Daten zur Personalisierung nutzen

In den 90ern war noch in vielen Haushalten ein Katalog der großen deutschen Versandhändler zu finden. Das Prinzip war einfach, der Katalog beinhaltete alles, was man brauchte und jeder konnte sich aus der großen Auswahl etwas aussuchen. Zur damaligen Zeit hat das sicherlich sehr gut funktioniert, auch weil es dazu keine Alternativen gab. Mittlerweile sieht die Welt aber deutlich anders aus. Im Internet tummeln sich Hunderte, oder gar Tausende Shops zu den gleichen Themen und die Alternative für den Kunden ist nur einen Klick entfernt. Auch macht sich der potenzielle Kunde mittlerweile nicht mehr die Mühe, aus einem riesigen Angebot das für ihn passende rauszusuchen. Wenn das Angebot in dem einen Shop nicht ansprechend und passend ist, klickt man einfach in den Nächsten. Die Zeiten von „one size fits all“ sind im E-Commerce vorbei. Je relevanter das Angebot, desto eher die Kaufwahrscheinlichkeit des Kunden. Was das monetär für den Shop bedeuten kann, haben mehrere Studien untersucht. So kommt zum Beispiel eine Studie im Auftrag von Adobe zu dem Ergebnis, dass Unternehmen, die ihre Botschaft personalisieren, eine Rendite von 20 Dollar pro investierten Dollar erzielen. Wohlgemerkt ging es bei dieser Studie um US-Unternehmen. Aber auch im deutschsprachigen Raum gibt es eine Menge guter Beispiele, wie man mit Personalisierung erfolgreich sein kann.

Was und wie kann personalisiert werden?

Je nachdem, was und wo personalisiert werden soll, werden unterschiedliche Daten benötigt. Dabei gilt in der Regel, je mehr Daten vorliegen, desto flexibler ist man natürlich am Ende auch, die passende Empfehlungsregel auszuspielen. Bei der Art an benötigten Informationen muss man gar nicht immer so wissenschaftlich vorgehen. Wenn man überlegt, welche Informationen man benötigt, um einer Person ein passendes Geschenk zu machen, hat man schon viele sinnvolle Datentöpfe identifiziert. In Abb. 1 ein Beispiel dazu. Das Gute ist, dass diese Daten natürlich alle erfasst werden können.


Abb. 1: Viele Informationen, um ein passendes Geschenk zu finden.

Die Herausforderung ist dabei oftmals nicht nur, dass diese Daten vorliegen, sondern dass die Daten auch zentral in einem System verfügbar sind und natürlich auch miteinander verknüpft werden.

GeoIP-Daten

Über die GeoIP-Daten kann identifiziert werden, woher, also aus welcher geografischen Region die Person kommt. Diese Daten können direkt zum Beginn einer Session genutzt werden. Beispielsweise um den Besucher in den richtigen Ländershop zu leiten oder ihm abhängig vom Standort passende Angebote zu unterbreiten. Diese Daten werden von der jeweiligen Recommendation Engine selbst erfasst. Dazu wird die geografische Lage anhand der IP-Adresse bestimmt.

Adresse

Warum: Über die GeoIP-Daten lassen sich Standorte rein technisch ermittelt. Zwar ist dieses Verfahren sehr einfach (oftmals Standardfeature der Recommendation Engine), aber teilweise auch ungenau. Wird zum Beispiel über ein Firmennetzwerk mit einer VPN auf den Shop zugegriffen, wird der Firmenstandort übermittelt. Ein genauer Standort ist zum Beispiel dann relevant, wenn dem Kunden die nächste Filiale angezeigt werden soll. Die genaue Anschrift kann entweder direkt aus dem Shop übergeben werden, wenn sich der Kunde beispielsweise ein Konto anlegt oder eine Bestellung aufgibt. Alternativ dazu kann diese auch aus dem CRM übermittelt werden. Das ist vor allem dann relevant, wenn das Unternehmen noch andere Kanäle außer dem Onlineshop nutzt, um Informationen über die Nutzer zu sammeln.

Bewegungsdaten

Um zu wissen, welcher Artikel als Empfehlung angezeigt werden kann, ist es besonders wichtig zu wissen, welche Artikel im Zeitverlauf miteinander angeschaut, in den Warenkorb gelegt und letztlich gekauft wurden. Viele Recommendations mit dem Titel „dazu passt“ oder „das könnte Ihnen auch gefallen“ basieren genau auf diesen Daten. Mit einem guten Recommendation-Tool können diese Empfehlungen weiter eingegrenzt werden, so dass zum Beispiel nur Artikel in ähnlichen Preiskategorien oder aus der gleichen Kategorie angezeigt werden.

Die Daten sind aber auch sehr wichtig, wenn es darum geht, durch einen Algorithmus sogenannte NBO (Next Best Offer) zu berechnen. Eine NBO berechnet für eine Person den Artikel, bei dem die Kaufwahrscheinlichkeit am höchsten ist. Dafür werden Machine-Learning-Modelle gebildet, die bestimmte Muster durch historische Daten vorhersagen können. Dabei werden Profile miteinander verglichen und daraus prognostiziert, welches Produkt für den nächsten Schritt am relevantesten ist. Vereinfacht ausgedrückt sucht der Algorithmus nach einer Person, die schon einen Schritt weiter ist. Deutlich wird das auf Abb. 2 unten. Besucher 1 ist schon einen Schritt weiter als Besucher 2. Da das bisherige Verhalten aber ähnlich war, geht der Algorithmus davon aus, dass auch Besucher 2 an den „Air Max Schwarz“ Interesse haben könnte und spielt diese als NBO aus.


Abb. 2: Algorithmus sucht nach einer Person, die schon einen Schritt weiter ist.

Natürlich gibt es in der Realität mehr als zwei Besucher und mehr als fünf Interaktionen, die in die Berechnung mit einfließen. Das also nur als schematische Darstellung.

Wishlist

Wunschlisten sind eine gute Möglichkeit, um herauszufinden, was sich der Besucher wünscht. Er gibt es hier auch schon freiwillig an. Diese oder auch ähnliche Artikel können zum Beispiel auf der Startseite oder auch in Mailings angeboten werden, um die Kaufwahrscheinlichkeit zu erhöhen.

Zero Party Data

Besucher des Shops geben auch gerne selbst preis, was sie interessiert. Seit ein paar Jahren sind die sogenannten Zero Party Data immer populärer. Sie heißen so, weil sie im Vergleich zu First Party Data (alle Daten, die aus eigenen Quellen kommen) und Third Party Data (fremde Quellen, die nicht im Besitz des Webseitenbetreibers sind) von den Usern selbst angegeben werden. Das können Angaben zu den Lieblingsmarken oder Produkten sein, oder zum Beispiel auch, ob der Benutzer eher hochwertige oder günstige Produkte bevorzugt. Welche Fragen konkret gestellt werden, hängt von der jeweiligen Branche ab.

Auch hier wieder zur Orientierung: Welche Fragen würde ein Verkäufer im Ladengeschäft stellen? Bitte aber nicht zu viele Fragen, der Besucher soll sich schließlich nicht vorkommen wie in einem Verhör. Drei bis fünf Fragen reichen in der Regel auch aus, um genügend Informationen zu bekommen.

Kaufhistorie

Was bereits gekauft wurde, ist ein sehr guter Indikator dafür, welche Artikel auch in Zukunft gefallen werden. Die Kaufhistorie ist in Shopsystemen, CRMs beziehungsweise ERPs gespeichert. Die Herausforderung hierbei ist die Wiedererkennung der einzelnen Besucher. Natürlich möchte der Shopbetreiber nicht erst passende Empfehlungen ausspielen, wenn sich der Besucher in den Shop einloggt. Wenn nur auf Cookies gesetzt wird, ist es aber wahrscheinlich, dass diese im Laufe der Zeit gelöscht werden und somit die Sessions nicht mehr zusammengebracht werden können. Würde sich der Nutzer nun wieder einloggen, würde er zwar wieder erkannt werden, ein Log-in geschieht aber in der Regel eher selten. Deshalb ist es wichtig, nicht nur diese Aktion mit einzubeziehen, sondern auch andere IDs zu verwenden, um den Besucher zu erkennen. Der Aufbau eines ID Graphen ist daher zwingend erforderlich. In diesem Graphen werden alle IDs gespeichert, die mit dem User in Beziehung stehen. Diese Identifier können alles sein, was der User auf seiner Customer Journey direkt oder indirekt preisgibt. Die häufigsten sind:

• Kunden-ID: Kann vom Shop beim Log-in übergeben werden.
• Empfänger-ID: Kommt vom Mailing-Programm, sobald der User auf eine Mail klickt und dadurch in den Shop gelangt.
• User-ID: Kann zum Beispiel in der App gespeichert sein und wird beim Aufruf von dieser übergeben.
• Adserver-ID: Wird übergeben, sobald der Nutzer auf eine Werbeanzeige klickt und darüber in den Shop gelangt.
• CRM-ID /offline IDs: Gibt es zum Beispiel die Möglichkeit, in einem stationären Geschäft oder andere Offlinekanäle einzukaufen, ist es sinnvoll, diese Aktionen ebenfalls mit aufzunehmen.

Retouren

Nicht nur was gekauft wurde, sollte in die Berechnung der Empfehlungen mit einfließen, sondern auch, was retourniert wurde. Damit können zum Beispiel bereits retournierte Artikel aus der Empfehlung ausgeschlossen werden. Die Information der Retouren liegt ebenfalls im ERP vor und kann in die Personalisierungslösung übergeben werden. Das Matching der Daten erfolgt dann in der Regel über eine CRM/ERP ID beziehungsweise konkret über die Kundennummer. Diese ID muss natürlich ebenfalls in der Personalisierungslösung vorliegen.