Haufe Fachbuch 10116

Big Data im Marketing

Chancen und Möglichkeiten für eine effektive Kundenansprache

Bearbeitet vonDr. Torsten Schwarz

1. Auflage 2015. Buch. 324 S. GebundenISBN 978 3 648 06585 3

Wirtschaft > Spezielle Betriebswirtschaft > Marketing, Werbung, Marktforschung

Zu Inhaltsverzeichnis

schnell und portofrei erhältlich bei

Die Online-Fachbuchhandlung beck-shop.de ist spezialisiert auf Fachbücher, insbesondere Recht, Steuern und Wirtschaft.Im Sortiment finden Sie alle Medien (Bücher, Zeitschriften, CDs, eBooks, etc.) aller Verlage. Ergänzt wird das Programmdurch Services wie Neuerscheinungsdienst oder Zusammenstellungen von Büchern zu Sonderpreisen. Der Shop führt mehr

als 8 Millionen Produkte.

207

16 Big Data für Webshops

Wie der Einsatz von Big Data den Umsatz steigert und die Profitabili-tät von Webshops verbessert

Olaf Grüger

 

Aktuell gibt es alleine in Deutschland ca. 500.000 Webshops.1 Nur welche sind un-ter betriebswirtschaftlichen Gesichtspunkten wirklich erfolgreich? Professionell betriebene Webshops sind in der Regel schnell gewachsen und suchen nach dem „next big thing“ oder dem nächsten einfachen Trick. Beides ist äußerst selten. Stattdessen liegen die wirklichen Potenziale zur Umsatzsteigerung sowie zur Kos-tenreduktion häufig in der Optimierung der vorhandenen Prozesse, der Allokation der Ressourcen sowie der Kombination und Analyse von vorhandenen Daten.

Marken und Hersteller haben dabei andere Anforderungen an Big Data für Web-shops und deren Anwendung als Multi-Channel-Händler oder Pure-Player (Unter-nehmen, die nur online verkaufen). Letztere sind zu unterscheiden in:

▪ Spezialisten für Produktkategorie, Sortiment oder Nische (windeln.de, fahrrad.de etc.)

▪ Generalisten (Amazon.de, Otto.de etc.) ▪ Shopping Clubs (vente-privee.com, buyvip.com, brands4friends.de etc.)

Daten oder Big Data sind die Basis für die zielgerichtete Steuerung und Optimie-rung von B2B- und B2C-Webshops, um den Umsatz zu steigern und die Profitabi-lität zu verbessern. Anhand der Erfolgsfaktoren eines Webshops werden im Fol-genden die Einsatzmöglichkeiten von Big Data an einigen Beispielen erklärt. Wie diese im Einzelfall priorisiert werden, ist pro Webshop zu entscheiden, da auch die Voraussetzungen, Ressourcen und Ziele bei jedem Webshop individuell sind.

1 ECommerce-Markt 2014: So viele Onlineshops gibt es in Deutschland wirklich, http://www.ibusiness.de/members/aktuell/db/390540jg.html, abgerufen am 5.4.2015

208

Big Data für Webshops

16.1 Erfolgsfaktoren eines WebshopsUm einen Webshop profitabel zu gestalten, gilt es, das Zusammenspiel von Image, Sortiment, Preisen, Service, CRM, Werbung und der Website an sich zu prüfen und zu optimieren. Technik, Prozesse und die Organisation sowie das Know-how der Mitarbeiter bilden das Fundament. Kontinuierliche Detailarbeit an operativen Kenn-zahlen und Prozessen ist arbeitsintensiv und vermeintlich unspektakulär, aber für den Erfolg im eCommerce unabdingbar.

Organisation / Know-How der MitarbeiterProzesseundDaten

Technik

Werbung

Website

Sor�ment

Preise

Service

CRM

Image

KapGrueger_Abb01.pdf

Abb. 1: Übersicht über die wesentlichen Erfolgsfaktoren eines Webshops

16.2 Big Data für Webshops scheitert früh: falsche Strategie und Fehlerquellen Voraussetzung für die datengetriebene Steuerung von Webshops ist eine inte-grierte Datenbasis, die bei den Webshops erst aufgebaut werden muss. Die He-rausforderung besteht in dem Zusammenführen der Daten aus unterschiedlichen Systemen und Quellen. Pure-Player haben hier gegenüber etablierten Multi-Chan-nel-Händlern und Marken den Vorteil, dass sie das Setup online optimiert aufset-zen können und nicht historisch gewachsene Systeme und Datenbanken mit viel Aufwand adaptieren müssen. Nur wenn der Betreiber eines Webshops Daten und Datennutzung als strategischen Wettbewerbsvorteil und nicht als Kostenfaktor einstuft, kann die datengetriebene Steuerung von Webshops erfolgreich betrie-ben werden.

16Big Data für Webshops scheitert früh: falsche Strategie und Fehlerquellen

209

KapGrueger_Abb02.pdf

Abb. 2: Übersicht über die relevanten Datenquellen für Big Data eines Webshops

Eine integrierte Datenbasis setzt sich aus folgenden Informationen zusammen:

▪ Daten aus Onlinemarketingkanälen (zum Beispiel Google Adwords: Kosten, Im-pressionen)

▪ Trackingdaten: Trafficquellen, (Micro-)Conversions, Absprungraten, Onpage-Nutzerverhalten

▪ Backend: Bestellungen, Umsätze, Retouren, Stornierung, Lieferzeit, Shipping- und Handling-Kosten

▪ Technische Daten: Ladezeiten, Devices, Browser, IP-Location etc. ▪ CRM: Kundenart, Kundenwert/Customer Lifetime Value ▪ Einkaufsdaten: Bestand, Marge, Rabatte, Zahlungsziele ▪ PIM: Produktname, Länge der Produktbeschreibungen, Schlagwörter, Anzahl

Produktbilder, Video, Anzahl Testberichte, durchschnittliche Kundenbewer-tung etc.

▪ Weitere Daten von Wirtschaftsauskunfteien, Social-Media-Netzwerken etc.

Auf Basis eines integrierten Datenpools kann die Steuerung des Webshops anhand von Regelwerken, Informationen zu Scores oder Handlungsalternativen dann opti-miert werden. Allerdings müssen die Daten dazu zuverlässig und messmethodisch präzise erhoben worden sein.

210

Big Data für Webshops

Die aktuellen Herausforderungen für die Entwicklung einer integrierten Datenbasis bestehen unter anderem darin, dass:

▪ es keine relevanten Daten gibt, da weder die verwendete Technik der Tracking-systeme noch die Messmethoden für den Anwender transparent sind,

▪ die Trackingpixel gar nicht, nicht richtig oder nicht konsistent eingebaut sind – hier empfiehlt sich die Verwendung eines Tag-Managers,

▪ Tags, Parameter, Kennungen nicht eineindeutig sind oder doppelt vergeben werden,

▪ Definitionen für Messpunkte entweder unklar oder technisch falsch umgesetzt sind

▪ führende Systeme für Daten doch nicht führend im Prozess sind, ▪ es viele Daten gibt, diese aber in vielen unterschiedlichen Systemen liegen und

nicht miteinander verknüpft sind, ▪ Grunddaten falsch zugeordnet oder kategorisiert (Produkte, Kunden etc.) sind, ▪ Verantwortlichkeiten für die Datenqualität und Qualitätssicherung nicht gere-

gelt sind, ▪ es zur Auswertung und zur zielgerichteten Nutzung der Daten zu wenig Know-

how oder Ressourcen gibt.

Die Art und Weise, wie Daten erhoben werden, sollte jeder Mitarbeiter kennen, der für den unternehmerischen Erfolg eines Webshops verantwortlich ist. Erst dann können die Ergebnisse der Analyse auch entsprechend richtig interpretiert, Hand-lungsalternativen und Automatismen entwickelt werden. Die Daten müssen zeit-nah zur Verfügung stehen. Wie zeitnah (near-real-time oder tagesaktuell) hängt vom Verwendungszweck der Daten ab.

16.3 Optimierung der Website durch Big DataIm Schnitt besteht ein Webshop aus ca. 120 Features & Functions. Für diese sollten sowohl die technische als auch die fachliche Verantwortung eindeutig einem Mit-arbeiter zugeordnet sein, der für die Performance und kontinuierliche Optimierung mit Hilfe von Big Data zuständig ist.

Im Folgenden soll dies an einigen Beispielen ausgeführt werden.

16.3.1 Big Data als Basis für das Kundenscoring

Seit jeher werden Kunden im klassischen Versandhandel auf der Basis von diversen Datenquellen (Big Data) bezüglich ihrer Kreditwürdigkeit bewertet bzw. mit einem Score versehen. Die Kreditwürdigkeit des Users entscheidet darüber, welche Zah-

16Optimierung der Website durch Big Data

211

lungsarten überhaupt angeboten und akzeptiert werden. Heutzutage wird der Score in Realtime berechnet und gegebenenfalls werden dem User im Webshop bestimmte Zahlungsarten erst gar nicht angezeigt. Einige Webshops lassen bei-spielsweise bei einer Erstbestellung nur sichere Zahlungsarten oder eine Liefer-adresse zu, die identisch mit der Rechnungsadresse ist, um Betrugsmöglichkeiten zu minimieren.

Die genaue Berechnung des Score-Werts und die Datenauswahl sind für den Au-ßenstehenden intransparent. Neben den vom User eingegebenen Informationen (Name, Adresse, Telefonnummer, ggf. Name des Kindes mit Geburtsdatum etc.) werden weitere Datenquellen genutzt, um die Daten auf Konsistenz und auf Be-trugsmuster zu überprüfen (Orts-Straßen-Prüfung). Zudem lässt sich auch ohne das Geburtsdatum das Alter des Kindes auf der Basis des Vornamens oder des Bestellverhaltens zumindest grob einschätzen. Dies ist besonders bei Sortimenten für Kleinkinder wichtig, da somit die Produktempfehlungen besser ausgesteuert werden können. Ferner werden Informationen von Wirtschaftsauskunfteien zur Berechnung der Kreditwürdigkeit des Users herangezogen. Handelt es sich dabei um jemanden, der bereits in diesem Webshop gekauft hat, so fließen Informatio-nen zu seinem bisherigen Retouren- und Bezahlverhalten mit einer hohen Gewich-tung in den Score.

Neuere Ansätze berücksichtigen in der Berechnung des Scores zudem die E-Mail-Adresse, die IP und den Zeitpunkt des Kaufs. Diese Informationen werden mit Ver-haltensmustern der bestehenden Kundenbasis abgeglichen und fließen dann in die Berechnung ein.

16.3.2 Index für Reihenfolge der Produkte durch Big Data

Im einfachsten Fall wird die Reihenfolge der im Webshop angezeigten Produkte alleine auf Basis der im Webshop erhobenen Datenpunkte (Kauf- und Klickverhal-ten) ausgesteuert. Insbesondere bei Webshops mit vielen Produkten sind diese Informationen unzureichend, um die Reihenfolge im Long Tail zu steuern. Davon betroffen sind das Suchergebnis, Browse-/Kategorieseiten sowie die Produktemp-fehlungen auf der Artikeldetailseite.

Durch die Nutzung von weiteren Datenquellen lässt sich die Reihenfolgensteue-rung optimieren. Komplett ausverkaufte Produkte sollten entweder ganz ausge-blendet oder nur noch am Listenende gezeigt werden. Für Produkte mit mehreren Ausprägungen (zum Beispiel mehrere Größen oder Farben) ist ein Index zu ent-wickeln. Neben den Abverkäufen der jeweiligen Ausprägung in bestimmten Zeit-abschnitten kann auch noch der Lagerbestand bzw. die Lagerbestandsreichweite berücksichtigt werden. Zur Feinsteuerung werden neben dem vorhandenen Lager-

212

Big Data für Webshops

bestand noch Informationen des Lieferanten zur grundsätzlichen Nachlieferbar-keit und Lieferdauer herangezogen. Einfluss auf den Index hat auch die Zeitspanne zwischen den Neuberechnungen des Index. Wird dieser täglich berechnet, hat die Lagerbestandsreichweite einen anderen Stellenwert als bei einer wöchentlichen, monatlichen oder noch selteneren Neuberechnung. Wird neben dem eigenen Webshop auch noch über weitere Kanäle (online oder auch offline) oder in ver-schiedenen Ländern verkauft, können die darüber gewonnenen Daten ebenfalls in den Index einfließen.

Bei neuen Produkten liegen keine historischen Abverkaufsdaten vor. Daher sind für einen bestimmten Zeitraum alternative Daten (wie beispielsweise Vorordermenge beim Lieferanten oder Vorbestellungen im Shop) zur Berechnung des Index heran-zuziehen.

Weitere betriebswirtschaftliche Kennzahlen (Deckungsbeitrag, Ergebnis, Retou-renquote etc.) und Preisänderungen sollten sinnvoll im Index berücksichtigt wer-den. Informationen aus dem PIM-System (beispielsweise: kein Produktbild vorhan-den, Anzahl und Durchschnitt der Kundenbewertungen) runden den Index ab.

Der Index eines Produkts stellt zudem eine solide Entscheidungsbasis zur Aussteu-erung produktbasierter Onlinemarketingkanäle, wie zum Beispiel Preissuchmaschi-nen oder Retargeting-Kampagnen, dar. In der Vergangenheit gut verkaufte und immer noch vollständig lieferbare Produkte können stärker beworben werden als Produkte mit geringer Verfügbarkeit. Aggregiert man die Daten der einzelnen Produkte auf Marken, Sortimente oder Kategorien, kann die Steuerung der SEM-Kampagnen und Display-Aktivitäten optimiert werden.

Zukünftig wird die Aussteuerung der Suchergebnisse individuell für den User zuge-schnitten. Im Rahmen einer einfachen Personalisierung werden bei der Eingabe ei-nes generischen Suchbegriffs wie „Mantel“ für eine Frau dann „Damenmantel“ und für einen Mann dann „Herrenmantel“ angezeigt. Die Information zum Geschlecht kann beispielsweise aus dem CRM bereitgestellt werden. Dem User muss allerdings eine einfache Möglichkeit gegeben werden, das Suchergebnis nach seinen Wün-schen wieder verändern zu können.

Sind die Präferenzen des Users für Marken, Farben oder Produkte bekannt, kön-nen auf dieser Basis immer individuellere und somit relevantere Suchergebnisse ausgesteuert werden. Die Kaufwahrscheinlichkeit steigt dadurch signifikant an. Präferenzen, die sich aus Kauf- und Klickverhalten ableiten, sind häufig umsatz-relevanter als die Selbstprofilierung des Users anhand eines Fragebogens.

Das Ziel des Webshops sollte immer eine Optimierung des Warenkorbwerts sein, der sich von der reinen Umsatzmaximierung unterscheidet. Werden höhere Waren-

16Optimierung der Website durch Big Data

213

korbwerte vor allem über niedrigpreisige Ergänzungs- oder Zubehörartikel erzielt, besteht die Gefahr, dass die dadurch verursachten Abwicklungskosten den poten-ziellen Ertrag des höheren Warenkorbs mehr als nur ausgleichen.

16.3.3 Persönliche Empfehlungen durch Big Data

Die Logik zur Aussteuerung von persönlichen Empfehlungen baut auf der Reihen-folgensteuerung auf. Hierbei werden sehr viel stärker die vom User selber generier-ten Daten zum Kauf- und Klickverhalten (zum Beispiel: „zuletzt gesehene Artikel“, „letzte Suchanfragen“) oder dem Referrer (Preissuchmaschine oder Fachblog) be-rücksichtigt. Diese Daten werden im optimalen Fall Device- und Session-übergrei-fend getrackt. Darüber hinaus werden diese Informationen durch Daten aus Dritt-systemen wie dem CRM angereichert. Zusätzlich können beispielsweise auch noch Daten aus Social-Media-Profilen wie zum Beispiel Facebook (nach Erlaubnis durch den Kunden) zur Optimierung genutzt werden.

Die Information zu gekauften Produkten bietet dann auch relevante Ansatzpunkte für das Up- und Cross-Selling. Die persönlichen Produktempfehlungen sind somit eine Säule der Personalisierung des Webshops.

Neben personalisierten Produktempfehlungen findet eine datengetriebene Per-sonalisierung des Webshops in Bezug auf Sortimente, Content, Services und Preis statt. Tools wie der „Experience Manager“ legen nach der Analyse der integrierten Datenbasis fest, welche Informationen zu welcher Phase im Kaufprozess des Users auf welchem Device relevant sind. Die technische Herausforderung besteht in der Real-Time-Aussteuerung der Inhalte, um quasi jedem einzelnen User eine auf ihn zugeschnittene Experience zu geben.

Insbesondere im B2B-Umfeld wächst die Bedeutung der datengetriebenen Perso-nalisierung des Webshops oder der Website. Aktuelle Studien (The Digital Evolution in B2B Marketing, CEB Marketing Leadership Council) gehen davon aus, dass bis zu 60  % des Entscheidungsprozesses und der Meinungsbildung bereits geschehen sind, bevor überhaupt ein Vertriebsmitarbeiter kontaktiert wird. Daher muss die Website für die Leadgenerierung und die Marketingautomatisierung für das Lead-nurtering optimiert werden. Durch den (datenschutzkonformen) Einsatz von IP-Detection kann bei statischen IPs nachvollzogen werden, welcher anonyme User sich von welcher Firma auf der Website für welche Themen interessiert. Darauf aufbauend können Online- und Offlinemaßnahmen ergriffen werden, zum Beispiel Follow-up-E-Mails oder die Aussteuerung von Retargeting bis hin zum persönli-chen Vertriebskontakt.