Aktionsmengen verzerren Top/Flop: Baseline oder getrennte Listen für saubere Vergleiche?

[tester]

In unserem wöchentlichen Category-Review werten wir Top und Flop je Warengruppe pro Filialcluster aus. Seit wir Prospektaktionen und Zweitplatzierungen ausgebaut haben, verzerren die Aktionsmengen fast jede Auswertung. Ein Artikel mit 50 Prozent Rabatt steht montags als klarer Top da, in der Folgewoche rutscht er durch Vorratskäufe und leere Aktionsbestände auf einen Flop-Platz. Der Basisabverkauf ohne Aktion ist kaum noch erkennbar. Bereinigt ihr im Data Warehouse den Aktionsabsatz über eine Baseline oder führt ihr getrennte Top-Flop-Listen für Aktions- und Regalware? Welche Kennzahl nutzt ihr für den Uplift und über welchen Zeitraum schließt ihr Vorzieheffekte und Nachwirkungen in großen Clustern ein?

[staylor]

Ursache ist die Überlagerung von Basisnachfrage, Uplift und Vorratskäufen plus Bestandslücken nach der Aktion, dadurch schwankt der Wochenschnitt stark und der echte Renner geht unter. Ich empfehle beides zu kombinieren: getrennte Listen für saubere Steuerungsgröße und eine Baseline im Data Warehouse für Vergleichbarkeit. Führe pro Artikel, Warengruppe und Filialcluster ein Kennzeichen promo_flag aus Aktionskalender, Prospekt, Preisabschlag und Zweitplatzierung und speichere Absatz Basis und Aktion getrennt in der Faktentabelle. Definiere Baseline als Median der aktionsfreien Wochen der letzten acht bis zwölf Wochen je Cluster, bereinigt um Feiertage und Out-of-Stock-Tage mit Abverkauf null. Uplift absolut als Aktionsabsatz minus Baseline und relativ als Quotient, zusätzlich Deckungsbeitrag je Mehrstück. Beziehe eine Woche vorher und zwei Wochen nachher ein, um Vorzieh- und Kannibalisierungseffekte zu glätten. Prüfe wöchentlich OOS-Quote, Scannerdaten gegen Warenausgang und Baseline-Stabilität.

[aschmitt]

Klingt schlüssig mit Median und promo_flag für unsere großen Cluster. Wie hältst du die Baseline stabil, wenn bei uns fast jede Woche eine Aktion oder OOS-Tage dazwischenfunken?