ENGLISCH Personalisierung Software Services (SaaS) Intelligente Suche
Senke die Absprungrate
Guided Selling
Verringere die Retourenquote
Recommendation Engine
Erhöhe den Warenkorbwert
Shopping Stream New
Steigere die Wiederkaufrate
Personalisierte E-Mail
Steigere den Traffic
Kampagnen & Anwendung Customer Targeting Neu Umsetzung & Expertise KI-Technologie Data Science Integration & Optimierung Customer Service
Integration
Customer Success
Optimierung
Monitoring & Steuerung Control Desk Weitere Themen Partner FAQ Datenschutz
Referenzen Company Software Geeks Team
100% geballte Personalisierungs-Kompetenz – auch ohne Anzug & Krawatte
Jobs
Trägst du auch gerne Turnschuhe und interessierst dich für dieses Internet?
Company News Events
Ob Fachvorträge, Messen oder sonstige E-Commerce-Events – wir sind mal hier, mal dort. Lerne uns kennen!
Presse
Wir entwickeln uns stetig weiter. Neue Kunden, Partner, Produkte und vieles mehr. Informiere dich jetzt!
Blog KPI-Optimierung Absprungrate senken
Onsite-Suche und Suchergebnisseiten
Retourenquote verringern
Digitale Beratung und Retourenmanagment
Warenkorbwert erhöhen
Verkaufsfördernde Elemente und wichtige Shopseiten
Wiederkaufrate steigern
After Sales und Kundentreue
Traffic steigern
E-Mail-Marketing und Kundenvertrauen
Conversion Rate steigern
Shop-Optimierung und Personalisierung
Tech-Know-how Datenmanagement
Produktdaten-Aufbereitung und -Verwaltung
Künstliche Intelligenz
KI-Verfahren und KI-Software
Backend How-to Control Desk
Wichtige Features und spannende Use Cases
Control Desk > Features Control Desk > Use Cases Control Desk > Erfolgsmessung
Top Tags Personalisierung Customer Journey Customer Experience KPI E-Commerce Retourenvermeidung Digitale Verkaufsförderung E-Mail-Beispiele
Insights Erfolgskonzepte Case Studies
Erfahre, wie unsere Kunden personalisieren und ihre KPIs steigern.
Webinare
Wir teilen mit dir unsere Best Practices in Sachen Personalisierung.
Use Cases
Starte mit diesen Use Cases und steigere deine Conversion Rate.
Wissenstransfer Video Clips
Erlebe unsere Services und Use Cases in einem unserer Video Clips.
Web Demos
Wir zeigen dir die verschiedenen Personalisierungsmöglichkeiten live.
Infomaterial Ratgeber
Checkliste, Infografiken, E-Books…
KI-Technologie
Infos rundum unsere Technologie (Produktdaten, KI-Verfahren…).

New: Der Shopping Stream

Der personalisierte Shopping Stream für eine höhere Wiederkaufrate in deinem Online Shop!

Mehr erfahren

Neues Webinar: epoq x Spryker

E-Commerce-Trends 2022 | Mit den Kundenanforderungen Schritt halten

Jetzt anmelden

Neuer Blogartikel

Kundenbindung im E-Commerce: Steigere deinen Erfolg mit Bestandskunden

Mehr erfahren

Neue Case Study bei P&C* Hamburg

10% höherer Bestellwert über erweiterte Suchfunktionalitäten bei Peek&Cloppenburg* Hamburg

Mehr erfahren
  ENGLISCH Personalisierung Software Services (SaaS) Intelligente Suche
Senke die Absprungrate
Guided Selling
Verringere die Retourenquote
Recommendation Engine
Erhöhe den Warenkorbwert
New Shopping Stream
Steigere die Wiederkaufrate
Personalisierte E-Mail
Steigere den Traffic
Kampagnen & Anwendung Neu Customer Targeting Umsetzung & Expertise KI-Technologie Data Science Integration & Optimierung Customer Service
Integration
Customer Success
Optimierung
Monitoring & Steuerung Control Desk Weitere Themen Partner FAQ Datenschutz
Referenzen Company Software Geeks Team
100% geballte Personalisierungs-Kompetenz – auch ohne Anzug & Krawatte
Jobs
Trägst du auch gerne Turnschuhe und interessierst dich für dieses Internet?
Company News Events
Ob Fachvorträge, Messen oder sonstige E-Commerce-Events – wir sind mal hier, mal dort. Lerne uns kennen!
Presse
Wir entwickeln uns stetig weiter. Neue Kunden, Partner, Produkte und vieles mehr. Informiere dich jetzt!
Blog KPI-Optimierung Absprungrate senken
Onsite-Suche und Suchergebnisseiten
Retourenquote verringern
Digitale Beratung und Retourenmanagment
Warenkorbwert erhöhen
Verkaufsfördernde Elemente und wichtige Shopseiten
Wiederkaufrate steigern
After Sales und Kundentreue
Traffic steigern
E-Mail-Marketing und Kundenvertrauen
Conversion Rate steigern
Shop-Optimierung und Personalisierung
Tech-Know-how Datenmanagement
Produktdaten-Aufbereitung und -Verwaltung
Künstliche Intelligenz
KI-Verfahren und KI-Software
Backend How-to Control Desk
Wichtige Features und spannende Use Cases
Control Desk > Features Control Desk > Use Cases Control Desk > Erfolgsmessung
Top Tags Personalisierung Customer Journey Customer Experience KPI E-Commerce Retourenvermeidung Digitale Verkaufsförderung E-Mail-Beispiele
Insights Erfolgskonzepte Case Studies
Erfahre, wie unsere Kunden personalisieren und ihre KPIs steigern.
Webinare
Wir teilen mit dir unsere Best Practices in Sachen Personalisierung.
Use Cases
Starte mit diesen Use Cases und steigere deine Conversion Rate.
Wissenstransfer Video Clips
Erlebe unsere Services und Use Cases in einem unserer Video Clips.
Web Demos
Wir zeigen dir die verschiedenen Personalisierungsmöglichkeiten live.
Infomaterial Ratgeber
Checkliste, Infografiken, E-Books…
KI-Technologie
Infos rundum unsere Technologie (Produktdaten, KI-Verfahren…).
Zur Übersicht Startseite / Blog / E-Commerce-Recommendations – via Cluster oder Personalisierung?

E-Commerce-Recommendations - via Cluster oder Personalisierung?

24. Apr 2017 04:00 | Warenkorbwert erhöhen

Mal angenommen, in einem Online Shop startet demnächst eine Sale-Phase, über welche die Kunden in einer personalisierten E-Mail informiert werden sollen. In welcher Form müssen die e-Commerce Recommendations ausgespielt werden, damit der Online Shop direkt aufgerufen wird? Das zeigen wir in diesem Artikel, zusammen mit einen fiktiven Dialog zwischen e-Commerce und Product Manager.

 

Dieser Inhalt erwartet dich in diesem Blogartikel:

Formen der E-Commerce-Recommendations
Topseller
Selektion
Segmente (Cluster)

Schwachstelle von Cluster-Empfehlungen

Recommendations via Personalisierung ausspielen

Die gewählte Empfehlungsform im E-Mail-Beispiel

Fazit: Je personalisierter, desto besser!

 

Formen der E-Commerce-Recommendations

Ein E-Commerce Manager hat verschiedene Möglichkeiten um E-Commerce-Recommendations auszuspielen. Nachfolgend zeigen wir die bekanntesten Empfehlungsformen:

 

Topseller

Das Ausspielen von Topsellern zählt zu der Empfehlungsform, die am einfachsten umzusetzen ist. Es werden hierfür die beliebtesten Produkte der letzten Zeit verwendet. Da bei der Anmeldung zum Newsletter das Geschlecht z. B. über die Anrede erfasst wird, kann die Auswahl der Produkte nach Damen und Herren getrennt erfolgen. Dadurch lassen sich zwei verschiedene E-Mailings versenden.

Fiktiver Dialog zum Thema E-Commerce-Recommendations
Fiktiver Dialog zum Thema Topseller zwischen E-Commerce und Product Manager

Selektion

Im Rahmen der Selektion kommt das CRM-System zum Einsatz. In diesem können allen aktiven Kunden Kategorien zugewiesen werden, aus welchen sie Produkte gekauft haben. Es werden dadurch nur Produkte im E-Mailing empfohlen, die sich in dieser Kategorie befinden.

Fiktiver Dialog über E-Commerce-Recommendations
Fiktiver Dialog zum Thema Selektion zwischen E-Commerce und Product Manager

Segmente (Cluster)

Cluster werden durch Verfahren aus dem Bereich Machine Learning so berechnet, dass innerhalb eines Clusters die Kunden möglichst ähnlich zueinander sind, während die Kunden unterschiedlicher Cluster möglichst unterschiedlich sind. Visualisiert in 2 Dimensionen könnten die gefundenen Cluster so aussehen:

Visualisierung möglicher Cluster zur Abstimmung von E-Commerce-Recommendations
Visualisierung möglicher Cluster

Pro Cluster wird der Mittelwert über die Kundeninteressen berechnet. Diese Mittelwerte bilden die Eigenschaften des jeweiligen Clusters. Zum Beispiel könnte das pinkfarbene Cluster (im Bild links unten zu sehen) folgende Eigenschaften haben:

  • Starkes Interesse an Kategorie A
  • Mittleres Interesse an Kategorie C und R
  • Schwaches Interesse an den Kategorien F,I,L,O,S,X,Z

Dementsprechend würde das Produktmanagement für Kunden aus diesem Cluster hauptsächlich Produkte aus Kategorie A wählen, einige aus Kategorie C und Kategorie R und eher keine aus den übrigen.

Fiktiver Dialog zu E-Commerce-Recommendations
Fiktiver Dialog zum Thema Cluster

Schwachstelle von Cluster-Empfehlungen

Cluster sind trotz ihrem höheren Personalisierungsgrad, im Vergleich zu Topsellern und der Selektion, immer noch sehr grob, da Kunden nicht individuell betrachtet, sondern nur in einen von vielen Töpfen geworfen werden. Die Kunden in einem Topf (Cluster) mögen zwar ähnlich zueinander sein, aber Streuverluste können trotzdem nicht ausgeschlossen werden. Nachfolgend die Cluster-Grafik mit der Hervorhebung von „Problem“-Kunden (eingekreiste Punkte):

Visualisierung möglicher Cluster mit Hervorhebung von Problem-Kunden durch graue Kreise, die als Informationen für E-Commerce-Recommendations genutzt werden
Visualisierung möglicher Cluster mit Hervorhebung von „Problem-Kunden“

Alle hervorgehobenen Kunden haben gemeinsam, dass sie

  • a) vergleichsweise weit von ihren jeweiligen Cluster-Zentren entfernt sind oder
  • b) im Grenzgebiet zwischen zwei Clustern liegen.

Das bedeutet, dass Kunden dem nächstliegenden Clusterzentrum zugeordnet wurden, sie von diesem aber nicht richtig repräsentiert werden. So hat der hervorgehobene Punkt aus dem pinkfarbenen Cluster folgende Eigenschaften:

Tabelle über Eigenschaften zum Pinken Cluster und deren "Problem"-Kunde zur Nutzung für E-Commerce-Recommendations
Eigenschaften des pinkfarbenen Clusters

Das bedeutet, dass dieser Einzelkunde keinerlei Empfehlungen aus Produkt F in der personalisierten E-Mail erhalten würde, obwohl er sich stark dafür interessiert. Einfach weil der überwiegende Anteil seines Clusters sich nicht dafür interessiert. Bei den anderen hervorgehobenen Punkten im Grenzgebiet ist das Problem ähnlich gelagert. Hier kommt jedoch zusätzlich hinzu, dass eine leichte Verschiebung der Kundeninteressen bedeuten würde, dass der Kunde von einem Cluster in den anderen wandert und die Empfehlungen sich dadurch stark ändern würden. Wie kann diese Schwachstelle ausgebessert werden?

 

Recommendations via Personalisierung ausspielen

Die Schwachstelle der Cluster-Empfehlungen kann via Personalisierung ausgebessert werden. Es werden für jeden Kunden während des E-Mail-Öffnens, die E-Commerce-Recommendations berechnet, die in diesem Moment am interessantesten für den Kunden sind. Im Groben funktioniert das Verfahren so:

  • Was hat der Kunde (in letzter Zeit) in dem Online-Shop und den personalisierten E-Mails und Newslettern getan? Worauf hat er geklickt, was hat er gekauft?
  • Was haben andere Kunden getan, welche ähnliche Aktivitäten gezeigt haben:
    a) Ein Kunde hat Produkt X1 gekauft? Was haben andere Kunden gemacht, die auch X1 gekauft haben?
    b) Ein Kunde hat Produkt E15 schon dreimal angeschaut, mit E11 und E20 verglichen, aber nicht gekauft? Wofür haben sich andere Kunden entschieden, die vor dem gleichen Problem standen?
  • Aus den Aktivitäten dieser anderen Kunden ergeben sich die potenziellen Empfehlungen, sei es Cross-Selling, eine Entscheidungshilfe oder was ganz anderes.
  • Alle diese Daten werden gewichtet und in einer komplizierten Formel berechnet, so dass am Ende die personalisierten Empfehlungen individuell für den aktuellen Kunden herauskommen.

Das Wichtigste hierbei ist, dass die ähnlichen Kunden rein auf Interesse basierend bestimmt werden. Kaufen zwei Kunden das gleiche Produkt, so haben diese Kunden ein gemeinsames Interesse. Erfolgte der Kauf aufgrund der Marke, dem Preis, dem Schnittmuster…? Das ist nicht entscheidend. Entscheidend ist allein das gleiche Interesse. Warum das Interesse so gelagert ist, spielt für den Algorithmus keine Rolle. Solche Beobachtungen können natürlich auch Zufall sein. Aber wenn sich solche Zufälle wiederholen, dann ergibt das ein Muster. Diese Muster sind die Basis für unsere Empfehlungen.


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


 

Wie sieht es bei dir aus, spielst du deinen Kunden E-Commerce-Recommendations aus? Welche Formen hast du dabei bereits eingesetzt? Wir interessieren uns für deine Erfahrungen. Teile diese gerne mit uns!

 

Die gewählte Empfehlungsform im E-Mail-Beispiel

Welche Produkte werden nun in der personalisierten E-Mail ausgespielt? Die Antwort ist: der Algorithmus entscheidet. Genau kann man das im Allgemeinen nicht sagen, dafür muss zum Verständnis jeder Kunde individuell betrachtet werden. Aber: ein E-Commerce Manager kann den Rahmen der Empfehlungen mitbestimmen:

  • Es können Themen für die personalisierte E-Mail oder Newsletter eingestellt werden (Sale, aktuelle Saison, Farben, neue Kategorien etc.)
  • Es können Eigenmarken bevorzugt werden.
  • Es kann bestimmt werden, inwieweit das Interessenspektrum des Kunden abgedeckt werden soll.
  • Wenn Größen eine Rolle spielen (zum Beispiel bei Mode), können dem einzelnen Kunden nur Produkte empfohlen werden, welche in der jeweiligen Größe verfügbar sind.

Der Algorithmus wird in diesem vorgegebenen Rahmen weiterhin personalisierte Empfehlungen berechnen. Welche Produkte empfohlen werden, das ist und bleibt abhängig vom einzelnen Kunden.

Ein Screenshot einer E-Mail von einem Online Shop mit E-Commerce-Recommendations.
E-Commerce-Recommendations in einem E-Mailing via Personalisierung

Fazit: Je personalisierter, desto besser!

Manchmal geht es nicht ohne Cluster. Möchte man zum Beispiel verschiedene Werbemittel per Post aussenden, so ist die Erstellung des Werbemittels manuell sehr aufwändig. 1:1 Personalisierung ist hier nicht machbar, da sind Cluster auf jeden Fall ein guter Mittelweg zwischen Personalisierungsgrad und Kosten. Aber in der digitalen Wirtschaft, wo Inhalte dynamisch und in Echtzeit berechnet werden können, sollte man, wann immer möglich, auf die 1:1 Personalisierung zurückgreifen. Oder noch kürzer:

1:1 Personalisierung > Cluster > Selektion > Topseller.

 

 

Erfahre, wie babymarkt.de die Klickrate im kategoriebezogenen Newsletter um 85% gesteigert hat:

Jetzt Case Study lesen!

Mehr Infos zur personalisierten E-Mail >>

Hast du Fragen oder Anregungen? Teile sie gerne mit uns über die Kommentarfunktion!

War dieser Beitrag hilfreich?

Beitrag teilen

Steffen Springer

Data Scientist

Steffen ist als Data Scientist bei epoq tätig. Wenn er nicht gerade einen A/B-Test auswertet, findet man ihn im Maschinenraum, wo er nach neuen Verfahren sucht um die Empfehlungen weiter zu optimieren.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.

Diese Blogartikel könnten dich auch interessieren
Blogpost

Customer Self Service im E-Commerce: Zeitgemäßer Service für deine Shopkunden

Customer Self Service (CSS) ermöglicht es Kunden, sich selbstständig um ihre Anliegen zu kümmern. Shopbetreiber sparen durch den Einsatz von CSS einiges an Personalkosten und für die Besucher von Online Shops kann Kundenselbstbedienung gleichzeitig zu mehr Zufriedenheit führen. In unserem Beitrag erfährst du mehr zu den Vorteilen dieses Service-Angebots und darüber, für welche Bereiche der Customer Journey es geeignet ist. Außerdem erhältst du praktische Tipps, um deinen Online Shop für den Customer Self Service zu optimieren.

Daniela Ilincic: 29. Jun 2022

Mehr erfahren
Blogpost

Navigation im Online Shop: Tipps und Beispiele von Y1, mobilezone und Streetbuzz

Bei hundert Besuchern im Online Shop, kaufen im Durchschnitt gerade einmal fünf Personen ein Produkt.¹ Ein wichtiger Bestandteil, um möglichst viele Besucher in Kunden zu verwandeln, ist die richtige Navigation im Online Shop. Je schneller der Besucher das Produkt findet, was er sucht oder ihm gefällt, desto wahrscheinlicher wird eine erfolgreiche Conversion. Dabei kannst du sogar von Cross- und Upselling profitieren. Doch wie schaffen es Shopbetreiber, den Kunden richtig durch den Shop zu navigieren? In diesem Artikel zeigen wir dir anhand der Tipps und Praxisbeispiele von Y1, mobilezone und Streetbuzz, wie du Besucher bei der Suche nach dem passenden Produkt unterstützen kannst und wie die richtige Navigation des Kunden zu vermehrten Conversions führen kann.

Jonathan Hermann: 27. Jun 2022

Mehr erfahren