Blog

Wertvolle Impulse für deinen Online Shop

e-Commerce Recommendations – via Cluster oder Personalisierung?

24. April 2017

Steffen Springer

Personalisierte E-Mail Recommendation Engine Technologie

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.

Ein Holzregal mit einer großen Auswahl an Lebensmitteln und Haushaltsprodukten, welches e-Commerce Recommendations in Online Shops symbolisiert.

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.

 

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 eine 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 design3000 Newsletter personalisiert:

Jetzt Case Study lesen!

 

Online-Titelbild für die Case Study design3000 "Personalisierung im Newsletter"
Case Study: Mehr Umsatz durch Personalisierung im Newsletter

 

 

Mehr Infos zur personalisierten E-Mail >>

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

War dieser Beitrag hilfreich?

2 von 2 fanden dies hilfreich

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.

Kommentare (0)

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Mit Reco Engines den Warenkorbwert steigern

13. Juni 2017

Predictive Retailer – Realität oder Vision?

24. Januar 2017

Empfehlungen im Online Shop: Die verschiedenen Slider Layouts

26. April 2016

Wie ein Produktfinder die Retouren eines Online Shops senken kann Erfolgsmessung via Control Desk: Datenanalyse leicht gemacht

Beginne zu tippen und drücke Enter zum suchen