Digital Marketing
Warum ein Online-Shop gute Datenqualität braucht
Welche Daten sind relevant?
Vom Anwendungsfall hängt ab, welche Daten relevant sind. Für die Personalisierung im Onlineshop (oder auch in In-Store-Lösungen oder kundenindividuell gedruckten Katalogen) gibt es ein paar zentrale Merkmale, die auf besondere Präferenzen der User hindeuten. "Unterwäsche kaufe ich nur von Schiesser" oder "Computerzubehör nehmen wir von Logitech" sind typische Aussagen, die einige User treffen würden. Das sind Präferenzen auf dem Merkmal Marke.
Hier handelt es sich ähnlich wie bei "Preissegment" um relevante Merkmale, die relativ sortimentsunabhängig sind. Zudem kaufen manche User nur ein ganz bestimmtes Produktsegment, also zum Beispiel nur das Zubehör für ein Elektrogerät, nicht aber das Gerät selbst. Wollen Shopbetreiber hier den Share of Wallet erhöhen, sollten Sie die Aussteuerung an dieser Stelle nicht der selbstlernenden Maschine überlassen.
- Warengruppen 2025
eCommerce Anteile 2025; Quelle: GfK, July 2015 - Warengruppen 2014
eCommerce Anteile 2014, mit und ohne Food; Quelle: GfK, July 2015 - Warengruppen 20142014
Online-Umsatz-Anteile je Warengruppe; Quelle: GfK, July 2015 - Diffusionsmodell als Theorie-Gerüst
Berücksichtigung von Innovationen und Imitationseffekten; Quelle: GfK, July 2015 - Anteile der Warengruppen in %
Sortiment bezogene Kaufkraft; Quelle: GfK, July 2015 - Online-Umsatz-Anteile 2008-2025
Die Gewichte der Sortimente am gesamten Online-Handels-Volumen verschieben sich; Quelle: GfK, July 2015 - Online-Kauf befriedigt rationale Bedürfnisseonal
Offline-Kauf berührt emotional; Quelle: GfK, July 2015 - Sättigungstendenzen
Online-Handel auf dem Weg zur Reife; Quelle: GfK, July 2015 - Soziodemografie
Allein stehende Männer kaufen am meisten online; große Familien bevorzugen den PoS; Quelle: GfK, July 2015 - eCommerce-Umsatz 2009-2014
Je nach Branche unterschiedliche Entwicklung; Quelle: GfK, July 2015 - Wachstumstreiber des Online-Handels
Kreislauf mit nachlassender Dynamik; Quelle: GfK, July 2015
Wohlgemerkt, Obiges gilt für die Personalisierung. Andere Maßnahmen erfordern andere Daten: Für die Empfehlung ergänzender Produkte durch eine Recommendation Engine (Cross Selling) ist es sinnvoll, das Produktsegment mitlernen zu lassen. Das wird häufig nicht getan und führt dann etwa dazu, dass ein Kunde nach dem Kauf eines Fernsehers einen weiteren Fernseher angeboten bekommt. Manche Recommendation Engines sind dieser Herausforderung nicht gewachsen, oder die Produktdaten sind nicht klaren Produktkategorien zugeordnet.
Manuelle oder automatisierte Pflege? Beides!
Was tun, wenn wie aufgeführt viele Daten nicht ordnungsgemäß in den Feldern der Produktstammdaten eingetragen sind, sondern nur im Fließtext stehen? Manuelle Pflege empfiehlt sich, wenn der Datenbestand klein ist (wenige tausend Produkte und nur wenige hundert mit Unzulänglichkeiten) und sich nicht oft ändert. Dann ist dies der kostengünstigste Weg.
Schauen Sie, welche Felder leer sind (das geht mit Excel) und ob Sie die Information an anderer Stelle finden. Kopieren Sie etwa das Feld mit der Farbe, machen Sie eine Tabelle aller Farben und lassen Sie "Suchen & Ersetzen" laufen. Verfahren Sie ebenso mit allen weiteren Feldern, die Sie normalisieren wollen. Kontrollieren Sie die Ergebnisse nochmals manuell. Unterschätzen Sie den Aufwand nicht. Diese Vorgehensweise kann zehn Minuten je Datensatz in Anspruch nehmen. Wenn sich Daten ändern oder neu hinzukommen, wiederholen Sie das Vorgehen entsprechend.
Mit Datenqualitäts-Software lassen sich solche Vorgänge automatisieren, die Informationen aus dem Text extrahieren, Farben und Größen normalisieren, Millimeter in Zentimeter umrechnen etc. Geht es um größere Datenmengen, empfiehlt sich dieser automatisierte Weg, besonders wenn sich Daten häufig ändern. Neben der Kostenersparnis ist die Geschwindigkeit der zweite große Vorteil: Neue Daten werden umgehend optimiert und neue Produkte in optimaler Weise berücksichtigt. Es hilft hier, einen passenden Berater an der Seite zu haben, da viele Vorgänge komplexer sein können, als es zunächst den Anschein hat.