Potenzielle Kunden eines Online-Shops mit einer Customer Data Platform identifizieren

Wäre es für den Betreiber eines Online-Shops nicht toll, wenn er die Besucher seines Shops in potenzielle Käufer und „Nur-Schauer“ unterteilen könnte? Und das nicht im Nachhinein, wenn sie den Shop bereits verlassen haben, sondern „live“ während des Besuches? Damit wäre es möglich, durch Angebote und Aktionen die Gruppen unterschiedlich anzusprechen. So könnte man die „Nichtkäufer“ zum Beispiel verstärkt mit Online-Werbung bespielen, um wenigstens so Einnahmen zu lukrieren, die „Käufer“ mit Spezialangeboten gezielt aktivieren, oder aber abgestimmte Remarketing-Kampagnen starten. Was ist nötig, um diese Ziele zu realisieren?

Die benötigten Daten sammeln

Um Aussagen über das Kaufverhalten eines Website-Besuchers tätigen zu können, benötigen wir möglichst aussagekräftige Daten über ihn. Wie soll das aber bei einem anonymen Surfer funktionieren?

Um Personen über mehrere Besuche hinweg identifizieren zu können, können diese mittels Cookie markiert werden. Das ist aber datenschutzkonform nur möglich, wenn das Einverständnis des Nutzers zum Beispiel mit einem Pop-up-Layer eingeholt wird. Um diese Abfrage und die Verwaltung der Einverständniserklärungen zu managen, bietet sich eine Consent-Management-Lösung an: https://de.wikipedia.org/wiki/Consent_Management_Platform. Hat man das Einverständnis, kann man das Verhalten der Personen auch über mehrere Besuche zu unterschiedlichen Zeitpunkten hinweg sammeln.

Um nun das Verhalten der Besucher analysieren zu können, kommt Web-Analytics-Software zum Einsatz, die genau aufzeichnet, welche Produkte angesehen wurden, welche Buttons angeklickt wurden, ob etwas in den Warenkorb gelegt wurde, und vieles mehr. Hier setzen viele Shop-Betreiber „Google Analytics“ ein, das umfangreiche Statistiken zum Surfverhalten anzeigt. Das Produkt in der Gratisversion hat aber einen entscheidenden Nachteil: Es werden zwar schöne Statistiken angezeigt, die zugrundeliegenden Rohdaten behält Google aber für sich. Für die Analysen benötigen wir diese aber!

Abseits der Google-Lösung gibt es aber eine Vielzahl von Softwarelösungen, die es ermöglichen, das Verhalten der Besucher aufzuzeichnen sowie gesammelt und strukturiert abzuspeichern. Mehr Information dazu finden Sie auf https://www.506.ai/leistungen/customer-data-management.

„Die korrekte Identifizierung potenzieller Online-Käufer auf Grundlage Ihres Verhaltens im Online-Shop kann helfen, die Streuverluste von Online-Werbekampagnen zu reduzieren!“

PROF. (FH) DR. ANDREAS STÖCKL

HEAD OF CUSTOMER DATA MANAGEMENT

Klassifikationsmodell erstellen

Es können nun verschiedene Methoden des maschinellen Lernens verwendet werden, um anhand der Daten des Online-Shops die Kunden als kaufende und nicht kaufende zu klassifizieren. Mit aus den Rohdaten aggregierten Merkmalen, wie z. B. Anzahl der Besuche, Anzahl der Seitenaufrufe, Anteil von Besuchen in bestimmten Produktkategorien etc., werden Prognosemodelle trainiert und evaluiert.

Es gibt verschiedene Verfahren, um dieses Problem zu lösen. Es hat sich in der Praxis gezeigt, dass es nicht „das eine“ Verfahren gibt, das besser als alle anderen ist, sondern dass es von der Problemstellung und den Daten abhängt, was am besten funktioniert. Man versucht daher stets verschiedene Ansätze und wählt dann nach einer Evaluierung jenen aus, der die besten Resultate liefert.

Die Details zu den möglichen Verfahren und der Umsetzung finden sich in meinem Beitrag auf:

https://towardsdatascience.com/classifying-online-shop-customers-65438e0cc58b

Die folgende Grafik zeigt eine Visualisierung eines erstellten Modells auf Basis von Besuchen und Seitenansichten. Die verschiedenfarbigen Flächen kennzeichnen dabei die Bereiche der Käufer und der Nichtkäufer. Kennt man von einem Besucher die Anzahl der Besuche und die Anzahl der Seitenansichten, dann kann man den zugehörigen Datenpunkt im Diagramm eintragen, und je nach Bereich wird er den potenziellen Käufern zugeordnet oder nicht. Dies ist ein sehr vereinfachtes Modell, das sich gut zur grafischen Darstellung eignet, in der Praxis werden mehr Merkmale zur Modellbildung verwendet.

Quelle: Vom Autor erstellt

Fazit

In meiner Praxis hat sich gezeigt, dass Klassifikationsgenauigkeiten von um die 80 % realistisch sind und zu durchaus brauchbaren Vorhersagen führen. Damit kann zum Beispiel eine Retargeting-Kampagne gestartet werden, die sich auf die Gruppe der potenziellen Käufer konzentriert und damit zu Kosteneinsparungen beim Online-Werbebudget führt.

Bild Quelle: (Quelle: www.pexels.com – kostenlose Nutzung [CC0])