Abbruchraten in Shops verringern - auf dieser Mission sieht sich das Hamburger Startup Akanoo. Das Konzept: zusätzliche Verkaufsanreize vollautomatisch in die Shop-Seiten einfügen. Die Hanseaten sind so selbstbewusst, dass sie auf einem reinen Profit-Sharing-Modell anbieten. etailment sprach mit Jean-Paul Lüdtke, Leiter Business Development und einer von drei Akanoo-Gründern.


Was ist das Erfolgskriterium für eine vollautomatisierte Lösung wie Akanoo?

Wir versuchen, zur richtigen Zeit den richtigen Kaufanreiz auszuspielen. Das Timing ist enorm wichtig, aber natürlich auch die Relevanz des Reizes für den jeweiligen Kunden. 

 

Welche Art von Anreiz ist das?

Das kann alles sein, von einem Gutschein über ein Registrierungsformular bis hin zur Einblendung von Bewertungen oder Testimonials.

 

Wie wird so ein System aufgebaut?

Zunächst definieren wir Kaufanreize. Das könnte auch ein Größenberater sein, der dann angezeigt wird, wenn der Nutzer zwei identische Produkte in unterschiedlichen Größen in seinen Warenkorb legt. Das ist eines der ganz einfachen Beispiele, wir sammeln aber jede Menge solche Indikatoren und versuchen sie auszuwerten.

 

Wie sähe ein komplexeres Beispiel aus?

Wir würden unterscheiden, ob ein Ereignis im Onlineshop oder im Laden geschieht. Nutzt er die App und ist nicht im WLAN eingeloggt, dann ist die Wahrscheinlichkeit höher, dass er das betreffende Produkt bereits probiert hat und die Größe kennt.

 

Wie geht die Konfiguration weiter?

Nachdem wir die Kaufanreize definiert haben, suchen wir nach den passenden Ereignissen. Dazu scannen wir über 100 Variablen. Das sind Variablen, die den Benutzer kennzeichnen, wie etwa ob er schon Stammkunde ist oder wo er herkommt. Dann gibt es Umgebungsvariablen wie Ort, Tageszeit oder auch, ob gerade eine TV-Kampagne läuft. Und drittens analysieren wir Verhaltensvariablen, zum Beispiel sein Bewegungspfad, sein Scrollverhalten. Und aus der Kombination dieser Variablen lesen wir Muster heraus. Die Muster müssen hinreichend oft auftreten und sich klar voneinander unterscheiden. Und dann bringen wir beides zusammen. Zunächst in Form eines qualitativen Prozesses, dann validieren wir die Kombinationen durch Data Mining.  

 

Sind das eigene Verfahren oder habt Ihr das lizensiert?

Das sind unsere eigenen Entwicklungen. Tatsächlich ist die Forschung da schon recht weit, aber es fehlt an praktischen Anwendungen.

 

Wenn der Kunde unsicher scheint, aber ein Kauf wahrscheinlich ist, blendet die Engine zusätzliche Trigger ein
Wenn der Kunde unsicher scheint, aber ein Kauf wahrscheinlich ist, blendet die Engine zusätzliche Trigger ein



Nutzt Ihr nur behavioral Daten oder habt Ihr Schnittstellen zum CRM?

Das ist gerade sehr spannend. Bisher haben wir die Kaufhistorie mitgemessen. Jetzt sind wir dran, Schnittstellen zu erarbeiten. Mit Baur.de arbeiten wir gerade an der Anbindung zu bestehenden CRM Informationen wie dem Kundenwert.

 

Gab es schon einmal Muster, die nicht funktioniert haben?

Nein, über alle Kunden hinweg nicht. Es gab am Anfang und gibt sicherlich immer noch Kaufanreize, die nicht funktionieren, wie wir uns das vorstellen. So haben wir festgestellt, dass sehr harte psychologische Abverkaufstechniken wie zeitliche oder materielle Verknappung oft – und entgegen populärer Meinung - weniger positive Wirkungen entfalten. Es gibt anfangs immer eine Lernphase, da steigt der Umsatz noch nicht so heftig, aber insgesamt gab es bisher immer deutlichen Uplift.

 

Und daher nehmt Ihr grundsätzlich nur einen Revenue-Share.

Ja, grundsätzlich zehn Prozent vom Mehrumsatz, mit einer minimalen Setup-Fee. Allerdings kommen wir da bei den ganz großen Kunden aus der Schuhszene und Elektronikszene nicht durch. Die größten Händler fürchten auf der einen Seite siebenstellige monatliche Performancegebühren für eine sehr neuartige und noch wenig etablierte Technologie und die Elektrohändler haben auf der anderen Seite sehr enge Margen und wollen nicht von jedem zusätzlichen Verkauf etwas abgeben.

 

Schauen wir auf Big Data. Lernt eure Software nur aus den Daten der Einzelshops oder könnt Ihr auch Aggregationen über Shops fahren?

Wir lernen über Shops hinweg, weil wir konsistente Verhaltensmuster erkennen. Wenn jemand einen Größenberater braucht, ist das bei Otto oder Baur sehr ähnlich. Das verkürzt übrigens auch die Lernzeit. Aber die Daten bleiben natürlich in der Blackbox und sind anonymisiert.

 

Lässt man sich von einem TÜV zertifizieren, um bei potentiellen Kunden Vertrauen aufzubauen?

Das steht als nächstes auf dem Plan, aber bisher war es nicht nötig. Wir sind erstaunt, wie viel Vertrauen uns ausgerechnet auf dem deutschen Markt entgegen gebracht wird. Wir mussten noch nie gesonderte Verträge mit einem Kunden in Sachen Datenschutz unterschreiben.

 

Woher kommt das?

Ich glaube, dass es inzwischen üblich geworden ist, seine Daten für ein System preiszugeben. Das passiert ja auch bei jedem Analysesystem.

 

Ab welcher Trafficmenge funktionieren eure Modelle?

Wir brauchen ungefähr 100.000 Unique Visitors im Monat. Die Zielgröße wären Shops ab 5 Millionen Euro Umsatz, damit unsere Technologie überhaupt zum Einsatz kommen kann.

 

Interessiert Eure Kunden, was die Software lernt? Wollen die Auftraggeber vom Wissen über funktionierende Modelle partizipieren?

Ganz ehrlich, wir fokussieren derzeit darauf, dass unsere Kunden das System als Blackbox einsetzen und sich vor allem über die Mehrumsätze freuen. Wir können als Startup eine Beratungsleistung sehr schlecht skalieren. Wir sprechen da ja an der Untergrenze von Beträgen von 3000 bis 5000 Euro pro Kunde und Jahr, da ist keine Beratungsleistung mehr drin. Aber es wird von den Kunden auch nicht gefordert.

 

Wollen die Kunden wenigstens Basisfakten über die Trigger wissen, zum Beispiel welcher Trigger am besten funktioniert?

Ja, das wollen die wissen. Wenig überraschend sind das Gutscheine. Was Kunden auch wissen wollen ist: Zeig mir mal ein Muster. Sie wollen eine Vorstellung davon haben, wie es grundsätzlich funktioniert.

 

Testet Eure Software unterschiedliche Rabattbeträge?

Damit fangen wir gerade an. Das ist natürlich vor allem auch deshalb spannend, weil das Thema „Dynamische Preise“ ein heißes Eisen ist. Mit unserem Ansatz wird aber der Produktpreis nicht kompromittiert.

 

Letztlich würde sich Eure Datenbasis auch wunderbar für Offsite-Retargeting eignen.

Total. Mich wundert, dass die Retargeter sich nicht mehr onsite tummeln. Vermutlich ist es leichter, an ein Mediabudget zu kommen, als ein Revenueshare-Modell zur Onsite-Optimierung zu implementieren. Man muss da schon ein bisschen mehr in den Daten graben, um das Vertrauen der Händler zu gewinnen.