Das E-Commerce Buch: Personalisierte Werbung in Online-Shops

Von Olaf Kolbrück Olaf Kolbrück | 29. September 2015 |

Das E-Commerce Buch: Personalisierte Werbung in Online-Shops
Es sollte zunächst, so raunt man, "Die E-Commerce-Bibel" heißen, das "E-Commerce-Buch" von Holger Schneider (Fachhochschule Wedel) und Alexander Graf (eTribes, Spryker). Auch dieser Titel ist noch Programm genug. Er passt auch besser. Zwar gibt es ein bisschen frohe Botschaft, doch eher nimmt das Duo die Branche mit Marktanalysen und Fallbeispielen ins Gebet. Dazu gehören aber auch grundsätzliche Einsichten in aktuelle Themen. etailment veröffentlicht hier als Leseprobe aus Kapitel 2 des "E-Commerce Buchs"  Einsichten zum Thema"Personalisierung".


Die Ableitung von personalisierten Empfehlungen ist das Ergebnis eines mehrstu­figen Prozesses. Zunächst wird der Kunde eindeutig identifiziert, danach werden Daten über ihn erfasst, woraus sich ein Profil generiert. Auf Basis des Profils kön­nen Empfehlungen abgegeben werden, die eine personalisierte Kundenansprache ermöglichen.

Identifikation

Zur eindeutigen Identifizierung von Kunden gibt es zahlreiche Möglichkeiten, die sich in „passiv“ und „aktiv“ unterteilen.

Passive Identifikation erfolgt dann, wenn der Kunde identifiziert wird. An einem PC geschieht dies zum Beispiel über die IP-Adresse sowie über Cookies. In Form von Session-Cookies oder spezifischen URL-Extensions wird der Kunde durch sei­nen Besuch getrackt: Persistent-Cookies erlauben es, ihn beim nächsten Besuch wieder zu identifizieren. Unterstützend können Hardware- und Softwaremerkmale des Systems (z. B. Prozessor, Netzwerkkarte, Screen-Auflösung, installierte Plug-Ins) herangezogen werden. Da mehr und mehr Nutzer regelmäßig ihre Cookies lö­schen, kommt der Wiedererkennung auf Basis eindeutiger Gerätekonfigurationen eine steigende Bedeutung zu. Dabei handelt es sich um das „Digital Fingerprin­ting“ genannte Verfahren.

Bei mobilen Geräten gibt es ebenfalls unterschiedliche Identifikationsverfahren: Greift der User über den Browser seines Tablets oder Smartphones auf den On-line-Shop zu, kann er hier in der Regel ebenfalls über Cookies identifiziert werden. Allerdings bieten mobile Geräte die Möglichkeit, über Apps direkt in Online-Shops zu gelangen, was von der Bedienung auf ihren kleinen Bildschirmen oft bequemer ist. Sowohl das Android- als auch das Apple-Betriebssystem vergeben eindeutige Kennzahlen an alle Nutzer – die Advertising ID beziehungsweise die Apple IDFA („Identifier for Advertisers“) – damit diese auch in Apps eindeutig zu identifizie­ren sind. Diese Kennzahlen können im Gegensatz zu Cookies nicht gelöscht wer­den und garantieren daher eine permanente App-übergreifende Identifikation: Ein User der OTTO- oder Amazon-App kann also immer in anderen Apps auf sei­nem Gerät identifiziert werden. Nur hilft diese Identifikation nicht, wenn der User den Online-Shop mal über den Browser anstatt über die App ansurft. So kann es viele User „doppelt“ geben, da Cookies nur für Browser-Zugriffe und IDs nur für App-Zugriffe zu verwenden sind.

Eine aktive Identifikation liegt vor, wenn sich ein Kunde selbst identifiziert, indem er sich beispielsweise ein Kundenkonto anlegt – meistens unmittelbar vor einem Kauf, bei dem es zwar oft nicht verpflichtend, aber bequemer ist. Surft er den Online-Shop wieder an, kann er sich mit den Zugangsdaten wieder anmelden und aktiv identifizieren: Oft bleibt er dann über Funktionen wie „Remember me“ oder „Eingeloggt bleiben“ sogar dauerhaft eingeloggt und damit immer identifizierbar. Auf mobilen Geräten können in Apps diese Login-Daten ebenfalls hinterlegt wer­den, damit der User schneller auf sein Konto und relevante Informationen dort zugreifen kann. Unter aktive Identifikation fällt auch, wenn sich ein User mit dem Single-Sign-On von Google oder Facebook in andere Dienste einloggt oder auf mobilen Geräten Apps die Erlaubnis erteilt, auf Nutzerprofile von Facebook und anderen sozialen Netzwerken zuzugreifen.

Datenerfassung

Für die Datenerfassung ist eine Registrierung oft zweitrangig: Denn Daten sind sowohl explizit als auch implizit erfassbar. Auch ein User, der eine Seite wie Ama­zon ansurft, ohne sich dort anzumelden oder irgendetwas zu kaufen, kann passiv identifiziert werden: So fallen schon Daten über seinen Internetzugang und den Standort an. Hat er nach etwas mit der Suchfunktion der Seite gesucht, wird dies ebenfalls mit seiner Identifikation verknüpft, ebenso Produktseiten, die er aufge­rufen hat. Solange er keine Cookies löscht oder mit demselben mobilen Gerät die Seite wieder aufruft, kann er beim nächsten Mal wieder identifiziert werden – und so können Produkte, die er sucht oder anschaut, gespeichert werden. So weiß etwa Zalando oft Bescheid, ob ein bestimmter Besucher den Bereich Herren- oder Damenmode auf der Einstiegsseite angezeigt bekommen soll – auf Basis eines Cookies – und über die Produkte, die er von dort aus aufgerufen hat.

Die implizite Datenerfassung hat allerdings Grenzen. Schwierig wird es, wenn sich mehrere User ein Gerät teilen und abweichende Datenspuren hinterlassen. Und einige Daten lassen sich generell nur explizit erfassen. Obwohl das Suchverhal­ten Aufschluss darüber geben kann, welcher Alterskategorie ein passiv identifi­zierter Nutzer ungefähr angehört, können das tatsächliche Alter, das Geschlecht, der Familienstand, die genaue Wohnadresse und andere demografische Daten nur explizit (also über ausdrückliche Nachfrage oder durch den erlaubten Zugriff auf Nutzerprofile) erfasst werden.

Profilgenerierung

Aus den explizit und implizit gesammelten Nutzerdaten und gegebenenfalls be­kannten Kundenpräferenzen (d. h. was sich der User angeschaut oder gar gekauft hat), lässt sich bereits ein einfaches Profil generieren. Dies geschieht über eine Matrix, die ein mathematisches Rating für jeden Kunden pro Element hergibt.

So kann schnell erkannt werden, dass Kunde A – weiblich, unter 30 – voraussicht­lich ein geringes Interesse an Männerstiefeln haben wird. Je mehr diese Person kauft, desto mehr wird klar, welche Größe sie hat, welche Farben und Schnitte sie bevorzugt und in welcher Preiskategorie sie unterwegs ist.

Das E-Commerce Buch: Personalisierte Werbung in Online-Shops
Abbildung 2.8: Illustrative Darstellung einer Rating-Matrix. Quelle: Eigene Erstellung

Allerdings sind die Daten, die Online-Shops über ihre User mit geringem Aufwand erheben können, oft etwas eindimensional: Klickdaten und Kaufdaten. Beispielhaft in der Profilgenerierung sind aber Portale, auf denen mehr passiert, als nur An­schauen und Kaufen: Facebook etwa, bei dem direkt und indirekt die unterschied­lichsten Daten erhoben werden können. Facebook kennt von seinen Usern Alter, Wohnort und Aussehen. Und während Online-Shops nur Kunden mit ähnlichem Kaufverhalten vergleichen kann, weiß Facebook, welche User verknüpft sind, und kann gegebenenfalls daraus den Bekanntheitsgrad ableiten. Es kommen darüber hinaus etwa Daten zustande über Events, Bücher, Musik und Filme, die der User interessant findet, womit treffende Aussagen darüber formuliert werden können, welche Produkte der User auch in anderen Lebensbereichen wohl bevorzugt. Dies ist nicht nur für Empfehlungen im Webshop interessant, sondern ebenfalls für Werbung im gesamten Online-Umfeld (siehe Kapitel 2.3 Marketing&Vertrieb).

Zudem: Auch wenn der Wert eines Facebook-Likes nicht exakt festzulegen ist (was heißt denn „Gefällt mir“, wenn dies über eine Nachricht über eine tödliche Seuche oder einen Orkan gesagt wird?), äußern sich User in der Form von „Likes“ doch relativ eindeutig, wenn es um konkrete Produkte geht. Ein gelikter Artikel wird für den User höchstwahrscheinlich einen Interessenwert besitzen. Solche Daten sind aus kommerzieller Sicht Gold wert: Da sind wir wieder beim gläsernen Kunden, der die digitale Einkaufsstraße mit einem für jeden ablesbaren Pappschild als Ein­kaufsliste entlangläuft (siehe Kapitel 2.1 Beschaffung).

Mit Facebook verknüpfte Webseiten sowie Apps auf mobilen Geräten können – solange der User aktiv der Freigabe zustimmt – auf das Facebook-Nutzerprofil zurückgreifen und die darin gespeicherten Informationen außerhalb von Facebook verwenden. Verknüpft mit dem, was der Nutzer dann selbst auf der Webseite oder in der App anschaut, ergibt sich ein komplettes Bild über persönliche Präferenzen. Online-Händler, die also Zugriff auf solche Daten bekommen und damit umgehen können, erhalten also einen massiven Daten-Vorteil: Sie haben als Basis für ihre Empfehlungen ein viel umfangreicheres User-Profil.

Empfehlung

Unabhängig von der Vollständigkeit des Kundenprofils gibt es zwei primäre An­sätze, wie aus diesem Profil personalisierte Empfehlungen generiert werden kön­nen: Rules-based Matching und Collaborative Filtering.

Bei Rules-based Matching geht es darum, Regeln anzuwenden, mit denen aus vor­handenen Daten über Präferenzen des Nutzers Empfehlungen getroffen werden. Aus einer einfachen Matrix ergibt sich schon nach wenigen Käufen, welche Pro­dukte für einen User interessant sein könnten. Alle auf einmal empfehlen, kann man aber trotzdem nicht. Deshalb lautet die am häufigsten eingesetzte Regel unmathematisch formuliert: „Wenn ein Angebotselement den höchsten Präferen­zwert für den Kunden aufweist, dann biete es ihm an.“ Dazu können andere Regeln geschaltet werden: Business-Rules zum Beispiel, die wirtschaftliche Aspekte in die Empfehlungen einfließen lassen (Return on Investment oder Marke des Produktes, Verfügbarkeit beziehungsweise Lagerbestand) und zum Beispiel verhindern, dass ein Produkt empfohlen wird, das nicht lohnend verkauft wird oder gerade nicht verfügbar ist. Allerdings bleibt der Ausgangspunkt für dieses regelbasierte Verfah­ren immer allein das Profil des individuellen Users. So kann im Grunde genommen einem User nur das empfohlen werden, was er schon gekauft hat, oder ähnliche Produkte. Vielleicht interessiert sich ein Mann, der im Herbst Winterstiefel gekauft hat, im Sommer auch für Sandalen? Wissen kann man es aber nach diesem Ver­fahren erst dann, wenn er diese kauft. Allerdings weiß man schon die Schuhgröße und die Farbpräferenz des Nutzers – und kann schon auf dieser Basis ansatzweise personalisierte Suchergebnislisten präsentieren, in denen Schuhe erst gar nicht auftauchen, die nicht in seiner Größe verfügbar sind.

Im Falle von Collaborative Filtering werden die Profile vieler Nutzer zusammen­getragen. Empfehlungen basieren dann auf der Ähnlichkeit der Präferenzen von verschiedenen Kunden, nicht allein auf den Profildaten des einzelnen Users. Wenn Kunde A und Kunde B ähnliche Präferenzen haben, können „Lücken“ gefüllt wer­den: Hat Kunde A Produkte X, Y und Z gekauft, Kunde B dafür aber nur die Produkt X und Y, so kann Kunde B Produkt Z noch empfohlen werden. Die Vorausset­zung ist lediglich, dass es eine Überlappung der Rating-Vektoren bezüglich einiger gleicher Angebotselemente gibt. Die Ähnlichkeit oder Nähe zwischen zwei oder mehreren Nutzern beziehungsweise derer Rating-Vektoren kann dabei durch ma­thematische Verfahren, wie z. B. den Euklidischen Abstand, bestimmt werden.

Aus zurückblickenden Matrizen, die nur auf dokumentiertem vergangenem Ver­halten basieren, kann dann ein proaktives System entwickelt werden, das in die Zukunft zum nächsten Kauf zeigt. Allerdings funktioniert dieser Ansatz auch nur dann, wenn genügend Daten über Präferenzen vorliegen, um Profile zu verknüp­fen: Dies ist das bekannte „Kaltstart-Problem“. Zudem wird ein User auch über den ganzen Zeitraum seiner Kundschaft bei einem E-Commerce-Anbieter nur einen verschwindend geringen Anteil der verfügbaren Produkte kaufen. Die Kauf­daten sind also, gemessen an dem Produktsortiment, spärlich.

Abhilfe kann durch eine Kombination der zwei Ansätze geschaffen werden: Hybrid Recommender Systems verwenden Elemente aus beiden Verfahren, oft kombiniert mit weiteren Daten, sofern der Anbieter sie erhoben hat. Zum Beispiel kann das Problem des Kaltstarts umgangen werden, indem bei einem Kunden, zu dem zu wenig Datenbestand für Collaborative Filtering vorhanden ist, über Rules-based Matching Informationen geschöpft werden, über das Wenige, was er schon ge­kauft oder bewertet hat. Leistungsfähiger wird die Lösung, wenn der Kunde bei der geringen Aktivität im Shop sein Alter und seinen Wohnort verraten hat – oder wenn man solche demografischen Daten etwa über sein Facebook-Profil heraus­finden kann.

Tipp: Informationen über die Nutzer veralten und der Umgang mit solchen Daten stellt interessante Fragen an Verkaufsstrategen. Bei Damenmode kann es

z. B. gut sein, dass ein ausgeprägter Geschmack für knackenge pinke Jeans mit wachsender modischer Reife und zunehmendem Alter über einige Jahre nachlässt: vielleicht sollten Daten diesbezüglich nach einer gewissen Zeit aus dem Profil gelöscht werden, um als unpassend empfundene Empfehlungen im Keim zu ersticken.

Eventuell lässt sich aber auch mithilfe langfristig gespeicherter Daten eine ausgeklügelte Personalisierung auf Basis von Lebenszyklen ableiten. Bestellt eine Kundin regelmäßig Kinderkleidung und Pampers in steigenden Größen, so kann man diese Information nutzen, um nach einem gewissen Zeitab­stand dann neue, größere Kinderkleidung zu empfehlen.

In der Film-Streaming-Branche beispielsweise werden Daten über zuvor an­gesehene Filme und Sendungen prinzipiell nicht gelöscht. Die Begründung: Wenn ein Abonnent sich über Jahre Horrorfilme reingezogen hat, plötzlich aber auf Liebesgeschichten umsteigt, heißt es wahrscheinlich nicht, dass sein Geschmack sich derart verändert hat, sondern möglicherweise, dass er mit einem Partner zusammengezogen ist. Wenn er aber ein paar Jahre später wieder ein Horrorfilm abspielt – entweder weil er wieder alleine wohnt, oder weil die erste, intensive Beziehungsphase jetzt etwas zurückliegt – weiß der Streaming-Dienst immer noch, was genau er für Horrorfilme mag und kann diese ihm vorschlagen.

Personalisierte Kundenansprache

Bestellmöglichkeiten

Alexander Graf, Holger Schneider: Das E-Commerce Buch / Deutscher Fachverlag / ISBN 978-3-86641-307-8 / 39,90 Euro

Nachdem Empfehlungen herausgearbeitet worden sind, werden diese an den User herangetragen, sobald er im Shop identifiziert wird. Dies kann leicht einsehbar auf der Landingpage in einem reservierten Bereich unter einer Rubrik nach dem Motto „Unsere Empfehlungen für Sie“ geschehen oder noch viel subtiler. Das Layout der Website könnte für jeden User auf Basis der Recommendations spezifisch gestaltet werden, sodass für den jeweiligen Nutzer relevante Kategorien angezeigt werden, oder die Navigation könnte tendenziell dorthin führen. User können sich auch aktiv um Empfehlungen bemühen. Wer beispielsweise freiwil­lig sein Amazon-Konto mit seinem Facebook-Profil verknüpft, tut dies wohl wissend, dass Amazon so mehr Daten in seine Recommendation Engine einfließen lassen kann und davon einen Mehrwert haben will. So befinden sich auf seiner Amazon-Fa­cebook-Seite nicht nur personalisierte Empfehlungen, sondern zeitlich begrenzte, relevante Empfehlungen. Diese werden aus aktuellen Anlässen, wie etwa dem Ge­burtstag eines Facebook-Freundes, generiert. Die personalisierte Kundenansprache kann sogar über den Online-Shop hinaus verwendet werden: Empfehlungen sind die Basis für personalisierte Offsite-Werbung (siehe Kapitel 2.3 Marketing & Vertrieb).

Dennoch: Ob im Shop oder draußen im Netz, können Empfehlungen ein zwei­schneidiges Schwert darstellen. Recommendation Engines können sich mehr Ge­sichter und Vorlieben merken als jeder Verkäufer, merken aber oft nicht, wenn ihre Ergebnisse kontextbedingt nicht passen – oder schlichtweg zu präzise sind. Vielleicht hat der Kunde schon anderswo den empfohlenen Artikel erworben (im schlimmsten Fall trägt oder benutzt er ihn gerade, während er die Empfehlung liest) oder die Empfehlung ist so selbstverständlich, dass sie als uninteressant oder gar als Spam empfunden wird. Der Schritt über reine Präzision hinweg in Richtung Einfühlungsvermögen wird ein großer Sprung für die Engines sein. Fest steht aber, dass sie heute schon treffende Aussagen über interessante Produkte abliefern, die einige Kunde zu einem Klick zu einer Produktseite (und mal zu einem anschließenden Kauf) verleiten.


Kindle Kindle
Drucken Artikel versenden

Thema: Studien

Schlagworte: Personalisierung

Rewe Digital: Schweizer Taschenmesser im Kampf gegen Amazon
Guten Morgen etailment-Leserinnen und Leser!Eine Studie der News-Organisation ProPublica zeigt gerad ...
Topartikel
Kurz vor 9: Amazon erschreckt mit massiven Verlusten, PayPal, eBay, Urbanara, Apple,
Amazon ist die Produktsuchmaschine Nummer 1 der Deutschen. Gute Sichtbarkeit im Ranking kann daher d ...
Die Top 100 der umsatzstärksten Onlinehändler in Deutschland
Die Dominanz der Top 3 im deutschen Onlinehandel - Amazon, Otto, Zalando - ist schier erdrückend. Zu ...
Christoph Lange, Zalando
Christoph Lange ist VP Brand Solutions bei Zalando in Berlin. Als Mitarbeiter Nr. 3 kam er 2008 zu Z ...
Rewe Digital: Schweizer Taschenmesser im Kampf gegen Amazon
Guten Morgen etailment-Leserinnen und Leser!Eine Studie der News-Organisation ProPublica zeigt gerad ...
Trendreport: Wie alltaugstauglich sind die Zukunftsvisionen für den E-Commerce?
Über 12.000 Produkte im ersten richtigen Virtual-Reality-Kaufhaus; ein Vertriebs-Bot, der E-Mails an ...

Die Kommentare für diesen Artikel sind geschlossen.

stats