Wie Daten einen Onlineshop verbessern
21.08.2015 - Big Data liegt fast schon hinter uns, da kommt mit Smart Data der nächste Trend aus den Marketingküchen. Welche Schätze sich in den Daten der E-Commerce-Plattformen verbergen, beschreibt Achim Liese von Netz98 in einem Gastbeitrag.
Nicht die Fähigkeit große Datenmengen zu sammeln und zu verarbeiten sei die Lösung, sondern die intelligente Auswahl der Daten und deren smarte Auswertung. In dieser Kürze ist die Ansicht Unsinn. Ob viele oder wenige Daten gesammelt und/oder ausgewertet werden müssen, hängt ganz vom Einzelfall und der Fragestellung ab.
Was man aus Kundennamen lernen kann
Welches Wissen sich mittels einfachster Methoden aus vorhandenen Kundendaten ziehen lässt, zeigt folgendes Beispiel: Die Analyse von Kundennamen gibt Auskunft über die Verteilung der Geschlechter im Kundenstamm. Zwar gibt es Vornamen wie Kim oder Andrea, die für beide Geschlechter in Frage kommen. In 90 Prozent der Fälle ist aber eine zweifelsfreie Zuordnung möglich. Eine relativ große und damit repräsentative Kundenbasis vorausgesetzt, kann man die Vornamen der Kunden mit Listen der gebräuchlichsten Vornamen in einer bestimmten Generation abgleichen. So erhält man als nächstes Informationen zum durchschnittlichen Alter der Kunden.
Weitere Quellen und Auswertung
Mit Geschlecht, Alter und Herkunft (Adresse) lassen sich über öffentlich zugängliche Quellen wiederum statistische Durchschnittswerte zu Einkommen-, Sozialverhältnissen und Kaufverhalten anreichern. Hinterlegt man diesen Informationen noch die eigenen Shopdaten zu Warenkorbgrößen und Produkten, erhält man bereits ein sehr genaues Bild der eigenen Kunden, ihrer Bedürfnisse sowie Interessen und kann Rückschlüsse auf ihr Verhalten ziehen. Im nächsten Schritt kann man dann über zielgerichtete Ansprache und Recommendations die Umsätze verbessern.
Ladenhüter und Preisverfall vermeiden
Mit modernen BI-Technologien wie Prescriptive und Predictive Analytics ist im E-Commerce aber noch wesentlich mehr möglich. Shopbetreiber fragen sich häufig, was sie zu welchem Preis verkaufen sollen - und wann? Bei Saisonware und Restbeständen ist der richtige Preis entscheidend: nicht zu niedrig wegen der Marge aber auch nicht zu hoch, damit es keine Ladenhüter werden. Statt fehleranfälliger weil schnell veraltender A/B-Tests, welcher Preis nun am besten funktioniert, greifen Predictive Analytics Modelle auf die Gesamtheit historischer Preise, Kundenverhalten, Bestellhistorien, Preise der Konkurrenten, gewünschte Margen, Bestandsdaten und vieles mehr zurück. Sie verknüpfen und priorisieren diese Daten, die dann im Anschluss von selbstlernenden Algorithmen nach Mustern durchsucht werden. Mit jeder Suche kommen die Ergebnisse schneller - und vor allem treffsicherer.
Potenziale im E-Commerce
Für Otto.de, das täglich mehrere Millionen Daten zu Produkten, Kunden und Kaufverhalten aggregiert, hat der Data Science Spezialist Blue Yonder etwa die Prognosequalität im Angebots- und Category Management erhöht. Mit einem selbstlernenden, automatisierten Analysetool wählt Blue Yonder die passenden Daten für seine Prognose aus (es geht also nicht um alle strukturierten und unstrukturierten Daten wie bei BigData) und errechnet dann mit hoher Genauigkeit die zu erwartenden Absatzmengen bestimmter Produkte in bestimmten Kontexten. Otto hat damit den Umfang seiner Restbestände um 20 Prozent reduziert und die Anzahl der Retouren verringert.
Dies ist nur ein kleiner Einblick in die Möglichkeiten von Data Science im E-Commerce. Dem kann man aktuell entgegenhalten, dass z.B. Recommendations noch wenig intelligent sind und im besten Fall das historische Wissen über Kunden wiedergeben. Es ist aber keine Frage von Jahren mehr, bis sich dies ändert.
[k]Der Autor Achim Liese ist Entwickler bei Netz98.[/k]
Vorträge zum Thema:
Anzeige
HighText Verlag
Mischenrieder Weg 18
82234 Weßling
Tel.: +49 (0) 89-57 83 87-0
Fax: +49 (0) 89-57 83 87-99
E-Mail: info@onetoone.de
Web: www.hightext.de
Besuchen Sie auch:
