einzelhändler im Bereich Inneneinrichtung und Möbel der Faktor „Preis“ das wichtigste Clustermerkmal war. Die Marke profitiert besonders, wenn viele hochpreisige Geschäfte in der Nähe sind.  

Vor diesem Hintergrund haben die Standortentscheider der Marke zusätzliche Kriterien bei der Suche nach einem profitablen Gebiet für die Eröffnung eines neuen Geschäfts zur Verfügung. Dabei liegt nun ein weiterer Fokus auf den „besten Nachbarn“ und somit der Art von Geschäften, die zum Erfolg des Unternehmens beitragen.  

Autorin:  Marta Fattorel ist Spatial Data Scientist bei Targomo. Nach ihrem Abschluss in Data Science an der Universität Trient kam sie zu Targomo nach Berlin, um den Einfluss der verschiedenen Standortfaktoren auf den stationären Umsatz der jeweiligen Marken zu untersuchen. 

Es mag zwar verlockend sein, bei der Planung eines neuen Ladengeschäfts dem Bauchgefühl zu folgen, aber es gibt noch viel mehr zu beachten, um den Erfolg zu garantieren. Von der Konkurrenzanalyse bis hin zu den Daten des Einzugsgebiets haben Expansionsmanager viele Möglichkeiten, sich ein Bild von der Nachbarschaft zu machen und zu verstehen, ob es der richtige Standort ist oder nicht.  
Hier sind unsere Top-Tipps für eine erfolgreiche Einzelhandelsexpansion:  

Je nachdem, wo das neue Geschäft entstehen soll, kann es wichtig sein, einen lokalen Bezug herzustellen. Exakte Dublikate des ursprünglichen Geschäfts können zwar gut für die Markenbildung sein. Aber vor allem bei internationalen Expansionsn kann es wichtig sein, sich mit den Gewohnheiten und der Kultur der ansässigen Kunden auseinanderzusetzen. Das ist der Grund, warum McDonalds zum Beispiel seine Speisekarte an die lokalen Geschmäcker anpasst – haben Sie Lust auf ein Stück Cookies & Cream Pie aus Malaysia oder einen Schweizer McRaclette Burger? 

Dieselbe Logik könnte auch erklären, warum Starbucks, die größte Kaffeekette der Welt, auf dem kaffeebegeisterten australischen Markt nicht Fuß fassen konnte. Die Rezeptur war wie in anderen Ländern sehr süß, was aber wohl nicht dem Geschmack der kultivierten Einheimischen entsprach, die mit dem Espresso italienischer und griechischer Einwanderer aufgewachsen waren. So war Starbucks 2018 gezwungen, 70 % seiner Filialen zu schließen. Die Kaffeekette feiert nun langsam ein Comeback im Land und richtet seine Angebote auf Touristen aus –  doch das Unternehmen musste auf die harte Tour lernen, dass lokale Recherche der Schlüssel für die internationale Expansion ist. 

Es ist eine Tatsache, dass einige Standorte besser laufen als andere. Aber mit den richtigen Erkenntnissen ausgestattet, können Expansionsmanager vom Schreibtisch aus fundiertere Entscheidungen treffen, die ihnen Aufwand und Kosten von Fehlversuchen ersparen. Wenn Sie zum Beispiel ein Restaurant betreiben, sollten Sie sich die Daten über Passantenverkehr genau ansehen: Wie viel ist in diesem Bereich tagsüber und abends los? Werden Kunden zum Mittag- und Abendessen vorbeikommen? Gibt es eine gute Anbindung mit öffentlichen Verkehrsmitteln und wie ist die Parkplatzsituation in der Nähe? 

Wie attraktiv ein Standort ist, hängt auch damit zusammen, wie viele potenzielle Kunden den Ort  mit verschiedenen Verkehrsmitteln in angemessener Zeit erreichen können. Sehenswürdigkeiten und andere ‘Points of Interest’ in der Umgebung können als Publikumsmagneten wirken und es ist zu prüfen, ob sie gut zur Marke und zum Produkt passen. Je mehr Daten zur Verfügung stehen, desto besser und schneller können Sie beurteilen, wie gut ein Ort für den beabsichtigten Zweck geeignet ist.  

Die richtigen Daten zu finden, ist manchmal nicht einfach. Öffentliche Daten über das Gebiet sind möglicherweise nicht verfügbar, stammen aus nicht vertrauenswürdigen Quellen oder sind durch verschiedene Quellen fragmentiert (in Deutschland gibt es zum Beispiel 16 offizielle Quellen für öffentliche Daten). 

Abhilfe können Tools und Plattformen schaffen, in die kuratierte Datensammlungen anbieten. Sie ermöglichen Ihnen, die benötigten Daten aus vertrauenswürdigen Quellen abzurufen und mit bereits vorhandenen Daten zu integrieren.

Nachdem Sie anhand der Geodaten alles Wissenswerte über das Gebiet herausgefunden haben, ist es ebenso wichtig, Ihre potenziellen Kunden zu kennen. Das bedeutet, dass Sie mehr über die demografischen Gegebenheiten der Region erfahren und prüfen sollten, ob diese mit Ihren Zielgruppen übereinstimmen.

Was wissen Sie über das Publikum Ihres bestehenden Geschäfts, das Sie zur Verbesserung der Leistung am neuen Standort einsetzen können? Wie wahrscheinlich ist es, dass Ihre Zielgruppe zu Ihren neuen Standort kommt? Welche konkurrierenden Geschäfte besucht Ihre Zielgruppe in der Umgebung Ihres neuen Geschäfts? Diese und weitere Fragen sollten Sie beantworten, bevor Sie sich für einen neuen Standort entscheiden.  

Aber das Datensammeln alleine ist nicht alles. Sie müssen die vorliegenden Daten bereinigen, ordnen, Prioritäten setzen und vor allem: analysieren. Mit anderen Worten: Sie müssen die Daten auch nutzen.

Ein Tool wie TargomoLOOP bietet Datensätze wie Demografien, Kaufkraft und Passantenfrequenzen aus zuverlässigen Quellen. Anschließend analysieren ausgeklügelte Algorithmen, welche Nachfrage Sie für einen bestimmten Standort und das gesamte Filialnetz erwarten können, und ob sich Ihre Geschäfte womöglich gegenseitigt kannibalisieren. Sie können unsere Standortinformationen sogar mit Ihren eigenen Geschäftsdaten verknüpfen, um Korrelationen aufzudecken. Sie können verschiedene Szenarien ausprobieren und sehen sofort, welche Optionen für Ihr nächstes Einzelhandelsgeschäft am besten geeignet sind.

Interessiert, mehr über die Analyseplattform TargomoLOOP zu erfahren? Demo buchen

Mehr als 80 Prozent des Erfolgs von Filialgeschäften hängt von ihrem Standort ab. Dank Geo AI von Targomo können Unternehmen diesen Erfolg nun vorhersagen und relevante Kennzahlen wie Umsatz oder Anzahl von Gästen prognostizieren. Die Geo AI Lösung ist in die Location-Analytics-Plattform TargomoLOOP integriert und liefert Prognosen für jeden potenziellen Standort im Verkaufsgebiet. 

Die Geo AI-Prognosen basiert auf einem maßgeschneiderten Vorhersagemodell (Predictive Analytics Model), das von Targomos Data-Science-Team entwickelt wird. Es kombiniert Maschinelles Lernen und Geo-Algorithmen mit Umgebungsinformationen und den Standortdaten eines Unternehmens, entwickelt daraus ein räumliches Prognosemodell und trainiert es kontinuierlich. Das Ergebnis sind verlässliche Umsatzprognosen für jeden Standort sowie Erkenntnisse über die Erfolgstreiber, die für den Erfolg von Standorten entscheidend sind.

„Die Erfolgstreiberanalyse ist das Herzstück unserer Geo AI-Technologie“, erklärt Henning Hollburg, Gründer und Geschäftsführer von Targomo. „Wir finden heraus, welche Umwelt- und Wettbewerbsfaktoren für den Erfolg einer Marke entscheidend sind und errechnen auch, in welchem Umfang sie beteiligt sind. Mit unserer Analyse weiß ein stationäres Geschäft endlich, wie viel seines Umsatzes auf den einzelnen Standortfaktoren beruht. Dies ermöglicht eine zuverlässige Vorhersage von Verkaufszahlen, bei der wir in der Regel eine Genauigkeit von bis zu 80-90 % erreichen.“ (Hier geht es zum vollständigen Interview)

Neben der Umsatzprognose und der Erfolgstreiberanalyse bilden Heatmaps die dritte Säule des umfassenden Geo AI-Angebots. Heatmaps visualisieren Gebiete mit ungenutzten Absatzchancen und ermöglichen es Unternehmen herauszufinden, wie viel zusätzliche Einnahmen sie durch die Eröffnung von Filialen in beliebigen Teilen des Landes erzielen könnte. So können Unternehmen schnell und einfach geografische Gebiete mit dem größten Potenzial für das Wachstum ihres Geschäfts und ihrer Marke identifizieren.

In einem früheren Blogbeitrag haben wir das Potenzial von Predictive Analytics für die Planung künftiger Filialstandorte untersucht. Jetzt werfen wir einen Blick hinter die Kulissen, um mehr über Funktionsweisen und Nutzen von Predictive zu erfahren. Unser Guide ist David Redlich, Teamleiter für API Services & Data Teams bei Targomo.

Stell dir vor, du könntest die Leistung künftiger neuer Filialen mit einem hohen Maß an Genauigkeit vorhersagen, und zwar auf der Grundlage harter Fakten und nicht nach Bauchgefühl. Das nennen wir Predictive Analytics. Wir kombinieren maschinelles Lernen und Geoalgorithmen mit soziodemografischen, Netzwerk- und Leistungsdaten, um einzigartige Vorhersagemodelle zu erstellen. Diese helfen unseren Kunden, Fragen zu beantworten wie: Was macht mein Geschäft erfolgreich? Wie viele Gäste werden in mein Restaurant kommen? Wie viel Umsatz kann ich von meinem Outlet-Store erwarten? Wohin soll ich als nächstes expandieren? All diese Analysen lassen sich jetzt in einem Bruchteil des üblichen Zeit- und Arbeitsaufwands und mit vollständiger Kontrolle und Transparenz beantworten.

In der Regel konzentrierte sich die Analyse eher auf Teilaspekte und konnte nicht mit so großen Datenmengen umgehen. Nehmen Sie zum Beispiel Beratungsunternehmen. Die Analysen sind statisch und meist auf einige wenige Standorte beschränkt. Das macht es unmöglich, Szenarien zu erstellen, die die Wechselwirkungen zwischen verschiedenen Standorten berücksichtigen oder in die Zukunft blicken. Wie der Name schon sagt, ist Predictive Analytics zukunftsorientiert. Ist das Modell einmal eingerichtet, können Kunden tiefgreifende Analysen für eine beliebige Anzahl von Standorten durchführen, ohne dass sich die Kosten spürbar verändern.

Mit TargomoLOOP haben wir ein wirklich gutes Tool, das es unseren Kunden ermöglicht, ihre eigenen Analysen durchzuführen und auf der Grundlage von Daten aussagekräftige Erkenntnisse über die Zukunft zu gewinnen. Die Plattform ist skalierbar, da dieses Modell weltweit eingesetzt werden kann je nach Datenverfügbarkeit. Wir sind zuversichtlich, dass wir bei der Vorhersage der zukünftigen Leistung eines Standorts führend sind. Außerdem verbessern wir unsere Modelle und Tools kontinuierlich.

Im Allgemeinen verwenden wir vier Quellen: öffentliche, private, unternehmenseigene und selbst erstellte Daten.

Zu den öffentlich zugänglichen Daten gehören Netzwerkdaten wie Verkehrsmittel und Verkehrsinformationen, die wir zur Erstellung von Mobilitätsanalysemustern verwenden, um zu sehen, wie Menschen zu Ihrem potenziellen neuen Standort gelangen. Auch soziodemografische Daten und Points-of-Interest (POI) sind Teil der öffentlichen Daten.

Kommerzielle Daten umfassen ergänzende feingranulare soziodemografische Daten, zusätzliche Daten zu Points of Interest (POI), ökonomische Daten wie Kaufkraft oder Zielgruppendaten wie Limbic Types. Diese beziehen wir von unseren renommierten weltweiten Datenpartnern.

Ein wichtiger Teil des Vorhersagemodells sind natürlich die Unternehmensdaten unserer Kunden. Das sind standortbezogene Daten, die Aufschluss über verschiedene Filialmerkmale und die Performance geben. An erster Stelle stehen die Verkaufszahlen. Wenn wir ein Prognosemodell für einen bestimmten KPI entwickeln sollen, brauchen wir die entsprechenden Daten der bestehenden Filialen. Auch Informationen wie unterschiedliche Schließzeiten, Verkaufsflächen usw. sind wichtig, um deren Auswirkungen zu untersuchen oder Abweichungen erklären zu können.

Eine weitere relevante Quelle, mit der wir uns von unseren Mitbewerbern unterscheiden, sind selbst aufbereitete domänenspezifische Daten. Wir stellen die Fußgängerströme aufgeschlüsselt nach Tages- und Nachtzeiten sowie nach Intentionen wie Einkaufen oder Restaurantbesuche zur Verfügung. Wir bieten Auto- oder Hausbesitzerquoten und benutzerdefinierte POI-Sets, die besonders für stationäre Geschäfte interessant sind, um zu sehen, welche ergänzenden Geschäfte oder Dienstleistungen es in der Nähe ihrer Standorte gibt.

Zu Beginn eines Projekts wird ein beträchtlicher Teil der Zeit für das Sammeln, Vervollständigen und Bereinigen der Daten aufgewendet. Dieser Schritt wird oft unterschätzt, ist aber entscheidend, um unseren Kunden zuverlässige Ergebnisse zu liefern. Die größte Herausforderung besteht jedoch darin, dass die Algorithmen für künstliche Intelligenz und maschinelles Lernen in der Regel nicht für Geodaten (Geoinformationen, POIs, Netzdaten und Ladenstandorte) optimiert sind. Es ist eine Herausforderung, diese Dinge miteinander in Einklang zu bringen.

Eine der Maßnahmen, die wir ergriffen haben, um dieses Problem zu lösen, ist die Verwendung etablierter ökonomischer Modelle – wie das Gravitations- oder Logit-Modell. In diesen Modellen haben alle Standorte eine „Anziehungskraft“, mit der man die Wahrscheinlichkeiten berechnen kann, dass bestimmte demografische Gruppen an den eigenen Standort kommen, wobei andere konkurrierende Standorte und deren Anziehungskraft berücksichtigt werden.

Die Komplexität des Problems ist unglaublich. Viele Menschen haben versucht, dieses Problem zu lösen, mit unterschiedlichem Erfolg. Aber ich glaube, dass es niemandem in der verallgemeinerten Weise gelungen ist, wie wir es getan haben. Unsere prädiktive Analytik funktioniert bereichsübergreifend. Sie können die Daten einfach einfügen und individuelle Erfolgstreiber finden, ohne dass eine bereichs- oder unternehmensspezifische Anpassung erforderlich ist. Das ist eine ziemlich große Herausforderung, die wir gemeistert haben.

Ein wichtiger Einflussfaktor ist für uns die Nutzererfahrung. Wir wollen TargomoLOOP vollständig in die Hände unserer Kunden legen und nicht als Mittelsmann fungieren, der die Analyse für sie übernimmt. Wir wollen ihnen ein Werkzeug an die Hand geben, mit dem sie viele verschiedene Szenarien selbst durchspielen können.

Es ist ein schmaler Grat – und wir lernen immer noch, wie wir komplexe Ergebnisse vermitteln und gleichzeitig unseren Kunden viel Kontrolle geben können. Wir haben schon immer viel mit Testnutzern gearbeitet und Feedback von bestehenden Kunden gesammelt, um eine gute User Experience zu erreichen und weiterzuentwickeln.

Die Kunden spielen vor und während der Entwicklung eine wichtige Rolle. Zu Beginn stellen sie uns ihre Filial- und Unternehmensdaten sowie umgebungsunabhängige Geschäftsdaten zur Verfügung. 

Sie spielen dann auch bei der Auswertung eine aktive Rolle. Wenn wir die ersten Ergebnisse zu den Erfolgstreibern haben, besprechen wir die Ergebnisee mit ihnen, um zu sehen, ob es für sie nachvollziehbar ist. In der Regel ist es keine völlige Überraschung, was die Erfolgstreiber sind, sondern in welchem Ausmaß sie wichtig sind. Schließlich quantifizieren wir genau, wie wichtig Auto- und Fußgängerverkehr vor Ort sind und welche Rolle die Wettbewerber spielen. Nach der Analyse wissen sie, wie viel ihres Umsatzes auf die einzelnen Faktoren zurückzuführen ist. Manchmal finden wir auch heraus, dass Faktoren, die als wichtig angesehen wurden, in Wirklichkeit überhaupt keinen Einfluss auf den Umsatz haben.

Es war eine steile Lernkurve für uns, und wir haben gemeinsam mit Universitäten ein Forschungsprojekt ins Leben gerufen, um uns Wissen anzueignen, das wir nicht hatten. Außerdem haben wir unsere Teams mit sehr fähigen Datenwissenschaftlern erweitert. Zusammen mit unseren großartigen Softwareentwicklern haben wir eine erfolgreiche Symbiose geschaffen, um modernste Geo-KI als Unternehmensprodukt anzubieten. Ich würde die erforderlichen Fähigkeiten jedoch nicht auf die von Datenwissenschaftlern oder Softwareentwicklern beschränken. Marketing, Business Development und Customer Success sind ebenfalls sehr wichtig. Es ist entscheidend, dass die Konzepte und Ergebnisse auf verständliche Weise kommuniziert werden. Das ist oft eine schwierige Aufgabe.

David, vielen Dank, dass du uns durch Predictive Analytics geführt hast. Keiner von uns besitzt eine Kristallkugel. Aber wie wir gesehen haben, kann die Analyse wirklich helfen, zukünftige Ergebnisse vorherzusagen, um Einzelhandelsstandorte erfolgreich zu planen und Risiken zu minimieren. Und das Beste daran ist, dass das Tool intuitiv zu bedienen ist, so dass unsere Kunden die Szenarien, die für sie am besten geeignet sind, durch Plug-and-Play ermitteln können.

Die Lage einer Immobilie ist eines der wichtigsten Kriterien für Wohnungssuchende. Die Entfernung zum nächsten Supermarkt oder die Anbindung an öffentliche Verkehrsmittel können darüber entscheiden, ob sich jemand für oder gegen eine Immobilie entscheidet.

Das deutsche Immobilienportal Immowelt bietet nun einen Lage-Check, der automatisch das Umgebungsangebot von Inseratsadressen prüft und eine Bewertung erstellt – den Standort-Score. Das neue Feature basiert auf Targomos Location Scoring API und ermöglicht Nutzern von Immowelt, auf einen Blick die Qualität des Nahverkehrs und der täglichen Versorgung einzuschätzen.

„Der Immowelt Lage-Check ist ein echter und handfester Mehrwert für Suchende auf immowelt.de“, sagt Felix Kusch, Immowelt Country Managing Director. „Wer auf einen Blick die Lage einer Immobilie beurteilen kann, spart wertvolle Zeit bei der Suche nach einer passenden Wohnung oder einem Haus. In der Testphase waren die Nutzer bereits begeistert von dieser praktischen Funktion.“

Der Immowelt Lage-Check ist ein Richtwert für die Attraktivität des Standorts einer Immobilie im Vergleich zu allen anderen Immobilienstandorten in der Region. Er wird anhand der Anzahl und Erreichbarkeit relevanter Punkte berechnet. Im Score „Täglicher Bedarf“ wird berücksichtigt, inwiefern sich Lebensmittelläden, Drogerien, Bankautomaten, Apotheken etc. in der Umgebung befinden. In den Score „Nahverkehr“ fließen Nähe und Anzahl von Haltestellen ein, die Anzahl der Nahverkehrslinien und die Häufigkeit ihrer Verbindungen sowie die Effektivität des Verkehrsnetzes selbst – wie gut es darin ist, Menschen in verschiedenen Gegenden zu verbinden.

Das Ergebnis wird anhand einer leicht lesbaren, fünfstufigen Skala dargestellt: Super, gut, okay, mäßig und wenig. Für die Zukunft möchte Immowelt den Lage-Check um zwei weitere Scores erweitern: Familienfreundlichkeit und Freizeitmöglichkeiten. Diese sollen unter anderem Informationen über Kindergärten, Spielplätze oder Sportanlagen anzeigen.

Die Location Scoring API von Targomo ermöglicht eine Bewertung von Standorten, in dem es soziodemographische Daten und die Erreichbarkeit relevanter Orte (Points of Interest) in der Umgebung analysiert. Nach welchen Kriterien Standorte bewertet werden, kann individuell eingestellt werden. „Die hohe Anpassungsfähigkeit der Location Scoring API war neben der Schnelligkeit und Präzision der Berechnungen ein Grund, warum wir bei der Entwicklung des Lage-Checks mit Targomo zusammenarbeiten“, sagt Felix Kusch.

„Wir ermöglichen Immobilien-Portalen, ihren Nutzern Zusatzinformationen zu bieten, die sie sonst auf anderen Webseiten recherchieren würden“, sagt Henning Hollburg, Managing Director von Targomo. „So können sie Nutzer auf der eigenen Plattform halten. Die Scores können sie dabei individuell gestalten und zum Beispiel auf verschiedene Länder, Kulturen oder Nutzertypen zuschneiden. Sogar eine individuelle Gewichtung der Kriterien durch den User selbst ist möglich – zum Beispiel ob eher viel oder wenig Bars oder Restaurants in einer Umgebung als gut bewertet werden. Oder ob die Anzahl oder die Entfernung zum nächsten Punkt entscheidend ist.“

Über ‚immowelt‘:

immowelt ist Teil der AVIV Group, eines der größten digitalen Immobilien-Tech-Unternehmen der Welt.

Die immowelt Mission ist es, künftig alle Schritte der Immobilientransaktion zu digitalisieren, um diese für alle Beteiligten so unkompliziert und einfach wie möglich zu gestalten. Die Basis hierfür bieten die reichweitenstarken immowelt Portale, die zu den führenden Immobilienplattformen in Deutschland und Österreich gehören und schon heute Eigentümer, Immobilienprofis und Suchende erfolgreich zusammenbringen. immowelt unterstützt mit datengestützten Services die unkomplizierte Suche nach einer Mietwohnung, die effektive Vermarktung einer Immobilie und maßgeschneiderte Finanzierungen der eigenen vier Wände. Dank jahrzehntelanger Erfahrung und breitem Immobilien-Know-how kreiert immowelt so das perfekte Erfolgserlebnis für Mieter und Vermieter, Immobilienprofis, Immobilieneigentümer und Käufer.

Neben immowelt gehören weitere führende Immobilien-Onlinemarktplätze in Frankreich, Belgien und Israel zur AVIV Group, die Teil der Axel Springer SE ist.

Henning Hollburg, Targomo’s Founder and Managing Director, explains what predictive analytics is and how businesses with physical points of sales can benefit from it.

„Einfach ausgedrückt handelt es sich darum, hochentwickelte Machine Learning Algorithmen anzuwenden, um aus der Vergangenheit zu lernen und zukünftige Szenarien vorherzusagen.

Wir arbeiten seit Jahren an Predictice Analytics und können diese innovative Technologie nun allen Unternehmen anbieten, die sie benötigen. In den letzten Jahren hat dieser Bereich durch die Weiterentwicklung von Schlüsseltechnologien einen enormen Aufschwung erfahren, von besserer Hardware bis hin zu leistungsfähigeren Modellen. Zusätzlich ermöglicht uns das Aufkommen moderner Webtechnologien, solche Lösungen in einer browserbasierten Umgebung zu entwickeln.“

„Der Standort ist für alle Unternehmen wichtig, die eine physische Interaktion mit ihren Kunden pflegen. Unsere Modelle können den Erfolg einer Handelsfiliale zu 80-90 % vorhersagen. Das bedeutet, dass wir unseren Kunden mit dieser Genauigkeit sagen können, welche Umsätze sie erwarten können, wenn sie ein neues Geschäft eröffnen wollen. Das gibt ihnen eine enorme Planungssicherheit.

Aber das Potenzial der Prognosen geht über Neueröffnungen hinaus. Auch Änderungen der Verkaufsfläche, der Öffnungszeiten, des Ladentyps usw. können vorhergesagt werden, und zwar nicht nur für die veränderte Filiale selbst, sondern auch für die anderen Filialen im Netz. Ein Kunde von uns möchte zum Beispiel wissen, welchen Standort er ‚re-branden‘ soll. Ein anderer möchte wissen, welche Produkte er wo anbieten soll.  Unsere Modelle geben antworten.“

„Bei Tarogmo ist das ein dreistufiger Prozess. Zunächst stellt uns der Kunde seine Geschäftsdaten zur Verfügung. Dann trainieren wir unser Modell mit diesen Daten, bevor wir in TargomoLOOP ein individuelles Modell für den Kunden mit Vorhersagen über seine Geschäftsentwicklung integrieren.

Die Geschäftsdaten der Kunden umfassen üblicherweise die Standorte ihrer Geschäfte in Kombination mit einer Reihe von Attributen, den so genannten standortbezogenen oder ‚geo-referenzierten‘ Daten. Dabei handelt es sich in der Regel um die Größe und Art des Geschäfts, die Öffnungszeiten, die letzte Renovierung und so weiter. Die Kunden stellen uns auch ihre Geschäftskennzahlen zur Verfügung, wie z. B. den Gesamtumsatz, den Umsatz mit einem bestimmten Produkt oder die Anzahl der Besucher.

Dann analysieren wir die Umgebung der einzelnen Filialen, um Muster zu erkennen. Hier kommen hauptsächlich drei Arten von Daten ins Spiel: mobilitätsbezogene Daten wie Fahrpläne des öffentlichen Nahverkehrs, Straßennetze oder Bewegungsdaten, soziodemografische Daten und Daten zu Orten in der Umgebung, den Points of Interest. Die Muster helfen uns zu verstehen, welche Faktoren zu Erfolg oder Misserfolg führen. Mit diesen Metriken/Erfolgsfaktoren trainieren wir ein Modell, und dieses Modell ermöglicht es uns, die meisten KPIs für andere Standorte vorherzusagen.“

„Wir integrieren das Modell in TargomoLOOP, das von uns entwickelte intuitive browserbasierte Tool, und sie können einfach eine beliebige Adresse eingeben, um Prognosen zu Umsatz, Besucherzahlen und anderen wichtigen Aspekten für die Filialplanung zu erhalten. Letztendlich werden sie in der Lage sein zu verstehen, ob die Eröffnung eines Geschäfts dort erfolgreich sein wird oder nicht.

Und das Besondere ist, dass unser Modell nicht nur für die Expansion des Geschäfts nützlich ist, sondern auch, um zu verstehen, ob eine bestehende Filiale besonders viel oder zu wenig Leistung bringt, also ein Over- oder Underperformer ist. Wir vergleichen einfach die Geschäftsleistung bestehender Geschäfte mit der von unserem Modell vorhergesagten Leistung. Mit diesen Erkenntnissen kann unser Kunde sein Filialnetz optimieren. Es kann die Preisgestaltung, das Produktangebot und die Ladenöffnungszeiten anpassen, um Erfolge zu wiederholen oder schlechte Ergebnisse zu korrigieren.„

„Natürlich steht und fällt die Möglichkeit mit den verfügbaren Daten. Wir haben zum Beispiel gelegentlich beobachtet, dass bestimmte Geschäfte aufgrund von Renovierungsarbeiten und den daraus resultierenden Schließungen weniger Umsatz gemacht haben. Sie tauchten dann in unserer Analyse zunächst als Underperformer auf, weil wir keine Informationen über die Schließungen hatten. Je mehr interne Daten wir von unserem Kunden erhalten, desto besser.

Aber vor allem, wenn nur einige wenige Filialen verfügbar sind, wird es schwierig, Muster zu erkennen. Idealerweise sollte ein Netzwerk aus mehr als ein paar Dutzend Geschäften bestehen, um ein aussagekräftiges Modell zu entwickeln. Darüber hinaus gibt es auch Faktoren, die die Leistung beeinflussen, für die wir keine Daten haben oder die nichts mit dem Standort an sich zu tun haben. Zum Beispiel, wenn das Personal besonders freundlich ist und eine gute Kundenbindung aufgebaut hat.“

„Targomo hat langjährige Erfahrung in Analysen von Mobilität und menschlicher Bewegung und haben auch viel in diese Richtung geforscht. Diese Expertise fließt in unsere Analysen und Prognosen ein, da der Erfolg von Filialen entscheidend von menschlichen Bewegungsmustern abhängt: Es geht darum, dass die Menschen zu den Unternehmen kommen und die Unternehmen zu den Menschen.

Ein weiterer Vorteil ist, dass wir dieses individuell auf den Kunden entwickelte Vorhersagemodell in die Analyseplattform integrieren. Diese ist recht einfach zu bedienen, so dass alle Teammitglieder darauf zugreifen können, ohne GIS-Experte oder Datenwissenschaftler zu sein.“

Vielen Dank an Henning für die Einführung in Predictive Analytics.

Möchten Sie erfahren, wie Sie mit der Analyseplattform TargomoLOOP sofortige Vorhersageergebnisse erhalten? Buchen Sie hier eine Demo.