Auf der Spur des Kunden: Mit Warenkorb-Analysen den Umsatz steigern
24. Juni 2021
Get in touch
Das Wissen um Produkte, die häufig miteinander gekauft werden, ermöglicht es Unternehmen, gezielt und vor allem kund:innenorientiert ihr Sortiment anzubieten. Dabei ist die Analyse der Einkaufsmuster und die daraus resultierende Ableitung von Vorhersagen kein Privileg ausschließlich großer Onlinehändler mehr. Bereits mit einfachen Modellierungstechniken im Bereich Warenkorb-Analyse lassen sich wertvolle Erkenntnisse gewinnen, die Potenzial für mehr Umsatz und Ertrag bieten.
Als schöner Nebeneffekt steigen Kund:innenbindung und -zufriedenheit, da die empfohlenen Produkte sich direkt aus dem organischen Kaufverhalten der Nutzer:innen ableiten.
Wenn man im Onlinehandel von der Conversion-Rate spricht, ist im Allgemeinen das Verhältnis zwischen Besuchern und tatsächlichen Käufen gemeint. Naturgemäß versucht man eine möglichst hohe Rate zu erzielen, um den Umsatz zu maximieren.
Ein Schlüssel zum Erfolg ist die Personalisierung des Angebots, am besten in Echtzeit und sich dynamisch anpassend. Dies ist aktuell wohl der beste Ansatz, der sich im durch den von Google geprägten, Begriff der Micro-Moment Decision widerspiegelt. Dabei geht es um kurze und spontan auftretende, aber entscheidende Augenblicke in denen Nutzer:innen etwas kaufen, wissen, mitteilen oder erledigen möchten. Dieses Feld ist weit gefächert, da es auch um Entscheidungsmomente abseits der eigenen Plattform und des eigentlichen Kanals geht, beispielsweise um Fragen wie „hat ein Geschäft geöffnet“, „wo finde ich die nächste Filiale“ oder „gibt es ein alternatives Produkt oder einen besseren Preis“?
Um hier nicht den zweiten vor dem ersten Schritt zu machen, empfiehlt es sich, die entscheidenden Momente der Customer Journey auf der eigenen Plattform genauer anschauen und entsprechend zu gestalten. Die naheliegende Lösung ist ein Blick in die eigentlichen Bestellungen, genauer gesagt in die Warenkörbe und deren Zusammensetzung. Diese Analyse liefert wichtige Einblicke in das Kaufverhalten und vor allem in den berühmten „Moment of Truth“, also dem Zeitpunkt, an dem die Entscheidung gefallen ist und die Bestellung tatsächlich abgeschickt wird. Im ersten Schritt braucht es dafür nicht einmal Daten aus Web-Analytics oder anderen Werkzeugen, die Rohdaten des jeweiligen Backendsystems reichen dafür völlig aus. Die Daten können dabei in nahezu beliebigen Formaten vorliegen, da die Analyse unabhängig vom zugrunde liegenden System durchgeführt wird. Somit sind auch keine intensiven Berechnungen auf den Servern nötig, ein tagesaktueller Datenexport, ein geeignetes Framework sowie ein halbwegs potenter Rechner reichen im ersten Schritt aus.
Wie lassen sich nun anhand dieser Daten Umsätze steigern? Nehmen wir einen klassischen Shop mit einem heterogenen Sortiment. Um den Abverkauf zu erhören, stellt sich in der Regel die Frage nach der Personalisierung im jeweiligen Kund:innenkontext: Welche Produkte werden gerne kombiniert bzw. sind komplementär? Lassen sich Kund:innen anhand ihres Surfverhaltens oder der Shop-Historie bestimmten Segmenten zuordnen?
Durch das Clustern von Kund:innen in spezifische Gruppen können diese nach verschiedenen Kriterien bewertet und eingeordnet werden. Dadurch lassen sich Segmente bilden, in denen Kund:innen mit sehr ähnlichen Faktoren zusammengefasst werden. Unternehmen gewinnen dann den Überblick über verschiedene Kund:innenstämme und können ihre strategische Planung zur Kund:innenentwicklung auf die spezifischen Merkmale der jeweiligen Segmentierung ausrichten. Dies gewährleistet eine zielgruppengenaue Ansprache. Zusätzlich lassen sich, auf den ersten Blick unsichtbare, Zusammenhänge von Produktkategorien erkennen.
Nahezu automatisch wird so das Cross-Selling Potential - also das zusätzliche Verkaufen von Produkten und Services durch ein gezieltes Angebot - eines jeden Produkts aufgedeckt. Konkretes Beispiel: Sie erkennen, dass Whisky gerne mit Brandy kombiniert wird und Champagner gerne mit Gin. Liegt nun einer dieser Artikel im Warenkorb, kann eine prominente Empfehlung des zweiten Produkts während des Checkout-Prozesses ebenfalls zu einem Kauf führen. Aber auch Up- und After-Selling sind so möglich. Die Warenkorb-Analyse der bestehenden und wiederkehrenden Kund:innen wird Aufschluss geben, welche Artikel in der Folge einer Bestellung ebenfalls gekauft wurden und mit welcher Häufigkeit.
Mit diesem Ansatz lässt sich herausfinden, welche Produkte sowohl ad-hoc als auch über eine gewisse Zeit miteinander kombiniert werden und welche sich gegenseitig ausschließen. Dabei geht es nicht um offensichtliche Kombinationen wie beispielsweise Zahnpasta und Zahnbürste. Sie werden herausfinden, dass mit einer gewissen Signifikanz immer die gleichen Produkte im Warenkorb landen. Entweder bei den gleichen Kund:innensegmenten oder vergleichbaren Zusammensetzungen der Warenkörbe. Anhand dieser Erkenntnisse lassen sich konkrete Regeln ableiten und mit den geeigneten Werkzeugen leicht in den Shop integrieren. Im ersten Schritt kann dies über fest definierte Regeln beispielsweise direkt im Shop-System oder über ein Tag-Management Werkzeug erfolgen.
Wo bleibt da die Automation, werden Sie sich jetzt zu Recht fragen. Bei diesem Ansatz liegt die Automation in der kontinuierlichen, tagesaktuellen Auswertung der eingangsbeschrieben Rohdaten, um fortwährend Erkenntnisse zu erlangen und zu validieren. Die hier beschriebenen und abgeleiteten Regeln werden zwar in der Regel hart codiert, funktionieren dafür aber auch zuverlässig und sind völlig DSGVO-konform und bedürfen keiner Cookie-Zustimmung durch den Nutzer, da keine personenbezogenen Daten verwendet werden.
Es geht sogar noch einen Schritt weiter und ist Ad-Blocker konform, da die Produkte durch das Shop-System und den darin gehalten Warenkorb ausgespielt werden und nicht zwangsweise im Browser der Benutzer:innen stattfinden müssen. Auch ist die Erfolgsmessung der jeweiligen Maßnahmen schnell erledigt und lässt sich mit der bis dahin aufgesetzte Analyse einfach validieren und darstellen. Natürlich gilt der Grundsatz, je mehr Daten vorhanden sind und verwendet werden können, desto besser. Auch kann man gewisse Anforderungen an die Art der Rohdaten stellen, um noch tiefere Einblicke zu erhalten: So kann beispielsweise die Reihenfolge, in der Produkte in den Warenkorb gelegt werden, eine Rolle spielen und es wäre von Vorteil, wenn die Rohdaten diese Reihenfolge entsprechend beibehalten.
Durch eine Optimierung der Produktplatzierung mittels Assoziationsanalysen können passgenaue Produktplatzierungen sowohl im stationären Einzelhandel wie auch im Online-Handel ausgespielt werden. Produkte, die häufig miteinander gekauft werden, können gezielt platziert werden, ohne dass Kund:innen eine Odyssee durch diverse Regale oder Gliederungsbäume durchlaufen müssen. Geschieht dies möglichst spät im Laufe des Einkaufsprozesses, ist ein Absprung der Nutzer:innen unwahrscheinlich. Die Warenkorb-Analyse bietet allerdings noch weitere Erkenntnisse und Möglichkeiten der Optimierung:
Abschließend bleibt festzuhalten, dass eine Analyse der Shop- und Kund:innendaten beliebig komplex und aufwendig sein kann. Das hängt von der Datenqualität und -menge, dem verwendeten Framework und Technologie ab, nicht zuletzt aber auch von den beteiligten Personen, deren Anforderungen und Zielen. Mit der reinen Warenkorbanalyse basierend auf Shop-Rohdaten ist in kurzer Zeit und mit vergleichsweise geringem Aufwand ein valides Ergebnis zu erzielen, welches zusätzlich nicht im Konflikt mit dem Datenschutz steht.
Dieser Artikel erschien zuerst im Magazin "etailment". Wir freuen uns über Ihr Feedback und das Teilen des Artikels.
