Datenanalyse im E-Commerce

Datenanalyse im E-Commerce

Mit steigender Verfügbarkeit von Daten wird die Datenanalyse im E-commerce zunehmend zu einem integralen Bestandteil der Steuerung von E-commerce Unternehmen. Datenanalysen können eingesetzt werden, um erfolgsrelevante Zusammenhänge zwischen  internen und externen Faktoren zu identifizieren. Dabei sind externe Faktoren solche, die das Unternehmen nicht beeinflussen kann, wie etwa das Kundenverhalten, während interne Faktoren -wie etwa die Gestaltung- des Checkout-Prozesses angepasst werden können. In diesem Beitrag werden die wichtigsten Aspekte der Datenanalyse im E-commerce vorgestellt und operationalisiert. 

Sie interessieren sich für Erfolgsfaktoren, Kennzahlen und innovative Konzepte im E-Commerce? Dann sollten Sie gleich den kurzen Draht zu Prof. Richard Geibel nutzen: Tel. 0221 973 199 722 oder Mail info@ecommerceinstitut.de.

Datenanalysen im E-commerce
Datenanalysen bringen Licht ins Dunkel.

Was bringt die Datenanalyse im E-commerce?

Datenanalysen können helfen, Zusammenhänge und Strukturen in Geschäftsmodellen und -prozessen zu finden, die ohne Datenanalyse verborgen bleiben. Datenanalysen tragen auch dazu bei, Steuerungsprozesse zu systematisieren und zu rationalisieren, da Daten eine belastbarere Grundlage für Entscheidungen bilden als subjektive Einschätzungen es sein können. Datenanalysen führen weiter über eine weitreichende Berücksichtigung möglichst aller Daten des Unternehmens zu einer integrierten und damit vollständigeren Erfassung der Prozesse im Unternehmen. Datenanalysen können also helfen, Insel- und Silodenken zu reduzieren und damit auch Unternehmensstrukturen zu verbessern und Zusammenarbeit zu fördern.

Insgesamt ist die Entwicklung eines E-commerce Unternehmens in Richtung eines datenbasierten Unternehmens Potenzial und Chance, Kundenwünsche noch besser und effizienter zu erfüllen, Prozesse durch Erkenntnisse zu optmieren und damit Wettbewerbsvorteile zu erzielen.

Fragestellungen für die Datenanalyse im E-commerce

Mit dem Umfang und der Vielfalt der verfügbaren Daten steigen auch die Einsatzmöglichkeiten für die Datenanalyse im E-commerce. Zunächst ist die Identifizierung einer grundlegenden Struktur hilfreich: Daten bilden erfolgsrelevante Vorgänge sowie exogene und endogene Faktoren zu diesen Vorgängen ab. Um Zusammenhänge zu identifizieren, werden Hypothesen aufgestellt, die mit Hilfe von Datenanalysen bestätigt oder falsifiziert werden. Im Fall der Bestätigung kann der nachgewiesene Zusammenhang herangezogen werden, um den zukünftigen Verlauf einer Zielgröße vorherzusagen oder durch Steuerung der beeinflussenden Größen zu verbessern.

Beispiel: Es soll die Wahrscheinlichkeit bestimmt werden, mit der ein Kunde einen Wiederholungskauf (Retention) in einem Onlineshop tätigt. Es wird dazu ein positiver Effekt durch das Öffnen des und Interaktion mit dem Newsletter vermutet. Aus Vergangenheitsdaten kann dieser Zusammenhang bestätigt oder falsifiziert werden. Im Fall der Verifizierung kann das Newsletter Marketing intensiviert werden, bei einer Falsifizierung muss der Onlineshop nach alternativen Marketingkanälen zur Verbesserung der Retention Rate suchen.

Fragestellung für die Anwendung von Datenanalysen können aus allen Bereichen des Unternehmens stammen. Eine Fragestellung ist dadurch gekennzeichnet, dass ein Gegenstand aus dem Unternehmen in einem empirischen Modell abgebildet werden kann.

Beispiel: Ein möglicher Zusammenhang zwischen Wetterphänomenen wie Temperatur oder Niederschlag und der Warenkorbhöhe in einem Onlineshop kann mit Hilfe einer Regressionsanalyse untersucht werden.

Die zur Verfügung stehenden empirischen Modell entstammen der Statistik und sind lange etabliert. Neu ist, dass diese Modelle aufgrund der besseren und umfassenderen Verfügbarkeit von Daten bei immer mehr Unternehmen zum Einsatz kommen. Die folgende Liste gibt einen Überblick über die gängigsten Modelle:

  • Klassifizierung und Klassenwahrscheinlichkeiten
  • Regressionsanalyse
  • Übereinstimmungsanalyse gegebener Individuen (z.B. Kunden)
  • Clusteranalyse zur Gruppierung von Individuen
  • Assoziierungsanalyse zur Verknüpfung von Eigenschaften
  • Profiling
  • Kausalitätsmodelle …
  • (Lit. Provot/Fawcett: Data Science for Business, 2013, S. 20 ff.)

Voraussetzungen für die Datenanalyse

Maßgeblich für den Erfolg der Datenanalyse ist zunächst Umfang und die Qualität der verfügbaren Daten. Entsprechend ist es für alle Unternehmen empfehlenswert, frühzeitig und vollständig Daten zu erheben und diese für die Analyse zugänglich zu machen (Data Warehousing). Weiter ist eine wesentliche Voraussetzung für die erfolgreiche Durchführung von Datenanalysen die Verfügbarkeit von kompetenten Mitarbeiterinnen und Mitarbeitern. 

Der Workflow bei der Datenanalyse

Jede Datenanalyse unterliegt einer prozessualen Abfolge, deren Systematisierung die Qualität der Ergebnisse maßgeblich beeinflusst. Hilfreich ist dabei die Orientierung am CRISP, dem Cross Industry Standard Process for Data Mining. Folgender systematischer Workflow kann danach als effektiv angesehen werden:

  1. Entwicklung der Fragestellung vor dem Hintergrund von Geschäftsmodell oder -prozessen
  2. Auswahl und Bewertung von Datenquellen
  3. Vorbereitung der Daten
  4. Modellierung
  5. Bewertung
  6. Einsatz des evalutierten Modells zur Vorhersage.

Beispiel: Für eine große Zahl von Landingpages soll identifiziert werden, welche Faktoren zu einer hohen Absprungrate führen. Dazu müssen zunächst Hypothesen aufgestellt werden, welche Attribute einer Landingpage Einfluss auf die Nutzung haben. Faktoren können das Thema, die Textlänge oder Text- und Bildanteil sein. Dann werden für diese Attribute die Daten zusammengestellt. Dabei muss für das qualitative Attribut „Thema“ eine Kategorisierung erfolgen, einzelne Kategorien werden dann nummeriert, um sie in die Analyse einbinden zu können. Bei der Vorbereitung der Daten wird vor allem die Periodenlänge festgelegt und die Konsistenz der Daten für die ausgewählten Perioden überprüft. Danach wird das eigentliche Modell – z.B. eine Regressionsanalyse – durchgeführt und berechnet. Bei der Bewertung wird vor allem die Eindeutigkeit und Validität des Ergebnisses überprüft. Ist diese gegeben und sind die Ergebnisse belastbar, können die als positiv wirkend identifizierten Attribute vermehrt eingesetzt werden, um so insgesamt die Absprungrate zu reduzieren.

Mit der Datenanalyse im E-commerce entstehen also zahlreiche Analysenmöglichkeiten, die die Performance einzelner Geschäftsprozesse deutlich steigern kann. Wesentliche Erfolgsfaktoren für die Datenanalyse sind die Verfügbarkeit aussagefähiger Datenreihen, die auch in der zeitlichen Länge ausreichend sind, sowie die Verfügbarkeit von Personal und Know How zur Durchführung der Datenanalysen.

Autor und Foto: Prof. Dr. Dominik Große Holtforth

MerkenMerken

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahren Sie mehr darüber, wie Ihre Kommentardaten verarbeitet werden .