BigData liegt fast schon hinter uns, da kommt mit Smart Data der nächste Trend aus den Marketingküchen. Nicht die Fähigkeit große Datenmengen zu sammeln und zu verarbeiten sei die Lösung, sondern die intelligente Auswahl der Daten und deren smarte Auswertung. So verkürzt, ist die Ansicht Unsinn. Ob viele oder wenige Daten gesammelt und/oder ausgewertet werden müssen, hängt ganz vom Einzelfall ab.

 

Was man aus Kundennamen lernen kann

Welches Wissen sich mittels einfachster Methoden aus vorhandenen Kundendaten ziehen lässt, zeigt folgendes Beispiel: Die Analyse von Kundennamen gibt Auskunft über die Verteilung der Geschlechter im Kundenstamm. Zwar gibt es Vornamen wie Kim oder Andrea, die für beide Geschlechter in Frage kommen. In der Regel ist aber eine zweifelsfreie Zuordnung möglich. Eine relativ große und damit repräsentative Kundenbasis vorausgesetzt, kann man die Vornamen der Kunden mit Listen der gebräuchlichsten Vornamen in einer bestimmten Generation abgleichen. So erhält man Informationen zum durchschnittlichen Alter der Kunden.

 

Weitere Quellen und Auswertung

Mit Alter und Wohnort lassen sich über öffentlich zugängliche Quellen wiederum statistische Durchschnittswerte zu Einkommen-, Sozialverhältnissen und Kaufverhalten anreichern. Hinterlegt man diesen Informationen noch die eigenen Shopdaten zu Warenkorbgrößen und Produkten, erhält man bereits ein sehr genaues Bild der eigenen Kunden und ihres vermutlichen Verhaltens. Im nächsten Schritt kann man dann über zielgerichtete Ansprache und Recommendations die Umsätze verbessern. Im Beitrag zur Segmentierung von Kundendaten gehen wir darauf ein, welche Mittel Magento Enterprise für die Auswertung und Strukturierung der Kunden bietet.

 

Ladenhüter und Preisverfall vermeiden 

supermarket-435452_1920

 

Mit Prescriptive und Predictive Analytics ist im E-Commerce aber noch wesentlich mehr möglich. Shopbetreiber fragen sich häufig, was sie zu welchem Preis verkaufen sollen – und wann? Bei Saisonware und Restbeständen ist der richtige Preis entscheidend, nicht zu niedrig wegen der Marge aber auch nicht zu hoch, damit es keine Ladenhüter werden. Statt fehleranfälliger A/B-Tests, welcher Preis nun am besten funktioniert, greifen Predictive Analytics Modelle auf historische Preise, Kundenverhalten, Bestellhistorien, Preise der Konkurrenten, gewünschte Margen, Bestandsdaten und vieles mehr zurück und verknüpfen bzw. ordnen die Daten. Selbstlernende Algorithmen durchsuchen dann den Datenbestand nach Mustern – und werden mit jeder Suche schneller und treffsicherer.

 

Potenziale im E-Commerce

Für otto.de, das täglich mehrere Millionen Daten zu Produkten, Kunden und Kaufverhalten aggregiert, hat der Data Science Spezialist Blue Yonder etwa die Prognosequalität im Angebots- und Category Management erhöht. Mit einem selbstlernenden, automatisierten Analysetool wählt Blue Yonder die passenden Daten für seine Prognose aus und errechnet dann mit hoher Genauigkeit die zu erwartenden Absatzmengen bestimmter Produkte in bestimmten Kontexten. Otto hat damit den Umfang seiner Restbestände um 20 Prozent reduziert und die Anzahl der Retouren verringert.

 

Weitere spannende Aspekte zum Thema Data Science auch über den reinen Shopbetrieb hinaus, können Sie auch in den netz98 Zukunftsthemen lesen.