Data Analytics im Einzelhandel: Anwendungen im E-Commerce

Nach einer Phase, die von Branding und CSR (Corporate Social Responsibility) dominiert wurde, konzentriert sich das aktuelle Ziel der Einzelhändler auf die Maximierung des ROI von Marketingaktionen, um die in den Monaten des Stillstands angesammelten Lagerbestände freizusetzen und neue Produkteinführungen einem Verbraucher mitzuteilen, der jetzt neue Kaufgewohnheiten angenommen hat. Im Online-Umfeld, das heute von strategischer Bedeutung ist, haben Data Analytics Anwendungen im E-Commerce des Einzelhandels bereits seit langem versucht, die Effizienz von Online-Shops zu verbessern, Prozesse zu automatisieren und die Benutzererfahrung so zu optimieren, dass sie sich in maximalen Verkäufen widerspiegelt.

Data Analytics Anwendungen im Einzelhandel

Obwohl Umfragen wie die von NewVantage Partners durchgeführte Big Data and AI Executive Survey 2019 berichteten, dass nur 30 % der Unternehmen in den Vereinigten Staaten als datengesteuert angesehen wurden, hat die aktuelle Krise die digitale Transformation maßgeblich beschleunigt. Einzelhändler, die in Online-Umgebungen tätig sind und bereits Data Analytics Techniken anwenden, haben aktuell einen entscheidenden Wettbewerbsvorteil. Im Folgenden betrachten wir drei der wichtigsten Modelle:

1. Preismanagement mit einem datenbasierten Ansatz

Eine Preispolitik zu betreiben, die sich nicht auf Bauchgefühl, sondern auf echte Fakten stützt, ist ein wertvolles Instrument, um den Verkauf unabhängig von Saisonalitäten anzukurbeln. Dies ist möglich, solange der Einzelhändler in der Lage ist, seine Daten zu vereinheitlichen, ohne einen Verkaufskanal auszuschließen.

Mit dieser anfänglichen Klassifizierung, bei der Daten in Daten-Pools gespeichert, verarbeitet und zur Anreicherung von maschinellen Lernmodellen verwendet werden, wäre es möglich:

• Anpassung von Rabatt- oder Preispolitik je nach Benutzer zu gestalten: Die Datenanalyse hat die Aufgabe, gemeinsame Muster zu erkennen und Cluster von Kunden auf der Grundlage ihres früheren Online-Verhaltens sowie ihres Interesses und ihrer Kaufhistorie zu identifizieren. Auf diese Weise ist es möglich, eine Strategie von Werbeaktionen zu entwerfen, die sehr gut auf die gefundenen Nutzertypen abgestimmt sind und daher eine höhere Konversionswahrscheinlichkeit aufweisen.
• Preise nach Segmenten zu definieren: In diesem Fall werden Produktkatalog und Dienstleistungen sowie der Preis unter Berücksichtigung größerer Zielgruppen-Segmente festgelegt. Eine Möglichkeit wäre zum Beispiel, standardisierte Preise für die Mehrheit der Nutzer zu haben, aber auch eine alternative Strategie mit aggressiveren Rabatten zu integrieren, die sich an jene Kunden richten, deren Kaufmotivation ein günstiger Preis ist, oder andererseits Premium-Angebote mit Dienstleistungen oder besonderen Merkmalen für diejenigen, die zusätzliche Sicherheit suchen, aufzunehmen.

Maßgeschneiderte Empfehlungen für Upselling und Cross-Selling im E-Commerce

Eine der großen Referenzen in diesen Data Analytics Techniken ist Amazon und sein fortschrittlicher Algorithmus, um Empfehlungen für Marktplatznutzer anzuzeigen. In diesem Sinne sind die gängigsten Modelle des maschinellen Lernens darauf ausgelegt:

• Eine verbesserte Version des gewählten Produkts anzubieten (Upselling).
• Andere Produkte im Zusammenhang mit dem gekauften Artikel, wie z.B. einen Fitnessball mit Luftpumpe anzubieten.
• Produkte anzubieten, die ähnliche Benutzer zur gleichen Zeit gekauft haben.

Der Vorteil des Einsatzes von maschinellem Lernen zur Verwaltung dieser Empfehlungen besteht darin, dass Sie an Effizienz gewinnen, da Sie nicht Hunderte von A/B-Tests durchführen müssen, um Entscheidungen zu treffen: Es ist der Algorithmus selbst, der bestimmt, welche Produkte jedem Benutzer auf personalisierte Weise angeboten werden sollen. Dies wird dadurch erreicht, dass das Modell einem vorherigen Training unterzogen wird, d.h. es ist notwendig, die Daten vorher zu klassifizieren und Merkmale zu setzen, die die Produkte miteinander in Beziehung setzen. Nach der Implementierung verfeinern diese Algorithmen die Auswahl der Empfehlungen und optimieren sie ständig. Die Modelle werden mit der Zeit immer präziser, da sie von einer immer umfangreicheren Datenhistorie gespeist werden, die es ihnen erlaubt, die Reaktionen der Benutzer auf die Vorschläge gründlich zu analysieren.

Fortgeschrittene Attributionsmodelle mit maschinellem Lernen

Die Komplexität einer Customer Journey im Einzelhandel ist durch die Umsetzung einer All-Channel-Strategie, bei der die Grenzen zwischen Online- und Offline-Aktionen verwischen, die Zunahme der Anzahl der Verkaufsplattformen und das Entstehen neuer Werbeumfelder, wie z.B. TikTok, gewachsen.

Attributionsmodelle, die mit maschinellem Lernen arbeiten, zeichnen das Online-Verhalten des Benutzers zu jeder Zeit auf. Dazu integrieren sie Daten aus externen Plattformen (z.B. aus Werbekampagnen auf verschiedenen Kanälen) und Informationen aus der Webseite selbst. Auf der Grundlage dieses realistischen Szenarios ist es möglich, die Rentabilität der einzelnen Kanäle zu kontrollieren, Budgets umzuverteilen oder die Effektivität des Affiliate-Netzwerks zu bewerten.

Data Analyics: eine Quelle der Sicherheit für Einzelhändler

Die richtigen Entscheidungen zu treffen, ist für viele Einzelhändler, die versuchen, sich in einem von Unsicherheit geprägten Konsumumfeld zurechtzufinden, überlebenswichtig geworden. Aus diesem Grund werden diejenigen Einzelhändler, die diese Data Analytics Techniken in ihrem E-Commerce anwenden, ihren Konkurrenten einen Schritt voraus sein, indem sie in der Lage sind, die Online-Erfahrung ihrer Nutzer anzureichern und über alle Informationen verfügen, um flexibel und schnell auf Veränderungen zu reagieren.