Lange vor dem Aufkommen von Kundendatenplattformen (CDPs) konzentrierte sich Kohls Geschäftsmodell auf das Sammeln und Pflegen von Kundendaten.
„Wir haben seit Jahrzehnten eine intern entwickelte Kundendatenumgebung“, sagt Paul Gaffney, CTO und Supply Chain Manager bei der 19,4 Milliarden Dollar schweren US-Kaufhauskette. „Und wir sind ziemlich zufrieden mit unserer kundenspezifischen Implementierung.“
Der in Milwaukee, Wisconsin, ansässige Einzelhändler baute zunächst sein lokales CDP auf Netezza auf und erstellte starke Kundenprofile auf der Grundlage des umfangreichen Kreditkartenportfolios der Kette und „eines historischen Ansatzes für Loyalität und Kundenbindung.“ Kundenbindung, die sehr persönlich ist“, sagt Gaffney. .
Aber in den letzten Jahren hat Kohl’s im Rahmen einer „Technologiemodernisierung“, die laut Gaffney das Beste aus maschinellem Lernen, Personalisierung, verbesserten demografischen Datensätzen und „Hyperlokalisierungs“-Informationen macht, einen großen Sprung in Richtung Cloud gemacht die relevantesten Waren für lokale Geschäfte.
Die Transformation sieht vor, dass der Einzelhändler, der derzeit zum Verkauf steht, Workloads auf der Google Cloud Platform und lokalen privaten Google Cloud-Servern mit VMware sowie einige Utility-Workloads auf Amazon Web Services ausführt, sagte der CTO. Während die aktuelle lokale Cloud des Unternehmens eine vollständige Suite von Tools verwendet, darunter Qlik für erweiterte Analysen und Datenvisualisierung, sieht Kohls langfristigen Datenplan Google BigQuery vor, sagt Gaffney.
„Vor vier Jahren haben wir begonnen, uns auf BigQuery als zentrale Datenumgebung zu konzentrieren“, sagt Gaffney, eine Entscheidung, die er geerbt hat. Kohl’s hat seitdem eine ausgeklügelte Data-Science-Praxis rund um die Google-Plattform aufgebaut, wobei die meisten kritischen Daten des Einzelhändlers, einschließlich Ansichten zu Kunden-, Produkt- und Geschäftsleistung, nun in dieser modernisierten Datenumgebung gespeichert sind.
Aber Gaffney ist noch lange nicht fertig.
„Wir haben noch etwa zwei Jahre Zeit, um an einen Punkt zu gelangen, an dem ich uns als vollständig datengesteuerte Organisation bezeichnen würde, die automatisierte Entscheidungsprozesse verwendet, anstatt Daten zu verwenden, die menschliche Entscheidungsprozesse nur ergänzen“, sagt Gaffney.
Der Schlüssel zu diesem Vorstoß ist eine Strategie, um das Beste aus maschinellem Lernen und Daten von Drittanbietern im Dienste der Kundenpersonalisierung und „Hyperlokalisierung“ von Merchandising-Entscheidungen zu machen, sagt Gaffney.
Die Macht der Daten von Drittanbietern
Kohl’s, das 1.000 Mitarbeiter in seiner IT-Organisation beschäftigt, darunter 50 Datenwissenschaftler, startete seine Datenautomatisierungskampagne vor 18 Monaten. Derzeit werden die umfangreiche Sammlung von Erstanbieter-Kundendaten des Kanals sowie lizenzierte Datensätze von Drittanbietern zu BigQuery migriert, um fortschrittliche Modelle für maschinelles Lernen und verbesserte Personalisierungstechnologie zur Stärkung des Umsatzes anzuwenden, erklärt Gaffney.
Wie viele Einzelhändler verwendet auch Kohl’s öffentlich verfügbare Modelle für maschinelles Lernen auf der Google-Plattform und hat die Vertex-KI-Plattform von Google verwendet. Der Einzelhändler lizenzierte auch einen Datensatz namens Deloitte’s Demand Brain, der sich auf die Verbrauchernachfrage, das Verständnis und die Prognose konzentriert, sagt Gaffney und erklärt, dass alle großen Beratungsunternehmen Datenabonnementprodukte und ML-Engines zur Lizenzierung zur Verfügung haben.
Gartner-Analyst Erick Brethenoux sagt, dass die Nutzung von Beraterdaten und ML-Modellen an Bedeutung gewinnt, insbesondere bei Einzelhändlern.
„Viele Unternehmen verwenden Drittanbieter, um Modelle für sie zu erstellen“, sagt Brethenoux und stellt fest, dass Beratungsunternehmen auch Datensätze von Drittanbietern verwenden, um Modelle vorab zu erstellen, die in Kundensysteme integriert werden sollen, oder in seltenen Fällen sowohl ihre eigene als auch ihre eigene Technologie verwenden Daten, um Modelle für Einzelhändler und andere Kunden zu erstellen.
Kohls hat beispielsweise eine Plattform von Deloitte namens InSightIQ lizenziert und arbeitet mit einem anderen Partner, Axiom, zusammen, um seine First-Party-Daten mit anderen Datensätzen zu erweitern. Die Zusammenarbeit mit Partnern ist der Schlüssel zur Unterscheidung, welche Datensignale nützlich und welche Rauschen sind, sagt Gaffney.
„Eines der interessantesten Dinge in der heutigen Technologielandschaft ist die Verbreitung dieser syndizierten Datensätze von Drittanbietern“, sagt er.
Beispielsweise verwendet Kohl’s eine Kombination von Kundenausgabealgorithmen, um das nächstbeste Angebot eines Kunden basierend auf seinen letzten Einkäufen vorherzusagen. Vieles davon basiert auf First-Party-Daten von Kohls Kunden online und in den Geschäften. Aber jetzt kann Kohl’s, um mehr über seine treuen Kunden zu erfahren, lizenzierte Datensätze von Drittanbietern verwenden, um beispielsweise wertvolle Einblicke in die Beschäftigung oder Freizeitaktivitäten eines Kunden zu gewinnen.
„Wir haben damit begonnen, First-Party-Daten mit Third-Party-Daten zu ergänzen, um herauszufinden, welche Art von Arbeit sie tun, wenn sie nicht einkaufen, und das wirkt sich darauf aus, welche Schuhe wir ihnen anbieten sollten, und das ist nicht nur ein Beispiel von Dutzenden“, sagt Gaffney und fügt hinzu, dass die Investment-Community seit vielen Jahren Datensätze von Drittanbietern verwendet, während die Geschäftswelt im Allgemeinen noch am Anfang ihrer Nutzung steht.
„In den letzten sechs Monaten haben wir damit begonnen, neben diesen deterministischen No-Learning-Algorithmen neue maschinelle Lernmodelle hinzuzufügen, die uns dabei helfen, die Arten von Geschäften, die wir abschließen sollten, genauer zu bestimmen. [to shoppers]wem wir sie antun sollten und wann wir sie machen sollten“, sagt er.
Chancen sieht Gaffney nur im Bereich der Personalisierung. „Wir waren sehr gut darin, Data Science einzusetzen, um unsere bisherigen Marketingkampagnen besser auszurichten“, sagt der CTO. „Ich denke, wir haben nur noch sechs Monate Zeit, um von einem kampagnenbasierten Ansatz zu einem wirklich personalisierten Ansatz überzugehen, und weitere gute drei bis fünf Jahre kontinuierlicher Verbesserung.“
Bessere Entscheidungen mit Daten
Mit seiner modernisierten CDP- und Personalisierungsstrategie könnte Kohl’s kurz davor stehen, weitere größere geschäftliche Schritte zu unternehmen. Zum Beispiel hat Kohl’s seine Kundendaten genutzt, um eine Marketingpartnerschaft mit dem Kosmetikgiganten Sephora einzugehen, mit dem Ziel, ein 2-Milliarden-Dollar-Beauty-Geschäft aufzubauen. Laut Kohl-Beamten wird Kohl’s bis 2023 Sephora-Filialen in 850 seiner mehr als 1.100 Filialen haben.
Für Gaffney ist Hyper-Location eine der „spannendsten“ Anwendungen von Daten Dritter. Eines der Ziele, erklärt er, besteht darin, maschinelles Lernen auf eine Mischung aus Daten von Erstanbietern und Drittanbietern anzuwenden, um auf der Grundlage einer Matrix aus Tausenden von Datenpunkten sehr gezielte Merchandising-Entscheidungen zu treffen und zu bestimmen, wo Geschäfte eröffnet werden sollen.
Dies könnte sich bei den Plänen des Unternehmens, in den nächsten vier Jahren 100 neue kleinformatige Geschäfte zu seiner größeren Ladenflotte hinzuzufügen, als wertvoll erweisen. In den vergangenen Jahrzehnten bot Kohl’s nur anhand seiner eigenen Kundendaten in jedem Geschäft ein identisches Produktsortiment an, basierend auf grundlegenden demografischen Merkmalen wie Einkommen, Nachfrageinformationen, lokaler Konkurrenz und ethnischer Zugehörigkeit. Vor nur zwei Jahren konnte Kohl’s durch die Verwendung von Datensätzen von Drittanbietern zusätzlich zu seinen First-Party-Daten beispielsweise rund 35 verschiedene Schuhsortimente für verschiedene Geschäfte basierend auf zusätzlicher Bevölkerung, Wetter und anderen Drittanbietern generieren. Parteidaten, sagt Gaffney.
Und diese Zahl ist explodiert, da das Volumen der maschinellen Lernmodelle und Datensätze von Drittanbietern zugenommen hat. „Wir haben jetzt eine Matrix von rund 1.500 Zellen statt nur 35“, erklärt der CTO. „Das ist der nächste Schritt: … auf diesem zugrunde liegenden Paradigma aufzubauen, um bessere Daten zu finden und bessere Datenwissenschaft zu verwenden, um die Daten granularer zu machen und somit effektivere Entscheidungen zu treffen.“