Artikel

Variantenmanagement 2.0 -
Individualität sprengt die
klassischen Produktsegmente

Variantenmanagement 2.0
Individualität sprengt die klassischen Produktsegmente

Die Welt, in der wir leben, ist vielfältig. Möchte man sich ein Auto kaufen, wählt man heute nicht nur zwischen einigen Marken und deren Modellen. Der Kreativität sind keine Grenzen gesetzt. Man nehme einen Plugin-Hybrid mit bronzefarbenem Lack, rotem Lederlenkrad und Spurhalteassistent. Fertig ist das Wunschfahrzeug. Individualität sprengt die klassischen Produktsegmente.

In den vergangenen zwanzig Jahren hat sich die Anzahl der Fahrzeugmodelle und – derivate am deutschen Markt nahezu verdoppelt. Wie können Unternehmen trotz Nachfrage nach Individualprodukten die Effizienz der Produktion erhalten?

Das Variantenmanagement setzt sich zur Aufgabe solche Variationen zu entdecken und die Nachfrage zu antizipieren.

Der Ansatz der klassischen Marktforschung ist hierbei das Aufspüren bestimmter Kundengruppen. Diese werden auf ihre Bedürfnisse und ihr Interesse am Produkt untersucht. Als Ergebnis kann die Erkenntnis stehen, dass Kundengruppe A über ein Haushaltseinkommen von 50.000 € per Jahr verfügt, in einer Partnerschaft mit kleinen Kindern lebt und sich vor allem für umweltbewusste Familienfahrzeuge interessiert. Dahingegend ist Kundengruppe B mit einem Haushaltseinkommen von 30.000€ vorwiegend männlich, jung und interessiert sich für Fahrzeuge mit kräftigen Motoren.

Diese Kategorisierung greift insofern zu kurz als dass sie kleinere Produktvariationen nicht erfassen kann. Beide Kundengruppen könnten den bronzefarbenen Lack oder das rote Lederlenkrad mögen.

Eine Abhilfe bieten Clusteranalysen auf Ebene der konkreten Produkteigenschaften. Vor allem die Hierarchische Clusteranalyse eignet sich für das explorative Entdecken von Kategorien in Datenmengen, da hierbei keine Clusteranzahl im Vorfeld angenommen wird, wie das beispielsweise beim k-means-Algorithmus der Fall ist.

Bei einer Hierarchischen Clusteranalyse wird auf der Datenbasis bisheriger Verkäufe ein multidimensionaler Raum erstellt, der alle möglichen Produkteigenschaften betrachtet und in Beziehung zueinander stellt. Dazu wird die Distanz einzelner Merkmale zueinander untersucht. Der Distanzwert ergibt sich aus der Häufigkeit mit der bestimmte Eigenschaftskombinationen nachgefragt werden. Dabei werden nicht nur die zwei betrachteten Merkmale beleuchtet, sondern stets als Teil des gesamten Merkmalsspektrums gesehen. Der meistgenutzte Distanzwert ist dabei die sogenannte Euklidische Distanz

Wenn die Distanz jedes Produktmerkmals zu anderen Eigenschaften bekannt ist, beginnt das Clustering. Am Anfang dieses Prozesses bildet jede Ausprägung einen eigenen Cluster. Anschließend werden Schritt für Schritt Ausprägungen zu größeren Clustern zusammengefügt. In welcher Reihenfolge das Zusammenführen erfolgt, ergibt sich aus der gewählten Methode. Bei der Single-Linkage-Methode wird das Zusammenführen durch den minimalen Abstand der Elementpaare eines Clusters zu denen aus einem anderen Cluster bestimmt. Bei der Complete-Linkage-Methode ist es der maximale Abstand. Bei der viel verwendeten Average-Linkage-Methode wird das arithmetische Mittel aus allen Distanzen eines Clusters mit der gemittelten Distanz eines benachbarten Clusters verglichen, um über das Zusammenführen zu einem größeren Cluster zu bestimmen. Daneben gibt es weitere Methoden wir die Centroid-Methode oder die Median-Methode.

Variantenmanagement: Verschiedene Clustermethoden im bildlichen Vergleich

Abbildung 1: Verschiedene Clustermethoden im bildlichen Vergleich

Das Ergebnis der Clusteranalyse kann als Dendrogramm dargestellt werden. Eine Vereinigung der Diagrammzweige erfolgt dabei umso früher, je häufiger die Produkte miteinander nachgefragt werden.

Ein Cluster-Dendrogramm als Ergebnis einer Hierarchischen Clusteranalyse

Abbildung 2: Ein Cluster-Dendrogramm als Ergebnis einer Hierarchischen Clusteranalyse

Auch Heatmaps eignen sich für die Darstellung. Die Ordnung der Ausprägungen in der Heatmap erfolgt dabei so, dass Cluster optisch deutlich werden. Bei größeren Datenmengen werden für die Detektion der richtigen Reihenfolge statistische Algorithmen benutzt. Im Beispiel zeigen sich zwei Cluster: Fahrzeuge mit bronzenem Lack werden zumeist mit roten Lederlenkrädern nachgefragt, Fahrzeuge mit silbernem Lack hingegen mit schwarzen Lederlenkrädern. Die Clustermethode funktioniert dabei umso treffsicherer, je mehr Daten und Varianten vorliegen.

Abbildung 3: Eine Heatmap zur besseren Cluster-Detektion

Abbildung 3: Eine Heatmap zur besseren Cluster-Detektion

Ein Unternehmen, das Clusteranalysen für ihr Variantenmanagement nutzt, kann zielsicher Merkmalskombinationen erkennen, die häufig nachgefragt werden ohne sich von subjektiven Annahmen leiten zu lassen. Damit können besonders häufig nachgefragte Typen im Vorhinein produziert werden, wohingegen Produkte mit seltener nachgefragten Eigenschaftskombinationen nur noch auf Abruf in Produktion gehen.

Mit diesem Vorgehen können die Fahrzeuge mit bronzenem Lack und roten Lederlenkrädern bereits in der vorhergesagten Anzahl bereitstehen, bevor sie den zufriedenen Kunden übergeben werden.

Autor & Kontakt

Markus Volkmar 150x150px

 

Markus Volkmar

IT-Consultant
XBI -Business Intelligence

+49 152 24886256

markus.volkmar@msg.group

 

Weitere Artikel

Sie möchten mehr Informationen zum Variantenmanagement oder zur Hierarchischen Clusteranalyse erhalten?