16.10.2017 Modehändler Blue Tomato

So pusht Machine Learning die Online-Umsätze

Von: Kathrin Eiben

Machine Learning in der Praxis: Wie personalisierte Erlebnisse den Umsatz im Onlineshop Blue Tomato verbessern

  • Snowboard-Spezialist pusht Online-Umsatz

    Über 450.000 Produkte für Snowboarder, Skater und andere Sportler führt Blue Tomato mittlerweile im Sortiment.

  • Blue-Tomato-Verkaufsteam vor Filiale

    Blue-Tomato-Verkaufsteam vor einer von über 30 Filialen in Österreich, Deutschland und der Schweiz

Blue Tomato wurde 1988 vom ehemaligen Snowboard-Europameister Gerfried Schuller als Snowboard-Schule gegründet und hat sich über die Jahre hinweg zu einem international erfolgreichen Boardsport- und Lifestyle-Anbieter entwickelt. Das Unternehmen, das einst in der Garage begonnen hat, verfügt mittlerweile über 30 Shops in Österreich, Deutschland und der Schweiz und einem Webshop, der über 450.000 Produkten von mehr als 500 Marken im Sortiment führt und in mehr als 40 Länder liefert. Als einer der Pioniere im Online-Handel eröffnete Blue Tomato seinen Internet-Shop bereits 1997.

Die Breite und Tiefe des Sortiments war auch eine Herausforderung für die damalige Empfehlungs-Engine des Mittelständlers. „Die herkömmlichen Tools haben für uns nicht mehr funktioniert“, erklärt Andreas Augustin, Head of Webshop Development bei Blue Tomato. “Die Automatisierung der Empfehlungen war an ihre Grenzen gelangt. Es musste einfach zu viel händisch nachgebessert und Produkte manuell eingepflegt werden, was Zeit und Ressourcen kostete.”

Machine Learning im Onlineshop

Um diese Herausforderungen zu bewältigen, suchte man nach einer ausgereiften Recommendations-Engine. „Es gibt viele breit aufgestellte E-Commerce-Tools, die ein bisschen Machine Learning drauf packen und dann auch Empfehlungen abdecken”, so Andreas Augustin. “Das wollten wir nicht. Wir suchten nach einer Lösung, die speziell Empfehlungen als Kernkompetenz aufweist.”

In einer Sondierungsphase wurden die Lösungen von sechs Anbietern genauer evaluiert. Schließlich entschied sich der Händler aufgrund der fortschrittlichen Machine-Learning-Algorithmen, der einfachen Bedienbarkeit und den Merchandising-Funktionen für Recommend von Rich Relevance. „Der King-of-the-Hill-Ansatz des Anbieters, bei dem sich viele unterschiedliche Machine-Learning-Algorithmen gegenseitig herausfordern, hat uns gut gefallen”, so Andreas Augustin. “Ebenso die erweiterten Merchandising-Funktionen, die es uns ermöglichen, die Fachbereichskompetenz im Haus zu behalten.” Dass die Lösung auch speziell für mobile Geräte entwickelte Personalisierungen bietet, war dem Unternehmen, das zum führenden Omnichannel-Retailer in Europa im Boardsport- und Freeski-Bereich werden will, wichtig.

Bei der Implementierung, die trotz Komplexität des Webshops reibungslos verlief, wurde Blue Tomato durch Consultants von Rich Relevance unterstützt, sodass man schnell und reibungslos online gehen konnte. “Dank der Unterstützung des Anbieters waren wir uns zu 100 Prozent sicher, dass unser Personalisierungsprojekt auch im Echtzeitbetrieb erfolgreich sein wird”, so Andreas Augustin über die Implementierungsphase.

Personalisierte Empfehlungen für Kunden

Seit der Inbetriebnahme im Herbst 2016 konnte der Händler ein deutliches Umsatzwachstum verbuchen. Der aus den Produktempfehlungen resultierende Umsatz konnte verdreifacht werden. Das die personalisierten Empfehlungen bei den Kunden ankommen wird auch dadurch deutlich, dass sie mehr ausgeben. „Dank der neuen Software ist der Wert der Warenkörbe durchschnittlich um 20 Prozent gestiegen, im Schnitt wird ein Produkt mehr pro Kunde erworben”, fasst Andreas Augustin zusammen. ”Die Zahlen gelten übrigens auch für die auf den mobilen Geräten angezeigten Empfehlungen, wo zwar deutlich weniger Produkte gelistet werden können, diese aber dank der Software eben die relevantesten sind.”

Die Qualität der Empfehlungen hat auch die firmeninternen Produktmanager positiv überzeugt – z.B. was zusammenhängende Produkte angeht. Blue Tomato bietet seinen Kunden die Flexibilität, Produkte die zusammen gehören auch getrennt voneinander zu erwerben. Ein klassisches Beispiel wäre der Bikini, bei dem Ober- und Unterteile aus verschiedenen Kollektionen und in unterschiedliche Größen getrennt erworben werden können. Nun kann man zwar die Teile einzeln kaufen, dem Kunden sollen sie aber möglichst zusammen angezeigt werden. “Früher war das manuell recht aufwendig zu pflegen und zu verwalten”, erklärt Andreas Augustin. “Wir haben das dann mit Recommend so konfiguriert, dass die Teile zusammen angezeigt werden. Das wäre allerdings gar nicht notwendig gewesen, die Algorithmen haben das nämlich sehr schnell selbst herausgefunden.”

Für die Zukunft plant das Unternehmen, die Empfehlungen auf die thematischen Erlebniswelten, wie z.B. “Beach Life” auszuweiten. Zudem will man sie auch für die Crew-Seiten der Blue-Tomato Rider, d.h. Sportler aus den Bereichen Snowboard, Freeski, Surf und Skate, die von 30 bis 40 Marken gesponsert werden, anzuwenden. Um das Kundenerlebnis ansprechender zu gestalten soll Rich Relevance künftig auch für die Personalisierung von Content eingesetzt werden und die Seiten sollen insgesamt noch interaktiver gestaltet werden.

Bildquellen: Thinkstock/iStock, Blue Tomato

©2017 Alle Rechte bei MEDIENHAUS Verlag GmbH