Warum Recommendations, also gezielte Produktvorschläge, relevant sind was man diesbezüglich beachten und tun sollte und was man eher vermeiden sollte.
Conversion Rates steigern sich, wenn den Kunden das vorgeschlagen wird, was sie kaufen wollen.
Der Warenkorbwert wird dadurch gesteigert, dass an den richtigen Stellen Vorschläge kommen. Wie beim Einkauf im Supermarkt, in dem kurz vor dem Bezahlen noch Kleinigkeiten angeboten werden: Süßigkeiten, Feuerzeuge, Batterien, …
Gute Vorschläge veranlassen Kunden dazu, wieder zu kommen. Denn was einmal gut funktioniert, funktioniert auch zweimal gut
Produktvorschläge erhöhen einfach dadurch die Verweildauer der Kunden, weil ihnen dadurch eine bequeme Möglichkeit geliefert wird, ohne neu suchen zu müssen im Shop zu browsen. Höhere Verweildauer Besser vertraut mit dem Angebot Vorteil für Shop
Passendes Zubehör vorschlagen, höherwertige Produkte vorschlagen, unter Umständen sogar Produkte, von denen die Kunden vorher noch nichts wussten steigern das Potenzial mehr zu verkaufen
Auffindbarkeit von Produkten dadurch erhöhen, dass sie vorgeschlagen werden. Der Kunde kann sich besser vertraut machen mit dem Sortiment, indem er Produkte vorgeschlagen bekommt, auf die er normalerweise nicht stoßen würde.
Es ist durch vorhandene Techniken und Technologien, die sich im Bereich Data Mining, Machine Learning gebildet haben, kein Hexenwerk mehr, Recommendations umzusetzen. Dazu zählen bestimmte Ansätze wie Collaborative Filtering oder auch Open Soure Projekte wie Apache Mahout, die solche Ansätze versuchen umzusetzen, um Anwendern algorithmisches Handwerkszeug zu geben.
Diese Techniken und Technologien machen auch die Verarbeitung großer Datenmengen möglich. Jeder Shop kann seine Recommendations-Funktionen in beliebiger Manier skalieren.
Vortrag für den E-Commerce-Leitfaden-Tag in Berlin und Chemnitz.
2. Daniel Wrigley
> Consultant für Search & Big Data Technologies
> Zertifizierter Apache Solr Trainer
> Autor des Buchs „Einführung in Apache Solr“
> daniel.wrigley@shi-gmbh.com
> @wrigley_dan
@wrigley_dan
SHI Search Analytics Big Data
8. … und viele stimmen dieser Einschätzung zu bzw.
können diese aus Erfahrung bestätigen:
Kommentare aus Shopanbieter.de zu:
25 % des Umsatzes kommen bei Amazon über Empfehlungen zustande
Hallo,
Amazon ist Vorreiter in Sachen Personalisierung.
Das Amazon Widget “andere Kunden kauften auch” ist tatsächlich ein Personalisierungstool und hat
nicht zwingend was mit Einkäufen anderer Kunden zu tun.
Zahlreiche Algorithmen berechnen die passenden Produkte.
Dass 1/4 der Sales über die Empfehlungen kommen ist keinesfalls eine Seltenheit sondern eher
Normalität. (durschnittlicher Warenkorb ca. 30 % mehr)
Es gibt diverse Firmen die eine solche Technologie anbieten.
Allerdings ist hier auch darauf zu achten, dass die Firmen Hybride Empfehlungen abgeben. …
Kommentar by Basti Geyer — 8. Mai 2012 @ 09:35
Ein Viertel glauben wir auch nicht. Unsere Messungen sagen aber, dass es Tage gibt, dass
Empfehlungen bis zu 12 % ausmachen. Im Schnitt liegen wir bei 8 – 9 %. Positionierung ist dabei ein
wichtiger Punkt und ein entsprechendes Tool. Gerade hierbei glaube ich aber, dass Amazon hier
extrem viel leisten kann aufgrund deren Traffic und deren IT, denn: Amazon ist kein Händler sondern
ein Software-Konzern!
Kommentar by terrific.de — 8. Mai 2012 @ 09:57
http://www.shopanbieter.de/news/archives/5900-25-des-umsatzes-kommen-bei-amazon-ueber-empfehlungen-zustande.html#comments
9. … und viele stimmen dieser Einschätzung zu bzw.
können diese aus Erfahrung bestätigen:
Hallo,
die Quote von 25% stimmt bei uns auf jeden Fall. Wir machen manchmal Stichproben und befragen
unsere Kunden. Entscheidungskriterium “Empfehlung” steht ganz oben, dann vielleicht die Bestseller
Listung. Wir sind zufrieden und freuen uns über unsere Umsatzzuwächse.
Kommentar by aspects — 8. Mai 2012 @11:55
Recommendation engines sind schon eine feine Sache, allerdings verfügt kaum ein Shopsystem über
solche Technologie und so werden halt, wenn überhaupt, externe Anbieter eingebunden.
Wie überall wird auch hier mit Studien und Zahlen um sich geworfen die, mit Sachverstand
betrachtet, kaum realistisch sind. Was bei Amazon aufgrund des dort vorhandenen breiten Angebots
vielleicht noch hinhauen kann ist für den normalen Händler mit der deutlich kleineren
Angebotspalette schlicht unmöglich da die commendation engines nunmal lediglich auf eine
begrenzte Basis zurückgreifen können und damit die Empfehlungsmöglihkeiten in Anzahl und
Qualität zwangsläufig schlechter sein müssen. Somit bieten sich Empfehlungen aus recommendation
engines primär für Marketingzwecke, ...
Wir haben unsere integrierte recommendation engine beispielsweise mehrfach ans Newslettertool
gekoppelt, einmal für die automatische Erstellung individueller Newsletter und einmal als
Analysetool das dem Shopbetreiber ermöglicht zielgenaue allgemeine Newsletter zu verfassen.
Unsere Zahlen belegen das damit die Umsätze aus dem Marketinginstrument Newsletter durchaus
signifikant verbessert werden konnten.
Kommentar by H.P. — 15. Mai 2012 @ 07:06
http://www.shopanbieter.de/news/archives/5900-25-des-umsatzes-kommen-bei-amazon-ueber-empfehlungen-zustande.html#comments
10. Neue Potenziale – Online-Shop
> Steigerung der Conversion Rates
> Höherer Warenkorbwert
> Stärkere Kundenbindung
> Höhere Verweildauer
> Bessere Auffindbarkeit von Produkten
> Ausgereifte Technik & Technologien
Gewinn und Mehrwert
11. Neue Potenziale – Kunde
> Bessere Auffindbarkeit von Produkten
> Steigerung der Usability
> Inspiration
> Erhöhter Benutzerkomfort
> Gesteigerte Wertschätzung
> Emotionale und psychologische Absicherung
Zufriedenheit und Begeisterung
22. A Long Story Cut Short
> Verarbeitung von Datenmengen
> Machine Learning Algorithmen
> Manuelle Kontrollinstanz
> Nutzung der Funktion messen und bewerten
> Verwendung unterschiedlicher Datenquellen
> Skalierbarkeit
> Auslösen der Recommendations
24. Quellen
> "Why Personalisation Should Be at the Heart of a Retailer's Customer
Strategy". 11/2013. IDC Report
> Kommentare aus Shopanbieter.de
http://www.shopanbieter.de/news/archives/5900-25-des-umsatzes-kommen-
bei-amazon-ueber-empfehlungen-zustande.html
> "Amazon's recommendation secret". Mangalindan, JP.
http://fortune.com/2012/07/30/amazons-recommendation-secret/.
30. Juli 2012.
Wir sind Partner des e-Commerce-Leitfadens
Bezug Solr e-Commerce/e-Business, Alternative zu FactFinder, …
Ich werde ein bisschen etwas darüber erzählen
warum Recommendations, also gezielte Produktvorschläge, relevant sind
was man diesbezüglich beachten und tun sollte
und was man eher vermeiden sollte
Fragen im Anschluss
copyright Hinweis
Zahlen basieren auf einem IDC Report vom November 2013.
Was sagt uns das? Dass gezielte Produktvorschläge lange kein Nice-To-Have-Feature mehr sind, sondern eigentlich schon vollkommen im e-Commerce angekommen sind und zur Standard-Palette von Online-Shops gehören sollten.
Merkzettel/Wunschliste ist auch ein Feature zusätzlich zu Recommendations, das ich im Shop haben sollte
Verschiedene Quellen berichten von unterschiedlichen Zahlen. Mal sind es 20%, mal 25%, mal 29%
Kommentare aus dem Internet, nicht frei erfunden!
Kommentare aus dem Internet, nicht frei erfunden!
Conversion Rates steigern sich, wenn den Kunden das vorgeschlagen wird, was sie kaufen wollen.
Der Warenkorbwert wird dadurch gesteigert, dass an den richtigen Stellen Vorschläge kommen. Wie beim Einkauf im Supermarkt, in dem kurz vor dem Bezahlen noch Kleinigkeiten angeboten werden: Süßigkeiten, Feuerzeuge, Batterien, …
Gute Vorschläge veranlassen Kunden dazu, wieder zu kommen. Denn was einmal gut funktioniert, funktioniert auch zweimal gut
Produktvorschläge erhöhen einfach dadurch die Verweildauer der Kunden, weil ihnen dadurch eine bequeme Möglichkeit geliefert wird, ohne neu suchen zu müssen im Shop zu browsen. Höhere Verweildauer Besser vertraut mit dem Angebot Vorteil für Shop
Passendes Zubehör vorschlagen, höherwertige Produkte vorschlagen, unter Umständen sogar Produkte, von denen die Kunden vorher noch nichts wussten steigern das Potenzial mehr zu verkaufen
Auffindbarkeit von Produkten dadurch erhöhen, dass sie vorgeschlagen werden. Der Kunde kann sich besser vertraut machen mit dem Sortiment, indem er Produkte vorgeschlagen bekommt, auf die er normalerweise nicht stoßen würde.
Es ist durch vorhandene Techniken und Technologien, die sich im Bereich Data Mining, Machine Learning gebildet haben, kein Hexenwerk mehr, Recommendations umzusetzen. Dazu zählen bestimmte Ansätze wie Collaborative Filtering oder auch Open Soure Projekte wie Apache Mahout, die solche Ansätze versuchen umzusetzen, um Anwendern algorithmisches Handwerkszeug zu geben.
Diese Techniken und Technologien machen auch die Verarbeitung großer Datenmengen möglich. Jeder Shop kann seine Recommendations-Funktionen in beliebiger Manier skalieren.
Auffindbarkeit von Produkten wird durch gezieltes Vorschlagen von Produkten erhöht, besonders, wenn Kunden nicht genau wissen, was sie suchen. Dieses "nicht wissen" kann natürlich auch neue Trends und Produkte beinhalten.
Wenn ich weniger suchen muss, finde ich schneller zum gewünschten Produkt.
Inspiration: Geschenkbeispiel; unkonkret –> konkret
Erhöhung des Benutzerkomforts. Vorschläge können Suchen ersetzen bzw. zumindest ergänzen.
Gesteigerte Wertschätzung: Kunden fühlen sich mehr als Individuum wie als ein unbedeutender Teil, wenn sie gezielt Vorschläge bekommen – wie im stationären Geschäft.
Emotionale und psychologische Absicherung: Man fühlt sich nicht einsam vor seinem Rechner sitzend und kaufend, sondern man fühlt sich beraten. Man fühlt sich dadurch sicherer, etwas zu kaufen, was scheinbar schon mehrere Kunden vor ihm gekauft haben oder interessant fanden.
Kundenzufriedenheit dadurch erhöhen, dass sie die richtigen Produkte vorgeschlagen werden.
Warum ist Mathe besser als Bauchgefühl?
Näheres zur Mathematik?
Ranking kann folgendermaßen aussehen: Jedes Produkt wird anhand der Anzahl der Verkäufe gerankt.
Will ich Socken kaufen, wenn ich nach Unterhosen suche bzw. sogar schon einen Schritt weiter, in der Produktansicht einer Unterhose bin?
Will ich Damenunterwäsche kaufen, wenn ich mir Herrenunterwäsche ansehe?
Kein schlüssiges Verhalten
Inspiration ist mit Sicherheit kein Schlagwort, welches einem bei solchen Empfehlungen in den Sinn kommt
In Teilen kann ich es nachvollziehen, dass ich eine Sound-Anlage vorgeschlagen bekomme, wenn ich mir Details von einem Film anschaue. Dass Bud Spencer & Terence Hill vorgeschlagen werden, sehe ich gewissermaßen noch ein, da es sich hier auch um eine DVD oder DVD-Box handelt wie es die Batman-Trilogie auch ist. Dass ich aber ein Gourmet-Küchen-Set vorgeschlagen bekomme, ist für mich nicht mehr nachvollziehbar, sondern schon recht weit hergeholt.
Inspiration? Fehlanzeige
Blauer Schuh, flacher Schuh, Größe 36
Vorschläge: rote, hohe Schuhe, teils nicht in Größe 36 verfügbar.
Kontrolle & Management: Dadurch sollen Fälle vermieden werden, wie die Küchen-Set Empfehlung
Daten & Informationen: Hierbei muss die Überlegung sein, welche Daten und Informationen es lohnt auszuwerten und einzubeziehen
Messen & Bewerten: Hier spielt der Kreislauf der Daten wieder eine Rolle. Ohne zu wissen, wie meine Kunden, meine Recommendations annehmen, kann ich meine Funktion schlecht optimieren.
Was einige der Beispiele gezeigt haben: Es sind nicht immer sinnvolle Vorschläge, die gemacht werden. Einer Maschine, die z.B. nur mit IDs hantiert, kann nicht entscheiden, dass Produkte aus dem Bereich Küche nicht bei Produkten aus dem Bereich Eletronik und Unterhaltung vorgeschlagen werden. Menschliche, manuelle Kontrollinstanz ist notwendig
Maschinell unterstützt durch Analytics!
Social Media Daten & Drittanbieter-Daten: Social Media Daten können für individuell starke Gewichtung sorgen, Drittanbieter-Daten für generelle Gewichtung: Wenn ich etwas vorgeschlagen bekomme, weil es sich 50 andere wildfremde Personen gekauft haben, ist das weniger wert, wie etwas, was ich vorgeschlagen bekomme, was sich ein Bekannter gekauft hat.
Drittanbieter-Daten (Ratings auf omdb.com) können für die generelle Gewichtung verwendet werden.
Existierende IT? Lösungen dafür sind vorhanden!
Auf diesem Bild zu sehen: Das British National Museum.
In einem Vortrag, den ich Anfang diesen Jahres gehört hatte, wurde es als ein Gebäude bezeichnet, das gut skaliert. Was ist ein gut skalierendes Gebäude? Durch die Säulenstruktur kann dieses Gebäude unter der Voraussetzung skalieren, dass Fläche vorhanden ist. Man kann einfach wieder ein paar Säulen hinstellen und schon hat das Museum einen neuen Flügel. Und solange Platz da ist, kann das Gebäude beliebig wachsen.
Übertragen auf Recommendations bedeutet dies: Es gibt (auch im Open Source Bereich) Produkte, die ebenso beliebig skalieren können. Vorausgesetzt, die Hardware ist vorhanden. Apache Mahout ist ein solche Open Source Produkt. Es liefert die Möglichkeit mit, auf Apache Hadoop aufzusetzen. Hadoop ist im Big Data Bereich de facto der Standard, somit ist Skalierbarkeit gewährleistet.
Wand mauern!
Sie müssen die Nutzung Ihrer Produktvorschläge messen, um folgendes festzustellen:
Wird die Funktion überhaupt verwendet?
Wie wird sie verwendet?
Führen Produktvorschläge zu Kauf?
Wie viele vorgeschlagene Produkte werden angeklickt?
Wie viele landen im Warenkorb?
Wie viele landen auf einem Wunschzettel?
… usw …
Diese gemessenen Daten können dann weiter verwertet werden, um die Recommendations zu verbessern. Produkte, die häufig als Vorschlag angesehen und gekauft werden, sollten dementsprechend vielleicht häufiger angeboten werden als Vorschläge, die nicht oder kaum geklickt werden.
IT, bestehende Lösungen, fertige Lösungen vorhanden, keine Personalaufstockung um 100% notwendig
Was kostet mich die Umsetzung?
Wie lange dauert eine Umsetzung?
Individualität – Daten & Sortiment; Elektronik vs. Schmuck
Datenmenge und Verarbeitung ergeben benötigte Hardware
Viele Ansätze und Algorithmen
Ausgiebiges Testen: Kundenvertrauen ist schnell verloren, schwer zurückzugewinnen
Was sollte Ihnen eine solche Funktion wert sein? Stellen Sie sich Ihren Jahresumsatz vor und nehmen davon 20%. So viel mehr Potenzial können Recommendation Engines wecken. Berechnen Sie davon Ihre Marge: Das kann für Sie dabei rausspringen!
Diese zwei Fragen sind nicht aus dem Stehgreif und nicht generell zu beantworten, denn eine solche Funktion ist in vielerlei Hinsicht individuell. Es beginnt bei den Daten, die zur Verfügung stehen. Die sollten auch gemeinsam mit dem Sortiment betrachtet werden. Manchmal macht es Sinn, bestimmte Kategorien gesondert zu betrachten. Es ist schwierig, sinnvolle Produkte aus dem Bereich Elektronik vorzuschlagen, wenn sich der Benutzer gerade etwas aus dem Bereich Schmuck/Bekleidung ansieht.
Die Datenmenge gibt vor, wie viel Hardware nötig ist, um die Recommendations zu berechnen. Die benötigte Hardware spiegelt sich natürlich auch im Preis wieder.
Da es grundsätzlich mehr als einen Algorithmus gibt, gibt es auch die Möglichkeit, mehrere Algorithmen auszuprobieren und zu prüfen, welcher für Ihren Shop der beste ist. Am besten natürlich vor einem Live-Gang. Eine Recommendations-Funktion sollte gut, ausführlich und gründlich getestet werden. Wenn ich als Kunde einmal etwas unpassendes oder in meinen Augen sinnloses vorgeschlagen bekomme, gebe ich einer solchen Funktion vielleicht eine zweite Chance, aber ob ich auch eine dritte oder vierte Chance gebe, wage ich zu bezweifeln. Vertrauen verlieren geht schnell, verlorenes Vertrauen wieder aufbauen ist schwierig.
Sie können sich jedoch ausrechnen, was Ihnen eine Recommendations-Funktion wert sein kann: Nehmen Sie sich Ihren Jahresumsatz und dann 20% davon. Das wäre dann der "Amazon-Fall". Von diesen 20% können Sie Ihre Marge berechnen und wissen dann, was im besten Fall für Sie rausspringt.
Skalierbarkeit: Sie können mit Ihrer Anwendung und Ihrer Recommendations Engine wachsen. Natürlich ist es möglich, klein anzufangen und stetig nahand der gemachten Erfahrungen zu wachsen. Grenzen werden nur durch Ihren Geldbeutel gesetzt, denn der bestimmt, wie viel Hardware Sie zur Verfügung haben.
Auslösen der Recommendations: Hierbei sind vielfältige Szenarien denkbar. Jeder kennt von Amazon Vorschläge, die man bekommt, wenn man sich ein Produkt ansieht oder etwas in den Warenkorb abgelegt hat. Ebenso sind Funktionen möglich, die die Tatsache einbeziehen, dass immer mehr über mobile Geräte und von unterwegs in Online-Shops gegangen wird. Hierbei können Empfehlungen auch getriggert werden, wenn sie das GPS-Signal Ihrer Kunden auswerten und ihnen ein Signal schicken, wenn sie sich in der Nähe eines stationären Geschäfts befinden, in dem es ein Angebot zu einem Produkt gibt, das der Kunde auf dem Wunschzettel hat, sich angesehen hat oder sich potenziell dafür interessiert.
Zum Schluss in eigener Sache Werbung: Wir arbeiten an einer Lösung, bieten Ihnen gerne PoC an.