Zum Inhalt wechseln
In diesem Beitrag geht es um eines unserer Kundenprojekte bei einem führenden Bau- und Gartenmarktbetreiber in Europa. Wir zeigen, wie wir mithilfe von Data Science durch die Analyse eines Online-Shops Umsatzpotenziale im mehrstelligen Millionenbereich aufgedeckt haben.
Ausgangssituation
Ein Kunde der AppSphere AG hat täglich mehrere tausend Besucher:innen in seinem Online-Shop. Die dabei anfallenden Daten über die User und deren Verhalten werden zwar gesammelt, liefern in Rohform jedoch keine Erkenntnisse. In bisherigen Untersuchungen mittels Standard-Analysetools haben die vorliegenden Daten nicht in ausreichendem Maße zu Erkenntnissen beigetragen. Wesentliche Kernfragen bleiben somit unbeantwortet:
- Welche User sind im Online-Shop und wie gelangen sie dorthin?
- Wie lange bleiben die User auf welcher Seite?
- Welche Artikel werden im Online-Shop betrachtet und welche gekauft?
- An welcher Stelle brechen User ihren Besuch ab?
Eine gezielte Analyse der Nutzer und ihres Verhaltens soll Antworten auf diese Fragen liefern. Aufgrund des fehlenden Verständnisses darüber, warum viele Sessions nicht mit einem Kauf abgeschlossen werden, liegen Umsatzpotenziale im mehrstelligen Millionenbereich verborgen.
Mit System ans Ziel kommen
Mithilfe von Data-Mining-Verfahren – also der systematischen Anwendung von Methoden und Algorithmen, um Muster, Trends und Zusammenhänge aus vorhandenen Datenbeständen zu extrahieren – soll aus den vorhandenen Daten maximaler Wert geschaffen werden. Ebenso kommen Machine-Learning-Verfahren zum Einsatz. Daraus abgeleitete Maßnahmen dienen der Steigerung des Traffics auf dem Online-Shop und der Steigerung der Conversion Rate. Die parallele Einflussnahme auf diese beiden Kennzahlen kann sogar zu einer nicht-linearen Steigerung des Umsatzes führen. Es ergaben sich zwei Ziele:
- Aus Usern Käufer machen. Eine Steigerung der Conversion Rate um 1 Prozentpunkt führt bei unserem Kunden zu schätzungsweise 48 Mio. € mehr Umsatz pro Quartal.
- Mehr kaufbereite User auf den Online-Shop bringen. Eine Steigerung der Nutzerzahl um 10% führt zu schätzungsweise 34 Mio. € mehr Umsatz pro Quartal bei unserem Kunden.
Eine zentrale Frage steht dabei im Fokus: Warum verlassen Nutzer den Online-Shop, ohne etwas zu kaufen?
Big Data stellt den Menschen vor eine Hürde
Die uns vorliegenden riesigen Mengen an Daten sind mit konventionellen Werkzeugen wie Tabellenkalkulationsprogrammen (z.B. Excel) nicht mehr auswertbar. In diesem Kontext wird von Big Data gesprochen. Der Begriff umfasst die rasant wachsende Menge von zur Verfügung stehenden Daten und die Methoden und Technologien, mit denen diese Datenflut verarbeitet wird, um einen Nutzen daraus zu generieren. Aus diesem Grund sind die Zusammenhänge für Menschen nicht direkt erkennbar. Um dennoch vorliegende Zusammenhänge, Muster und Trends zu identifizieren, die andernfalls verborgen blieben, setzen wir speziell darauf ausgerichtete Analysetechniken ein, anstatt unsystematisch nach Verbesserungsmöglichkeiten auf dem Online-Shop zu suchen.
Datenvorbereitung, um Analyse durchführen zu können
Um die Grundlage der Analyse zu schaffen, definieren wir gemeinsam die Aufgaben, Erwartungen sowie die zu untersuchenden Hypothesen. Darauf aufbauend bestimmen wir geeignete Verfahren und die notwendigen Daten sowie deren Quellen.
Die Benutzerdaten des Online-Shop-Besuchs werden in Logfiles erfasst. Jeder Seitenaufruf, jeder Klick und jedes Scrollen erzeugt Daten. Aus diesen Daten müssen geeignete Merkmale, d.h. Variablen, die als Eingangsgrößen dienen, ausgewählt bzw. generiert werden. So kann das Nutzerverhalten entlang der Customer Journey verfolgt werden. Bei unserem Kunden liegen im betrachteten Zeitraum von 4 Monaten Informationen zu über 70 Mio. Sessions vor. Diese müssen auf Session-Ebene aggregiert und für die anschließende Modellierung aufbereitet werden.
Eingesetzte Analyseverfahren
Verfahren aus der Statistik, dem Data-Mining und dem Machine-Learning dienen dazu, einerseits Zusammenhänge zwischen Sessionmerkmalen und Käufen zu extrahieren und andererseits Vorhersagen für einen Kauf zu treffen:
- Unabhängigkeitstest: Welche Features haben einen Einfluss darauf, ob eine Session mit einem Kauf abgeschlossen wird?
- Assoziationsanalyse: Welche Charakteristiken kommen häufig in Sessions vor, in denen gekauft bzw. nicht gekauft wird?
- Klassifikationsmodell: Welche Sessions werden mit einem Kauf abgeschlossen, welche abgebrochen? Wie gut lassen sich Käufe mithilfe der ausgewählten Features vorhersagen?
Mithilfe dieser Verfahren und Modelle können wir Antworten auf die Fragen liefern, die in der Ausgangssituation gestellt werden. Dabei entstehende Erkenntnisse dienen der Identifikation von Optimierungspotenzialen und der Entwicklung von Handlungsempfehlungen entlang der Customer Journey.
Ergebnis des Projekts
Die erfolgreiche Umsetzung des Projektes bei unserem renommierten Kunden aus der Baumarktbranche hat gezeigt, dass eine datengetriebene Vorgehensweise erhebliche wirtschaftliche Vorteile mit sich bringt. Durch gezielte Analysen der Userdaten können wesentliche Erkenntnisse gewonnen werden, die sowohl die Conversion-Rate als auch den Traffic signifikant erhöhen können. Die Anwendung dieser Techniken ermöglicht es, versteckte Muster und Trends aufzudecken, die mit herkömmlichen Methoden nicht erkennbar sind.
Wenn Sie wissen möchten, welche konkreten Handlungsempfehlungen wir unserem Kunden geben konnten und wie Sie das Potenzial Ihrer eigenen Daten optimal nutzen, kontaktieren Sie uns noch heute unverbindlich.
Autorin
Marion Ziemke ist als Data Analytics Consultant bei der AppSphere AG darauf spezialisiert, aus Daten echten Mehrwert zu generieren und innovative Lösungen zu entwickeln. In diversen Projekten konnte sie beweisen, dass sie durch gewinnbringende Einblicke aus Daten echten Nutzen schafft. Mit ihrer starken analytischen und detailorientierten Herangehensweise setzt sie dort an, wo andere aufhören.
