Optimierung von Handelsaktionen und Planung des Aktions-Uplifts (Konsumgüter / Handel)

Konsumgüterhersteller geben einen großen Teil ihres Umsatzes für Handelsaktionen aus, doch viele Aktionen rechnen sich nie, weil der Großteil des Absatzanstiegs vorgezogen wird, von Schwesterartikeln abgezogen wird (Kannibalisierung) oder ohnehin eingetreten wäre. Kausales ML trennt die Baseline vom echten Zusatzabsatz je Händler und Artikel; ein Optimierer plant dann Kalender, Mechaniken, Tiefe und Ausgaben im Budgetrahmen und liefert die Grundlage für den gemeinsamen Geschäftsplan mit dem Händler.

Problem & Nutzen

• Heute: Key-Account-Manager planen Aktionen in Tabellen oder in einem älteren TPM-System (Trade Promotion Management), meist indem sie den Kalender des Vorjahres wiederholen und Tiefe und Platzierungen mit jedem Händler verhandeln. Die Auswertung nach der Aktion ist langsam, stützt sich auf einfache Baseline-Subtraktion und ignoriert Kannibalisierung, Halo-Effekte und Einbrüche nach der Aktion. Abrechnung und Streit um Abzüge binden Kapazität in der Finanzabteilung.
• Nutzen durch KI: (1) ein glaubwürdiger ROI je Aktion durch kausale Schätzungen statt naivem Lift; (2) ein Ausgabenplan, der Budget von verlustbringenden zu profitablen Mechaniken, Händlern und Wochen verlagert; (3) Was-wäre-wenn-Simulation vor der Verhandlung; (4) eine automatische Lernschleife aus jeder durchgeführten Aktion.
• Belege: Branchenanbieter und Beratungen berichten immer wieder, dass ein erheblicher Teil der Aktionen die Gewinnschwelle verfehlt, doch die veröffentlichten Zahlen variieren je nach Studie und Warengruppe; behandeln Sie jede vom Anbieter genannte Zahl als Hypothese, die Sie mit einem eigenen Backtest prüfen, nicht als Planungszahl [1][2].

Varianten

• TPM/RGM beim Konsumgüterhersteller (Kernfall): Budgetierung vom Hersteller zum Händler auf Basis von Sell-out- und Handelsausgabendaten, oft als Teil des Revenue Growth Management (RGM) zusammen mit Preis-Packungs-Architektur und Sortiment.
• Aktionsplanung auf Händlerseite: Der Händler plant Prospekte, Treueangebote und vom Lieferanten finanzierte Aktionen über Warengruppen hinweg und optimiert Warengruppenmarge und Frequenz statt einer einzelnen Marke.
• Gemeinsame Geschäftsplanung (JBP): gemeinsame Faktenbasis und Szenariomodell zwischen Hersteller und Händler; kartellrechtliche Grenzen für den Informationsaustausch gelten (siehe Risiken).
• Optimierung von Preisnachlässen und Abverkauf ist Preissetzung bei Bestandsverfall und wird als Variante von OPT-004 behandelt; auch die Festlegung des alltäglichen Listenpreises gehört dorthin.
• Private Nutzung: keine.

So funktioniert es

1. sell-in / sell-out / POS + promo calendar + trade-spend ledger + panel data
2. data harmonisation (SKU/EAN hierarchy, retailer calendars, promo mechanic taxonomy)
3. baseline forecast (counterfactual "no promo" demand)
4. causal uplift model per mechanic, retailer, SKU (cannibalisation, halo, pull-forward, post-dip)
5. optimiser (MIP / heuristic / bandit): calendar, depth, mechanic, funding under budget, margin, capacity, retailer rules
6. scenario simulation + KAM review and negotiation with retailer
7. execution, settlement, post-event evaluation
8. retrain

• Baseline und Uplift: Gradient-Boosting- oder hierarchische Zeitreihenmodelle plus kausale Methoden (Synthetic Control, Differenz-von-Differenzen, Double ML, Uplift-Bäume), um Störfaktoren zu vermeiden: Händler bewerben, was ohnehin gut läuft.
• Optimierer: gemischt-ganzzahliges Programm, das Entscheidungen je Aktion und Woche unter Restriktionen für Budget, Mindestabstand, Finanzierungsanteil, Preisleiter und Lieferfähigkeit auswählt. Die Reaktionskurven werden gelernt, der Plan wird gelöst.
• LLM-Schicht (optional): Fragen in natürlicher Sprache zu den Ergebnissen („Warum war Aktion X unprofitabel?“), Entwurf von JBP-Zusammenfassungen; die Zahlen stammen immer aus dem Modell, nicht aus dem LLM.
• Mensch-in-der-Schleife (Human-in-the-Loop): Key-Account-Manager verantworten Pläne und Händlerverhandlungen; die Finanzabteilung genehmigt das Budget; jede Empfehlung zeigt ihre kausale Schätzung und ihren Unsicherheitsbereich.

Datenaufbereitung

Benötigte Daten: Lieferungen und Sell-in aus dem ERP, Sell-out- und Paneldaten der Händler (POS, Nielsen, Circana), der Aktionskalender mit Mechaniken, Tiefe und Finanzierung, Verträge zu Handelsausgaben und Abzüge, Preise, Distribution und Wettbewerbsaktivitäten. Sie liegen im ERP- und TPM-System, in Excel-Aktionsplänen der Key-Account-Manager, in Händlerportalen, E-Mail-Anhängen und externen Panel-Exporten. Typische Lücken: Aktionen, die uneinheitlich oder nur als Freitext erfasst sind, keine Historie dessen, was tatsächlich lief, je Händler andere Produkthierarchien, fehlende Baseline-Zeiträume, Abzüge, die keiner Aktion zugeordnet sind, und Kannibalisierungseffekte, die durch Aggregation verdeckt werden.

Schritte der Aufbereitung: 1. Eine Tabelle der Aktionen mit Start, Ende, Mechanik, Tiefe, Finanzierung und Händler aufbauen (PREP-011, PREP-020). 2. Artikel- und Kundenhierarchien sowie Kennzahlendefinitionen vereinheitlichen (PREP-012). 3. Sell-out- und ERP-Daten über Konnektoren oder Exporte beziehen (PREP-005). 4. Abzüge und Abrechnungen den Aktionen zuordnen. 5. Test- und Kontrollfilialen zur Kalibrierung dokumentieren (PREP-018).

Werkzeuge: SQL oder DuckDB, dbt, Python, Datenaustauschportale der Händler. Grober Anteil am Aufwand: 50-60 Prozent; zwei bis drei Jahre Aktionshistorie sind das realistische Minimum. Bereitschaftsprüfung über GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Großunternehmen (Hersteller, Handelspartner): B, weil die Aktionsplanung ein zentraler kaufmännischer Prozess ist, der von eigenen Sell-in-, Sell-out- und Händlerdaten abhängt; ein kausales Modell auf Cloud-Diensten und einem Data Warehouse lässt sich in ERP- und TPM-Werkzeuge integrieren und vermeidet hohe Lizenzkosten pro Plattformnutzer. Weg A bleibt gültig für Hersteller, die bereits SAP oder eine TPM-Suite betreiben und ein fertiges Modul wünschen.
• Entwickler: C, weil quelloffene Bibliotheken für Kausalität und Zeitreihen (CausalML, DoWhy, PyMC, Prophet) auf HW1 laufen und volle Kontrolle über die Annahmen geben.

Weg A — Kaufen (Standardsoftware)

• TPM/RGM-Plattformen: Visualfabriq (NL, EU) [3], Blue Yonder [4], Exceedra, SAP (Trade Promotion Management / Revenue Growth Management im SAP-S/4HANA-Umfeld) [5], Oracle, Salesforce Consumer Goods Cloud, Analysedienste von Accenture/Kantar/Circana/NielsenIQ; für Händler: o9 Solutions, Relex (FI, EU), Blue Yonder, Antuit.ai/Aktionsplanung der Klasse Zebra.
• Prüfen: EU-Datenhaltung, Konnektoren für Datenfeeds der Händler, ERP-Integration (SAP, Abzüge), Erklärbarkeit des Uplifts, Möglichkeit zum Export von Modellen und Daten, Preis pro Nutzer/Marke.
• A wählen, wenn: mehr als eine Handvoll Key Accounts, eine SAP-Landschaft, kein eigenes Data-Science-Team.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Datenplattform (Snowflake, Databricks, BigQuery, Azure Fabric; EU-Regionen) für Sell-out-Daten plus verwaltete Prognosedienste (z. B. Vertex AI Forecasting, Nachfolger von Amazon Forecast, Azure ML) für Baselines.
• Kausal- und Optimierungsschicht vom internen Team programmiert (siehe Bibliotheken in Weg C) und auf verwalteter Rechenleistung betrieben; LLM-API (Claude, Gemini, GPT, Mistral in EU-Region) nur für den Analysten-Copilot.
• B wählen, wenn: Sie eigene Mechaniken oder ein proprietäres, händlerspezifisches Modell brauchen, aber eine Datenplattform und Data Scientists haben.

Weg C — Selbst betreiben (Open Source)

• Prognose: Nixtla StatsForecast/NeuralForecast, LightGBM, Darts, Prophet; Zeitreihen-Foundation-Modelle (Chronos, TimesFM, Klasse TimeGPT) für Baselines im Kaltstart [6].
• Kausal: Microsoft EconML, DoWhy, CausalML (Uber), pyfixest für DiD; Bayessche Strukturmodelle mit PyMC [7].
• Optimierung: Google OR-Tools, HiGHS, Pyomo, PuLP; kommerzielle Solver Gurobi oder FICO Xpress für große MIPs [8].
• Hardware: HW1 (CPU-Server) genügt für die meisten Lasten; eine GPU nur, wenn tiefe Prognosemodelle im großen Maßstab trainiert werden.

Weg D — Eigenes Training

Lohnt sich für große Hersteller mit tiefen Händlerdaten: hierarchische Bayessche oder Deep-Learning-Reaktionsmodelle je Warengruppe, Bandit-basierte Erkundung von Tests zu Tiefe/Mechanik und Planung im Stil von Reinforcement Learning. Erfordert 2-3 Jahre Historie auf Aktionsebene; führen Sie kontrollierte Markttests (vergleichbare Filialen, Geo-Experimente) durch, um die kausalen Schätzungen zu kalibrieren (siehe DATA-027).

Stand der Technik (2026)

• Kausal statt naivem Lift: Der Wechsel von der Baseline-Subtraktion zu kausalem Uplift mit expliziter Kannibalisierung und Vorzieheffekt ist das wichtigste Unterscheidungsmerkmal; Synthetic Control und Double ML sind bei Neuentwicklungen üblich.
• Zeitreihen-Foundation-Modelle verbessern Baselines für selten verkaufte Artikel und neue Produkte; Störfaktoren beheben sie nicht.
• Optimierung plus Simulation: Anbieter vermarkten Was-wäre-wenn- und präskriptive Planung; praktische Solver (HiGHS, Gurobi) bewältigen Tausende Aktionen, die schwierigere Aufgabe ist das Management der Restriktionen.
• Agentische/LLM-Copiloten fassen die Performance zusammen und entwerfen JBP-Präsentationen; halten Sie die Berechnungen deterministisch.
• Grenzen: Der Austausch von Sell-out-Daten ist nur teilweise möglich (händlerabhängig); wenige Preispunkte je Artikel liefern eine schwache Identifikation der Elastizität; Aktionsentscheidungen sind endogen; Wettbewerbsaktionen und Händlerpreise sind nur teilweise beobachtbar; neuen Produkten und einmaligen Ereignissen fehlt die Historie. Empfehlungen können von Händlern ausgenutzt werden, die die Logik des Modells sehen; halten Sie daher händlerseitige Ausgaben aggregiert.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (Zeitreihen + tabular-ml + Optimierungs-Solver): OPT-004 (Preise, Abverkauf), OPT-005 (Bestand), OPT-008 (S&OP), OPT-017 (Sortiment und Fläche), PRED-001 (Nachfrageprognose liefert die Baseline).
• Marketingmessung: REC-005 (MMM) teilt kausale Modelle und Bayessche Werkzeuge; DATA-027 liefert das Versuchsdesign zur Kalibrierung des Uplifts.
• Nachgelagert: Aktionspläne speisen die Lieferplanung (OPT-002, OPT-008) und das Demand Sensing; die Verwaltung von Abzügen ist mit der Finanzautomatisierung verknüpft.

Aufwand, Kosten & Kennzahlen

• Weg A: 3-9 Monate für die Einführung über die Key Accounts; Abonnement plus Kosten für Integration und Datenfeeds.
• Weg B/C: 6-12 Monate mit einem kleinen Team (Data Scientist, Data Engineer, KAM-Fürsprecher); die Kosten bestehen vor allem aus Personal und Datenbeschaffung.
• Kennzahlen: Aktions-ROI (zusätzliche Marge je Euro Handelsausgaben), Anteil der Aktionen über der Gewinnschwelle, Prognoseverzerrung/WAPE von Baseline und Uplift, Handelsausgaben in Prozent des Bruttoumsatzes, Nutzung der Pläne durch KAMs, Durchlaufzeit der Abzüge.

Menschen & Veränderung

Binden Sie die Leitung für die Budgetlogik und die Abwägung zwischen Menge und Marge ein, die Vertriebs- oder Revenue-Management-Leitung als Prozessverantwortliche und die Key-Account-Manager als Anwender ab dem ersten Workshop; ihre Erfahrung bestimmt, welche Mechaniken realistisch sind. Die Finanzabteilung genehmigt Budgets und validiert den ROI, IT und Dateninhaber stellen ERP- und Sell-out-Daten bereit, und Recht oder Compliance sollten die Bedingungen des Datenaustauschs mit Händlern und die kartellrechtlichen Grenzen beim Austausch von Preis- und Aktionsdaten prüfen. Betriebsrat: normalerweise nein, weil das System Aktionen analysiert, nicht Beschäftigte; wenn die Leistung von Account-Managern personenbezogen erfasst oder die Nutzung protokolliert wird, gilt §87 Abs. 1 Nr. 6 BetrVG, und der Betriebsrat sollte nach §90 Abs. 1 Nr. 3 unterrichtet werden, wenn sich Arbeitsabläufe ändern. Datenschutz: überwiegend keine personenbezogenen Daten; beziehen Sie die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten nur ein, wenn Treuedaten auf Kundenebene verwendet werden.

KI-Kompetenz: Unterstützen Sie die Planenden mit Schulungen zu kausalem versus naivem Uplift und zum Lesen von Unsicherheitsbereichen (KI-Verordnung (AI Act) Art. 4). Starten Sie einen Pilot mit einer Warengruppe und ein oder zwei Händlern für einen Aktionszyklus und vergleichen Sie mit dem manuellen Plan. Typische Sorge: „Das Modell übergeht meine Beziehung zum Händler.“ Begegnen Sie ihr, indem Sie für jede Empfehlung die kausale Schätzung und den Bereich zeigen, Managern erlauben, mit Begründung zu übersteuern, und aus diesen Übersteuerungen lernen.

Siehe GUIDE-009, GUIDE-008 und GUIDE-003.

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko; keine Kategorie nach Anhang III. KI-Kompetenz (Art. 4) gilt für Beschäftigte, die die Werkzeuge nutzen [9].
• DSGVO: arbeitet mit aggregierten Sell-in-/Sell-out-Daten, daher normalerweise keine personenbezogenen Daten; Daten von Treuekarten oder auf Warenkorbebene beim Händler müssen aggregiert oder unter der Kontrolle des Händlers und mit einem Auftragsverarbeitungsvertrag verarbeitet werden [10].
• Kartellrecht: Art. 101 AEUV begrenzt den Austausch wettbewerblich sensibler Informationen (künftige Preise, Aktionspläne über Wettbewerber hinweg); gemeinsame Modelle dürfen keine wettbewerber- oder händlerspezifischen Konditionen preisgeben; die Preisbindung der zweiten Hand ist verboten. Nutzen Sie Clean-Team-Verfahren und rechtliche Prüfung [11].
• Unlautere Handelspraktiken: Für Agrar- und Lebensmittelprodukte beschränkt die Richtlinie (EU) 2019/633 bestimmte Forderungen von Händlern (z. B. verspätete Zahlung, einseitige Änderungen, Zahlungen für nicht im Voraus vereinbarte Aktionen), relevant für die Konditionen der Aktionsfinanzierung [12].
• Weitere Risiken: durch Störfaktoren verzerrte Modelle, die den Uplift überzeichnen, Qualität der Händlerdaten, Modelldrift bei geänderten Mechaniken; Gegenmaßnahmen: Holdout-Tests, Unsicherheitsbereiche und regelmäßige Backtests.

Erste Schritte

1. Ziehen Sie 2-3 Jahre Aktionshistorie für eine Warengruppe und zwei Händler; legen Sie eine gemeinsame Taxonomie der Aktionsmechaniken fest.
2. Messen Sie den aktuellen ROI mit einer transparenten Baseline-Methode und markieren Sie Aktionen, bei denen die Daten zu dünn sind.
3. Bauen oder kaufen Sie einen Pilot für kausalen Uplift; testen Sie ihn per Backtest an zurückgehaltenen Aktionen und vergleichen Sie mit naivem Lift.
4. Führen Sie eine kleine Optimierung unter Restriktionen für den Kalender eines Quartals durch und prüfen Sie sie mit den KAMs; testen Sie ausgewählte Aktionen in vergleichbaren Filialen.
5. Verankern Sie das Ganze: Scorecards nach jeder Aktion, monatliches Nachtrainieren, JBP-Vorlage mit vereinbarten Regeln zum Datenaustausch.

Quellen

1. McKinsey - Revenue growth management and trade promotion insights - https://www.mckinsey.com/
2. Gartner - Revenue growth management and TPM research - https://www.gartner.com/
3. Visualfabriq - Trade promotion management and RGM - https://www.visualfabriq.com
4. Blue Yonder - Retail and CPG planning solutions - https://blueyonder.com
5. SAP - Trade promotion management / revenue growth management - https://www.sap.com/products/scm.html
6. Nixtla StatsForecast / Chronos time-series tooling - https://github.com/Nixtla/statsforecast
7. Microsoft EconML - https://github.com/py-why/EconML
8. HiGHS open-source solver and Google OR-Tools - https://highs.dev and https://developers.google.com/optimization
9. Regulation (EU) 2024/1689 (AI Act) - https://eur-lex.europa.eu/eli/reg/2024/1689/oj
10. Regulation (EU) 2016/679 (GDPR) - https://eur-lex.europa.eu/eli/reg/2016/679/oj
11. Treaty on the Functioning of the EU, Art. 101 - https://eur-lex.europa.eu/legal-content/EN/TXT/?uri=CELEX:12016E101
12. Directive (EU) 2019/633 on unfair trading practices in agricultural and food supply chain - https://eur-lex.europa.eu/eli/dir/2019/633/oj