You are on page 1of 5

ONLINE WISSEN

Mit besten Empfehlungen


Warum Kunden, ohne es zu wissen, die erfolgreichsten Einkaufsberater im
Internet sind
„Kunden, die dieses Produkt gekauft haben, haben auch jenes gekauft…“ Was vor einigen Jahren noch wie Internet-Zauberei wirkte,
ist heute ein Standardservice im E-Commerce: automatisch erzeugte Produktempfehlungen. Aus den einstmals einfachen Verknüpfun-
gen haben sich selbstlernende Systeme entwickelt. Ihr wichtigster Rohstoff: Die Kaufwünsche der Kunden, die sich in ihrem Einkaufs-
verhalten ausdrücken. Diese Technologie kommt heute bei allen großen Shopangeboten im Internet zum Einsatz und setzt nun zum
Sprung in neue Bereiche an: Künftig werden etwa auch Newsletter sich viel genauer auf jeden einzelnen Empfänger einstellen können
– besser als jeder Redakteur oder Verkäufer dies könnte. Der vorliegende Trendbeitrag zeigt, warum Computertechnologie heute die
Kaufwünsche der Kunden manchmal besser kennt als sie selbst.

P über das Internet zu kaufen: Das ist für viele Kunden heute Alltag.
Schnell habe sich Millionen Menschen an die besonderen Vorteile A U T O R : Jürgen Wachtmeester
Leiter IT-Beratung bei der nexum AG
des Onlineshoppings gewöhnt. Man muss nicht mehr das Haus verlas-
(www.nexum.de)
sen, einen Parkplatz suchen und Tüten schleppen, wenn man sich auf
Einkaufstour begibt. Zudem gibt es im Netz keine Öffnungszeiten und
keine Ortsbeschränkungen mehr. Jedes Geschäft hat überall zu jeder führliche Metadaten: etwa Produkttests aus Zeitschriften, Reklame oder
Zeit geöffnet. Empfehlungen durch Freunde, Bekannte und Prominente. Metadaten
schaffen Orientierung. Aber außerhalb des Internets gibt es nur wenige
Metadaten sind die eigentlichen Verkäufer Orte für solche Zusatzinformationen: Zeitschriften, TV-Sendungen, Pros-
Doch die wahre Stärke des E-Commerce sind nicht unbegrenzte Laden- pekte, Plakate und die Mundpropaganda. Doch alle diese Infor-
öffnungszeiten, sondern: Metadaten. Metadaten sind Daten, die ande- mationen sind nicht miteinander verbunden. Wer sie benötigt, muss an
re Daten beschreiben. Vom Einkaufen kennen wir die klassischen zahlreichen Stellen danach suchen.
Metadaten für Produkte wie Preis, Größe, Haltbarkeit oder einen kurzen
Beschreibungstext des Herstellers oder Händlers. Wir kennen auch aus- Im Internet hingegen liegen alle diese Informationen gewissermaßen
im selben Aggregatzustand vor. Sie lassen sich über Suchmaschinen
wie Google finden oder werden auf Preisvergleichs- und Empfehlungs-
portalen zusammengestellt. Das Web vernetzt also alle Informationen
über Produkte. Wer wissen will, ob der neue DVD-Player oder das Hotel
in Zypern auch wirklich halten, was ihre Anbieter versprechen, der
schaut im Internet nach. Denn meist haben schon andere Kunden,
Blogger oder Journalisten dieses Produkt kommentiert und bieten so
eine zwar subjektive oder singuläre, aber meist nicht von Verkaufs-
absichten beeinflusste Meinung.

1
ONLINE WISSEN

Die große Komsumbibliothek Shop augenblicklich auf unbewusste Wünsche und Verhaltensweisen
Bis zu diesem Punkt funktioniert das Internet also wie eine riesige seiner Kunden einstellen.
Bibliothek, die Informationen und Meinungen über Produkte miteinan-
der vernetzt und bereithält. Aber im Internet fallen noch mehr und weit Der Computer lernt vom Kunden
interessantere Daten an. Wenn ein Kunden mit seinem Webbrowser Diesen digitalen Wissensschatz wollen Händler heben. Ihr Ziel: Ein
beispielsweise einen Onlineshop besucht, hinterlässt er mit jedem Shop, der sich beinahe organisch auf jeden einzelnen Kunden einzu-
Klick, jeder Ware, die er sich ansieht, jedem Produkt, das er in seinen stellen weiß. Doch wie funktioniert eine solche Technologie und wie
Warenkorb legt, digitale Spuren. Anders als im stationären Handel lässt sie sich einsetzen? Unser Unternehmen, die nexum AG, gehört zu
erzeugt das ganz normale Verhalten der Kunden laufend neue Daten. den führenden Beratungs- und Technologieunternehmen in Deutsch-
Dieses Verhalten sagt sehr viel darüber aus, was Kunden von bestimm- land, die den Handel bei der Einführung neuer Empfehlungs-
ten Produkten halten. technologien beraten und technisch unterstützten. Hierbei greifen
unsere Experten auf die Technologie unseres Schwesterunternehmens,
Unbewusste Schätze der prudsys AG, zurück, deren selbstlernende Recommendation Engine
Hieraus hat das Internet eine neue Form der Kundenempfehlung kulti- (RE) das derzeit führende Empfehlungssystem in Europa ist.
viert, die nicht bewusst geschieht, wie ein Kommentar oder ein Test,
sondern auf unbewusst erzeugten Metadaten basiert. Und genau das Einmal in einen Shop eingebaut, erzeugt die RE Produktvorschläge. Aber
macht ihren Wert aus. Explizite Bewertungen beziehen sich meist nur nicht nach starren, vom Händler festgelegten Produktbeziehungen. Die
auf ein Produkt und bieten Verknüpfungen mit anderen Informationen RE lernt vom Verhalten der Kunden - ohne Unterbrechung, 24 Stunden
über absichtlich gesetzte Links und die Übereinstimmung von am Tag. Ihr Studienmaterial: statistische Daten. Diese gewinnt sie zum
Schlagworten. Dadurch werfen sie nur kurze Schlaglichter auf unser Beispiel aus den elektronischen Warenkörben der Online-Kunden. Die
Verhalten und unsere Motive. Doch unsere Kaufentscheidungen sind RE vergleicht die Inhalte der Warenkörbe und empfiehlt auf Basis von
noch viel komplexer und reicher an Informationen. Produktverwandtschaften ergänzende Artikel. Zugleich registriert die RE
genau die Kundenwege im Shop. Zum Beispiel das Klick-Verhalten eines
So offenbart ein Blick in Tausende von Einkaufskörben überraschende Webshop-Besuchers, der so in der Produktgruppe Herrenbekleidung
Querverbindungen, auf die wir durch Lektüre von Kommentaren oder die Empfehlung für ein Hemd erhält, sie anklickt und das Hemd in den
eigene Erfahrungen nicht stoßen: etwa welche Produkte Kunden häu- Warenkorb befördert. Dazu empfiehlt ihm die RE gleich noch die pas-
fig zusammen kaufen, auch wenn diese Dinge auf den ersten Blick sende Krawatte und er beschließt vielleicht, auch diese noch zu kaufen.
nichts anderes miteinander gemein haben als die Tatsache, dass sie Solche Interaktionen mit dem Kunden zeichnet die RE als so genannte
beim gleichen Händler angeboten werden. Solche Informationen las- „Sessions“ auf, verarbeitet sie zu individuellen Einkaufsdramaturgien
sen sich zwar auch im stationären Handel gewinnen, aber nicht in jeder und gewichtet die darin gezeigten Empfehlungen entsprechend der
Sekunde aktualisieren! Und nur im Internet kann der Händler seinen Kundenreaktionen nach einem Punktesystem.

2
ONLINE WISSEN

Prinzip selbstlernende Maschine


Das heißt: Die intelligente Software macht dem Kunden Vorschläge und
schaut, was diese wert sind. Hieraus lernt sie ununterbrochen, so dass
Kombinationen und Verknüpfungen von Kaufvorschlägen entstehen,
die sich immer am aktuellen Kundenverhalten orientieren. Beim leben-
digen Verkäufer würde man sagen, er bekomme ein Gefühl für seine
Kundschaft.

Die RE funktioniert dabei nach dem Prinzip des „Reinforcement


Learnings“. Diese Variante des maschinellen Lernens ermöglicht der
intelligenten Software, ihre eigenen Produktempfehlungen stetig und
automatisch selbst zu optimieren. Um die Chancen zur Umsatzsteige-
rung auszutesten, ist es sinnvoll, der Empfehlungsmaschine hierbei
genügend Spielraum zu geben und sie nicht ausschließlich bereits Und so wie ein Schachcomputer neue Züge bewertet, wertet die RE
erfolgreiche Produktkombinationen („Exploits“) empfehlen zu lassen. nun die Performance der neuen Empfehlungen aus. Die erfolgreichs-
So weichen die Kaufvorschläge auch einmal von den bislang erfolgrei- ten unter ihnen werden als Regeln für die Erzeugung von Empfeh-
chen Empfehlungen ab, um neue Wege auszuprobieren („Explore lungen hinterlegt und wandern damit in den „Exploit“-Bereich.
Modus“). Die Maschine rät. Doch dieses „Raten“ speist sich aus einem Manche auf den ersten Blick exotisch anmutenden Ratschläge muss
Fundus, den wir bei einem menschlichen Käufer einen in langen man dabei einkalkulieren. Da die Maschine sich ständig weiterbildet,
Berufsjahren geschulten Instinkt nennen würden. Bei der RE sind es die kann sie Empfehlungen aber sehr schnell als fehlerhaft verwerfen und
Millionen unbewussten Details im Verhalten der Kunden, die die Soft- stattdessen andere, zielführendere Ratschläge aussprechen.
ware für ihre Prognosen vernetzt.
Empfehlungen auf dem Prüfstand
Kreative Strategien Wie wirksam die Empfehlungen der RE sind, lässt sich mit Hilfe von
Dieses Wechselspiel von Exploit- und Explore-Modus fördert die Kontrollgruppen messen. Dazu verzichtet die Empfehlungsmaschine
Fähigkeit der RE zum Selbstlernen. Ähnlich wie ein Schachspieler, der beispielsweise bei jeder zehnten „Session“ auf Kaufvorschläge. Anders
in einer bekannten Stellung mit einem bislang noch nie ausgeführten ausgedrückt, jeder zehnte Besucher des Webshops erhält keine
Zug etwas riskieren möchte, weil alle bereits bekannten Züge zu vor- Empfehlungen. Der Vergleich mit den Verkaufszahlen der anderen
hersagbaren Ergebnissen führen, probiert die Maschine anstelle der Sessions beziehungsweise Besucher gibt dann Aufschluss über den
bewährten Empfehlungen eine neue Produktkombination aus. Auf Erfolg der Empfehlungen. Somit lässt sich unter anderem nachweisen,
diese Weise stellt die Engine unter anderem sicher, dass sie sich nicht dass die RE unabhängig von saisonalen Schwankungen die besseren
in ihren eigenen Empfehlungen „festfährt“ und immer nur die glei- Verkaufsergebnisse zeitigt. Im Durchschnitt verbessert sie den Umsatz
chen Produktvorschläge anzeigt. eines Shops zwischen fünf und fünfzehn Prozent.

Genügsamer Untermieter
Um einem Online-Shop mit Hilfe der prudsys RE verkäuferischen
Instinkt einzuhauchen, bedarf es keiner Veränderung der bestehenden
E-Commerce-Systeme beim Shopbetreiber. Denn die RE kommuniziert
ausschließlich über Webservices mit der Shopsoftware. Dadurch bean-
sprucht die technische Integration in der Regel nur zwischen fünf und
fünfzehn Arbeitstagen. Der Hardwarehunger der RE ist dabei denkbar
gering. Die Lösung begnügt sich mit einem handelsüblichen PC.

3
ONLINE WISSEN

Ein erster Schritt zur Erstellung qualitativ hochwertiger Empfehlung Sie sind ein wichtiges Instrument, um vom Posteingang des Kunden
kann dann die Verarbeitung historischer Transaktionsdaten aus unter- aus den Verkauf im Online-Shop anzukurbeln. Umso mehr erstaunt
schiedlichen Quellen wie Bestelldaten aus dem Onlineshop, dem sta- dann die Tatsache, dass die meisten Newsletter den Empfänger gerade
tionären Handel oder einem Call-Center sein. Diese Daten lassen sich einmal persönlich beim Namen ansprechen. Doch dann hört es schon
immer wieder dazu nutzen, die in Echtzeit errechneten Daten anzurei- auf mit der Persönlichkeit. Nicht einmal den kleinen Unterschied kennt
chern. Doch es geht auch ohne bestehendes Datenmaterial. In einem die Mehrheit der Newsletter und schickt etwa Männern Angebote für
solchen Fall wird die Empfehlungsmaschine in den Shop eingebun- Sommerkleider statt für leichte Anzüge.
den, gibt aber zunächst noch keine sichtbaren Empfehlungen aus. Sie
schaut den Kunden erst eine Weile beim Einkaufen zu und lernt so Für den Leser irrelevante Informationen oder Anpreisungen von
ihre Vorlieben und Gewohnheiten kennen – eben wie ein guter Produkten, die der Abonnent niemals kaufen würde, machen viele
Verkäufer. Erfahrungsgemäß erreicht die Software je nach Zahl der Newsletter zu Werbemüll. Die Abstrafung kommt daher meist prompt:
Shopbesucher innerhalb von Tagen oder wenigen Wochen die kriti- Die Botschaft landet ungelesen im Papierkorb oder der Leser kündigt
sche statistische Masse, um aussagefähige Daten errechnen und damit seine Newsletter-Bestellung. Das bestätigen auch die Marktforscher:
konkrete Kaufempfehlungen ausgeben zu können. Das österreichische Institut MPO-Research stellte bei der Befragung von
Newsletter-Abonnenten fest, dass mehr als die Hälfte der bestellten
Um auch die Investition in die Software möglichst übersichtlich zu Newsletter ungeöffnet im Papierkorb landen. Über 60 Prozent der
gestalten, bietet die nexum AG neben einem Kauf-Modell ein erfolgs- Befragten gaben jedoch an, dass sie einen Newsletter mit persönlichen
abhängiges Mietmodell. Ähnlich wie bei Google-Anzeigen fallen bei Angeboten durchaus begrüßen würden. Diese Chance gilt es zu nutzen!
dieser Variante Investitionen erst an, wenn der Einsatz der
Empfehlungsmaschine etwa zu einem Kauf geführt hat. Zwar vermitteln manche Newsletter bereits den Anschein, dass sie den
Kunden individuelle Einkaufsempfehlungen geben. Kunden werden
Die nächste Stufe: der persönliche Newsletter hier jedoch in mehr oder weniger grobe Kategorien unterteilt.
In Webshops haben sich Empfehlungsmaschinen aufgrund der vielfach Beispielsweise bekommen die Käufer eines bestimmten Buches eine
bestätigten Vorteile inzwischen etabliert. Kaum ein großer Betreiber Kaufempfehlung für eine Neuerscheinung desselben Autors. Der
lässt die anfallenden Metadaten heute noch ungenutzt und verzichtet Nachteil hierbei: Ob ein Kunde sich das neue Buch bereits angesehen
darauf, seinen Kunden das zu bieten, was sie interessiert. Auf einem oder die neue Lektüre bereits erworben hat, berücksichtigen derartige
anderen Kanal wird dagegen immer noch mit der groben Keule, also Kaufempfehlungen nicht. Zudem erstellen die Verkaufsabteilungen der
purer Reichweite gearbeitet: in E-Mail-Newslettern. Web-Shops derartige Empfehlungen manuell.

4
ONLINE WISSEN

Ende der fehlgeleiteten Einkaufsempfehlungen


Selbstlernende Empfehlungsmaschinen wie die prudsys Recommen- A U TO R
dation Engine kreieren dagegen auf den einzelnen Kunden oder Inte- Jürgen Wachtmeester
ressenten zugeschnittene Newsletter-Botschaften. Verglichen mit den Leiter IT-Beratung bei der nexum AG
bisherigen, vermeintlich individuellen Ansätzen basieren die Verkaufs- E-Mail: juergen.wachtmeester@nexum.de
empfehlungen nicht etwa auf Vorschlägen der Verkaufs- oder Marke-
tingabteilung. Stattdessen nutzt die RE Daten aus dem Klick- und
THEMEN
Einkaufsverhalten der einzelnen Webshop-Kunden und verknüpft diese
Behavioral Targeting
mit dem Kaufverhalten der Gesamt-Kundschaft. Der hieraus entstehen-
Empfehlungsmarketing
de Daten-Pool kommt dann wiederum den Empfehlungen im News-
Reputations-Management
letter zugute.

Intelligenten Produktempfehlungen in E-Mails steht somit nichts mehr LEBENSLAUF


entgegen. Denn kaum ein anderes Medium lässt sich mit vergleichs- Jürgen Wachtmeester, Jahrgang 1965, ist seit Oktober 2006 Leiter
weise einfachen technischen Mitteln so zielgerichtet auf die Kunden der IT-Beratung bei der nexum AG. In dieser Funktion berät er
zuschneiden wie der E-Mail-Newsletter. Tatsächlich dehnen inzwischen namhafte Unternehmen wie z. B. Quelle, Baur und Otto im Bereich
die ersten großen Onlinehändler erfolgreich den Einflussbereich selbst- E-Business, Newsletter- und Empfehlungsmarketing.
lernender Empfehlungsmaschinen auf ihre Newsletter aus. Gezieltes
Empfehlungsmarketing wird also auch auf diesem Kanal bald fehlgelei- Jürgen Wachtmeester startete seine Laufbahn 1998 in der IT- und
teten und deplatzierten Werbebotschaften ein Ende setzen. Beratungsbranche bei der Deutschen Lufthansa AG und wechsel-
te dann als Projektleiter und Senior Berater zu einem Kölner Start
Up-Unternehmen.
FIRMENPROFIL
nexum AG Im Jahre 2002 kehrte Wachtmeester zurück zur Lufthansa und
Die nexum AG ist Beratung und Agentur für baute bei der Lufthansa WorldShop GmbH den Online-Vetrieb auf.
digitale Medien. Die nexum AG hilft ihren Dort führte er als Teamleiter die beiden damaligen Shopsysteme
Kunden, ihre Geschäftsziele durch eine optimale User Experience der Lufthansa, den Lufthansa SkyShop und den Meilenshop von
und den kreativen Einsatz modernster Technologien zu erreichen. Miles & More, in einer neuen Plattform zusammen und war ver-
antwortlich für Konzeption und Umsetzung. In den vier Jahren ent-
Die Leistungen der nexum AG umfassen Beratung, Design, wickelte er erfolgreiche Vertriebsstrategien, etwa im E-Mailmarke-
Entwicklung, Marketing Services, Redaktion und Projektmanage- ting, und erhielt 2006 den Preis des Deutschen Versandhandels-
ment. Themenfelder der nexum AG sind E-Business, Multi- kongresses für die beste E-Mail-Kampagne des Jahres 2005.
channel-Lösungen und Content Management. Die nexum AG mit
Hauptsitz in Köln und zweitem Standort in Jena beschäftigt mehr
als 80 Mitarbeiter und betreut sowohl mittelständische Unter-
nehmen als auch Konzerne. Zu den Kunden gehören u.a.
Telefónica o2 (Germany), Sony Europe, ThyssenKrupp, REWE,
Sportfive, Lufthansa, BAUR Versand, coop Schweiz und die
Fußball-Bundesligisten 1. FC Köln, Hertha BSC und der
Hamburger SV.

www.nexum.de

You might also like