Welke informatie is essentieel voor een goede omzetvoorspelling? #bigdata

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

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

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

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

Dit levert een enorme hoeveelheid aan informatie op die absoluut niet meer te verwerken is via een Excel spreadsheet. De modellen die de data verwerken zijn ondertussen zo complex dat het om miljoenen berekeningen per minuut gaat. Tien jaar geleden nam dit dagen in beslag, tegenwoordig kan dit gelukkig in enkele minuten. Hierdoor is de ontwikkeling van omzetvoorspelmodellen in een stroomversnelling gekomen. 

Is er een standaardformule voor een omzetmodel?
Was dat maar zo”, lacht Kolkman. “Of eigenlijk toch liever niet, want dan had men ons niet nodig. Natuurlijk weten wij wat in grote lijnen de samenhang is tussen alle factoren, maar het model dat we bouwen verschilt per branche en zelfs per winkelformule. Je kunt je hierbij baseren op twee type modellen: een model dat de klant centraal zet en een model dat de winkel centraal zet. De Retail Revenue Calculator die wij ontwikkeld hebben is een hybride model. Afhankelijk van de branche en het type retailer kunnen wij hierin flexibel schakelen.” 

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

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

Reacties 1


John Nijsten 19 okt, 13:07

Passanten en voldoende data van eigen winkels zijn voor centrumlocaties voldoende om goede omzetprognose te maken. Overige data zijn vaak overbodig en zitten opgesloten in het aantal passanten.

Schrijf een reactie


Je e-mailadres wordt niet gepubliceerd.

RetailTrends


Altijd op de hoogte van de laatste trends in de retailsector.

Schrijf je nu in voor de nieuwsbrieven van RetailTrends.

Je bent toegevoegd aan onze mailinglijst!