E-Commerce

E-Commerce: Smart Data ist besser als Big Data

Mit Hilfe von Predictive Analytics können Onlineshops aus Datenmengen komplexe Zusammenhänge ableiten und so Geschäftsprozesse optimieren.

25.03.2015 Nicole Rüdlin

Predictive Analytics: Die riesigen Datenmengen filtern

smart_data1
Weltweit fallen immer schneller immer mehr Datenmengen an. (Foto: Facebook)

Das Thema stand ganz oben auf der Agenda der CeBIT in diesem Jahr. Die immer weiter und schneller fortschreitende Digitalisierung bringt es mit sich, dass überall Daten in riesigen Mengen entstehen - vom Auto zur Kaffeemaschine, von der Industrieanlage zum Smartphone, vom Herzschrittmacher zum Browser. Große Datenmengen gab es schon immer, aber die Wachstumsgeschwindigkeit erreicht aufgrund der immer engmaschigeren Vernetzung eine neue Dimension. IDC meldet ein Datenwachstum von 40 Prozent pro Jahr bis 2020.

Die schier unvorstellbare Datenmenge von 44 Zettabyte soll sich bis dahin angesammelt haben, das ist Big Data mit all seinen Merkmalen: Datenmenge, Geschwindigkeit, in der die Daten anfallen, Unsicherheit der Daten und Datenvielfalt. IBM – auf der CeBIT in der Halle 2 vertreten - bezeichnet das als die vier "V": Volume, Velocity, Veracity und Variety.

Die Datenflut überschwemmt auch den E-Commerce, mobile Zugriffe auf die Onlineshops verstärken den Effekt. Wie aber können sich Shops das Big-Data-Aufkommen zu Nutze machen? Das Always-Online-Prinzip führt zu einem geänderten Kundenverhalten, die Informationsquellen werden vor einem Kauf intensiv genutzt. Ob nun Social Media, Suchmaschine, Produkttests – alles fließt in die Kaufentscheidung mit ein. Deswegen ist es wichtig, die Customer-Journey bis zum Check-Out-Prozess zu begleiten.

Das Idealszenario: Man weiß schon vorher, was der Kunde kaufen will – und am besten auch noch warum. Die allseits beliebte Glaskugel vom Jahrmarkt aber hilft bei der Optimierung von E-Commerce-Prozessen leider nicht weiter, wohl aber die historischen Daten. Kunden sind Nachmacher, Wiederholungstäter, und aus dem Verhalten einer Gruppe lassen sich durchaus Erkenntnisse für einzelne Personen ableiten. Man muss den Kunden nur der richtigen Zielgruppe zuordnen und seine Gewohnheiten und Bedürfnisse kennen.

Individuelle Sortimentsgestaltung

smart_data2
Mit einem großen Datensatz und Predictive Analytics kann man individuell für den Kunden den "eigenen" Onlineshop kreieren. (Screenshot: ACID21)

Die passende Technik hierfür – das zeigte sich einmal mehr auf der CeBIT in Hannover - ist Predictive Analytics, eine Kombination aus Statistik, Data-Mining und Operations-Research. Es fügt sich optimal in eine bestehende Business-Intelligence-Landschaft ein. Auf der Basis von Prognosemodellen können Vorhersagen getroffen werden, mit denen sich beispielsweise begrenztes Marketingbudget zielgerichtet einsetzen lässt. Das lässt sich auch auf den Onlineshop übertragen, um ein großes Dilemma zu lösen: Um die Zahl der potentiellen Kunden zu maximieren, wird eine breitgefächerte Produktpalette benötigt.

Für den einzelnen Kunden kann die Angebotsvielfalt aber auch erdrückend, wenn nicht gar abschreckend wirken. Die Produktauswahl könnte für einzelne Kunden zugeschnitten werden, das geht aber nur, wenn man den Kunden gut kennt.

Mit einem großen Datensatz und Predictive Analytics kann man individuell für den Kunden den "eigenen" Onlineshop kreieren und schafft für ihn ein optimales Einkaufserlebnis. Nicht nur die passende Produktauswahl lässt sich hier präsentieren, auch ein Upselling gestaltet sich effizienter: Mit den passenden personalisierten Empfehlungen wird erreicht, dass der Warenkorb beim Check-Out mehr Produkte enthält, als der hoch zufriedene Kunde eigentlich zu Anfang kaufen wollte. Zu so einem Shop wird der Kunde auch gerne wieder zurückkehren.

Optimierungspotenzial Pricing, Retouren, Logistik

Ob ein Kunde ein Produkt bei einem bestimmten Händler kauft oder nicht, hängt von einigen Faktoren ab. Ein entscheidender Faktor ist mit Sicherheit der Preis. Am POS ist der Griff zum Smartphone längst Alltag, um schnell den Preis mit Online-Händlern zu vergleichen. Online sind es die Preissuchmaschinen, die schnell den günstigsten Preis ausspucken und den potenziellen Kunden mit Link zum entsprechenden Onlineshop führen. Durch eine gut kombinierte Datenbasis lassen sich Preise vorhersagen und somit auch anpassen. Damit kommt man dem Optimum sehr nahe: den richtigen Preis, zum richtigen Zeitpunkt, und schon endet die Customer Journey im Onlineshop.

Mit steigender Kenntnis über den Kunden steigen auch die Möglichkeiten für zielgerichtetes Predictive Analytics, zum Beispiel für Retouren. Warum nicht die Warenkörbe analysieren und potenzielle Retouren identifizieren und gegensteuern? Entweder durch Mechanismen, die den Kunden dazu bringen, nicht direkt Retouren einzuplanen oder durch eine optimierte Planung des Logistikpersonals.

Sobald man Daten verknüpft und Prognosemodelle darauf aufbaut, wandelt man die Big-Data-Sammlung in eine wertvolle Smart-Data-Sammlung. Wichtig ist, sich nicht komplett auf Predictive Analytics zu verlassen, sondern die Vorhersagen zu überprüfen und dann auch die Prognosemodelle entsprechend anzupassen. Mit der Zeit wird das System immer besser und schafft Mehrwert für den Kunden und auch für den Onlineshop.

E-Commerce RSS Feed abonnieren