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