Du vil have bemærket en varians på næsten 50 mia. pund – ikke langt fra Wales’ BNP – i ovenstående vurderinger. Men det betyder ikke, at to af dem er forkerte. IRI, Kantar og Nielsen er trods alt betroet af Storbritanniens førende detailhandlere og leverandører til deres analyser.
Så hvorfor er der så stor forskel på deres vurderinger?
Sandheden er, at ingen metode er perfekt.
IRI, Nielsen og Kantar’s parametre kan variere med hensyn til de produkttyper og detailhandlere, der er omfattet. F.eks. omfatter IRI’s værdiansættelse på 99,2 mia. pund for vores Focus On Own Label fra april ikke alle typer ferskvarer, hvilket er med til at forklare den lavere værdi her.
Det er kun muligt at købe detailhandlernes EPoS-data (elektroniske salgssteder) – den primære metodologi i IRI- og Nielsen-tjenesterne ovenfor – men man kommer ikke langt. Nogle detailhandlere vil slet ikke dele deres EPoS-data; de fleste begrænser data, der anses for kommercielt følsomme, fordi de vedrører varer, der udelukkende eller hovedsageligt sælges i deres egne forretninger.
(Bemærk: Denne tabel vises ikke fuldt ud på mobiltelefonen. Se venligst desktop-versionen af artiklen for at få det fulde indhold.)
Alternativet til EPoS er at bruge et panel af forbrugere, der logger alt, hvad de køber, og derefter ekstrapolere det ud til nationalt niveau.
Men som vi skal se, har denne metode – der bruges af Kantar Worldpanel og Nielsen til deres Homescan-tjeneste – også sine begrænsninger såvel som sine styrker.
Panelernes magt
Der er ingen tvivl om EPoS-data. Hver gang en forhandler sælger en vare, registreres alt fra pris til emballageformat med et tryk på en stregkode. Hvert salg bliver registreret. Disse data kan derefter bruges til at beregne den samlede markedsværdi, vækstrater og tab osv. Simpelt!
Nikke helt. Det er ikke alle detailhandlere, der kan eller vil dele deres data. Aldi og Lidl falder i denne lejr. Det betød mindre for 20 år siden, da deres markedsandel var en brøkdel af, hvad den er i dag. Men da discounterne nu tegner sig for op til en femtedel af salget i nogle kategorier, efterlader deres fravær et stort hul i enhver EPoS-baseret værdiansættelse.
Det illustreres fint i nedenstående billede. Til venstre er Nielsens 2017-værdiansættelse af salget af britiske syltetøj & spread-salg. Til højre er Kantar’s. Der er et par forskelle at bemærke mellem dem – Nielsens tal er f.eks. en måned ældre; dens tal omfatter sandwichspread, hvilket Kantar’s ikke gør – men det mest betydningsfulde er fraværet af Aldi og Lidl i Nielsens Scantrack-læsning. (Dets Homescan-tjeneste omfatter dog disse discountere.)
Deraf forskellen på 46 mio. pund (10 %) i værdi. De forskellige perioder og produkter, der er dækket, forklarer en del af dette (Nielsens medtagelse af Heinz Sandwich Spreads bidrager med 3,7 mio. pund til sin værdiansættelse), men den største indflydelse er fraværet af discounterne i Nielsens måling. Ifølge Kantar solgte de 65,1 mio. pund i smørrebrød sidste år – 12,7 % af markedet.
Huller i EPoS-analysen kan også opstå som følge af “maskering” af oplysninger om egne mærker eller eksklusive produkter, når en andel af salget gennem en given detailhandler passerer en bestemt tærskel. F.eks. maskeres eksklusive prosecco-mærker, som forhandlereksklusive mærker typisk, hvilket betyder, at de ikke optræder på ranglisterne over de mest solgte mousserende vine.
Disse frigivelsesregler er branchestandard, så de påvirker alle, der bruger EPoS-data. Medmindre der er tale om industrispionage, er den eneste måde at få et overblik over Aldi og Lidls salg eller salget af varer, der er maskeret af detailhandlerne, at bruge et forbrugerpanel. Men paneldata har naturligvis også sine begrænsninger.
Mægtigheden af EPoS
Vi har valgt smørrebrød i ovenstående eksempel af en god grund: Det er de færreste, der køber et glas marmelade og spiser det på vej hjem. Det virker som et mærkeligt udsagn, men det er værd at sige, fordi Kantar Take Home Grocery (og Nielsens konkurrerende paneltjeneste, Homescan) kun dækker produkter, der tages med hjem efter købet. Det fremgår af navnet.
Dette betyder mere for nogle sektorer end for andre. Sammenlign Kantar’s højere læsning af syltetøjs &sprederier i ovenstående graf – 10 % højere end Nielsen’s – med nedenstående tal, der viser Nielsen og Kantar’s vurderinger af salget af sodavand med kulsyre i Storbritannien, et marked, der er langt mere afhængigt af, at forbrugerne køber og indtager produkter på farten.
Denne gang er Nielsen’s vurdering af markedet mere end 1 mia. pund eller 40 % højere end Kantar’s. Husk den tidligere pointe om EPoS-data: hvert enkelt salg registreres, uanset hvor produktet i sidste ende forbruges.
Dette er med til at forklare den store forskel mellem Nielsen og Kantar’s værdiansættelser af markedet for sodavand ovenfor.
Det er værd at bemærke, at ikke alle IRI’s og Nielsens data er “rigtige”.
Den uafhængige detailsektor er fragmenteret med 18.000 uafhængige detailhandlere uden tilknytning og 15.000 detailhandlere med symbolgrupper, der opererer i hele Det Forenede Kongerige. Det er ganske enkelt ikke praktisk muligt at købe EPoS-data fra hver enkelt forretning, så IRI og Nielsen bruger repræsentative detailhandelspaneler til ekstrapolering.
Kantar måler forbruget uden for hjemmet gennem et 7.500 personer stort panel, der registrerer alle måltider, snacks og sodavand, der købes til forbrug uden for hjemmet.
Kantar siger, at disse tal ikke kan integreres med take-home-panelet, da dette måler husstandens indkøb, mens out of home registrerer enkeltpersoners indkøb.
Egen mærkning
Aldi og Lidls tætte bevogtning af deres data skaber et andet problem for analytikerne.
Både detailhandlere er stærkt afhængige af produkter af eget mærke, hvilket betyder, at enhver analyse, der ikke omfatter discounterne, sandsynligvis vil undervurdere betydningen af eget mærke.
Se forskellen i IRI’s og Kantars vurderinger af egne mærkers andel i fem sektorer nedenfor.
Det hvorfor og det hvad
EPoS kan siges at levere “det hvad”. Ud over at hjælpe med at udfylde nogle af de huller, der er forårsaget af discounterne og maskering af eksklusive produkter fra detailhandlen, siges paneldata ofte at give “hvorfor”.
Lad os sige, at en konkurrent har lanceret en ny brusende gurkemeje-drik. Det er en nichedrik, men den har gjort sig bemærket, og en national dagligvarebutik har optaget den på listen. Du er nødt til at spore den. Den eneste måde at gøre det på er ved hjælp af EPoS-data, fordi det opfanger hvert enkelt salg. Det er for småt til at blive opfanget af et panel.
Du køber dataene, og de viser, at mærket vokser voldsomt. Nu skal du vide, hvem der køber denne drik, og hvorfor. Det er her, paneldata kommer ind i billedet. Du segmenterer dataene efter alder, socioøkonomisk gruppe, motivation, tidligere købshistorik og så videre. Det viser på foruroligende vis, at dine forbrugere skifter til denne nye drik. Du er nødt til at handle.
Uden EPoS-dataene ville du ikke have vidst, hvor stor vækst den nye konkurrent har haft. Men uden paneldataene kunne du heller ikke have vidst, at forbrugerne skiftede fra dit produkt til dette, eller hvorfor. Moderne kasser er smarte, men de er ikke så smarte.
Det er derfor, at smarte operatører bruger EPoS og paneldata i kombination.