Konversionsraten optimieren

Individuelle Empfehlungssysteme für Online-Shops

Online-Shops können ihre Konversionsraten durch gezielte Produktempfehlungen steigern. Die in Shop-Systemen integrierten Standardfunktionen reichen dazu häufig allerdings nicht aus. Spezielle Software-as-a-Service (SaaS)-Lösungen bieten Unterstützung.

Digitaler Einkaufswagen

Individuelle Empfehlungssysteme für Online-Shops optimieren die Konversionsraten.

Meist setzen Online-Shop-Betreiber bei Analyse und Berechnung auf einfache, im Shop integrierte Funktionen. Laut Yoochoose GmbH benötigen immer mehr Shop-Betreiber jedoch individuell zugeschnittene, selbstlernende Lösungen, um Daten gezielt auszuwerten und Umsätze zu erhöhen. Allerdings setzen nur rund 25 Prozent der Shops ein solches Empfehlungssystem ein.

„Mit Machine Learning ist Personalisierung für Online-Shops besonders im Bereich Konsumgüter so einfach wie nie zuvor“, sagt Michael Friedmann, Geschäftsführer der Yoochoose GmbH. „Um gezielte Angebote zu machen und damit die Konversion zu erhöhen, benötigen sie eine auf ihren Bedarf zugeschnittene Personalisierungs-Technologie. Bislang schrecken viele Shops allerdings vor dem Aufwand einer Implementierung zurück. Um diesen zu reduzieren, empfiehlt sich der Einsatz einer SaaS-Plattform“.

Mithilfe solcher cloud-basierter Lösungen haben Shop-Betreiber einen großen Funktionsumfang zur Verfügung, ohne dass sie in eigene Hard- und Software investieren müssen. Um Daten profund zu analysieren und nutzbar zu machen, erledigen SaaS-Plattformen die drei nötigen Schritte:

  1. Tracking und Datenbanken: Zuerst gilt es, genügend Daten mithilfe eines Tracking zu sammeln. Von welchem Standort und von welchem Gerät greift der Kunde auf die Plattform zu? Wann hat er die Produktdetailseite aufgerufen, wann hat er einen Artikel in den Warenkorb gelegt oder wieder entfernt? Und welche Produkte hat er am Ende zu welchem Preis gekauft? Solche Informationen werden gesammelt und in NoSQL-Datenbanken festgehalten.
  2. Feature Engineering: Aus den Tracking-Daten werden nun sogenannte Features abgeleitet. Das können anfangs mehrere Hundert sein – etwa die Uhrzeit des Besuchs, die Zeitabstände zwischen Aktionen oder die Zeitspanne seit dem letzten Kauf. Letztlich werden in der Regel nur rund ein Dutzend Features für die Prognose verwendet. Die Herausforderung für Shop-Betreiber liegt darin, die Features zu identifizieren, die einen signifikanten Einfluss auf das Kaufverhalten haben. Das ist von Shop zu Shop sehr unterschiedlich und erfordert eine intelligente Analyse.
  3. Datenverarbeitung und Analysen: Die Berechnung konkreter Produktempfehlungen erfolgt auf Grundlage der für den Shop definierten Features. Dazu werden in rechenintensiven Verfahren zunächst Prognosemodelle erstellt. Dies kann angesichts großer Datenvolumina auch mit leistungsfähiger Hardware mitunter mehrere Stunden dauern. Die Modelle werden in schnellen In-Memory Datenbanken gespeichert und als Grundlage für die Online-Berechnung von Empfehlungen verwendet. Damit ist sichergestellt, dass Shop-Besucher bei jedem Klick aktuelle Kauftipps erhalten.

Software as a Service für effektive Personalisierung

Gerade angesichts der komplexen Verbindung von NoSQL- oder In-Memory-Datenbanken mit leistungsfähigen Servern empfiehlt Yoochoose den Einsatz einer Software-as-a-Service-Lösung (SaaS) zur Personalisierung: Betreiber von Online-Shops erhalten damit die entsprechenden Ergebnisse ohne eigenen Aufwand für Implementierung und Betrieb. Damit ist es grundsätzlich für jeden Webshop möglich, von Personalisierung zu profitieren.


Bildquelle: Thinkstock/ Stockbyte

©2019Alle Rechte bei MEDIENHAUS Verlag GmbH

Unsere Website verwendet Cookies, um Ihnen den bestmöglichen Service zu bieten. Durch die weitere Nutzung der Seite stimmen Sie der Verwendung zu. Weitere Infos finden Sie in unserer Datenschutzerklärung.

ok