Sie sind auf Seite 1von 5

O

N

L

I

N

E

W

I

S

S

E

N

O N L I N E W I S S E N Mit besten Empfehlungen Warum

Mit besten Empfehlungen

Warum Kunden, ohne es zu wissen, die erfolgreichsten Einkaufsberater im Internet sind

„Kunden, die dieses Produkt gekauft haben, haben auch jenes gekauft…“ Was vor einigen Jahren noch wie Internet-Zauberei wirkte, ist heute ein Standardservice im E-Commerce: automatisch erzeugte Produktempfehlungen. Aus den einstmals einfachen Verknüpfun- gen haben sich selbstlernende Systeme entwickelt. Ihr wichtigster Rohstoff: Die Kaufwünsche der Kunden, die sich in ihrem Einkaufs- verhalten ausdrücken. Diese Technologie kommt heute bei allen großen Shopangeboten im Internet zum Einsatz und setzt nun zum Sprung in neue Bereiche an: Künftig werden etwa auch Newsletter sich viel genauer auf jeden einzelnen Empfänger einstellen können – besser als jeder Redakteur oder Verkäufer dies könnte. Der vorliegende Trendbeitrag zeigt, warum Computertechnologie heute die Kaufwünsche der Kunden manchmal besser kennt als sie selbst.

P
P

über das Internet zu kaufen: Das ist für viele Kunden heute Alltag.

Schnell habe sich Millionen Menschen an die besonderen Vorteile

des Onlineshoppings gewöhnt. Man muss nicht mehr das Haus verlas-

sen, einen Parkplatz suchen und Tüten schleppen, wenn man sich auf

Einkaufstour begibt. Zudem gibt es im Netz keine Öffnungszeiten und

keine Ortsbeschränkungen mehr. Jedes Geschäft hat überall zu jeder

Zeit geöffnet.

Metadaten sind die eigentlichen Verkäufer

Doch die wahreStärke des E-Commerce sind nicht unbegrenzte Laden-

öffnungszeiten, sondern: Metadaten. Metadaten sind Daten, die ande-

re Daten beschreiben. Vom Einkaufen kennen wir die klassischen

Metadaten für Produkte wie Preis, Größe, Haltbarkeit oder einen kurzen

Beschreibungstext des Herstellers oder Händlers. Wir kennen auch aus-

des Herstellers oder Händlers. Wir kennen auch aus- AU TOR: Jürgen Wachtmeester Leiter IT-Beratung bei der
des Herstellers oder Händlers. Wir kennen auch aus- AU TOR: Jürgen Wachtmeester Leiter IT-Beratung bei der

AU TOR: Jürgen Wachtmeester

Leiter IT-Beratung bei der nexum AG (www.nexum.de)

führliche Metadaten: etwa Produkttests aus Zeitschriften, Reklame oder

Empfehlungen durch Freunde, Bekannte und Prominente. Metadaten

schaffen Orientierung. Aber außerhalb des Internets gibt es nur wenige

Orte für solcheZusatzinformationen: Zeitschriften, TV-Sendungen, Pros-

pekte, Plakate und die Mundpropaganda. Doch alle diese Infor-

mationen sind nicht miteinander verbunden. Wer sie benötigt, muss an

zahlreichen Stellen danach suchen.

Im Internet hingegen liegen alle diese Informationen gewissermaßen

im selben Aggregatzustand vor. Sie lassen sich über Suchmaschinen

wie Google finden oder werden auf Preisvergleichs- und Empfehlungs-

portalen zusammengestellt. Das Web vernetzt also alle Informationen

über Produkte. Wer wissen will, ob der neue DVD-Player oder das Hotel

in Zypern auch wirklich halten, was ihre Anbieter versprechen, der

schaut im Internet nach. Denn meist haben schon andere Kunden,

Blogger oder Journalisten dieses Produkt kommentiert und bieten so

eine zwar subjektive oder singuläre, aber meist nicht von Verkaufs-

absichten beeinflusste Meinung.

und bieten so eine zwar subjektive oder singuläre, aber meist nicht von Verkaufs- absichten beeinflusste Meinung.

O

N

L

I

N

E

W

I

S

S

E

N

O N L I N E W I S S E N Die große Komsumbibliothek Bis

Die große Komsumbibliothek

Bis zu diesem Punkt funktioniert das Internet also wie eine riesige Bibliothek, die Informationen und Meinungen über Produkte miteinan- der vernetzt und bereithält. Aber im Internet fallen noch mehr und weit interessantere Daten an. Wenn ein Kunden mit seinem Webbrowser beispielsweise einen Onlineshop besucht, hinterlässt er mit jedem Klick, jeder Ware, die er sich ansieht, jedem Produkt, das er in seinen Warenkorb legt, digitale Spuren. Anders als im stationären Handel erzeugt das ganz normale Verhalten der Kunden laufend neue Daten. Dieses Verhalten sagt sehr viel darüber aus, was Kunden von bestimm- ten Produkten halten.

Unbewusste Schätze

Hieraus hat das Internet eine neue Form der Kundenempfehlung kulti- viert, die nicht bewusst geschieht, wie ein Kommentar oder ein Test, sondern auf unbewusst erzeugten Metadaten basiert. Und genau das macht ihren Wert aus. Explizite Bewertungen beziehen sich meist nur auf ein Produkt und bieten Verknüpfungen mit anderen Informationen über absichtlich gesetzte Links und die Übereinstimmung von Schlagworten. Dadurch werfen sie nur kurze Schlaglichter auf unser Verhalten und unsere Motive. Doch unsere Kaufentscheidungen sind noch viel komplexer und reicher an Informationen.

So offenbart ein Blick in Tausende von Einkaufskörben überraschende

Querverbindungen, auf die wir durch Lektüre von Kommentaren oder

eigene Erfahrungen nicht stoßen: etwa welche Produkte Kunden häu-

fig zusammen kaufen, auch wenn diese Dinge auf den ersten Blick

nichts anderes miteinander gemein haben als die Tatsache, dass sie beim gleichen Händler angeboten werden. Solche Informationen las- sen sich zwar auch im stationären Handel gewinnen, aber nicht in jeder

Sekunde aktualisieren! Und nur im Internet kann der Händler seinen

Shop augenblicklich auf unbewusste Wünsche und Verhaltensweisen seiner Kunden einstellen.

Der Computer lernt vom Kunden

Diesen digitalen Wissensschatz wollen Händler heben. Ihr Ziel: Ein Shop, der sich beinahe organisch auf jeden einzelnen Kunden einzu- stellen weiß. Doch wie funktioniert eine solche Technologie und wie lässt sie sich einsetzen? Unser Unternehmen, die nexum AG, gehört zu den führenden Beratungs- und Technologieunternehmen in Deutsch- land, die den Handel bei der Einführung neuer Empfehlungs- technologien beraten und technisch unterstützten. Hierbei greifen unsere Experten auf die Technologie unseres Schwesterunternehmens, der prudsys AG, zurück, deren selbstlernende Recommendation Engine (RE) das derzeit führende Empfehlungssystem in Europa ist.

Einmal in einenShop eingebaut, erzeugt die RE Produktvorschläge. Aber nicht nach starren, vom Händler festgelegten Produktbeziehungen. Die RE lernt vom Verhalten der Kunden - ohne Unterbrechung, 24 Stunden am Tag. Ihr Studienmaterial: statistische Daten. Diese gewinnt sie zum Beispiel aus den elektronischen Warenkörben der Online-Kunden. Die RE vergleicht die Inhalte der Warenkörbe und empfiehlt auf Basis von Produktverwandtschaften ergänzende Artikel. Zugleich registriert die RE genau die Kundenwege im Shop. Zum Beispiel das Klick-Verhalten eines Webshop-Besuchers, der so in der Produktgruppe Herrenbekleidung die Empfehlung für ein Hemd erhält, sie anklickt und das Hemd in den Warenkorb befördert. Dazu empfiehlt ihm die RE gleich noch die pas- sende Krawatte und er beschließt vielleicht, auch diese noch zu kaufen. Solche Interaktionen mit dem Kunden zeichnet die RE als so genannte „Sessions“ auf, verarbeitet sie zu individuellen Einkaufsdramaturgien und gewichtet die darin gezeigten Empfehlungen entsprechend der Kundenreaktionen nach einem Punktesystem.

und gewichtet die darin gezeigten Empfehlungen entsprechend der Kundenreaktionen nach einem Punktesystem. 2

O

N

L

I

N

E

W

I

S

S

E

N

Prinzip selbstlernende Maschine

Das heißt: Die intelligenteSoftware macht dem Kunden Vorschläge und

schaut, was diese wert sind. Hieraus lernt sie ununterbrochen, so dass Kombinationen und Verknüpfungen von Kaufvorschlägen entstehen,

die sich immer am aktuellen Kundenverhalten orientieren. Beim leben-

digen Verkäufer würde man sagen, er bekomme ein Gefühl für seine Kundschaft.

Die RE funktioniert dabei nach dem Prinzip des „Reinforcement Learnings“. Diese Variante des maschinellen Lernens ermöglicht der

intelligenten Software, ihre eigenen Produktempfehlungen stetig und automatisch selbst zu optimieren. Um die Chancen zur Umsatzsteige- rung auszutesten, ist es sinnvoll, der Empfehlungsmaschine hierbei genügend Spielraum zu geben und sie nicht ausschließlich bereits erfolgreiche Produktkombinationen („Exploits“) empfehlen zu lassen.

So weichen die Kaufvorschläge auch einmal von den bislang erfolgrei-

chen Empfehlungen ab, um neue Wege auszuprobieren („Explore Modus“). Die Maschine rät. Doch dieses „Raten“ speist sich aus einem Fundus, den wir bei einem menschlichen Käufer einen in langen Berufsjahren geschulten Instinkt nennen würden. Bei der RE sind es die Millionen unbewussten Details im Verhalten der Kunden, die die Soft- ware für ihre Prognosen vernetzt.

Kreative Strategien

Dieses Wechselspiel von Exploit- und Explore-Modus fördert die

Fähigkeit der RE zum Selbstlernen. Ähnlich wie ein Schachspieler, der

in einer bekannten Stellung mit einem bislang noch nie ausgeführten

Zug etwas riskieren möchte, weil alle bereits bekannten Züge zu vor- hersagbaren Ergebnissen führen, probiert die Maschine anstelle der bewährten Empfehlungen eine neue Produktkombination aus. Auf

diese Weise stellt die Engine unter anderem sicher, dass sie sich nicht

in ihren eigenen Empfehlungen „festfährt“ und immer nur die glei-

chen Produktvorschläge anzeigt.

und immer nur die glei- chen Produktvorschläge anzeigt. Und so wie ein Schachcomputer neue Züge bewertet,
und immer nur die glei- chen Produktvorschläge anzeigt. Und so wie ein Schachcomputer neue Züge bewertet,

Und so wie ein Schachcomputer neue Züge bewertet, wertet die RE nun die Performance der neuen Empfehlungen aus. Die erfolgreichs- ten unter ihnen werden als Regeln für die Erzeugung von Empfeh- lungen hinterlegt und wandern damit in den „Exploit“-Bereich. Manche auf den ersten Blick exotisch anmutenden Ratschläge muss man dabei einkalkulieren. Da die Maschine sich ständig weiterbildet, kann sie Empfehlungen aber sehr schnell als fehlerhaft verwerfen und stattdessen andere, zielführendere Ratschläge aussprechen.

Empfehlungen auf dem Prüfstand

Wie wirksam die Empfehlungen der RE sind, lässt sich mit Hilfe von Kontrollgruppen messen. Dazu verzichtet die Empfehlungsmaschine beispielsweise bei jeder zehnten „Session“ auf Kaufvorschläge. Anders ausgedrückt, jeder zehnte Besucher des Webshops erhält keine Empfehlungen. Der Vergleich mit den Verkaufszahlen der anderen Sessions beziehungsweise Besucher gibt dann Aufschluss über den Erfolg der Empfehlungen. Somit lässt sich unter anderem nachweisen, dass die RE unabhängig von saisonalen Schwankungen die besseren Verkaufsergebnisse zeitigt. Im Durchschnitt verbessert sie den Umsatz eines Shops zwischen fünf und fünfzehn Prozent.

Genügsamer Untermieter

Um einem Online-Shop mit Hilfe der prudsys RE verkäuferischen Instinkt einzuhauchen, bedarf es keinerVeränderung der bestehenden E-Commerce-Systeme beim Shopbetreiber. Denn die RE kommuniziert ausschließlich über Webservices mit derShopsoftware. Dadurch bean- sprucht die technische Integration in der Regel nur zwischen fünf und fünfzehn Arbeitstagen. Der Hardwarehunger der RE ist dabei denkbar gering. Die Lösung begnügt sich mit einem handelsüblichen PC.

Der Hardwarehunger der RE ist dabei denkbar gering. Die Lösung begnügt sich mit einem handelsüblichen PC.

O

N

L

I

N

E

W

I

S

S

E

N

Ein erster Schritt zur Erstellung qualitativ hochwertiger Empfehlung kann dann die Verarbeitung historischer Transaktionsdaten aus unter- schiedlichen Quellen wie Bestelldaten aus dem Onlineshop, dem sta- tionären Handel oder einem Call-Center sein. Diese Daten lassen sich immer wieder dazu nutzen, die in Echtzeit errechneten Daten anzurei- chern. Doch es geht auch ohne bestehendes Datenmaterial. In einem solchen Fall wird die Empfehlungsmaschine in den Shop eingebun- den, gibt aber zunächst noch keine sichtbaren Empfehlungen aus. Sie schaut den Kunden erst eine Weile beim Einkaufen zu und lernt so ihre Vorlieben und Gewohnheiten kennen – eben wie ein guter Verkäufer. Erfahrungsgemäß erreicht die Software je nach Zahl der Shopbesucher innerhalb von Tagen oder wenigen Wochen die kriti- sche statistische Masse, um aussagefähige Daten errechnen und damit konkrete Kaufempfehlungen ausgeben zu können.

Um auch die Investition in die Software möglichst übersichtlich zu gestalten, bietet die nexum AG neben einem Kauf-Modell ein erfolgs- abhängiges Mietmodell. Ähnlich wie bei Google-Anzeigen fallen bei dieser Variante Investitionen erst an, wenn der Einsatz der Empfehlungsmaschine etwa zu einem Kauf geführt hat.

Die nächste Stufe: der persönliche Newsletter

In Webshops haben sich Empfehlungsmaschinen aufgrund der vielfach bestätigten Vorteile inzwischen etabliert. Kaum ein großer Betreiber lässt die anfallenden Metadaten heute noch ungenutzt und verzichtet darauf, seinen Kunden das zu bieten, was sie interessiert. Auf einem anderen Kanal wird dagegen immer noch mit der groben Keule, also purer Reichweite gearbeitet: in E-Mail-Newslettern.

Sie sind ein wichtiges Instrument, um vom Posteingang des Kunden aus den Verkauf im Online-Shop anzukurbeln. Umso mehr erstaunt dann die Tatsache, dass die meisten Newsletter den Empfänger gerade einmal persönlich beim Namen ansprechen. Doch dann hört es schon auf mit der Persönlichkeit. Nicht einmal den kleinen Unterschied kennt die Mehrheit der Newsletter und schickt etwa Männern Angebote für Sommerkleider statt für leichte Anzüge.

Für den Leser irrelevante Informationen oder Anpreisungen von Produkten, die der Abonnent niemals kaufen würde, machen viele Newsletter zu Werbemüll. Die Abstrafung kommt daher meist prompt:

Die Botschaft landet ungelesen im Papierkorb oder der Leser kündigt seine Newsletter-Bestellung. Das bestätigen auch die Marktforscher:

Das österreichische Institut MPO-Research stellte bei der Befragung von Newsletter-Abonnenten fest, dass mehr als die Hälfte der bestellten Newsletter ungeöffnet im Papierkorb landen. Über 60 Prozent der Befragten gaben jedoch an, dass sie einen Newsletter mit persönlichen Angeboten durchaus begrüßen würden. Diese Chance gilt es zu nutzen!

Zwar vermitteln manche Newsletter bereits den Anschein, dass sie den Kunden individuelle Einkaufsempfehlungen geben. Kunden werden hier jedoch in mehr oder weniger grobe Kategorien unterteilt. Beispielsweise bekommen die Käufer eines bestimmten Buches eine Kaufempfehlung für eine Neuerscheinung desselben Autors. Der Nachteil hierbei: Ob ein Kunde sich das neue Buch bereits angesehen oder die neue Lektüre bereits erworben hat, berücksichtigen derartige Kaufempfehlungen nicht. Zudem erstellen die Verkaufsabteilungen der Web-Shops derartige Empfehlungen manuell.

derartige Kaufempfehlungen nicht. Zudem erstellen die Verkaufsabteilungen der Web-Shops derartige Empfehlungen manuell. 4
derartige Kaufempfehlungen nicht. Zudem erstellen die Verkaufsabteilungen der Web-Shops derartige Empfehlungen manuell. 4

O

N

L

I

N

E

W

I

S

S

E

N

Ende der fehlgeleiteten Einkaufsempfehlungen

Selbstlernende Empfehlungsmaschinen wie die prudsys Recommen- dation Engine kreieren dagegen auf den einzelnen Kunden oder Inte- ressenten zugeschnittene Newsletter-Botschaften. Verglichen mit den bisherigen, vermeintlich individuellen Ansätzen basieren die Verkaufs- empfehlungen nicht etwa auf Vorschlägen der Verkaufs- oder Marke- tingabteilung. Stattdessen nutzt die RE Daten aus dem Klick- und Einkaufsverhalten der einzelnen Webshop-Kunden und verknüpft diese mit dem Kaufverhalten der Gesamt-Kundschaft. Der hieraus entstehen-

de Daten-Pool kommt dann wiederum den Empfehlungen im News-

letter zugute.

Intelligenten Produktempfehlungen in E-Mails steht somit nichts mehr entgegen. Denn kaum ein anderes Medium lässt sich mit vergleichs- weise einfachen technischen Mitteln so zielgerichtet auf die Kunden

zuschneiden wie der E-Mail-Newsletter. Tatsächlich dehnen inzwischen

die ersten großen Onlinehändler erfolgreich den Einflussbereich selbst-

lernender Empfehlungsmaschinen auf ihre Newsletter aus. Gezieltes Empfehlungsmarketing wird also auch auf diesem Kanal bald fehlgelei- teten und deplatzierten Werbebotschaften ein Ende setzen.

FIRMENPROF IL

nexum AG

Die nexum AG ist Beratung und Agentur für digitale Medien. Die nexum AG hilft ihren

und Agentur für digitale Medien. Die nexum AG hilft ihren Kunden, ihre Geschäftsziele durch eine optimale

Kunden, ihre Geschäftsziele durch eine optimale User Experience und den kreativen Einsatz modernsterTechnologien zu erreichen.

Die Leistungen der nexum AG umfassen Beratung, Design, Entwicklung, Marketing Services, Redaktion und Projektmanage- ment. Themenfelder der nexum AG sind E-Business, Multi- channel-Lösungen und Content Management. Die nexum AG mit Hauptsitz in Köln und zweitem Standort in Jena beschäftigt mehr als 80 Mitarbeiter und betreut sowohl mittelständische Unter- nehmen als auch Konzerne. Zu den Kunden gehören u.a. Telefónica o2 (Germany), Sony Europe, ThyssenKrupp, REWE, Sportfive, Lufthansa, BAUR Versand, coop Schweiz und die Fußball-Bundesligisten 1. FC Köln, Hertha BSC und der Hamburger SV.

www.nexum.de

AU TOR Jürgen Wachtmeester

AU TOR Jürgen Wachtmeester

Leiter IT-Beratung bei der nexum AG E-Mail: juergen.wachtmeester@nexum.de

THEMEN

Behavioral Targeting Empfehlungsmarketing Reputations-Management

LE BENSL AU F

Jürgen Wachtmeester, Jahrgang 1965, ist seit Oktober 2006 Leiter der IT-Beratung bei der nexum AG. In dieser Funktion berät er namhafte Unternehmen wiez.B. Quelle, Baurund Otto im Bereich E-Business, Newsletter- und Empfehlungsmarketing.

Jürgen Wachtmeester startete seine Laufbahn 1998 in der IT- und Beratungsbranche bei der Deutschen Lufthansa AG und wechsel- te dann als Projektleiter und Senior Berater zu einem Kölner Start Up-Unternehmen.

Im Jahre 2002 kehrte Wachtmeester zurück zur Lufthansa und baute bei der Lufthansa WorldShop GmbH den Online-Vetrieb auf. Dort führte er als Teamleiter die beiden damaligen Shopsysteme der Lufthansa, den Lufthansa SkyShop und den Meilenshop von Miles & More, in einer neuen Plattform zusammen und war ver- antwortlich für Konzeption und Umsetzung. In den vierJahren ent- wickelte er erfolgreiche Vertriebsstrategien, etwa im E-Mailmarke- ting, und erhielt 2006 den Preis des Deutschen Versandhandels- kongresses für die beste E-Mail-Kampagne des Jahres 2005.

und erhielt 2006 den Preis des Deutschen Versandhandels- kongresses für die beste E-Mail-Kampagne des Jahres 2005.