Princess Polly definiert Retail-Analytics mit dem Modern Data Stack neu

Die Ausgangssituation‍

Princess Polly entstand 2010 im echten Start-up-Stil: in einem Strandapartment an der Gold Coast in Australien. Heute beschäftigt Princess Polly ein Team von über 200 Mitarbeitenden an den Standorten Gold Coast und Los Angeles. Anand Bhatt kam im Mai 2020 als Head of Business Analytics zu dem Mode-Start-up, kurz nach dem US-Markteintritt des Unternehmens. 

Princess Polly wollte die Nutzung von Daten auf ein neues Niveau heben — in einer Zeit der Unsicherheit war der Zugang zu zuverlässigen und aktuellen Daten von größter Bedeutung.

„Als COVID zu Beginn auftrat, waren wir alle besorgt“, sagt Anand. „Im ersten Monat gab es natürlich zunächst Auswirkungen auf das Geschäft. Doch dann begann das Geschäft zu wachsen. Wir begannen, saisonale Trends zu vergleichen, um zu verstehen, wie hoch unser Budget sein sollte. Der Wert dieses Trends beruhte auf den Daten, die Fivetran bereitstellte.“

Die Herausforderung  

Als Anand zu Princess Polly kam, baute er mithilfe von Fivetran schnell eine Analytics-Infrastruktur auf, um den unternehmenskritischen Markteintritt in den USA zu unterstützen. Es war entscheidend, dass Anand schnell und effizient Mehrwert nachwies und interne Abteilungen bei ihren Entscheidungen unterstützte. In früheren Positionen hatte Anand die Ineffizienz von klassischem ETL aus erster Hand erlebt:

„Ich hatte erlebt, dass eine klassische ETL-Methodik viel Zeit kosten kann. Es braucht Zeit, Engineers und Analysten einzustellen. Der Mehrwert, den ich bei Princess Polly schaffen wollte, war der Wert der Automatisierung in der Analyse – ich wollte Kennzahlen liefern, statt Zeit mit dem Bereinigen und Verschieben von Daten zu verbringen“, sagt Anand.

Als Ein-Personen-Team musste Anand die Zeit maximieren, in der er Mehrwert für das Unternehmen schuf, und die manuellen, zeitaufwendigen Aufgaben minimieren, die Analytics-Abteilungen ausbremsen. Ein weiterer Schwerpunkt war die Cashflow-Analyse — zu verstehen, welche Entscheidungen sich auf das Betriebsergebnis auswirkten, um wirksamere Entscheidungen zu treffen.

„Das ist im Grunde das Ziel: den Umsatz des Unternehmens zu prognostizieren, den Absatz der SKUs oder Produkte vorherzusagen. Es war für uns wirklich wichtig, eine Single Source of Truth und eine einheitliche Definitionsgrundlage zu haben. Es dauert dann eine Weile, bis eine Datenkultur in Gang kommt. Das gelingt nicht von einem Tag auf den anderen. Die Gründer erkannten definitiv, wie wichtig eine Datenkultur ist und dass sie mit der Zeit wachsen muss.“

Die Lösung

Dank seiner Erfahrung mit Fivetran in einer früheren Position hatte Anand eine klare Vorstellung von seinen Connector-Anforderungen an einen ELT-Anbieter. Entscheidend war, dass der Anbieter über einen etablierten Shopify-Connector verfügte, der sowohl die australischen als auch die US-amerikanischen Shopify-Konten des Unternehmens unterstützen konnte. Ebenso wichtig war, dass der Connector die Möglichkeit bot, die Daten beider Konten letztlich für Analysen zusammenzuführen.

Anand wünschte sich eine Lösung mit einem Connector, um Daten aus ihrem PR-System (Micro-Influencer) in ihr Data Warehouse zu übertragen, sowie Klaviyo-Unterstützung, um alle NPS-Werte in ihr System zu importieren. Princess Polly erstellte außerdem eine AWS-Lambda-Funktion für ihren Datenpool aus Inventory Planner und Retouren (Loop) und nutzte dabei den Fivetran-Connector für die Datenaufnahme.

„​​Fivetran war ein Selbstläufer. Der Schema-Datenpool — die Tabellenstruktur, die aus Shopify und anderen Datenquellen wie Klaviyo abgerufen wird — war definitiv einfacher. Auch der Prozess verlief reibungsloser. Wir mussten eine ganze Reihe verschiedener Google Sheets anbinden, was mit Fivetran ebenfalls einfacher war“, sagt Anand.

Beginnend mit einer zweiwöchigen Testphase konnte Anand die Shopify-APIs schnell in Fivetran einbinden, erfolgreiche Tests durchführen und eine Synchronisierung historischer Daten starten. Parallel dazu band Anand Mode Analytics ein, um dem Team Zugriff auf die Datensätze zu geben, die sich allmählich füllten. „Es war ein reibungsloser, unkomplizierter Prozess“, sagt Anand. „Wir hatten in weniger als 10 Tagen Zugriff auf die Shopify-Daten.“

„Innerhalb von Fivetran planen wir die Ausführung von dbt-Transformationsskripten im Anschluss an das Laden der Daten. Transaktionen, Inventar und Produkte gehören zu den funktionalen Datenbereichen, die so transformiert werden, dass sie für unsere Analysten unmittelbar nutzbar sind“, sagt Anand.

Das Ergebnis

Wo das Unternehmen einst mit isolierten Daten arbeitete, kann das Team nun tiefergehende, aussagekräftigere Fragen zu Geschäftstreibern stellen und umsetzbare Erkenntnisse gewinnen, um sich Wettbewerbsvorteile zu verschaffen.

„Wir begannen, stärker auf Trends zu achten. Wir stützten unsere Entscheidungen weniger auf Intuition und mehr auf die Daten, mehr auf saisonale Trends und mehr auf historische Trends, um zu entscheiden, wie viel wir wofür ausgeben, mit wem wir zusammenarbeiten und was wir einkaufen sollten“, sagt Anand.

Die Wirkung ist im gesamten Unternehmen spürbar — von der Finanzabteilung bis hin zu den Teams aus PR, Marketing, Sourcing und Merchandising. Neue Dashboards und wöchentliche Berichte ermöglichen es dem gesamten Unternehmen, seinen Umsatz, die Zahl der Neukunden sowie die Wirksamkeit von Marketingkampagnen und die Conversion-Raten im Zeitverlauf nachzuvollziehen.

Die neu gewonnene Fähigkeit von Princess Polly, Transaktionsdaten mit Inventardaten — aus Shopify und Klaviyo — zu verknüpfen, ermöglichte es den Analysten, neue Sourcing-Themen zu erkennen und Erfolge nachzuverfolgen, wodurch die Teams Sourcing und Merchandising enger zusammenrückten. 

Wie jedes E-Commerce-Unternehmen muss auch Princess Polly Rückerstattungen abwickeln. Durch die Zentralisierung und Analyse von Verkaufsdatensätzen aus Shopify und Rückerstattungsdatensätzen kann das Unternehmen auf Basis des bereits Verkauften präzise prognostizieren, wie die Rückerstattungen in den kommenden Wochen oder Monaten aussehen werden.

Das PR-Team kann nun die Auswirkungen von Kooperationen mit Influencern auf das Inventar nachverfolgen — auf Grundlage wöchentlich oder monatlich festgelegter Zielvorgaben. Auch die Finanzabteilung kann dank einer durchgängigen Datenstruktur rund um die Umsatzdaten vom Versand bis zur Lieferung täglich nachvollziehen, wie das Unternehmen abschneidet. 

„Wir möchten Analysten einstellen, die die Kennzahlen oder KPIs für die jeweilige Abteilung bereitstellen und dann mit den Stakeholdern innerhalb dieser Abteilung zusammenarbeiten, um ihnen die Analyse zu liefern, warum etwas gut läuft oder warum der NPS-Wert gesunken ist – die also mehr Zeit für die Analyse und anschließend mehr Zeit für Prognosen aufwenden, damit wir vorausschauen können.“

[CTA_MODULE]

‍