Katharina Kossendey, arvato SCM Solutions
Katharina Kossendey, arvato SCM Solutions
Mehr Umsatz, vollere Warenkörbe. Reichlich Tipps kommen mit einfachen Lösungen daher. Die können auch klappen. Man kann sich der Optimierung von Warenkörben aber auch etwas komplexer nähern und damit gehöriges Potenzial frei machen. Dafür muss man sich dem Net Average Order Value (Net AOV), also dem Average Order Value nach Abzug von Retouren, nähern. Der wird seltener aktiv angegangen. Das kann aber umso lohnender sein.

Katharina Kossendey, Lead Analystin im E-Commerce Competence Center von arvato SCM Solutions,
sagt in einem Gastbeitrag für etailment wie man dabei mit Hilfe von Warenkorbanalysen möglichst unkompliziert vorgeht.

Die zwei Seiten der Umsatz-Medaille: CR und AOV

Sollen im E-Commerce die Net Sales, also Umsätze nach Retouren, gesteigert werden, stehen meist Initiativen rund um Traffic-Wachstum und Conversion Rate Optimierung im Mittelpunkt. Der dritte Faktor der Net Sales Formel, der Net Average Order Value (Net AOV), also der Average Order Value nach Abzug von Retouren, wird hingegen seltener aktiv angegangen. Hier schlummert für viele Shop Betreiber noch gehöriges Potenzial. Um Maßnahmen zur Steigerung der Net AOVs zu entwickeln, bietet die Warenkorbanalyse eine vielversprechende und häufig übersehene Grundlage.

Eine Warenkorbanalyse hilft zunächst dabei, systematische Umsatzunterschiede zwischen bestimmten Warenkorbausprägungen zu identifizieren und nachzuvollziehen. So lässt sich z.B. feststellen, ob sich die Net AOVs zwischen Bestellungen von Bestands- vs. Neukunden oder zwischen Bestellungen mit und ohne kompletten Outfits unterscheiden. Im nächsten Analyseschritt kann geklärt werden, welche Metrik der maßgebliche Treiber für diese Unterschiede ist: die Anzahl der Artikel pro Auftrag, der durchschnittliche Preis pro Artikel oder der Anteil der behaltenen Artikel (bzw. 1-Retourenquote).

Dem Net AOVs muss dann der Auftragsanteil je Warenkorbausprägung gegenübergestellt werden. Haben z.B. Neukunden einen niedrigeren Net AOV, aber den deutlich höheren Anteil an Aufträgen, kann in zwei Stoßrichtungen gehandelt werden: Man versucht entweder, den Warenkorb für Neukunden zu erhöhen oder den Bestellanteil von Bestandskunden zu steigern.

In einem kürzlich durchgeführten Projekt für ein internationales Fashionunternehmen konnte arvato verschiedene Muster identifizieren und zielgerichtete Maßnahmen ableiten, um Warenkörbe mit höheren Net AOVs zu steigern. Daraus lassen sich die folgenden Praxishinweise ableiten, die anderen Online Shops bei der Durchführung der Analyse und Ableitung von Maßnahmen helfen können.

Praxishinweis 1: Hypothesen definieren

Warenkorbanalysen können immense Ausmaße annehmen, da sich viele Merkmale einzeln und in Kombination analysieren lassen. Umso wichtiger ist die Definition plausibler Hypothesen, die es zu testen gilt. Hierzu sollten eine kritische Vorauswahl der zu analysierenden Merkmale und ein pragmatisches und zielgerichtetes Herangehen mit zunächst wenigen ausgewählten Merkmalen verfolgt werden.

Aus den Warenkorbanalysen, die arvato für Fashion Online Shops (Schwerpunkt Brands) durchführte, zeigten sich unter anderem hinsichtlich folgender Merkmalen substanzielle Unterschiede in den Net AOVs:

Warenkörbe

  • mit vs. ohne hochretournierende Produktkategorien
  • verschiedener Altersgruppen
  • die mehrere Artikel aus einer Themenwelt/ Kampagne enthalten versus Warenkörbe mit Artikeln aus verschiedenen Themenwelten/ Kampagnen
  • von Kundenkarteninhabern vs. Kunden ohne Kundenkarte

Praxishinweis 2: Ergebnisse interpretieren

Gerade im Fashion Segment sind Retouren bekanntermaßen ein relevanter Hebel für Net Sales. Für manche Produktkategorien werden Retourenquoten bis zu 60 Prozent und mehr gemessen. Entsprechend analysieren viele Online Shops die Treiber für Retouren gründlich und testen verschiedene Maßnahmen zur Retourensenkung. So könnte eine Maßnahme sein, diese hochretournierenden Kategorien weniger sichtbarer im Shop zu platzieren oder im Extremfall sogar aus dem Sortiment zu nehmen.

Eine von arvato für einen Fashion Online Shop durchgeführte Warenkorbanalyse zeigte jedoch, dass die Net AOVs für Aufträge, die bestimmte hoch retournierende Kategorien enthalten, höher waren als für Aufträge ohne diese Kategorien. In den untersuchten Warenkörben bestellten die Kunden deutlich mehr Artikel, die die höhere Retourenquote im Ergebnis überkompensierten. Wären die entsprechenden Produktkategorien bewusst schwerer zugänglich gemacht worden oder gar nicht verfügbar, hätte der Kunde vielleicht gar nicht bestellt.

Praxishinweis 3: Empfehlungen ableiten

Die Empfehlungen zur Optimierung des Net AOVs lassen sich prinzipiell in vier wesentliche Handlungsfelder einteilen: Recommendations, Marketing/ CRM, Produktinformationen, Retouren senkende Maßnahmen. Je nach Shopstatus und Analyseergebnis können für diese Felder einzelne Initiativen ausdifferenziert werden. Zur Illustration sei folgendes Szenario skizziert: Net AOVs von Warenkörben mit mindestens zwei Artikeln sind höher, wenn die Artikel aus unterschiedlichen Produktkategorien stammen (Auswahlbestellungen aus dem Sample ausgeschlossen). Zudem retournieren Bestandskunden stärker als Neukunden, gleichen dies aber durch mehr Artikel pro Auftrag aus.

Daraus ergäbe sich folgender Maßnahmenmix:

  1. Optimierung der Recommendations: z.B. durch Kategorie-übergreifende Recommendations bis hin zum „Shop the Look“ wie bei Zalando.
  2. Erweiterung des Marketings und CRMs: z.B. durch Vorstellung der Looks/ Outfits im Newsletter statt nur einzelner Produkte.
  3. Ausbau der Produktinformationen: z.B. durch user-generated Content bzgl. Größenbeurteilung wie bei Esprit.
  4. Ergänzung der Retouren senkenden Maßnahmen.

Insbesondere für Recommendations und Marketing spielt Personalisierung eine große Rolle. Je besser die Präferenzen des Kunden bekannt sind, umso passender können beispielsweise Produktempfehlungen ausgespielt werden.

Weitere Herausforderungen & Lösungsmöglichkeiten

Datenverfügbarkeit und Menge

Wie beschrieben, sollte es der erste Schritt einer Warenkorbanalyse sein, die relevanten Merkmale zu definieren. Entsprechend leitet sich eine Liste notwendiger Rohdaten ab, die mit dem BI-Bereich auf Verfügbarkeit geprüft werden sollte. Je nach Verfügbarkeit und Menge sollte entschieden werden, ob Auswertungen in Excel noch performant umgesetzt werden können oder andere datenbankgestützte Analysetools zum Einsatz kommen sollten.

Ergänzende Analysen zur Usability

Der beschriebene Ansatz konzentriert sich auf die Analyse von Warenkorbmustern und den genannten direkten Treibern. Allerdings ist es ratsam, derartige Analysen nicht isoliert durchzuführen, sondern immer auch die Wechselwirkungen zu berücksichtigen, insbesondere in Bezug auf die CR oder die Nutzung von Recommendations.

Die richtigen Schlussfolgerungen

Für die Dateninterpretation und Ableitung von Empfehlungen gilt zunächst die Annahme, dass die aktuelle Performance das Ergebnis generischen Nutzerverhaltens und weniger das Ergebnis spezifischer Maßnahmen ist. Dies ändert sich natürlich nach Einführung gezielter Maßnahmen und Überprüfung ihrer Effekte auf die Net AOVs. Darüber hinaus gilt für Empfehlungen im Rahmen einer Warenkorbanalyse das gleiche wie bei CR-Optimierungsprojekten: Alle Maßnahmen sollten nach Möglichkeit getestet werden, z.B. mit A/B Tests.