Data Mining und E-Commerce: So hebst du den Schatz deiner Kundendaten

Data Mining Definition und Abgrenzung zu Big Data

Data Mining beschreibt den Versuch, in Daten Muster zu finden und nutzbar zu machen. Diese Muster oder empirische Zusammenhänge sollen dabei möglichst automatisiert durch Algorithmen erkannt werden. Üblicherweise werden so große Datenmengen analysiert.

Deswegen wird es gelegentlich mit Big Data gleichgesetzt. Big Data bezieht sich jedoch primär auf die Verarbeitung umfangreicher Datenbestände und wie Technik diese ermöglicht. Data Mining ist hingegen ein Werkzeug, um Big Data nutzbar zu machen. Es wird selbst auf riesige Datenbanken angewendet, um strukturierte Daten zu erhalten. Data Mining sucht also in dem Big Data Pool nach verwertbaren Informationen und schafft so Wissen, das ohne derartige Hilfe in großen Datensätzen kaum noch zu erkennen ist.

Wichtige Vorteile von Data Mining im E-Commerce

Data Mining kann im E-Commerce treffende Voraussagen in Bezug auf das Käuferverhalten ermöglichen und somit zu mehr Erfolg beitragen. Die Technologie ermöglicht es, aus vergangenen Käufen Rückschlüsse auf das Kaufverhalten von Interessenten und Kunden zu ziehen. So gewonnene Erkenntnisse lassen sich in nahezu allen Bereichen des Online-Handels nutzen: Von der Neukundengewinnung über die perfekte Ansprache von Bestandskunden bis hin zu effizienten After-Sales-Maßnahmen.

Bleibe up to date in Sachen Personalisierung: Melde dich zum epoq Newsletter an. Jetzt anmelden!

Es wird dadurch immer leichter, einen Käufer oder Lead gezielt so anzusprechen, als wäre er dem Unternehmen als Person gut bekannt – weg also von der Kundenzielgruppe hin zu den konkreten Bedürfnissen, Wünschen und Problemen eines Einzelnen. Dadurch wird die Kommunikation erheblich zielgerichteter und erfolgreicher. Möglich wird das auch durch die vielen Kundeninteraktionen im E-Commerce sowie gut strukturierte Produktdaten in Online Shops. Denn sie ermöglichen es, dass Algorithmen in ihren Mustern und den daraus abgeleiteten Prognosen immer genauer werden.

Anwendungsbeispiele von Data Mining im Online-Handel

Viele Unternehmen verwenden heute bereits Data Mining, um dadurch Wissenswertes aus ihren Daten zu extrahieren. Wichtige Hilfestellungen liefert die Methode beispielsweise bei den folgenden Anwendungsfällen:

• Prognosen zum Customer Lifetime Value: Den wahrscheinlichen Ertrag eines Kunden zu kennen, ermöglicht es, die Werbeaufwendungen bei der Kundengewinnung individuell auf bestimmte Zielgruppen zuzuschneiden.
• Optimierung von Cross- und Up-Selling: Data Mining kann zudem erfolgversprechende Muster in Cross- und Up-Selling-Kampagnen finden und so Kunden zur Erhöhung ihres Warenkorbwerts animieren.
• Kundensegmentierung: Eine gute Untergliederung der Kundendaten führt zu einem besseren Kundenverständnis und legt somit den Grundstein für effektive Marketingmaßnahmen und eine starke Kundenbindung. Die Methode kann Muster erkennen, die über Alter und Geschlecht weit hinausgehen und ermöglicht Unternehmen so, dass diese ihre Kunden genauer kennenlernen.
• Kampagnenoptimierung: Die Technologie hilft außerdem bei der Kampagnenoptimierung durch die verbesserte Kundensegmentierung. Denn sie unterstützt die Auswahl eines geeigneten Zielpublikums.
• Bedarfs- und Absatzprognosen sowie Preisoptimierung: Mit Data Mining können Unternehmen deutlich besser erkennen, wann welche Produkte verkauft werden. Eine entsprechende Preisoptimierung ermöglicht dabei, Angebote passgenau auf Zielgruppen und Zeitpunkte zuzuschneiden.

Diese Data-Mining-Methoden gibt es

Muster zu erkennen, ist auf verschiedenen Wegen möglich. Die Technologie entscheidet nach der Zielsetzung unterschiedliche Vorgehensweisen.

CRISP-DM: Ein standardisierter Workflow

Bereits im Jahr 2000 wurde ein einheitlicher Standard für Data-Mining-Prozesse geschaffen: Das CRISP-DM Modell (Cross Industry Standard Process for Data Mining) soll Unternehmen aus allen Branchen ermöglichen, präzisere Ergebnisse schneller und branchenübergreifend nutzen zu können. Dafür ist dieser standardisierte Ablauf in sechs Phasen gegliedert. Üblicherweise wird der Fokus je nach Aufgabenstellung mehr oder weniger stark auf die jeweiligen Etappen gelenkt. Ihre Abfolge ist zudem nicht strikt und es ist durchaus üblich, zwischen den einzelnen Phasen zu wechseln.

Das CRISP-DM Modell nach Shearer zeigt den branchenübergreifenden Standardprozess für Data Mining (Quelle: Eigene Darstellung nach Shearer¹)

Fazit: Finde mit Data Mining heraus, was deine Kundendaten verraten

Data Mining ermöglicht dir, einen Wissensschatz zu heben, an den du sonst nicht gelangst. Durch diese Technologie kannst du deine Kundendaten analysieren und auf dieser Grundlage herausfinden, wie du die Kundengewinnung und -bindung erhöhst. Wichtig ist jedoch ein zielgerichtetes Vorgehen, um belastbare Schlüsse aus den Daten zu ziehen.

Quellen: ¹ Shearer C., The CRISP-DM Model: The New Blueprint for Data Mining in: Journal of Data Warehousing (2000)

Häufige Fragen zu Data Mining