Die Herausforderung der individuellen Produktempfehlung
Dieser Fachartikel erschien im Leitfaden Online-Marketing Band 2:
http://TopOnlineExperten.de
Aktuelle Marktzahlen zeigen weiterhin ein ungebrochenes Wachstum im Onlinehandel [1]. Mit dem Markt wachsen allerdings auch die Anzahl der digitalen Shops und deren Produktvielfalt. Zusätzlich ist bei einigen Pure-Click-Playern ein immer höherer Grad an Professionalisierung festzustellen, mit dem sie um die virtuelle Kundengunst buhlen. Diese Faktoren führen zu einer hohen Wettbewerbskonzentration in fast allen Sortimentsbereichen des Onlinemarktes. Damit wird es immer wichtiger sich gegenüber seinen Konkurrenten mit innovativen Shopfunktionen und Ideen zu differenzieren, um seinen Kundenstamm nicht an einen anderen Anbieter zu verlieren, der nur einen Klick entfernt wartet.
Bereiche dieses kontinuierlichen Erneuerungsprozesses sind meist Entscheidungs-und Beratungshilfen wie Kundenrezensionen, Meinungsportale, Produktvergleichsmöglichkeiten und tiefer gehende Informationen zu Produkt oder Dienstleistung. All diese Möglichkeiten bieten dem Kunden eine noch nie da gewesene Transparenz über das Preis/Leistungsverhältnis von Waren und Dienstleistungen und helfen die Kundenzufriedenheit und mit ihr, die Bindung zu stärken. Allerdings helfen sie den Kunden immer noch nicht eine Orientierung über die schiere Flut an Angeboten zu erhalten.
Hier setzen die Systeme zur individuellen Produktempfehlung an. Sie finden anhand der Userinteressen die für den Kunden interessantesten Produkte und spielen sie ihm zum richtigen Zeitpunkt zu.
Voraussetzungen für die individualisierte Produktempfehlung
Das zentrale Problemfeld einer individualisierten Kundenbehandlung liegt in dem Erkennen des Kunden und der anschließenden Anhäufung von detaillierten Informationen über die Interessen und Bedürfnisse.
Anhand von Cookies, kleinen Textdateien auf dem Rechner des Surfenden, können Nutzer erkannt werden. Bei dem ersten Besuch des Shops wird diese Datei auf dem Rechner abgelegt. So kann der Shop bei jedem Besuch Kunden identifizieren und dem entsprechenden Profil zuordnen, ohne dass diese sich anmelden müssen.
Grundlage aber für das Evaluieren der persönlichen Angebote sind unterschiedliche Faktoren wie bewusst preisgegebene Userinteressen, dem Self-Selection, erhobenes Userverhalten auf der Plattform und dem Verhalten anderer Nutzer. Demgemäß lernt eine Empfehlungsmaschine kontinuierlich aus dem Verhalten der User auf der Plattform. Jeder Klick auf eine Kategorie, einen Werbebanner, das Erstellen eines Warenkorbs oder nur ein hinterlassener Merkzettel wird anhand eines Cookies in einer Datenbank festgehalten und in der Kundenhistorie gespeichert.
Diese Daten werden in einer Empfehlungsmaschine (Recommendation Engine) nach komplexen mathematischen und statistischen Prognosemodellen in Echtzeit in eine Produktliste transformiert, die direkt für automatische Empfehlungen oder Beratungs- und Verkaufsleistungen genutzt werden kann. Vollautomatisch und dynamisch werden jedem Besucher immer genauer, anhand des permanent verfeinerten Interessensvektors des Kunden, individuelle Angebote ausgespielt. Dabei entsteht ein Dialog aus Surf- und Klickverhalten des Kunden und dem Darstellen von vermeintlich relevanten Produkten durch den Shopbetreiber.
Empfehlungsmaschine im Onlineshop
Automatische Kundenempfehlungen können auf jeder beliebigen Seite des Shops eingesetzt werden. Eine Einspielung der subjektiven Angebote auf der Startseite kann beispielsweise die Verweildauer der Kunden verbessern und als Einstiegshilfe in den Shop vor zu schnellen Absprüngen (Bounces) durch die Kunden schützen.
Auf Produktdetailseiten können wiederum Cross- und Upselling-Produkte wie beispielsweise Zubehör oder höherwertige Ware angeboten werden, die zu dem Einkaufsverhalten des Kunden passen. Mit dieser Angebotsleistung fühlt sich der Kunde, angesichts der meist hohen Anzahl an Produkten in einem Onlineshop, gut beraten. Er kann alle unrelevanten Produkte vernachlässigen. Je öfter der Kreislauf aus Userverhalten und Auswertung der Daten durchlaufen wird, desto genauer und relevanter wird die Ausspielung der individuellen Empfehlungen für den Kunden.
Kunden können allerdings nicht nur im Auswahlprozess sinnvoll begleitet werden sondern auch im Ablauf des aktiven Kaufens. Hier muss vor allem der Fokus weg von komplementären Gütern hin zu Impulskaufgütern erfolgen, um nicht schon vorhandene Kaufentscheidungen zu gefährden und den Kunden dennoch bestmöglich in seiner Kaufentscheidung zu begleiten. So finden sich in Warenkorb und Checkout-Prozess oft kleinere Produkte zu den Warenkorbprodukten. Einige Schuhhändler bieten während des Bestellvorgangs die entsprechende Pflegeserie zu dem gewählten Schuh an und begeben sich in kein Risiko eines Kaufabsprungs sondern erhöhen die Wahrscheinlichkeit, einen höheren Warenkorb zu erwirtschaften.
Diese Ausführungen zeigen, dass es nicht nur auf die Auswahl der richtigen Recommendation Engine ankommt, auch eine ebenso intelligente Integration in das Businessmodell und Umfeld ist ein entscheidender Erfolgsfaktor.
One-to-One-Integration im Newsletter
Der individualisierte Kundendialog lässt sich auch über die Grenzen des Onlineshops hinaus fortführen. So können Newsletterabonnenten mit speziell für sie zusammengestellten Angeboten wieder auf den Shop gelenkt werden. Auch hier verbirgt sich die gleiche Systematik des Interessensvektors, der die Auswahl der für den Kunden relevanten Produkte übernimmt. Studien zu der Einführung eines One-to-One-Newsletters bei der Quelle.de haben gezeigt, dass eine Ausspielung von individualisierten Angeboten zu einer signifikanten Erhöhung der Klickrate im Newsletter führt und somit der Traffic auf den Onlineshop erhöht wird [2].
Auch Auswirkungen des individualisierten Kundendialogs auf andere wichtige Indikatoren wie Newsletter-Abmeldungen und vor allem die Konversionsrate können durch das Anbieten von automatisch ausgespielten One-to-One-Empfehlungen signifikant verbessert werden.
Fazit
Onlinekunden im aktuell intensiven Wettbewerbsumfeld die richtigen Themen, Aktionen und schlussendlich Produkte zum richtigen Zeitpunkt zu präsentieren, wird eine der größten Herausforderungen der kommenden Jahre sein.
Recommendation Engines haben diese Entwicklung im E-Commerce möglich gemacht. Jetzt wird diese Funktion in immer mehr Bereiche des Onlinehandels ausgerollt. Nicht nur Onsite, also auf dem Shop selbst, sondern vor allem Offsite in Werbemitteln hat dieser intelligente Dienst seinen Siegeszug angetreten. So können heute nicht nur Bestandskunden mit einem Newsletter mit individuellen Angeboten extern angesprochen werden. Auch neue Besucher eines Shops können auf völlig anderen Seiten, zum Beispiel Nachrichtenportalen wie bunte.de oder spiegel.de erkannt und im gleichen Atemzug mit dem vorher angesehenen Produkt direkt konfrontiert werden. Dieses Retargeting System gehört zu den aktuell erfolgreichsten Online-Marketing-Maßnahmen mit der höchsten Werbemitteleffizienz im Markt. Umso unverständlicher ist es, dass lediglich ein paar große Onlineshops in Deutschland diese erfolgreiche Systematik für sich, aber auch als Mehrwert für ihre Kunden, nutzen.
Literatur
[1] bvh, TNS Studie 2010, 2010
[2] Bok: Marketing durch Individualisierung. – In: Funder/Strähle/Ehlbeck/Natkowski: Online gewinnen, 2011.
http://TopOnlineExperten.de
Aktuelle Marktzahlen zeigen weiterhin ein ungebrochenes Wachstum im Onlinehandel [1]. Mit dem Markt wachsen allerdings auch die Anzahl der digitalen Shops und deren Produktvielfalt. Zusätzlich ist bei einigen Pure-Click-Playern ein immer höherer Grad an Professionalisierung festzustellen, mit dem sie um die virtuelle Kundengunst buhlen. Diese Faktoren führen zu einer hohen Wettbewerbskonzentration in fast allen Sortimentsbereichen des Onlinemarktes. Damit wird es immer wichtiger sich gegenüber seinen Konkurrenten mit innovativen Shopfunktionen und Ideen zu differenzieren, um seinen Kundenstamm nicht an einen anderen Anbieter zu verlieren, der nur einen Klick entfernt wartet.
Bereiche dieses kontinuierlichen Erneuerungsprozesses sind meist Entscheidungs-und Beratungshilfen wie Kundenrezensionen, Meinungsportale, Produktvergleichsmöglichkeiten und tiefer gehende Informationen zu Produkt oder Dienstleistung. All diese Möglichkeiten bieten dem Kunden eine noch nie da gewesene Transparenz über das Preis/Leistungsverhältnis von Waren und Dienstleistungen und helfen die Kundenzufriedenheit und mit ihr, die Bindung zu stärken. Allerdings helfen sie den Kunden immer noch nicht eine Orientierung über die schiere Flut an Angeboten zu erhalten.
Hier setzen die Systeme zur individuellen Produktempfehlung an. Sie finden anhand der Userinteressen die für den Kunden interessantesten Produkte und spielen sie ihm zum richtigen Zeitpunkt zu.
Voraussetzungen für die individualisierte Produktempfehlung
Das zentrale Problemfeld einer individualisierten Kundenbehandlung liegt in dem Erkennen des Kunden und der anschließenden Anhäufung von detaillierten Informationen über die Interessen und Bedürfnisse.
Anhand von Cookies, kleinen Textdateien auf dem Rechner des Surfenden, können Nutzer erkannt werden. Bei dem ersten Besuch des Shops wird diese Datei auf dem Rechner abgelegt. So kann der Shop bei jedem Besuch Kunden identifizieren und dem entsprechenden Profil zuordnen, ohne dass diese sich anmelden müssen.
Grundlage aber für das Evaluieren der persönlichen Angebote sind unterschiedliche Faktoren wie bewusst preisgegebene Userinteressen, dem Self-Selection, erhobenes Userverhalten auf der Plattform und dem Verhalten anderer Nutzer. Demgemäß lernt eine Empfehlungsmaschine kontinuierlich aus dem Verhalten der User auf der Plattform. Jeder Klick auf eine Kategorie, einen Werbebanner, das Erstellen eines Warenkorbs oder nur ein hinterlassener Merkzettel wird anhand eines Cookies in einer Datenbank festgehalten und in der Kundenhistorie gespeichert.
Diese Daten werden in einer Empfehlungsmaschine (Recommendation Engine) nach komplexen mathematischen und statistischen Prognosemodellen in Echtzeit in eine Produktliste transformiert, die direkt für automatische Empfehlungen oder Beratungs- und Verkaufsleistungen genutzt werden kann. Vollautomatisch und dynamisch werden jedem Besucher immer genauer, anhand des permanent verfeinerten Interessensvektors des Kunden, individuelle Angebote ausgespielt. Dabei entsteht ein Dialog aus Surf- und Klickverhalten des Kunden und dem Darstellen von vermeintlich relevanten Produkten durch den Shopbetreiber.
Empfehlungsmaschine im Onlineshop
Automatische Kundenempfehlungen können auf jeder beliebigen Seite des Shops eingesetzt werden. Eine Einspielung der subjektiven Angebote auf der Startseite kann beispielsweise die Verweildauer der Kunden verbessern und als Einstiegshilfe in den Shop vor zu schnellen Absprüngen (Bounces) durch die Kunden schützen.
Auf Produktdetailseiten können wiederum Cross- und Upselling-Produkte wie beispielsweise Zubehör oder höherwertige Ware angeboten werden, die zu dem Einkaufsverhalten des Kunden passen. Mit dieser Angebotsleistung fühlt sich der Kunde, angesichts der meist hohen Anzahl an Produkten in einem Onlineshop, gut beraten. Er kann alle unrelevanten Produkte vernachlässigen. Je öfter der Kreislauf aus Userverhalten und Auswertung der Daten durchlaufen wird, desto genauer und relevanter wird die Ausspielung der individuellen Empfehlungen für den Kunden.
Kunden können allerdings nicht nur im Auswahlprozess sinnvoll begleitet werden sondern auch im Ablauf des aktiven Kaufens. Hier muss vor allem der Fokus weg von komplementären Gütern hin zu Impulskaufgütern erfolgen, um nicht schon vorhandene Kaufentscheidungen zu gefährden und den Kunden dennoch bestmöglich in seiner Kaufentscheidung zu begleiten. So finden sich in Warenkorb und Checkout-Prozess oft kleinere Produkte zu den Warenkorbprodukten. Einige Schuhhändler bieten während des Bestellvorgangs die entsprechende Pflegeserie zu dem gewählten Schuh an und begeben sich in kein Risiko eines Kaufabsprungs sondern erhöhen die Wahrscheinlichkeit, einen höheren Warenkorb zu erwirtschaften.
Diese Ausführungen zeigen, dass es nicht nur auf die Auswahl der richtigen Recommendation Engine ankommt, auch eine ebenso intelligente Integration in das Businessmodell und Umfeld ist ein entscheidender Erfolgsfaktor.
One-to-One-Integration im Newsletter
Der individualisierte Kundendialog lässt sich auch über die Grenzen des Onlineshops hinaus fortführen. So können Newsletterabonnenten mit speziell für sie zusammengestellten Angeboten wieder auf den Shop gelenkt werden. Auch hier verbirgt sich die gleiche Systematik des Interessensvektors, der die Auswahl der für den Kunden relevanten Produkte übernimmt. Studien zu der Einführung eines One-to-One-Newsletters bei der Quelle.de haben gezeigt, dass eine Ausspielung von individualisierten Angeboten zu einer signifikanten Erhöhung der Klickrate im Newsletter führt und somit der Traffic auf den Onlineshop erhöht wird [2].
Auch Auswirkungen des individualisierten Kundendialogs auf andere wichtige Indikatoren wie Newsletter-Abmeldungen und vor allem die Konversionsrate können durch das Anbieten von automatisch ausgespielten One-to-One-Empfehlungen signifikant verbessert werden.
Fazit
Onlinekunden im aktuell intensiven Wettbewerbsumfeld die richtigen Themen, Aktionen und schlussendlich Produkte zum richtigen Zeitpunkt zu präsentieren, wird eine der größten Herausforderungen der kommenden Jahre sein.
Recommendation Engines haben diese Entwicklung im E-Commerce möglich gemacht. Jetzt wird diese Funktion in immer mehr Bereiche des Onlinehandels ausgerollt. Nicht nur Onsite, also auf dem Shop selbst, sondern vor allem Offsite in Werbemitteln hat dieser intelligente Dienst seinen Siegeszug angetreten. So können heute nicht nur Bestandskunden mit einem Newsletter mit individuellen Angeboten extern angesprochen werden. Auch neue Besucher eines Shops können auf völlig anderen Seiten, zum Beispiel Nachrichtenportalen wie bunte.de oder spiegel.de erkannt und im gleichen Atemzug mit dem vorher angesehenen Produkt direkt konfrontiert werden. Dieses Retargeting System gehört zu den aktuell erfolgreichsten Online-Marketing-Maßnahmen mit der höchsten Werbemitteleffizienz im Markt. Umso unverständlicher ist es, dass lediglich ein paar große Onlineshops in Deutschland diese erfolgreiche Systematik für sich, aber auch als Mehrwert für ihre Kunden, nutzen.
Literatur
[1] bvh, TNS Studie 2010, 2010
[2] Bok: Marketing durch Individualisierung. – In: Funder/Strähle/Ehlbeck/Natkowski: Online gewinnen, 2011.