„Targomo‘s Location Intelligence schließt eine Datentransparenzlücke und hilft CASAFARI-Kunden, Immobilienmaklern, und Investoren, Neugeschäfte zu generieren und Transaktionen erheblich zu beschleunigen. CASAFARI hingegen eröffnet Targomo-Kunden Zugang zum gesamten Immobilienmarkt. Diese Partnerschaft ermöglicht Unternehmen jeder Größe, Immobilientransaktionen am idealen Standort und zum besten Preis abzuschließen.“ Nils Henning, CEO von CASAFARI.

„Targomo’s Lösungen für datenbasierte Standortanalyse ermöglichen Anwendern bessere Investitionsentscheidungen und Casafari-Daten zeigen dazu alle Immobilienangebote auf dem Markt einschließlich der Objekthistorie. Gemeinsam bieten wir die leistungsstärkste End-to-End-Immobilienlösung.“ Henning Hollburg, Gründer und Geschäftsführer von Targomo.

Geo AI für die Standortplanung im Einzelhandel

Bei der Expansion eines Unternehmens, insbesondere bei der Eröffnung einer neuen Filiale in einer neuen Region, ist die wichtigste Fragestellung, ob der Standort gut laufen wird und wie viel Umsatz dort generiert werden kann. Umsatzprognosen sind maßgebend, um die Standortwahl und die Entscheidungsfindung für eine erfolgreiche Expansion zu unterstützen. Es gibt mehrere Ansätze, die darauf abzielen, möglichst genaue und fundierte Prognosen zu erstellen.

Zwei Algorithmen des Machine Learning, die häufig zur Umsatzprognose verwendet werden, sind Random Forest und XGBoost. In dieser Fallstudie vergleichen wir die Ergebnisse dieser beiden gängigen Modelle mit den Ergebnissen, die mit dem Geo AI Modell von Targomo erzielt werden. Geo AI ist ein standortbasiertes Modell, das auf ein besseres Verständnis von Standortfaktoren und deren konkrete Bewertung trainiert wird.

Grundlage für diese Fallstudie sind die öffentlich zugänglichen Daten über den Verkauf von Spirituosen im US-Bundesstaat Iowa. Für eine mögliche Prognose wählten wir die Marke Hy-Vee aus und behandelten die Spirituosenverkäufe anderer Marken als Daten von Wettbewerbern.

Wer ist Hy-Vee? Das Unternehmen ist eine Supermarktkette, die hauptsächlich im Mittleren Westen und im Süden der USA ansässig ist. Der Hauptsitz des Unternehmens befindet sich in West Des Moines, Iowa. Hy-Vee hat über 285 Standorte in 8 US-Bundesstaaten, neben Iowa zum Beispiel auch in Illinois und Missouri.

Drei Methoden im Vergleich: Random Forest, XGBoost und Geo AI

Die drei Methoden Random Forest, XGBoost und Geo AI von Targomo wurden für die Modellierung berücksichtigt. Random Forest und XGBoost sind beliebte universal einsetzbare Machine Learning Algorithmen. Vor allem XGBoost findet man oft auf den Podesten von Machine Learning Wettbewerben in verschiedensten Anwendungsbereichen wieder. Die Algorithmen sind dank existierender Python/R-Pakete leicht zugänglich und ermöglichen es, schnell erste Ergebnisse zu erhalten. Es gibt jedoch auch bekannte Nachteile: Mögliche Probleme mit Overfitting, also der Überanpassung, und auch häufig eine schwierige Interpretierbarkeit der Ergebnisdaten. Vor allem Overfitting ist bei der Umsatzmodellierung ein großes Problem, denn Trainingsdaten (also das eigene Filialnetz) umfassen bestenfalls einige Hundert Datensätze. Die beste Performance liefern Random Forest und XGBoost bei der Arbeit mit Daten die Millionen Datenpunkte umfassen.

Geo AI ist ein standortbezogenes Verfahren. Die Grundlagen des Modells wurden im Rahmen eines Forschungsprojektes von Targomo in Kooperation mit dem Hasso-Plattner-Institut und dem Deutschen Zentrum für Luft- und Raumfahrt entwickelt.

Geo AI: Gravitationsmodell und Anziehungskraft

Ein wichtiger Bestandteil von Geo AI ist ein Gravitationsmodell. Es folgt der Idee des Newtonschen Gravitationsgesetzes und wendet das Konzept auf Marktmodelle an. Nach dem Newtonschen Gravitationsgesetz führen hohe Massen (Attraktivität in Marktmodellen) und eine geringe Entfernung zu einer starken Anziehung. Die Anziehungskraft wird in unserem Beispiel anhand von Shop-Merkmalen und Umgebungsmerkmalen gemessen. Bei diesen Merkmalen kann es sich um die Größe des Geschäftes, Verfügbarkeit von Parkplätzen, Beschaffenheit des Produktsortimentes oder um Standortfaktoren wie komplementäre Geschäfte, Konkurrenten oder andere Points of Interest in der Nähe handeln.

In unserem Modell werden diese Faktoren in der Attraction Strength zusammengefasst. Die Entfernung wird auf der Grundlage der Reisezeit berechnet, wobei die Einzugsgebiete durch die Reisezeit und den jeweiligen Reisemodus (Auto, Fahrrad, öffentlicher Nahverkehr und zu Fuß) definiert werden. Eine reisezeitbasierte Berechnung des Einzugsgebietes bietet eine präzisere und realistischere Einschätzung als naivere entfernungsbasierte Berechnung.

Fallstudie “Geo AI für Umsatzprognosen im Einzelhandel” – Zusammenfassung

Schritt 1: Datenerhebung

Zunächst musste das Data-Team von Targomo die Daten aus verschiedenen Quellen zusammentragen, um die allgemeine Nachfrage und Attraktivität der verschiedenen Geschäftsstandorte zu berechnen:

• Öffentlich zugängliche Daten über Spirituosenkäufe: Die Daten umfassen Geschäfte mit Iowa-Lizenzen der Klasse “E” wie Lebensmittelgeschäfte, Spirituosenläden und Convenience Stores. Der Datensatz erfasst Spirituosenkäufe auf Shop-Ebene von 2012 bis heute und enthält den Shopnamen, die Shopnummer, die Adresse und die Koordinaten des Ladengeschäftes, sowie das Datum der Bestellung, die bestellten Artikel, die Verkaufswerte und die Produktkategorien. Der Verkaufswert wird berechnet, indem die Anzahl der verkauften Flaschen mit dem staatlichen Einzelhandelspreis multipliziert wird. Dieser Wert ist der Zielwert für den Beispiel-Case.
• Soziodemografische Daten: Altersgruppe, Einkommen, Beruf, Familienstruktur, Verkehrsmittel für den Arbeitsweg und mehr.
• Mobilitätsdaten: Bewegungsdaten in Form von Fußgängerverkehr geben an, wie viele Personen sich in einem bestimmten Zeitraum an einem Ort aufhalten.
• Daten zur Attraktivität von Geschäften: Wenn Kunden die Geschäfte und Shop-Möglichkeiten innerhalb eines Einzugsgebiets als unterschiedlich attraktiv wahrnehmen, kann sich dies auf die Wahl des Geschäfts auswirken, in dem sie bevorzugt einkaufen. Um die Attraktivität in der Modellierung zu berücksichtigen, haben wir direktes Kundenfeedback in Form von Google-Bewertungen mit einbezogen. Dabei wurden die durchschnittlichen Google-Bewertungen und die Anzahl der Bewertungen verwendet. Darüber hinaus wurden auch die Öffnungszeiten (über ein Jahr betrachtet als Anzahl der Gesamtstunden) berücksichtigt.
• Daten der Wettbewerber: Da die öffentlich zugänglichen Daten alle Spirituosenverkäufe abdeckten, wurden die Daten anderer Geschäfte ebenfalls verwendet und als Wettbewerber neben Hy-Vee behandelt.
• Welche Daten fehlten? Die Größe der Filiale und die Größe der Verkaufsfläche haben in der Regel einen erheblichen Einfluss auf den Umsatz einer Filiale und sollten immer in der Modellierung für die Prognose einbezogen werden. In diesem Fall waren die Daten nicht verfügbar und konnten somit nicht berücksichtigt werden.

Schritt 2: Datenbereinigung – als Grundlage für die fundierte Modellierung

Bei der Datenbereinigung werden ungenaue, unvollständige und doppelte Datensätze identifiziert und anschließend korrigiert oder entfernt.

• Erkennung ungenauer, unvollständiger und doppelter Datensätze: In vielen Datensätzen fehlten Adressen und Koordinaten (Abbildung a, hervorgehoben in orangefarbenen Kästchen), sodass wir die fehlenden Daten mit bekannten Einträgen oder aus Geokodierungsergebnissen ergänzten. Außerdem kam es vor, dass dieselben Geschäfte doppelt mit verschiedenen Geschäftsnummern auftauchten (Abbildung b, Geschäftsnummer 3648 und 5875). Um diese Duplikate zu identifizieren, berechneten wir eine Abstandsmatrix zwischen allen Geschäften. Wenn der Abstand zwischen zwei Geschäften weniger als 50 m betrug, wurde ein Cluster gebildet. Anschließend wurden alle Geschäfte in diesem Cluster manuell dahingehend überprüft, ob es sich um dasselbe Geschäft handelt oder nicht.

• Identifizierung von Ausreißern und Behandlung fehlender Werte: Nach Korrektur der ungenauen Datensätze wurden die monatlichen Umsätze von 2019 für jedes Geschäft aufsummiert und die Anzahl der einzelnen Spirituosenkategorien und der gekauften Spirituosenartikel gezählt. Wenn ein Geschäft nicht für jeden Monat Umsatzdaten gemeldet hatte, wurde es aus dem Trainingsdatensatz entfernt. Es wurde jedoch in der Analyse wie ein Konkurrent behandelt, d. h. ein Geschäft, das potenziell Kunden anzieht, dessen Umsätze jedoch nicht bekannt sind.

Darüber hinaus wurden Geschäfte mit extrem hohen oder niedrigen Jahresumsätzen sorgfältig überprüft, wobei festgestellt wurde, dass es sich bei den meisten um Großhandelsunternehmen handelte. Da diese Geschäfte andere Kundengruppen – nämlich andere Geschäfte – ansprechen, wurden diese Ausreißer aus dem Datensatz entfernt. Kasinos, Hotels, Gasthöfe und Brennereien wurden ebenfalls entfernt.

Beispiele für unvollständige und doppelte Datensätze

Schritt 3: Training des Prognosemodells mit Daten

Der Geo AI Algorithmus lernt auf Basis der Standortdaten und der Umsätze, welche Datenzusammensetzung die Leistung der Hy-Vee-Filialen am besten repräsentiert.

Das Training besteht aus zwei Hauptkomponenten:

• Key Driver Analysis: Wir ermitteln die Faktoren der Attraction Strength. Das sind die Standortvariablen, die einen Standort für die Zielgruppe attraktiv machen und Kunden zum Standort locken.
• Validierung und Feinabstimmung: In unzähligen Iterationen validieren wir das Modell anhand zusätzlicher Daten zum Geschäftsstandort und nehmen eine Feinabstimmung vor.

Trainingsfehler vs. Testfehler

Es gibt zwei relevante Werte, die während des Lernprozesses gemessen werden und die Prediction Quality anzeigen, also die Qualität der Vorhersage: Der Trainingsfehler (training error) und der Testfehler (testing error).

• Der Trainingsfehler misst die Fähigkeit eines Modells, genaue Vorhersagen für Daten zu treffen, auf denen das Modell trainiert wurde. Er hilft uns, das Potenzial eines Modells einzuschätzen und zeigt, ob wir uns bei der Optimierung in eine sinnvolle Richtung bewegen.
• Der Testfehler wird anhand von Prognosen für einen Datensatz oder mehrere Datensätze gemessen, die das Modell noch nicht gesehen hat. Auf diese Weise lässt sich feststellen, wie gut das Modell Vorhersagen für neue Standorte treffen kann, die nicht im Trainingsset enthalten waren. Dies ist wichtig, um Overfitting zu erkennen und zu vermeiden.

Bei den Prognose-Ergebnissen kann der Testfehler als aussagekräftiger angesehen werden, da er uns eine Vorstellung davon vermittelt, wie gut das Modell bei neuen, ungesehenen Daten – wie der Adresse eines potenziellen neuen Standorts für eine Geschäftseröffnung – abschneiden wird. Ein niedriger Trainingsfehler ist eine Voraussetzung, aber kein ausreichender Indikator für ein erfolgreiches Modell.

Bei unseren Projekten zur Umsatzvorhersage durchlaufen wir während des Modelltrainings normalerweise zwei Phasen:

• In der ersten Phase wollen wir den Trainingsfehler minimieren, um zu beweisen, dass das Modell aussagekräftig/komplex genug ist, um Vorhersagen für den spezifischen Anwendungsfall zu machen und dass wir alle Daten über relevante Erfolgsfaktoren beisammenhaben.
• In der zweiten Phase wollen wir das Modell verallgemeinern, so dass es für neue, unbekannte Orte funktioniert. Wir wollen also den Testfehler minimieren, oft durch eine weitere Reduzierung der Modellkomplexität.

Ergebnisse: Dies sind die Standortvariablen, die den Verkauf von Spirituosen beeinflussen

Die Tabelle vergleicht die Modellgenauigkeit (model accuracy) und die erkannten Erfolgsfaktoren (success driver) von drei Modellen zur Prognose des Alkoholverkaufs in Hy-Vee-Filialen. Der Trainingsfehler des Geo AI Modells liegt bei 16 % und der Testfehler bei 19,8 %, während die Testfehler des Random Forest-Modells und des XGBoost-Modells trotz ausgiebigem Hypertuning 38,1 % bzw. 30 % betragen. Im Vergleich zu den beiden häufig verwendeten Modellen liefert Geo AI somit die höchste Genauigkeit.

Welche “Erfolgstreiber” wurden identifiziert? Vergleich: Drei Modelle zur Prognose des Verkaufs von Hy-Vee Spirituosen

Die identifizierten Attribute in den Random-Forest- und XGBoost-Modellen sind eher begrenzt und beschränken sich auf die Anzahl der Artikel, die Anzahl der Besucher und ein oder zwei weitere soziodemografische Merkmale. Die Hinzunahme zusätzlicher Attribute führt bei den Modellen zu Overfitting.

Im Gegensatz dazu besteht das Geo AI Modell aus einer breiten Palette von Attributen, zu denen unter anderem Shop-Merkmale (Anzahl der Artikel, Art des Ladens), die Umgebung (Passantenfrequenz am Standort) und soziodemografische Merkmale potenzieller Kunden gehören. Die Anzahl der Artikel, die die Vielfalt der im Geschäft angebotenen Spirituosen angibt, der Ladentyp und die Passantenfrequenz in der näheren Umgebung werden zur Messung der Attraktivität des Geschäfts im Gravitationsmodell verwendet.

Der Scatter Plot vom Geo AI Output: Die X-Achse weist den tatsächlichen Umsatz an Spirituosen aus, die Y-Achse beschreibt den prognostizierten Umsatz an Spirituosen. Die Punkte sind entlang der diagonalen Linie gut verteilt, ein Indikator für eine gute Prognoseleistung der Geo AI!

Streudiagramm der Ergebnisse des Geo AI Prognosemodells: Dicht entlang der Diagonale verteilte Punkte (Filialen) sind ein Hinweis auf eine hohe Modellgenauigkeit.

Visualisierung des Geo AI Erfolgstreiberprofils

Das Attribut “Einkommen” ist ein wichtiger Faktor für den Verkauf von Spirituosen in Hy-Vee-Märkten. 25,8 % der Verkäufe stammen aus Haushalten mit einem Einkommen von weniger als 40.000 $, und 14,5 % aus Haushalten mit einem Einkommen von mehr als 150.000 $. Viele Studien haben ergeben, dass Personen mit niedrigem Einkommen ein höheres Risiko für schweren und riskanten Alkoholkonsum haben, und dass ein höheres Einkommen mit einer höheren Häufigkeit von leichtem Alkoholkonsum verbunden ist.

Welche Standortvariablen definieren den Spirituosenumsatz der Supermarktmarke Hy-Vee? Das Erfolgstreiberprofil gibt detaillierte Antworten.

Neben dem Einkommen hat auch die Zugehörigkeit zu bestimmten Berufsgruppen einen positiven Einfluss auf den Verkauf von Spirituosen in Hy-Vee-Märkten in Iowa. Die Ergebnisse zeigen, dass es sich verkaufsfördernd auswirkt, wenn viele Personen aus dem Baugewerbe, dem Großhandel, der Kunstindustrie sowie Selbstständige in der Nähe zu verorten sind. Laut Statista sind die Top 5 Berufsgruppen mit hohem Alkoholkonsum (15 oder mehr alkoholische Getränke pro Woche) in den USA 2016:  Baugewerbe/Bergbau, Installation/Reparatur, Landwirtschaft/Fischerei/ Forstwirtschaft, Fertigung/Produktion, sowie Geschäftsinhaber (business owner). Unter diesen Berufen ist das Baugewerbe einer der in dem Modell ermittelten Treiber.

Die anderen ermittelten Berufe korrelieren ebenfalls stark mit den durch die Geo AI ermittelten Berufsgruppen, so sind beispielsweise die Berufskategorien Installation/Reparatur, Landwirtschaft/Fischerei/Forstwirtschaft und Fertigung/Produktion häufig als Selbständige und als Geschäftsinhaber ausgewiesen. Wir können also sehen, dass viele von Geo AI identifizierte Faktoren mit empirischen Forschungsergebnissen übereinstimmen.

Dynamische Analyse für Hy-Vee mit Geo AI

Integriert in die Plattform TargomoLOOP, liefert das Geo AI Modell schnelle Prognoseergebnisse für jede mögliche Adresse.

Insights

Erkenntnis #1 Eine gute Einschätzung der Attraction Strength ist entscheidend.

Die Attraction Strength gibt an, wie attraktiv “unsere” Geschäfte sind und wie attraktiv/konkurrenzfähig sich die jeweiligen Wettbewerber darstellen. Eine gute Schätzung der “Anziehungskraft” ermöglicht eine bessere Einschätzung der Marktgröße und der potenziellen Kunden und erlaubt somit eine genauere Prognose der Einnahmen. Bei der Schätzung der Anziehungskraft sind Informationen über das Geschäft von entscheidender Bedeutung, z. B. die Größe des Geschäfts, die Verkaufsfläche und die Öffnungszeiten. In dieser Fallstudie reichen die uns zur Verfügung stehenden Informationen aufgrund der Beschränkung öffentlicher Daten nicht aus, um ein vollständiges Bild der Attraktivität des Geschäfts zu zeichnen, da Informationen zu Ladenfläche der Geschäftsstandorte fehlen. Um diese Einschränkung zu umgehen, wurde stattdessen die Vielfalt der Spirituosenprodukte als Shop-Merkmal verwendet.

Erkenntnis #2 Ein attraktiver Ladenstandort wird durch sein geschäftliches Umfeld UND den Zugang zu seiner Zielgruppe definiert.

Bei der Auswahl eines neuen Standorts für die Eröffnung eines Geschäfts sind umliegende Unternehmen von entscheidender Bedeutung. Welche Produkte/Dienstleistungen bieten sie an? Wie ist die Atmosphäre? Stehen sie im Wettbewerb oder ergänzen sie das eigene Geschäft? Bei der Entscheidungsfindung muss jedoch auch die geografische Verteilung der demografischen Zielgruppen berücksichtigt werden. Es spielt keine Rolle, wie gut ein Standort für ein potenzielles Geschäft geeignet ist, wenn die Zielkundengruppe nicht in der Lage oder nicht bereit ist, dorthin zu reisen.

Bei der Verwendung von Random-Forest- und XGBoost-Modellen ist es schwer zu kontrollieren, welche Variablen im Entscheidungsbaum verwendet werden. In dieser Fallstudie konzentrierten sich diese beiden Modelle hauptsächlich auf die nähere Umgebung und berücksichtigten den Zugang zu den demografischen Zielgruppen nur in geringem Maße. Das Geo AI Modell legte einen größeren Schwerpunkt auf die Demografie und berücksichtigte eine breitere Palette von demografischen und umweltbezogenen Faktoren.

Erkenntnis #3 Insiderwissen kann bei der Analyse von Schlüsselfaktoren ein zweischneidiges Schwert sein.

Bei der Auswahl der Variablen in der Analyse der Erfolgsfaktoren kann Insiderwissen Aufschluss darüber geben, welche Schlüsseltreiber aufgrund von Erfahrungen oder vorhandener Literatur zu erwarten sind. Wenn man sich jedoch zu sehr auf Expertenwissen verlässt und zu Beginn Daten ausschließt und ignoriert, die man nicht für relevant hält, kann man in eine Falle tappen.

Wenn man stattdessen das Modell und die Daten sprechen lässt, kann man neue, unerwartete Erkenntnisse gewinnen. Oft stellen wir fest, dass Variablen, die wir für wichtig hielten, wenig oder gar keine Bedeutung haben, und umgekehrt. Es ist wichtig solche Fälle zu untersuchen, die Ursachen herauszufinden und Erklärungsmöglichkeiten zu suchen. Idealerweise sollten unsere Annahmen das Modell nicht beeinträchtigen.

Der Mechanismus zur Auswahl von Merkmalen in Geo AI sorgt dafür, dass das Modell selbst bei einer großen Anzahl von Merkmalen als Eingabe nicht unter Overfitting leidet. Dadurch kann eine Vielzahl von möglichen Einflussfaktoren getestet und vom Modell auf die relevanten reduziert werden.

Schlussfolgerung

Diese Fallstudie testet und vergleicht die Leistung von drei Modellen, Random Forest, XGBoost und Geo AI als Methoden zur Umsatzprognose unter Verwendung von Spirituosenverkaufsdaten aus Iowa, USA. Geo AI zeigt unter allen drei Modellen die beste Leistung, da es am wenigsten overfittet, den niedrigsten Testfehler aufweist und die relevanten Einflussfaktoren im Modell umfassender abgebildet werden.

Im Vergleich zu den Modellen Random Forest und XGBoost berücksichtigt Geo AI stärker die Shop-Merkmale, die Umgebung des Ladens, die lokale demografische Struktur und die Mobilitätsdaten, wodurch das Modell zuverlässiger ist. Darüber hinaus bietet Geo AI von Targomo als ortsbezogenes Modell ein besseres Verständnis und eine generauere Bewertung der Standortfaktoren. Es ist möglich, die Prognosen des Modells im Detail nachzuvollziehen und die relevanten Umsatztreiber für jeden individuellen Geschäftsstandort auszuwerten.

Geo AI kann in verschiedenen Branchen eingesetzt werden, unter anderem im Einzelhandel und bei der Standortplanung von gastronomischen Betrieben. Möchten Sie mehr über Targomo’s Prognosen mit Geo AI für Einzelhändler und Gastronomiebetriebe erfahren und dynamische Analysen in Action sehen? Buchen Sie hier eine Demo. 

Autoren: Yue Luo (Spatial Data Scientist), Gideon Cohen (Software Engineer), Luisa Sieveking (Marketing & Kommunikation)

Geo AI wurde von Targomo’s Data Science Team mit dem Ziel entwickelt zu evaluieren, welche Standortfaktoren den Geschäftserfolg von Marken und Unternehmen beeinflussen und in welchem Maße diese zum Umsatz beitragen.

Die Entscheidung für oder gegen einen Geschäftsstandort ist eine wichtigeAufgabe – ganz gleich, ob es sich um Ihr erstes Geschäft oder eines von vielen handelt.

Das alte Sprichwort “Wer sich nicht vorbereitet, bereitet sich auf das Scheitern vor” war noch nie so treffend wie bei der Wahl des richtigen Standorts für das nächste Geschäft. Angesichts der vielen Standortfaktoren und Trends, die es zu berücksichtigen gilt, sowie der Pandemie, die zu einem veränderten Einkaufsverhalten der Menschen führt, ist eine gründliche Recherche unerlässlich. Dabei sollten Sie folgende sieben Fehler auf jeden Fall vermeiden:

1. Kannibalisierung nicht berücksichtigen

Auch wenn es wirtschaftlich sehr sinnvoll ist, das stationäres Geschäft auf mehr Standorte auszuweiten, sollten Sie unbedingt eine mögliche Kannibalisierung im Auge behalten.

Im ersten Quartal 2018 litt Starbucks – die beliebte Kaffeekette mit einer Filiale an jeder Ecke – unter Marktsättigung. Angesichts der großen Anzahl an Filialen und des wachsenden Marktes an Wettbewerbern fiel die Aktie um 11,38 %, während der Gesamtmarkt um 4,1 % zulegte. Infolgedessen begann das Unternehmen mit der Schließung von Geschäften in den Vereinigten Staaten.

Natürlich ist ein gesunder Wettbewerb für jedes Unternehmen von Vorteil, aber im Einzelhandel kommt es zu einer Kannibalisierung, wenn nahe beieinander liegende Filialen derselben Kette miteinander um die gleichen Kunden konkurrieren.

Das Gleiche gilt auch für konkurrierende Unternehmen. Wenn zu viele ähnliche Geschäfte im gleichen Einzugsgebiet angesiedelt sind, wird die Kundenloyalität und -präferenz ein Geschäft gegenüber einem anderen bevorzugen. Ein Überangebot an Standorten führt auch zu höheren Betriebskosten, wie Starbucks zu seinem Leidwesen feststellen musste.

Technischen Lösungen wie TargomoLOOP geben Ihnen ein genaueres Bild von Einzugsgebieten und potenziellen Überschneidungen. So können Sie mögliche Kannibalisierungeffekte sichtbar machen, quantifizieren und schlussendlich vermeiden.

Bevor Sie sich also für einen Standort entscheiden, prüfen Sie, wie sich Ihre Filialen gegenseitig beeinflussen. Mit einer guten Technologielösung können die Nutzer sofort sehen, ob und wie viele potenzielle Kunden die neue Filiale den bestehenden Geschäften in derselben Gegend “wegnehmen” würde. Sie können auch sehen, wie viele Kunden sie potenziell von konkurrierenden Geschäften in der Nähe gewinnen könnten und wie sich der neue Standort eines Wettbewerbers auf das Einzugsgebiet ihrer Einzelhandelsgeschäfte auswirken könnte.

2. Die Konkurrenz nicht kennen

1920 stellte der amerikanische Mathematiker Harold Hotelling eine Theorie auf, die er Hotelling’s Model of Spatial Competition nannte. Sein Modell zeigt, dass im Wettbewerb um Standorte jedes Unternehmen den “zentralen Punkt” anstrebt, da dies der strategisch günstigste Ort ist, um möglichst vielen Kunden nahe zu sein. Da aber jedes Unternehmen letztlich die gleichen Absichten verfolgt, konzentrieren sich die Geschäfte um denselben Standort und konkurrieren schließlich miteinander.

Um diese Theorie in die Praxis umzusetzen, führte Marc Smookler, ein US-amerikanischer Einzelhandelsexperte, im Jahr 2015 eine Studie in Austin, Texas, durch. Er kam zu dem Ergebnis, dass CVS- und Walgreens-Apotheken im Durchschnitt nur 1,5 km voneinander entfernt sind, während Walmart und HEB (eine Lebensmittelkette) 1 km voneinander entfernt sind.

Manchmal wird man also von einem Gebiet angezogen, weil dort der Markt ist. Aber Sie sollten auch wissen, wer Ihre Konkurrenten sind, worauf sie sich spezialisiert haben, was ihr Alleinstellungsmerkmal ist und inwiefern Ihr Geschäft ähnlich oder anders ist. Und vor allem: wo sie ansässig sind. Denn das gibt Ihnen die Möglichkeit, “weiße Flecken” mit dem größten Marktpotenzial zu identifizieren.

3. Nicht auf komplementäre Geschäfte achten

Wir alle kennen das Konzept von Einkaufszentren, eine besondere Form sind die sogenannten Fachmarktzentren: ein Einkaufsgebiet außerhalb der Stadt, das durch einen zentralen Parkplatz und eine Reihe von Geschäften oder großen Läden gekennzeichnet ist, die sich aneinanderreihen. Im Laufe der Zeit und insbesondere während der Pandemie haben diese Gebiete besser abgeschnitten als die in den Innenstädten.

Laut JPMorgan “hatte die Pandemie große Auswirkungen auf Einzelhändler in Stadtzentren, die stark von Büroangestellten und Tourismus abhängig sind. Dienstleistungsorientierte Einkaufszentren in dicht besiedelten städtischen und vorstädtischen Vierteln haben sich jedoch in den Jahren 2020 und 2021 gut entwickelt. Diese Immobilien haben sich unabhängig von den Marktbedingungen durchweg gut entwickelt.”

Dieses Erfolgsrezept beruht darauf, dass andere Geschäfte in der Nähe nicht als potenzielle Konkurrenten betrachtet werden, sondern als Chance, den richtigen Zielmarkt an den Standort zu locken.

Komplementäre Geschäfte bieten Produkte an, die mit den eigenen verwandt sind oder diese ergänzen: eine Drogerie neben einem Supermarkt, eine Apotheke in der Nähe einer Arztpraxis, eine Bar in der Nähe eines Restaurants in der Nähe eines Hotels, ein Sportgeschäft in der Nähe eines Fitnessstudios, ein Tierbedarfsgeschäft in der Nähe eines Tierarztes, ein Café neben einer Bäckerei.

Kürzlich befragten wir einen Expansionsmanager, der sagte: “Für meinen Kunden, der Schließfächer für die Aufbewahrung von Wertsachen vermietet, habe ich analysiert, wie viele Banken sich in der Nähe eines potenziellen neuen Standorts befinden”.

Wenn Sie also auf der Suche nach dem idealen Standort für Ihr Geschäft sind, sollten Sie auch analysieren, welche anderen Geschäfte in der Umgebung Ihr Angebot ergänzen und für Ihr Geschäft von Vorteil sind.

4. Missverstehen, wie Kunden zu Ihrem Geschäft kommen

Es ist wichtig zu verstehen, wie die Menschen zu Ihrem Geschäft kommen. Befinden Sie sich mitten in einer Stadt, in der Parkplätze Mangelware sind? Sind Sie außerhalb der Stadt und weit entfernt von öffentlichen Verkehrsmitteln? Müssen Kunden für das Parken in der Nähe Ihres Geschäfts bezahlen? Verkaufen Sie große, sperrige Artikel, die ein Auto erfordern?

Es ist wichtig, nicht zu überschätzen, wie viele Kunden mit dem Auto zu Ihrem Geschäft kommen, und folglich zu unterschätzen, wie viele Kunden öffentliche Verkehrsmittel oder andere Formen der Mobilität nutzen.

Eine kürzlich in Berlin durchgeführte Studie hat ergeben, dass Einzelhändler häufig den Fehler begehen, die Anzahl der Personen, die mit dem Auto zum Einkaufen fahren, zu überschätzen.

In der Studie wurden 145 Händler befragt, wie ihrer Meinung nach die Kunden zu ihren Geschäften kommen, und die Antworten mit denen von 2.019 Kunden in zwei Berliner Einkaufsstraßen angeglichen. Das Ergebnis war, dass die Ladenbesitzer die Entfernung, die die Kunden zurücklegen, um ihr Geschäft zu besuchen, überschätzten.

“Mehr als die Hälfte (51,2 %) der Kunden wohnte weniger als einen Kilometer von der Einkaufsstraße entfernt. Im Gegensatz dazu schätzten die Händler, dass im Durchschnitt nur 12,6 % der Kunden in dieser Entfernung wohnen.” Diese Ergebnisse scheinen eine große Diskrepanz zwischen der Wahrnehmung der Händler über die Mobilitätsmuster der Kunden und der tatsächlichen Realität aufzuzeigen. Darüber zeigt die Studie, dass die Händler falsch einschätzen, mit welchen Verkehrmitteln die Kunden zu ihren Geschäften kommen. Die unterschätzen die öffentlichen Verkehrsmittel und überbewerten die Nutzung des Autos.

“Während nur 6,6 % der Kunden mit dem Auto anreisten, schätzten die Händler, dass im Durchschnitt 21,6 % ihrer Kunden dieses Verkehrsmittel nutzten – eine Diskrepanz von 15 %”, heißt es in dem Bericht. “Außerdem unterschätzen sie die Nutzung von Verkehrsmitteln, Fußgängern und Fahrrädern um 8,1 %, 6,2 % bzw. 3 %.

Bevor Sie sich für einen Standort entscheiden, sollten Sie ihn also auf seine Erreichbarkeit prüfen und dabei verschiedene Verkehrsmittel wie Fußgänger, Radfahrer, Autofahrer und öffentliche Verkehrsmittel berücksichtigen.

5. Passantenfrequnzen falsch einschätzen

Die Passantenströme sind eines der wichtigsten Merkmale des Einzelhandels. Im einfachsten Fall bedeuten sie die Anzahl der von Menschen, die sich in einer Gegend aufhalten. Sie ist eine der wichtigsten Kennzahlen für Einzelhändler, da die Fußgängeraktivität in der Nähe eines Geschäfts die Verkaufszahlen beeinflusst und die Wahrscheinlichkeit von Spontankäufen oder “Impulskäufen” erhöht.

Wenn Sie sich also für einen Standort für Ihr neues Geschäft entscheiden und von Spontankäufen oder -besuchen profitieren möchten, sollten Sie sich diese Zahl genauer ansehen. Aber Vorsicht: Oft reicht eine allgemeine Zahl nicht aus. Berücksichtigen Sie auch, ob es Schwankungen im Tagesverlauf gibt und wie sich der Passantenverkehr an Wochenenden im Vergleich zu Wochentagen verhält.

Darüber hinaus sollten Sie auch prüfen, wodurch der Verkehr verursacht wird. Werden Fahrzeugdaten einbezogen oder werden nur Fußgänger gezählt? Nur weil ein Standort eine hohe Frequenz aufweist, heißt das nicht, dass die Leute Zeit für einen spontanen Besuch in Ihrem Geschäft haben. Daher sollte der Fußgängerverkehr nur Besucher zählen, die sich mindestens eine gewisse Zeit in der Gegend aufhalten und sich nicht nur auf der Durchreise befinden.

6. Demografische Gegebenheiten nicht beachten

Die Passantenfrequenz ist zwar wichtig, aber nicht das einzige Kriterium. Während der Pandemie-Sperrungen gingen die Passantenströme in einigen Gegenden deutlich zurück, da die Menschen aufgrund der Reisebeschränkungen lieber in der Nähe ihres Wohnorts einkauften. Plötzlich wurde das hyperlokale Einkaufen populär.

Aus diesem Grund ist es von entscheidender Bedeutung, die demografischen Gegebenheiten in der Nähe zu kennen, z. B. die durchschnittliche Haushaltsgröße und die Zahl der dort lebenden Kinder. Wenn Sie das Einzugsgebiet genau kennen, erfahren Sie, wie viele potenzielle Kunden Ihren Standort erreichen können. So können Sie gut einschätzen, ob der Standort attraktiv ist oder nicht und ob er Ihre Zielkunden ansprechen wird.

7. Zielgruppen nicht identifizieren und orten

Als Unternehmer haben Sie wahrscheinlich eine Vorstellung davon, wer Ihr Zielkunde ist. Aber es ist nicht so einfach, sie zu definieren und zu lokalisieren. Welches Problem versucht Ihr Unternehmen für sie zu lösen? Welchen Nutzen bietet Ihr Produkt? Bedienen Sie eine bestimmte Marktnische, und gibt es in Ihrem Einzugsgebiet genügend potenzielle Kunden? Welche anderen Unternehmen in der Nähe bieten das gleiche oder ein ähnliches Produkt oder eine ähnliche Dienstleistung wie Sie an? Laut Marketing Donut “hängt erfolgreiches Marketing davon ab, dass Sie Ihren Zielmarkt verstehen. An wen verkaufen Sie? Warum sollten sie Ihr Produkt kaufen? Was haben sie davon?”

In einem Blog auf WordStream sagte der Autor Dan Shewan: “Wenn Sie ein kleines Unternehmen führen, haben Sie vielleicht eine Vorstellung von Ihrem Zielmarkt. Eine vage Vorstellung reicht jedoch nicht aus, um in der heutigen rücksichtslosen Geschäftswelt zu bestehen. Ohne detaillierte Kenntnisse Ihres Zielmarktes könnten Sie Aufträge an Ihre Konkurrenten verlieren oder Möglichkeiten zur Umsatzsteigerung verpassen.

Letztlich ist der richtige Standort der Ort, an dem Ihr Zielkunde zu Besuch ist oder lebt. Mit leistungsstarken Standortinformationen können Sie die Tür zu überzeugenden Erkenntnissen öffnen, die den Unterschied zwischen geschäftlichem Erfolg und Misserfolg ausmachen können. Mit TargomoLOOP können Sie Daten wie Altersgruppen der Bevölkerung, Haushaltsgröße, Kaufkraft und vieles mehr analysieren, damit Sie verstehen, wie Sie Ihre Zielgruppe finden und erreichen können.

Die Wahl des richtigen Einzelhandelsstandorts passiert nicht zufällig. Bei so vielen zu berücksichtigenden Faktoren, von der Standortsuche bis zur Kundenanalyse, kann ein Expansionsmanager die treibende Kraft sein, die hilft, den perfekten Standort zu finden.

Als Einzelhandelsexperten verfügen Expansionsmanager über die Branchenkontakte, das Fachwissen und die Technologie, um Geschäftsinhaber bei der Entscheidung zu unterstützen, wo sie ihr Geschäft ansiedeln werden soll – ganz gleich, ob es sich um ihren ersten oder nächsten Laden handelt. Sie kümmern sich ebenso um Vertragsverhandlungen und können Einzelhändlern umfassende schlüsselfertige Lösungen bieten, die sich an den Bedürfnissen ihres Unternehmens orientiert.

Um die Arbeit eines Expansionsmanagers näher zu beleuchten und herauszufinden, wie sie die besten Standorte für ihre Kunden ermitteln, sprachen wir mit Samuel Vogel, Inhaber der Einzelhandels- und Immobilienberatung The Bird.

Was macht ein Expansionsmanager für den Einzelhandel?

“Ich arbeite im Bereich der Immobiliensuche”, erklärt Samuel Vogel. “Ich finde die richtigen Einzelhandelsobjekte. Zudem prüfe ich die technischen Spezifikationen eines Gebäudes und mache eine vollständige Standortanalyse. Ich kümmere mich auch um die Erweiterung des Filialnetzes. Eigentlich alles, bis zur Schlüsselübergabe.”

Für Expansionsmanager ist es wichtig, die Kunden seiner Kunden zu kennen. So lautet Samuels erste Frage immer “Wer ist Ihr Kunde?“. Das ist entscheidend, um den Ladenbesitzern gezielt dabei zu helfen, Ihre Einzelhandelsziele zu erreichen.

Samuel Vogel berät Kunden wie den Mall-Betreiber Unibail-Rodamco-Westfield und das Tresorfachunternehmen Trisor. Er hat für mehrere andere Einzelhändler gearbeitet, darunter VIU Eyewear und die Bäckereikette Zeit für Brot.

Als Beispiel nennt Samuel seinen Kunden Trisor, der Schließfächer an Personen vermietet, die ihre Wertsachen außer Haus aufbewahren wollen. “Bei dieser Dienstleistung steht das Gefühl der Sicherheit im Vordergrund, denn es geht um Schließfächer. So sollten die Standorte 24 Stunden am Tag erreichbar sein und über gute Parkmöglichkeiten verfügen. Außerdem möchte man wissen, wo es eine hohe Dichte an potenziellen Kunden gibt, wie hoch ihr Einkommen ist und welche Art von Produkten sie kaufen. Das hilft mir, die optimalen Standorte zu finden”, sagt Samuel.

“Je mehr Fragen man über die Kunden stellt, desto näher kommt man den optimalen Standorten, und je mehr man ihre Bedürfnisse erfasst, desto einfacher ist es, den richtigen Standort zu finden.”

Das Gebäude und sein Standort

Was ein Einzelhändler verkauft und wie er es verkauft, ist ein weiterer wichtiger Faktor – egal ob Produkt oder Dienstleistung. Unternehmen wie Juweliere profitieren von einer hochwertigen Fassade, um das Gefühl von Luxus zu vermitteln. Fitnessketten wiederum profizieren von einer soliden Struktur, die schwere Fitnessgeräte tragen kann, während ein Restaurant ein akzeptables Niveau an Schalldämmung und Belüftung anstreben würde.

Bei einem Unternehmen wie Trisor sind die Schließfächer so schwer, dass Gebäude benötigt werden, die dieses Gewicht tragen können. Auch sollte die Fassade des Hauses den Kunden ein Gefühl der Sicherheit vermitteln, schließlich möchten sie Goldbarren oder andere Wertsachen dort hinterlegen.

“Ein Besuch vor Ort ist ein entscheidender Faktor”, erklärt Samuel. “Ich muss das Gebäude sehen und ein Gefühl für den Ort entwickeln. Ein Bild in einer Broschüre kann perfekt sein, aber wenn etwas in der Nähe des Ortes nicht zur Marke und zum Produkt passt, kann das Gebäude von der Liste gestrichen werden.”

Der Umgang mit dem Vermieter

Die Bedürfnisse der Kunden und das Image der Marke bestimmen die Anforderungen, die ein Standort erfüllen sollte. Samuel nutzt diese Liste, um bei seinem Netzwerk von Immobilienmaklern passende Optionen anzufragen und eine Vorauswahl geeigneter Standorte zu treffen. Wenn eine Einzelhandelsfläche in Frage kommt, führt er immer auch eine persönliche Besichtigung durch.

“Eine der wichtigsten Aufgaben eines Expansionsmanagers ist es, der Agentur oder dem Eigentümer, die mit dem Produkt vielleicht nicht vertraut sind, klar zu erklären, wonach wir suchen”, sagt Samuel. “Der Vermieter möchte einen zuverlässigen Mieter mit langfristigen Plänen. Deshalb ist es wichtig, dem Vermieter das Geschäft des Einzelhändlers gut zu erklären. Wenn er das Produkt nicht versteht, wird er mich nicht als Mieter akzeptieren.”

Sobald Samuel die Immobilienangebote erhalten hat, ordnet er sie nach den Bedürfnissen des Einzelhändlers und natürlich seiner Kunden ein.

Die Rolle der Technologie

Wissen ist Macht, und wenn es um den Einzelhandel geht, sind genaue georeferenzierte Informationen und Standortdaten von entscheidender Bedeutung, von der Demografie potenzieller Kunden bis hin zur Passantenfrequenz, wie Samuel erklärt.

“Erst nehme ich eine Makroperspektive ein: Ich schaue mir das ganze Land und die Städte an, die für meinen Kunden in Frage kommen. Wenn es sich um ein neues Unternehmen handelt, das einen Standort eröffnet, habe ich sozusagen noch eine ‘leere’ Karte. Der logische Schritt besteht darin, sich die städtischen Gebiete und Großstädte anzusehen und zu prüfen, wo das größte Potenzial besteht. Wenn ich dann bestimmte Standorte identifiziert habe, untersuche ich diese mit Hilfe von Standortdaten, um festzustellen, ob der Standort wirklich gut zu meinem Kunden und dessen Produkt passt.

“Bei Trisor habe ich zum Beispiel analysiert, wie viele Banken sich in der Umgebung eines potenziellen neuen Standorts befinden und vor allem, wie viele Schließfächer dort wahrscheinlich angeboten werden. Genaue Zahlen können wir nicht nennen, aber ich kann eine Analyse erstellen, um Angebot und Nachfrage abzuschätzen. Dazu habe ich die Technologie von Targomo verwendet.”

Mit Targomo konnte Samuel sehen, wie viele Banken und Goldgeschäfte es in diesem Gebiet gab, so dass er eine Angebots- und Nachfrageanalyse durchführen konnte, um festzustellen, ob es einen Bedarf für diese Dienstleistung gibt. “Das Spannende an Targomos Analyseplattform ist, dass es mir erlaubt, externe Daten mit internen Daten zu kombinieren”, sagt er. “Je mehr standortbezogene Daten ich in der Plattform TargomoLOOP habe, desto genauer wird die Analyse. Je mehr ich über mein Geschäft weiß, desto besser kann ich mich auf dem Markt positionieren. TargomoLOOP ermöglicht es, verschiedene Standorte auf der Grundlage von Daten und Fakten wissenschaftlich zu vergleichen.”

Testen Sie TargomoLOOP kostenlos und erfahren Sie, wie Technologie Einzelhändler bei der Standortwahl und Expansion unterstützt: Jetzt für Free Trial anmelden.