D-CAT Group ↗ Kontakt ENTRDEESAZ
12 Fragen 4-Wochen-Pilot starten
4-Wochen-Pilot starten

Lösungen · nach Branche · Einzelhandelsketten

Einzelhandel: Dieselbe Umsatzzeile kann gesund oder krank sein, und der Agent sagt, was von beidem zutrifft

CIO (POS-, ERP- und Personaldaten bereits in einem Warehouse; on-premise; Row-Level-Bereich je Region) · CFO und Handelsdirektor (Marge, Abschriften, Promotion, Eigenmarke) · Leiter Filialbetrieb (vergleichbare Umsätze, Frequenz, Konversion, Personal) · Supply-Chain-Leiter (Verfügbarkeit, Bestandsreichweite). Der Käufer ist meist der CIO zusammen mit dem Handelsdirektor; die täglichen Leser sind Category Manager und Regionalleiter.

Wie die drei Agents auf dieser Seite ein semantisches Modell lesenLinks ein semantisches Modell; in der Mitte drei geplante Agents - Agent des Handelsdirektors, Filialleistungs-Agent, Warenverfügbarkeits-Agent; jeder veröffentlicht rechts Findings, Recommendations und einen Brief.semantisches Modellimportiert aus Axoria Data Studionet_salesgross_salesunits_soldtransaction_countgross_marginAgent desHandelsdirektorswöchentlich · Montag 05:00FFindingRRecomm.BBriefFilialleistungs-Agentwöchentlich · Montag 05:15FFindingRRecomm.BBriefWarenverfügbarkeits-Agentmonatlich am 3. · 05:30FFindingRRecomm.BBriefjede Zahl in einer Aufzeichnung trägt eine Nachweisadresse

Fragen

Die drei Fragen, die ein Einzelhandelsvorstand jeden Monat stellt

  • Ist das Umsatzwachstum Preis, Volumen oder Warenkorb — und ist es gesund?
  • In welcher Region fielen die vergleichbaren Umsätze, und lag es an der Frequenz oder am Warenkorb?
  • Steigt der Bestand dort, wo der Umsatz fällt, und welche Regale sind leer?

In der Unterhaltung

Beispielfragen, die Menschen in die Unterhaltung eingeben

Vertiefungspfad — der Nachweis des Findings wird eingefroren mitgeführt; eine neue Zahl braucht eine neue Abfrage, und der Agent sagt das

  • "Schlüssele die Abschriften bei Fresh Produce nach Filialformat auf."
  • "Welche Filialen in South-East haben Frequenz verloren und welche Warenkorb?"
  • "Zeig die Warenkorbtiefe unter Promotion je Kategoriegruppe für August."
  • "Steigt der Bestand bei Household in jeder Filiale oder nur in einigen wenigen?"
  • "Wie aktuell sind die Bestandsdaten?"

Personas

Drei Beispiel-Agenten

Die Agenten unten sind Beispiele für diese Branche, keine feste Auswahl: Agent des Handelsdirektors · Filialleistungs-Agent · Warenverfügbarkeits-Agent. Der geplante Lauf jedes einzelnen wird in den folgenden Beispiel-Sets gezeigt.

Set 1

Agent des Handelsdirektors

Zielgruppe: der Handelsdirektor, die Category-Direktoren, der Promotionsmanager.

Set 2

Filialleistungs-Agent

Zielgruppe: Regionalleiter, der Leiter Filialbetrieb.

Set 3

Warenverfügbarkeits-Agent

Zielgruppe: Category-Einkäufer, der Nachschubmanager, der Supply-Chain-Leiter.

Der Name eines Agenten sagt, welche Kennzahlen er liest und für wen. Er besitzt nichts von der Autorität der Rolle: Er entscheidet nicht, genehmigt nicht und handelt nicht.

Agenten für die Themen, die Sie wählen

Ein Agent ist eine Aufgabenbeschreibung, ein gebundenes semantisches Modell und ein Zeitplan — kein Code —, also legen Sie die Themen fest, die er beobachtet: einen Kostenträger, einen Leistungsbereich, eine Kampagne, einen Lieferanten. Die ersten schreiben wir gemeinsam mit Ihnen.

Bauen Sie Ihre Agenten mit uns →

Beispielsets

Drei Beispielsets, je ein Lauf

Jedes Set ist eine Agent-Persona und die Ausgabe eines geplanten Laufs — der Brief, die Recommendations und die Findings, auf denen sie beruhen — im eigenen Aufzeichnungsumschlag des Produkts. Das erste Set ist geöffnet; die anderen beiden sind eingeklappt. Das Modell und die Kennzahlen, die die Sets voraussetzen, sind am Fuß der Seite aufgeführt.

VeranschaulichendSet 1Agent des Handelsdirektors
Persona
Liest Kategoriemarge, Abschriften, Promotion und Markenstufen-Dynamik für eine Supermarktkette mit 62 Filialen in einem Land (12 Hypermärkte, 50 Nachbarschaftsläden); trennt die Dynamik, die den Umsatz einer Kategorie erzeugt hat, vom Umsatz selbst. · Zielgruppe: der Handelsdirektor, die Category-Direktoren, der Promotionsmanager. · Tonfall: Sprache eines Unternehmensberichts, kurz, zahlengeführt; wo sich zwei Erklärungen nicht trennen lassen, sagt er das. · Ausgabesprache: en
Signale, die er beobachtet
(1) Kategoriemargen-Schere — Nettoumsatz steigt, während der Bruttomargenanteil fällt. (2) Abschriftenanteil je Kategorie und Woche. (3) Markenstufen-Migration — Eigenmarken-Einheiten gegen Markeneinheiten innerhalb einer Kategorie. (4) Promotionseffizienz — Transaktionen unter Promotion steigen, während die Warenkorbtiefe unter Promotion fällt. (5) Verschiebung des durchschnittlichen Stückpreises, gelesen als Preis oder Mix, nie "der Preis ist gestiegen", bevor die Aufschlüsselung beides getrennt hat.
Schwellen, die ihm vorgegeben wurden
finding 15 % · critical 40 % · Verhältniskennzahlen (Margenanteil, Abschriftenanteil, Warenkorbtiefe, Stückpreis) 8 % · Mindestanteil 1 % des Nettoumsatzes des Filialnetzes · Schere 10 Punkte · Schweregrad-Regel: medium, wenn eine Schwelle überschritten wird, high, wenn sich eine Verhältniskennzahl um mehr als 1.25× ihrer Schwelle bewegt oder eine Zählkennzahl um mehr als 1.5× der Finding-Schwelle, critical oberhalb der kritischen Schwelle; ein Finding mit einer Aufschlüsselungszelle übernimmt den Schweregrad der Bewegung der Zelle selbst; ein ongoing-Thema behält den Schweregrad, den es erhalten hat

Laufkopf

  • Geplant wöchentlich, Montag 05:00, Europe/Amsterdam
  • Zeitraum: August 2026 (31 Tage, 5 Wochenenden) vs August 2025 (31 Tage, 5 Wochenenden) — gleiche Handelstage
  • Daten vollständig bis 2026-09-20, gemessen über max(SALE_DATE), vor 7 Stunden
  • Bereich: An diesen Agenten ist keine Row-Level-Regel gebunden — der Lauf wurde auf jeder Zeile erzeugt
  • Modell: das freigegebene Modell des Arbeitsbereichs, auf den Lauf geschrieben
  • Kosten: auf dem Lauf festgehalten
  • Beträge in EUR
Brief

August 2026: Nettoumsatz +7.17 % YoY, Marge bei Fresh Produce 27.39 % → 24.10 % bei verdoppelten Abschriften, Warenkörbe unter Promotion dünner mit 2.18 Einheiten, Eigenmarke 35.33 % der Dry-Grocery-Einheiten

Annahmenstreifen

Sie haben keinen Zeitraum angegeben; der letzte volle Monat (August 2026) wurde angenommen, verglichen mit August 2025 (gleiche Handelstage). An diesen Agenten ist keine Row-Level-Regel gebunden; der Lauf wurde auf allen Zeilen erzeugt. Die Marge wird auf Kategorieebene gemessen; eine Marge je Markenstufe ist nicht in diesem Modell.

Der Nettoumsatz im August lag mit 73.2 M € um 7.17 % über dem Vorjahr, und das Wachstum war nicht durchgängig gesund. Fresh Produce wuchs schneller als das Filialnetz (+9.82 %), während sein Bruttomargenanteil von 27.39 % auf 24.10 % fiel und sich die Abschriften von 0.294 M € auf 0.593 M € verdoppelten. In Dry Grocery gewann die Eigenmarke weiter Anteil an den Einheiten — 35.33 % gegenüber 31.20 % vor einem Jahr —, während die Markeneinheiten um 5.30 % fielen; der durchschnittliche Stückpreis der Kategorie bewegte sich kaum. Das Promotionsprogramm brachte 28.87 % mehr Transaktionen unter Promotion, aber einen dünneren Warenkorb unter Promotion, 2.18 Einheiten gegenüber 2.41; Umsätze unter Promotion machen jetzt 30.16 % des Filialnetzes aus. Ein Satz, der den August den stärksten Promotionsmonat des Jahres nannte, wurde zurückgehalten: Keine Abfrage in diesem Lauf verglich die Monate, und die Promotionsfinanzierung ist nicht im Modell.

covers: Finding 1, Finding 2, Finding 3

— Lauf: wöchentlich, das freigegebene Modell des Arbeitsbereichs, Daten vollständig bis 2026-09-20. Guard Ledger: held 1 — Kandidat f-03 Entwurf, Grund unproven_superlative (Gate 4): Token strongest promotion month of the year hatte keine abgefragte Monatsreihe hinter sich, eine angeleitete Umformulierung trug ihn noch immer, dann zurückgehalten; not_selected 0; duplicate 0.

Recommendation 1

Schlüssele die Abschriften bei Fresh Produce für August nach Filialformat und nach Tagesstunde auf, mit den Frischeinheiten daneben

based_on: Finding 1 · Verantwortlich: Category-Direktor Frische, mit dem Leiter Filialbetrieb

Sitzt die zusätzliche Abschrift in den letzten beiden Handelsstunden und im Nachbarschaftsformat, ist sie verderbgetrieben, und der Nachschubverantwortliche liest sie; verteilt sie sich über den Tag, ist sie eine Preisentscheidung, und der Preisverantwortliche liest sie. Beide Schnitte sind in diesem Modell und kosten je eine Abfrage. Der Abschriften-Grundcode ist es nicht — bis er ergänzt ist, lassen sich "Verderb" und "Preisinvestition" aus den Daten allein nicht unterscheiden.

Die Findings, auf denen das beruht

Finding 1

Margen-Schere bei Fresh Produce: Nettoumsatz +9.82 % YoY, während Bruttomarge 27.39 % → 24.10 % des Umsatzes — Abschriften 3.10 % → 5.70 % des Kategorieumsatzes

severity highdirection downnovelty newtrust AAufschlüsselung PRODUCT_CATEGORY = Fresh Produce

Der Nettoumsatz von Fresh Produce lag im August 2026 bei 10.40 M € gegenüber 9.47 M € im August 2025 (+9.82 %), bei verkauften Einheiten +6.20 %. Die Bruttomarge fiel von 2.594 M € auf 2.506 M € (−3.39 %), sodass sich der Margenanteil von 27.39 % auf 24.10 % bewegte — eine Veränderung von −12.03 % in einer Verhältniskennzahl, 1.50× der 8 %-Schwelle — Schweregrad high. Die Abschriften verdoppelten sich im Betrag (0.294 M € → 0.593 M €, +101.70 %), und ihr Anteil am Kategorieumsatz stieg von 3.10 % auf 5.70 %. Fresh Produce macht 14.21 % der 73.2 M € Nettoumsatz des Filialnetzes im August aus; der Nettoumsatz des Filialnetzes wuchs um +7.17 %, die Kategorie wuchs also auf der Umsatzzeile schneller als das Filialnetz, während sie auf der Margenzeile verlor. Diese Daten können eine bewusste Preisinvestition nicht von verderbgetriebenen Abschriften am Tagesende trennen — der Abschriften-Grundcode ist nicht in diesem Modell.

Recommendation 2

Setze die Warenkorbtiefe unter Promotion je Kategoriegruppe auf eine wöchentliche Beobachtung, und lies das Wachstum der Umsätze unter Promotion nicht mehr ohne sie

based_on: Finding 3 · Verantwortlich: Promotionsmanager

Der Nettoumsatz unter Promotion wuchs um 31.43 %, während die Warenkorbtiefe unter Promotion um 9.54 % fiel; die zweite Zahl ist die, die der Verantwortliche für den Promotionskalender neben der ersten braucht. Eine wöchentliche Beobachtung je Kategoriegruppe wird zeigen, ob die Ausdünnung allgemein ist oder in einer Gruppe sitzt; der Agent wird das Thema ongoing stempeln, statt erneut zu alarmieren.

Die Findings, auf denen das beruht

Finding 3

Promotion bringt Frequenz, nicht Warenkorb: Transaktionen unter Promotion +28.87 % YoY, während Warenkorbtiefe unter Promotion 2.41 → 2.18 Einheiten (−9.54 %) — Anteil der Promotion am Nettoumsatz 24.60 % → 30.16 %

severity highdirection downnovelty newtrust AinterpretiveAufschlüsselung PROMO_FLAG = On promotion

Der Nettoumsatz unter Promotion stieg von 16.8 M € auf 22.08 M € (+31.43 %) und trägt jetzt 30.16 % des Nettoumsatzes des Filialnetzes, nach zuvor 24.60 %. Der Nettoumsatz ohne Promotion blieb flach (51.5 M € → 51.12 M €, −0.74 %, unter der Schwelle). Die Transaktionen unter Promotion stiegen von 1.94 M auf 2.50 M (+28.87 %, 1.92× der 15 %-Finding-Schwelle — Schweregrad high), während die Einheiten unter Promotion weniger stiegen, von 4.675 M auf 5.45 M (+16.58 %), sodass die Warenkorbtiefe unter Promotion von 2.41 auf 2.18 Einheiten je Transaktion fiel (−9.54 %, oberhalb der 8 %-Verhältnisschwelle). Das Muster legt nahe, dass die Promotion den Kunden hereinholt, aber den Warenkorb nicht füllt — dieser Satz ist interpretive und so gekennzeichnet. Diese Daten können nicht sagen, ob sich die Promotion bezahlt gemacht hat — die Promotionsfinanzierung ist keine Kennzahl in diesem Modell.

Ebenfalls in diesem Lauf veröffentlicht, ohne dass eine Recommendation darauf beruht

Finding 2

Markenstufen-Migration in Dry Grocery: Eigenmarken-Einheiten +14.11 % YoY, während Markeneinheiten −5.30 % — Eigenmarke jetzt 35.33 % der Kategorie-Einheiten, Nettoumsatz +2.10 %

severity highdirection upnovelty ongoingtrust AAufschlüsselung BRAND_TIER = Private label

Dry Grocery verkaufte 5.884 M Einheiten im August 2026 gegenüber 5.84 M ein Jahr zuvor (+0.75 %), aber die Stufen bewegten sich auseinander: Die Eigenmarken-Einheiten stiegen von 1.822 M auf 2.079 M (+14.11 %), während die Markeneinheiten von 4.018 M auf 3.805 M fielen (−5.30 %). Der Anteil der Eigenmarke an den Einheiten der Kategorie bewegte sich von 31.20 % auf 35.33 % (+13.25 % in einer Verhältniskennzahl, 1.66× der 8 %-Schwelle — Schweregrad high, unverändert gegenüber dem vorigen Lauf). Der Nettoumsatz der Kategorie wuchs von 27.6 M € auf 28.18 M € (+2.10 %); Dry Grocery macht 38.50 % des Nettoumsatzes des Filialnetzes aus. Der durchschnittliche Stückpreis der Kategorie bewegte sich von 4.726 € auf 4.789 € (+1.34 %), unterhalb jeder Schwelle — die Stufenverschiebung hat den Preispunkt der Kategorie nicht gesenkt. Der Agent hat diese Migration auch im vorigen Lauf berichtet; sie ist ongoing gestempelt. Diese Daten können nicht sagen, was die Migration mit der Kategoriemarge gemacht hat — die Kosten werden in diesem Modell auf Kategorieebene geführt, nicht je Markenstufe.

Was dieser Lauf nicht sehen konnte.

Der Abschriften-Grundcode, die Promotionsfinanzierung und die Kosten je Markenstufe sind nicht in diesem Modell. Ob die Eigenmarken-Migration bewusste Sortimentsarbeit oder ein Trading-down der Kunden ist, lässt sich aus den Einheiten allein nicht ablesen. Die Marge auf Filialebene liegt absichtlich außerhalb des Bereichs dieses Agenten — der Filialleistungs-Agent liest Umsatz und Frequenz, nicht Marge.

VeranschaulichendSet 2Filialleistungs-Agent
Persona
Liest vergleichbare Filialumsätze, Frequenz, Warenkorb, Konversion und geplante Arbeitsstunden für dieselbe Kette mit 62 Filialen; unterscheidet "die Geschichte einer Filiale" von "der Geschichte einer Region" und "weniger Kunden" von "kleineren Warenkörben". · Zielgruppe: Regionalleiter, der Leiter Filialbetrieb. · Tonfall: schlicht und operativ. · Ausgabesprache: en
Signale, die er beobachtet
(1) Divergenz der vergleichbaren Filialumsätze — eine Region, die sich gegen das Filialnetz bewegt, aufgeteilt in Frequenz und Warenkorbwert. (2) Konversion — Transaktionen gegen Besucherzahl, je Format, mit dem eigenen Datenstand des Zählers ausgewiesen. (3) Arbeitsstunden je 1,000 Transaktionen je Format. (4) Warenkorb-Erosion — Einheiten fallen, während die Transaktionen halten. (5) Filialkonzentration — eine Veränderung, die die einer einzelnen Filiale ist, wird als die einer einzelnen Filiale benannt.
Schwellen, die ihm vorgegeben wurden
finding 15 % · critical 40 % · Verhältniskennzahlen (Konversion, Warenkorbwert, Stunden je 1,000 Transaktionen) 8 % · Mindestanteil 1 % des Nettoumsatzes des Filialnetzes · Divergenzregel: Eine Region, die sich bei den vergleichbaren Umsätzen um mehr als 5 Punkte gegen das Filialnetz bewegt, ist ein Finding, veröffentlicht als high, wenn die Region mehr als 10 % des Nettoumsatzes des Filialnetzes hält · Schweregrad-Regel: medium, wenn eine Schwelle überschritten wird, high, wenn sich eine Verhältniskennzahl um mehr als 1.25× ihrer Schwelle bewegt oder eine Zählkennzahl um mehr als 1.5× der Finding-Schwelle, critical oberhalb der kritischen Schwelle; ein Finding mit einer Aufschlüsselungszelle übernimmt den Schweregrad der Bewegung der Zelle selbst; ein ongoing-Thema behält den Schweregrad, den es erhalten hat

Laufkopf

  • Geplant wöchentlich, Montag 05:15, Europe/Amsterdam
  • Zeitraum: Wochen 34–37 von 2026 (17. August – 13. September, 28 Tage, jeder Wochentag viermal) vs dieselben 28 Tage von 2025 (18. August – 14. September) — gleiche Wochentagszusammensetzung
  • Daten vollständig bis 2026-09-20, gemessen über max(SALE_DATE), vor 7 Stunden; der Besucherzähler lädt wöchentlich, und sein Datenstand ist 2026-09-13
  • Geltungsbereich: Der Agent läuft unter dem Geltungsbereich Filialbetrieb (alle 62 Filialen, keine Margenkennzahlen)
  • Modell: das freigegebene Modell des Arbeitsbereichs
  • Kosten: auf dem Lauf festgehalten
  • Beträge in EUR
Brief

Wochen 34–37 2026: Vergleichbare Umsätze +4.12 %, während South-East −3.83 % durch Frequenz, Hypermarkt-Konversion 63.81 % → 57.89 %, Nachbarschaftsformat Stunden je 1,000 Transaktionen +9.84 %

Annahmenstreifen

Ein Vierwochenfenster (Wochen 34–37) wurde verwendet, weil der Zeitplan des Agenten wöchentlich ist; das Vergleichsfenster hat dieselbe Wochentagszusammensetzung. Der Datenstand des Besucherzählers (2026-09-13) liegt eine Woche hinter dem Umsatz-Datenstand (2026-09-20). Die Zähler zweier Filialen lieferten keine Zeilen und sind aus der Konversionsquote ausgeschlossen.

Die vergleichbaren Umsätze des Filialnetzes wuchsen über die vier Wochen um 4.12 %, aber Region South-East fiel in ihren elf Filialen um 3.83 %, und der Rückgang ist Frequenz (−5.12 %) und nicht Warenkorb (+1.36 %); neun der elf Filialen zeigen ihn. In den Hypermärkten stieg die Besucherzahl um 7.79 %, während die Transaktionen um 2.20 % fielen, was die Konversion von 63.81 % auf 57.89 % brachte — eine Zähländerung lässt sich nicht ausschließen, weil das Ausschlusskennzeichen des Zählers nicht im Modell ist. Das Nachbarschaftsformat verbrauchte je 1,000 Transaktionen 9.84 % mehr geplante Stunden als vor einem Jahr, bei etwas weniger Transaktionen.

covers: Finding 1, Finding 2, Finding 3

— Lauf: wöchentlich, das freigegebene Modell des Arbeitsbereichs, Daten vollständig bis 2026-09-20 (Umsatz) und 2026-09-13 (Besucherzahl). Guard Ledger: held 0; duplicate 1 — Kandidat f-04 (Bezirksschnitt des South-East-Rückgangs) in Finding 1 zusammengeführt über den Fingerabdruck net_sales|w34-37|south-east; data state 1 — Umschlag e5 (Besucherzahl) lieferte 0 Zeilen für zwei Hypermarkt-Zähler; not_selected 0.

Recommendation 1

Schlüssele die elf Filialen von South-East einzeln auf für die Wochen 34–37, Transaktionen und Warenkorbwert nebeneinander, gegen die eigenen Wochen jeder Filiale aus 2025

based_on: Finding 1 · Verantwortlich: Regionalleiter, South-East

Neun Filialen haben Frequenz verloren; der Filialschnitt wird zeigen, ob zwei oder drei den Großteil davon tragen oder der Verlust gleichmäßig ist. Beide Kennzahlen sind in diesem Modell auf Filialgranularität und kosten eine Abfrage. Einzugsgebiets- und Wettbewerberdaten sind nicht im Modell; die liest der Regionalleiter neben der Aufzeichnung.

Die Findings, auf denen das beruht

Finding 1

Regionale Divergenz: Vergleichbare Umsätze +4.12 % im gesamten Filialnetz, während Region South-East −3.83 % auf 11 Filialen — Frequenz −5.12 %, Warenkorbwert +1.36 %

severity highdirection downnovelty newtrust AAufschlüsselung REGION = South-East

Über die 58 vergleichbaren Filialen lag der Nettoumsatz der Wochen 34–37 bei 63.72 M € gegenüber 61.20 M € ein Jahr zuvor (+4.12 %). Region South-East bewegte sich in die andere Richtung: 10.877 M € gegenüber 11.31 M € (−3.83 %), auf 11 Filialen, die 16.33 % der 66.62 M € Gesamtsumme des Filialnetzes halten (vier nicht vergleichbare Filialen eingeschlossen) — eine Divergenz von 7.95 Punkten gegenüber dem Filialnetz, oberhalb der 5-Punkte-Divergenzregel, bei einer Region über 10 % des Umsatzes: Schweregrad high. Weder die −3.83 % der Region noch ihre Frequenz von −5.12 % überschreiten für sich allein die 15 %-Finding-Schwelle; die Divergenzregel ist es, die diese Aufzeichnung veröffentlicht hat. Der Rückgang ist Frequenz, nicht Warenkorb: Die Transaktionen in South-East fielen von 1.412 M auf 1.3397 M (−5.12 %), während der Warenkorbwert von 8.01 € auf 8.12 € stieg (+1.36 %). Neun der elf Filialen zeigen den Frequenzverlust, es ist also die Geschichte einer Region, nicht die einer Filiale. Der Regionsschnitt und der Bezirksschnitt liefern in diesem Filialbestand dieselben Zeilen und werden nicht als zwei Nachweise dargestellt. Diese Daten können nicht sagen, wohin die Frequenz gegangen ist — das Modell enthält keine Wettbewerber-, Baustellen- oder Einzugsgebietsdaten.

Recommendation 2

Setze die Hypermarkt-Konversion mit der Besucherzahl daneben auf eine wöchentliche Beobachtung, und frage den Modellverantwortlichen nach dem Ausschlusskennzeichen des Zählers

based_on: Finding 2 · Verantwortlich: Leiter Filialbetrieb, mit dem Datenmodell-Verantwortlichen

Ein Konversionsrückgang bei steigender Besucherzahl ist entweder mehr Stöbern oder eine Zähländerung, und die Daten können nicht sagen, welches von beiden, bis das Ausschlusskennzeichen des Zählers (Personal, Lieferungen) im Modell ist. Bis dahin zeigt die Beobachtung die Richtung; das Kennzeichen ist eine Data-Studio-Änderung, keine Agenten-Änderung.

Die Findings, auf denen das beruht

Finding 2

Hypermarkt-Konversion fällt, während Besucherzahl steigt: Besucherzahl +7.79 % YoY, Transaktionen −2.20 %, Konversion 63.81 % → 57.89 % (−9.27 %)

severity mediumdirection downnovelty newtrust AAufschlüsselung STORE_FORMAT = Hypermarket

Die 12 Hypermärkte (46.80 % des Nettoumsatzes des Filialnetzes) zählten 4.98 M Eintritte in den Wochen 34–37 gegenüber 4.62 M ein Jahr zuvor (+7.79 %), während ihre Transaktionen von 2.948 M auf 2.883 M fielen (−2.20 %). Die Konversion — Transaktionen je Eintritt — bewegte sich von 63.81 % auf 57.89 % (2.883 M von 4.98 M Eintritten gegenüber 2.948 M von 4.62 M), eine Veränderung von −9.27 % in einer Verhältniskennzahl, 1.16× der 8 %-Schwelle — Schweregrad medium. Zehn der zwölf Filialen zeigen den Rückgang; zwei Zähler lieferten für den Zeitraum keine Zeilen, und diese Filialen sind aus der Quote ausgeschlossen (festgehalten als data state, nicht als Finding). Der Zähler zählt jeden Eintritt, Personal und Nicht-Käufer eingeschlossen, und lädt wöchentlich — sein Datenstand ist 2026-09-13, eine Woche hinter dem Umsatz-Datenstand. Diese Daten können mehr Stöbern nicht von einer Zähländerung trennen; das Ausschlusskennzeichen des Zählers ist nicht in diesem Modell.

Ebenfalls in diesem Lauf veröffentlicht, ohne dass eine Recommendation darauf beruht

Finding 3

Arbeitsintensität im Nachbarschaftsformat: Geplante Stunden je 1,000 Transaktionen 27.40 → 30.10 (+9.84 %), während Transaktionen −1.60 %

severity mediumdirection upnovelty newtrust AAufschlüsselung STORE_FORMAT = Neighbourhood

Die 50 Nachbarschaftsläden verzeichneten 5.53 M Transaktionen in den Wochen 34–37 gegenüber 5.62 M ein Jahr zuvor (−1.60 %, unter der Finding-Schwelle), während die geplanten Arbeitsstunden von 154,000 auf 166,450 stiegen (+8.08 %). Die Stunden je 1,000 Transaktionen bewegten sich daher von 27.40 auf 30.10 (+9.84 %, 1.23× der 8 %-Verhältnisschwelle — Schweregrad medium). Das Hypermarktformat zeigt keine solche Bewegung. Dies sind geplante Stunden aus dem Personalsystem, keine geleisteten Stunden — die Zeiterfassung ist nicht in diesem Modell, Überstunden und Abwesenheit lassen sich hier also nicht ablesen.

Was dieser Lauf nicht sehen konnte.

Wohin die Frequenz von South-East gegangen ist; ob die Zähländerung real ist; geleistete Stunden im Gegensatz zu geplanten Stunden. Die Marge liegt absichtlich außerhalb des Bereichs dieses Agenten.

VeranschaulichendSet 3Warenverfügbarkeits-Agent
Persona
Liest den Bestands-Star und den Umsatz-Star derselben Kette und baut den Vergleich im Satz — die beiden haben keine Brücke; unterscheidet "Bestand steigt, weil der Umsatz steigt" von "Bestand steigt, während der Umsatz fällt", und liest Fehlbestands-Artikeltage je Kategorie und Format. · Zielgruppe: Category-Einkäufer, der Nachschubmanager, der Supply-Chain-Leiter. · Tonfall: schlicht; jeder Bestandssatz nennt seinen Monat, jeder Umsatzsatz sein Fenster. · Ausgabesprache: en
Signale, die er beobachtet
(1) Bestands-Umsatz-Schere — Bestandswert zum Monatsende steigt, während die verkauften Einheiten der Kategorie fallen. (2) Reichweite in Tagen je Kategorie. (3) Fehlbestands-Artikeltage als Anteil der gelisteten Artikeltage, je Format. (4) Bestandsmix, der vom Umsatzmix abweicht. (5) Bestandskonzentration je Filiale.
Schwellen, die ihm vorgegeben wurden
finding 15 % · critical 40 % · Verhältniskennzahlen (Reichweite in Tagen, Fehlbestandsanteil) 8 % · Mindestanteil 1 % des Bestandswerts des Filialnetzes · Schere 10 Punkte · Schweregrad-Regel: medium, wenn eine Schwelle überschritten wird, high, wenn sich eine Verhältniskennzahl um mehr als 1.25× ihrer Schwelle bewegt oder eine Zählkennzahl um mehr als 1.5× der Finding-Schwelle, critical oberhalb der kritischen Schwelle; ein Finding mit einer Aufschlüsselungszelle übernimmt den Schweregrad der Bewegung der Zelle selbst; ein ongoing-Thema behält den Schweregrad, den es erhalten hat

Laufkopf

  • Geplant monatlich am 3. um 05:30, Europe/Amsterdam
  • Zeitraum: Monatsende August 2026 vs Monatsende Juli 2026 für den Bestand; August vs Juli 2026 für den Umsatz (je 31 Tage, 5 vs 4 Wochenenden — ausgewiesen, nicht korrigiert)
  • Daten vollständig bis 2026-08-31 für den Bestand, gemessen über max(STOCK_MONTH); bis 2026-09-20 für den Umsatz, gemessen über max(SALE_DATE), vor 8 Stunden
  • Geltungsbereich: Der Agent läuft unter dem Geltungsbereich Supply Chain (alle Filialen, keine Margenkennzahlen)
  • Modell: das freigegebene Modell des Arbeitsbereichs
  • Kosten: auf dem Lauf festgehalten
  • Beträge in EUR
Brief

August 2026: Bestand bei Household & Cleaning +15.18 %, während seine verkauften Einheiten −4.29 % (Reichweite 41.33 → 49.74 Tage) — Fehlbestand bei Dairy in den Nachbarschaftsläden 3.90 % → 6.40 %

Annahmenstreifen

Der Bestand wird zum Monatsende gemessen und Monat über Monat verglichen; die Umsätze derselben Monate werden auf dem Umsatz-Star verglichen. Die beiden Stars haben keine Brücke; jeder Vergleich wird im Satz gebaut. Sechs Nachbarschaftsläden haben für August keine Lückenscan-Zeilen und sind als data state festgehalten.

Household & Cleaning beendete den August mit 645,000 Einheiten im Bestand gegenüber 560,000 Ende Juli (+15.18 %), während die Kategorie 4.29 % weniger Einheiten verkaufte als im Juli; die Reichweite in Tagen stieg von 41.33 auf 49.74. Die Kategorie macht 12.37 % des Bestandswerts des Filialnetzes zum Monatsende aus. In den Nachbarschaftsläden stiegen die Fehlbestands-Artikeltage bei Dairy von 3.90 % auf 6.40 % der gelisteten Artikeltage, gemessen an den 44 Filialen, die täglich scannen, während die verkauften Dairy-Einheiten um 2.10 % nachgaben. Die Zahl zum "gebundenen Kapital", die der Agent geschrieben hatte, wurde zurückgehalten; der Bestandswert im Finding ist die Zahl mit einer Adresse.

covers: Finding 1, Finding 2

— Lauf: monatlich, das freigegebene Modell des Arbeitsbereichs, Bestand vollständig bis 2026-08-31, Umsatz bis 2026-09-20. Guard Ledger: held 1 — Kandidat r-01 Entwurf, Grund numeric_provenance: Token about 0.45 M € (gebundenes Kapital) ließ sich zu keinem Umschlag auflösen und deklarierte keine Operation; data state 1 — Umschlag e4 (Lückenscan) lieferte 0 Zeilen für sechs Nachbarschaftsläden; not_selected 0; duplicate 0.

Recommendation 1

Schlüssele den Monatsendbestand von Household & Cleaning für Juli und August nach Filialcluster auf, und stelle die im August verkauften Einheiten jedes Clusters daneben

based_on: Finding 1 · Verantwortlich: Category-Einkäufer, Household & Cleaning

Sitzt der zusätzliche Bestand in wenigen Filialen, ist es eine Allokationsfrage; ist er gleichmäßig verteilt, ist es eine Bestellmengenfrage. Beide Schnitte sind in diesem Modell, auf ihren eigenen Stars, und der Vergleich wird im Satz geschrieben. Der Bestandswert im Finding (2.858 M €) ist die adressierte Zahl; die Schätzung zum "gebundenen Kapital", die der Agent entworfen hatte, war es nicht.

Die Findings, auf denen das beruht

Finding 1

Bestands-Umsatz-Schere bei Household & Cleaning: Bestandseinheiten +15.18 % MoM, während verkaufte Einheiten −4.29 % — Lücke von 19.46 Punkten; Reichweite in Tagen 41.33 → 49.74

severity highdirection upnovelty newtrust AAufschlüsselung STOCK_CATEGORY = Household & Cleaning

Der Monatsendbestand von Household & Cleaning stieg von 560,000 Einheiten (2.41 M €) Ende Juli auf 645,000 Einheiten (2.858 M €) Ende August (+15.18 % in Einheiten, +18.59 % im Wert). Auf der Umsatzseite fielen die verkauften Einheiten der Kategorie von 0.42 M im Juli auf 0.402 M im August (−4.29 %). Die Lücke zwischen der Bestandsveränderung und der Umsatzveränderung beträgt 19.46 Prozentpunkte, oberhalb der 10-Punkte-Scherenschwelle. Die Reichweite in Tagen — Bestandseinheiten über der täglichen Verkaufsrate des Monats — bewegte sich von 41.33 auf 49.74 (+20.34 %, 2.54× der 8 %-Verhältnisschwelle — Schweregrad high). Die Kategorie hält 12.37 % der 23.1 M € Monatsendbestandswert des Filialnetzes. Die Bestandskategorie und die Umsatzkategorie tragen ähnliche Namen, sind aber zwei Dimensionen auf zwei Stars ohne definierte Beziehung; der Vergleich wird in diesem Satz gebaut und nicht durch einen Join. Diese Daten können nicht sagen, ob der Bestand aus einer großen Lieferung oder aus einem langsameren Abverkauf in wenigen Filialen stammt — der Lieferkalender ist nicht in diesem Modell.

Recommendation 2

Setze die Fehlbestandsquote bei Dairy auf eine tägliche Beobachtung nach Wochentag und nach Filiale, und frage den Modellverantwortlichen nach einem Abdeckungskennzeichen für den Lückenscan

based_on: Finding 2 · Verantwortlich: Nachschubmanager, mit dem Datenmodell-Verantwortlichen

Ein Wochentagsschnitt wird zeigen, ob die Lücken auf Liefertagen sitzen oder dazwischen. Die sechs Filialen ohne Scan-Zeilen müssen als abwesend sichtbar sein, nicht als null: Ein Abdeckungskennzeichen im Modell ist der Weg, und es ist eine Data-Studio-Änderung.

Die Findings, auf denen das beruht

Finding 2

Fehlbestand bei Dairy in den Nachbarschaftsläden: 3.90 % → 6.40 % der gelisteten Artikeltage (+64.01 %), während verkaufte Dairy-Einheiten −2.10 %

severity criticaldirection upnovelty newtrust AAufschlüsselung PRODUCT_CATEGORY = Dairy × STORE_FORMAT = Neighbourhood

Über die 44 der 50 Nachbarschaftsläden, die Lücken täglich scannen, verzeichnete Dairy im August 103,000 Fehlbestands-Artikeltage gegenüber 62,800 im Juli, auf 1,609,520 gelisteten Artikeltagen (1,180 gelistete Artikel × 44 scannende Filialen × 31 Tage): Die Quote bewegte sich von 3.90 % auf 6.40 %, eine Veränderung von +64.01 % in einer Verhältniskennzahl, oberhalb der kritischen Schwelle von 40 % — Schweregrad critical. Dairy macht 9.80 % des Nettoumsatzes des Filialnetzes aus, und seine verkauften Einheiten fielen von 2.86 M auf 2.80 M (−2.10 %, unter der Finding-Schwelle). Sechs Nachbarschaftsläden haben für August keine Lückenscan-Zeilen und fehlen in der Quote; dies ist als data state festgehalten. Diese Daten können die Lieferantenerfüllungsquote nicht vom Filialnachschub trennen — Lieferantenlieferzeilen sind nicht in diesem Modell.

Was dieser Lauf nicht sehen konnte.

Der Lieferkalender, die Lieferantenerfüllungsquote und die Lückenscan-Abdeckung von sechs Filialen. Bestand und Umsatz teilen keine Dimension; ob dieselben Artikel zugleich überbevorratet und ausverkauft sind, lässt sich an dieses Modell nicht richten.

Jede Zahl trägt eine Adresse

Im Produkt bindet sich jede Zahl an eine Nachweisadresse — Umschlag, Zeile, Zelle, Prüfziffer —, und eine Zahl ohne eine solche wird zurückgehalten, nicht veröffentlicht. Die Anatomie einer Aufzeichnung →

Abgeleitete Zahlen zeigen ihre Operation

Eine Änderung, ein Anteil oder eine Lücke wird von der Engine berechnet und trägt ihre Operanden; das Modell dividiert nie. Wie jede Zahl bewiesen wird →

KI-Governance ist die Publikationsschicht

Acht deterministische Gates, die Trust-Stufe, gekennzeichnete Interpretation, ein Annahmenstreifen, der sich nicht abschalten lässt, und das Guard Ledger. Wohin das Modell reichen kann und wohin nicht →

FAQ

Vier Fragen, die dieser Seite üblicherweise gestellt werden

01Unser Bestands-Snapshot ist monatlich, und unsere Umsätze sind täglich. Kann der Agent sie trotzdem vergleichen?

Ja, und er sagt, wie: Jeder Star wird auf seiner eigenen Granularität abgefragt, und der Vergleich wird im Satz gebaut, nie mit einem Join, den das Modell nicht hat.

02Sieht der Agent die Mitglieder des Kundenbindungsprogramms?

Nein. Die Mitgliedsidentität ist als personenbezogen gekennzeichnet; der nächste erlaubte Schnitt ist ein Segment.

03Was ist, wenn der Zähler einer Filiale defekt ist?

Die Filiale wird aus der Quote ausgeschlossen und als data state festgehalten — nicht als null gezählt, nicht in ein Finding verwandelt.

04Kann er Preis von Mix unterscheiden?

Nur so weit, wie die Aufschlüsselung es erlaubt. Wo der Preis auf SKU-Ebene nicht im Modell ist, sagt das Finding, dass sich die beiden nicht trennen lassen.

Kostenlose Data-Discovery-Studie

Sehen Sie, welche dieser Signale Ihr eigenes Warehouse tragen kann.

Senden Sie uns den Namen Ihrer Datenplattform und den Bereich, über den Sie am meisten streiten. Wir lesen Ihr semantisches Modell gemeinsam mit Ihnen und antworten schriftlich: welche der Signale auf dieser Seite Ihr Modell heute trägt, welche eine Änderung in Axoria Data Studio brauchen und was ein vierwöchiger Pilot messen würde. Keine Kosten, keine Sequenz — ein Mensch antwortet innerhalb von zwei Werktagen.

Kostenlose Data-Discovery-Studie anfragen → 4-Wochen-Pilot starten

Was die Beispiele voraussetzen

Die Daten, das Modell und die Kennzahlen hinter den drei Sets

Nichts in einem Set beruht auf einer Quelle außerhalb des hier beschriebenen Modells. Öffnen Sie, was Sie abgleichen möchten.

01Angenommene Datenquellen — Daten, die eine Einzelhandelskette bereits hat

POS-Transaktionen (Zeilenebene, täglich), das Warenwirtschaftssystem (Artikelstamm, Kategoriebaum, Kosten, Listenpreis, Promotionskennzeichen), der Bestands-Snapshot von Lager und Filialen (monatlich oder täglich), der Promotionskalender, Besucherzähler (wöchentliche Ladungen), Personaleinsatzplanung (geplante Stunden je Filiale), das Kundenbindungsprogramm (im Modell nie je Person — je Segment). Typische Warehouse-Granularität: eine Zeile je Bonzeile, verdichtet auf Tag × Filiale × Artikel.

02Angenommenes semantisches Modell — das Minimum für die drei Personas
Kennzahlen
net_sales · gross_sales · units_sold · transaction_count · gross_margin (Kosten auf Artikel- oder Kategorieebene) · markdown_amount · net_sales / units / transactions unter Promotion (über das Promotionskennzeichen) · basket_depth (von der Engine abgeleitet: units_sold / transaction_count) · average_unit_price (von der Engine abgeleitet: net_sales / units_sold) · footfall · conversion (von der Engine abgeleitet: transaction_count / footfall) · labour_hours (geplant) · stock_units · stock_value · out_of_stock_item_days · listed_item_days · days_of_cover (von der Engine abgeleitet).
Dimensionen
Verkaufsdatum · Filiale · Filialformat (Hypermarkt / Nachbarschaftsladen) · Region · Kategoriegruppe · Produktkategorie · Markenstufe (Eigenmarke / Marke) · Promotionskennzeichen · Tagesstunde · Bestandsmonat · Bestandskategorie · Bestandsfiliale. Als personenbezogen gekennzeichnet und nie aufgeschlüsselt nach: Mitglied des Kundenbindungsprogramms, Kassierer.
Datenrand
von der Engine gemessen über max(SALE_DATE) für den Umsatz-Star und max(STOCK_MONTH) für den Bestands-Star; das Modell deklariert beide, und die beiden Stars haben keine Brücke — Vergleiche werden im Satz gebaut.
03Angenommene KPIs — was Führungskräfte im Einzelhandel verfolgen
KPIDefinitionEinheitTypische BandbreiteÜbliche Aufschlüsselung
Wachstum der vergleichbaren FilialumsätzeYoY-Umsatzveränderung für Filialen, die ≥ 12 Monate geöffnet sind%unternehmensspezifischFiliale · Region
Umsatz je QuadratmeterNettoumsatz / VerkaufsflächeWährung/m²Fachhandel $300–500 je Quadratfuß [Anbieter]Filiale · Kategorie
Bruttomarge(Umsatz − Wareneinsatz) / Umsatz%unabhängige Lebensmittelhändler 27.9 % GJ 2025 [Verband]Kategorie · Filiale
NettogewinnmargeNettoergebnis / Umsatz%Lebensmittelhandel ≈ 2.1 % GJ 2025 [Verband]Vertriebslinie · Filiale
LagerumschlagWareneinsatz / durchschnittlicher BestandUmschläge/JahrLebensmittelhandel 10–17; Mode 4–6 [Anbieter]Kategorie · Filiale
Schwund(Buchbestand − physischer Bestand) / Umsatz% des Umsatzes1.6 % im Durchschnitt [Verband, über Sekundärquelle]Filiale · Kategorie
Warenkorbgröße / durchschnittlicher TransaktionswertUmsatz / TransaktionenWährungunternehmensspezifischFiliale · Tageszeit
KonversionsrateTransaktionen / Besucherzahl%zählerabhängig; keine öffentliche BandbreiteFiliale · Stunde
Bruttomargen-Rendite des BestandsBruttomarge / durchschnittliche BestandskostenVerhältnisZiel 2.0–3.5 [Anbieter]Kategorie
Regalverfügbarkeit / FehlbestandsquoteArtikel auf Lager / gelistete Artikel%92–95 % typisch, 95–98 % stark [Forschung]Filiale · Kategorie
Personalkostenanteil am UmsatzPersonalkosten / Umsatz%unternehmensspezifischFiliale · Abteilung
AbschriftenanteilAbschriftenbetrag / Bruttoumsatz%unternehmensspezifischKategorie · Saison
RetourenquoteRetouren / Umsatz%15.8 % über alle Kanäle 2025 [Verband]Kategorie · Kanal
Anteil der Promotion am UmsatzNettoumsatz unter Promotion / Nettoumsatz%unternehmensspezifischKategoriegruppe · Filiale

Verwandt

Wohin diese Seiten führen

Die Abteilungen, zu denen diese Personas gehören

Auf dieser Website