Die Lösungssuche durch Ausprobieren bzw. „Versuch und Irrtum“ kann recht schnell das gesamte Mediabudget erschöpfen. Manuelle Szenarioanalysen geraten bei der Menge der zur Verfügung stehenden Marketingkanäle sowie Interdependenzen zwischen diesen ebenfalls schnell an ihre Grenzen. Und die Nutzung von Vergangenheitsdaten ist absolut sinnvoll. Natürlich nur möglich, sofern die Marketingkanäle bereits bespielt, Ergebnisse getrackt wurden und somit relevante Kampagnendaten vorliegen.

Ich möchte Ihnen deshalb in diesem Beitrag die Einsatzpotenziale von Predictive Analytics im Online-Marketing näherbringen. Predictive Analytics – zu Deutsch: prädiktive bzw. vorausschauende Analysen – ist dabei mehr als nur das seit Anfang der 90er-Jahre populäre Business Intelligence in neuen Gewändern – vor allem mehr als ein neues Buzzword 2014. Durch die Anwendung und Kombination von Methoden aus der Statistik, dem Data Mining und Operations Research können Daten systematisch ausgewertet und mithilfe von Prognosemodellen so in Beziehung gesetzt werden, dass Vorhersagen der wahrscheinlichen Zukunft sowie Trends möglich werden. Spezialisierte Softwarelösungen für den Online-Handel ermöglichen es damit auch E-Commerce-Betreibern, bessere operative oder strategische Entscheidungen zu treffen.

Händler und Agenturen können mit Suchmaschinenwerbung, Social-Media-Marketing, Affiliate-Marketing, Display-Anzeigen oder E-Mail-Marketing vielfältigste Online-Marketingkanäle zur Kundenansprache nutzen. Jeder dieser Kanäle bietet individuelle Möglichkeiten, Kunden anzusprechen. Diese Entscheidungsvielfalt stellt Händler vor große Herausforderungen: Was ist der optimale Online-Marketingmix? Welche Kanäle sollten zu welchen Zeitpunkten mit welchen Budgets und Inhalten adressiert werden? Eine hier getroffene falsche Entscheidung und eingesetzte Budgets verpuffen wirkungslos. An dieser Stelle hilft Predictive Analytics, die Wirkungen von Marketinginvestitionen besser abschätzen zu können. Dafür werden sowohl quantitative als auch qualitative Merkmale unter Verwendung verschiedener Prognoseverfahren zu Prognosemodellen aggregiert und gegen historische Kampagnendaten validiert. Liefern die Modelle verlässliche Prognosen, können sie auf neue Sachverhalte, wie z. B. eine veränderte Budgetallokation, angewendet und Wirkungsprognosen im Vorfeld erstellt werden.

Die zentrale Sammlung und Auswertung von Daten zum Ziel der Erstellung von Prognosen im Online-Marketing wird als wesentlicher Wettbewerbsvorteil angesehen. Die zugrunde liegende Datenbasis kann dabei nicht nur für die Optimierung von Kampagnen eingesetzt werden, sondern bietet breite Einsatzmöglichkeit in vielen Unternehmensbereichen. Sofern es gelingt, die Verzahnung der IT-Systeme weiter voranzutreiben, werden die Anwendungsmöglichkeiten von Predictive Analytics als „nahezu grenzenlos“ bezeichnet.

Agenturen verzeichnen dabei eine deutliche Steigerung der Nachfrage nach proaktiven, analytischen Tools vonseiten der Werbetreibenden. Ein Grund liegt in dem Vertrauen der Anwender in konkrete (Plan-)Zahlen, gewonnen aus analytischen Anwendungen. Entscheidungen aus dem Bauchgefühl der Online-Händler hinterlassen bei vielen Werbenden ein ungutes Gefühl. Konkrete Zahlen und Planszenarien dienen hier Agenturen als wesentliches Vertriebsargument gegenüber potenziellen Kunden. So können Predictive-Analytics-Tools nicht nur bei der Planung und Optimierung von Maßnahmen unterstützen, sondern auch bei der Argumentation im Vertriebsgespräch den Agenturen eine gewisse Professionalität und analytische Kompetenz vor potenziellen Kunden geben.

Verschwenden Händler bei der Planung und Durchführung von Marketingkampagnen noch sehr viel Zeit, weil bspw. Arbeiten noch manuell durchgeführt werden, erhoffen sich die Experten deutliche Zeiteinsparung bei ihren Entscheidungsprozessen durch den Einsatz von Predictive-Analytics-Lösungen. Je mehr Informationen dabei über den einzelnen Nutzer oder Kunden vorliegen, umso besser können Budgets in der Kombination vielfältiger Marketingkanäle ausgesteuert und effizient eingesetzt werden.

Aber es gibt noch weitere Anwendungsszenarien für prädiktive Analysen, von denen Online-Händler in Zukunft profitieren werden:

Die interne Suche ist für Besucher häufig der Startpunkt im Online-Shop – oft jedoch auch ernüchternd und somit Endpunkt zugleich. Bietet eine shopinterne Suche nicht die angemessenen Suchergebnisse, wird sich kaum ein Besucher die Mühe machen, noch einmal durch die gewünschte Produktkategorie zu navigieren. Vorausschauende Suchtechniken sind gefragt – Suchtechniken, die jedem Shop-Besucher personalisierte Informationen liefern, noch bevor sie oder er daran denkt. Möglich machen dies prädiktive Suchalgorithmen, die u. a. das Klickverhalten sowie die Historie der Kunden analysieren und gezielte Suchempfehlungen in Echtzeit geben.

Im stationären Handel lautet die Antwort darauf meist – ja. Auch in der Online-Welt ist der Konsument nicht per se negativ gegenüber Cross- und Upselling eingestellt. Konsumenten möchten jedoch individuelle, personalisierte Angebote. Methoden der Musteranalyse und die Auswertung von Clickstreams helfen Kundensegmente und Personas zu optimieren, was wiederum zu einem besseren Verständnis der Bedürfnisse der Kunden führt. Durch die Nutzung prädiktiver Modelle können Kundeninteressen mit Cross- & Upselling-Kampagnen kombiniert und erfolgsversprechende Maßnahmen prognostiziert werden. Ziel ist es, für Kundengruppen oder Individuen die besten Angebote zu identifizieren und auszuspielen.

Was in der Gameshow galt, gilt heute auch für (Online-)Händler: Wer den korrekten (marktüblichen) Preis überbietet, hat (meist) verloren. Für die Konsumenten sind die Preise in der Online-Welt dank Preisvergleichsseiten und Suchmaschinen transparent. Händler werden somit „gezwungen“, Preise kontinuierlich zu beobachten und anzupassen – also Preise zu optimieren. Durch die Kombination verschiedener Datenquellen können Predictive-Analytics-Lösungen die idealen Preise zum jeweiligen Zeitpunkt prognostizieren. Je nach Ziel werden Umsatz, Gewinn oder Marge maximiert. Dazu werden individuelle Kundeninformationen mit Vertriebsinformationen und externen Daten (z. B. Wetterdaten, Veranstaltungen, Feiertage, …) kombiniert. Der richtige (nicht der günstigste!) Preis zum richtigen Zeitpunkt ist eine wichtige Voraussetzung, die Customer Journey auf der eigenen „Danke für Ihre Bestellung“-Seite enden zu lassen.

Was für viele Bereiche des Handels immer noch Gültigkeit besitzt (jedenfalls in Deutschland), fristet naturgemäß im Online-Handel ein Schattendasein: die Barzahlung. Online-Händler haben dafür eine breitere Auswahl an Zahlungsverfahren, welche sie ihren Kunden anbieten können. Wie das ECC erst kürzlich wieder betonte, geht das Angebot an Zahlungsverfahren dabei oft an der Nachfrage der Kunden vorbei. Der A/B oder multivariate Test verschiedener Zahlungsartenkombinationen zur Optimierung des Payment-Mix ist für die meisten Händler dabei keine geeignete Lösung. Nicht nur technische Hemmnisse, Kosten oder notwendige Anpassungen der Zahlungsprozesse stehen dieser Art der Optimierung entgegen. Direkte Auswirkungen, bspw. auf die Retourenrate, den Warenkorbwert und die Zahlungsausfallrate können zwar gemessen werden und lassen sich recht schnell feststellen. Viele Effekte nach der Integration neuer Zahlungsverfahren, wie ein geändertes Risikoprofil, wirken jedoch erst mittel- und langfristig auf den Erfolg der E-Commerce-Initiative. Auch hier können durch die Nutzung von Kausalmodellen Prognosen erstellt werden, die die Auswirkungen von Integration oder Deaktivierung von Zahlungsverfahren langfristig auf die KPI (Key Performance Indicator) des Shops darstellen. E-Commerce-Manager werden somit in die Lage versetzt, den Payment-Mix zu optimieren, ohne die Zahlungsverfahren im Vorfeld implementieren zu müssen.

Nach dem Weihnachtsgeschäft kommt für viele E-Commerce-Manager das böse Erwachen: Retouren. Teilweise bis zu über 50 % der bestellten Artikel werden mal berechtigt, im Rahmen des Widerrufs oder der Reklamation auf Grund von Produktmängeln, häufig aber auch unberechtigt, nach einer „kurzen“ Anprobe über das Weihnachtsfest hinweg, zurückgesendet. Letzter Fall ist für Händler besonders ärgerlich. Zu entgangenen Umsätzen und Versandkosten kommen häufig noch Wertminderungen hinzu. Prognosemodelle können hierbei das Retourenmanagement unterstützen. So werden bereits im Vorfeld Warenkörbe identifiziert, deren Wahrscheinlichkeit einer Rücklieferung besonders hoch ist. Die Prognosen liefern Daten für technische Features, die den Kunden bspw. über erweitere Beratungsangebote von der Bestellung mehrere identischer Artikel in verschiedenen Größen abhalten können. Aber nicht nur das. Durch die Prognose der zu erwartenden Anzahl von zukünftigen Rücklieferungen kann ebenfalls die Personalplanung optimiert werden. Dies sorgt für eine schnelle Rückabwicklung der Transaktionen und somit für eine höhere Zufriedenheit beim Kunden.

Ein Erfolgskonzept der Evolution, die vorausschauende Planung, ist gerade in unserer immer komplexer werdenden Welt notwendig. Selbstredend nicht nur im (Online-)Handel. Predictive Analytics ist somit der nächste logische Schritt auf Big Data. Predictive Analytics ermöglicht es, Ereignisse, Trends und Aktivitäten zu prognostizieren und daraus einen operativen oder strategischen Nutzen zu generieren. Online-Händler können zukünftig Vorhersagemodelle nutzen, um die aus prädiktiven Analysen generierbaren Erkenntnisse in eigene Wettbewerbsvorteile umzuwandeln.

Die Anwendung von prädiktiven Analysen ist dabei nicht mehr nur den Big Playern im E-Commerce vorbehalten. Insbesondere mittelständischen E-Commerce-Initiativen fehlte es jedoch bislang an den notwendigen Ressourcen in Big Data oder gar Predictive-Analytics-Technologien zu investieren.

Über den Autor:
René Keßler ist seit 2010 als Produktmanager im Bereich Forschung & Entwicklung bei Intershop tätig. Kern seiner Arbeit ist das Projekt SIMCOMMERCE. Ziel von SIMCOMMERCE ist es, die Steuerung komplexer E-Commerce-Systeme und damit die Entscheidungsprozesse von Shop-Managern auf Basis prädiktiver Analysen zu optimieren. Vor seiner Arbeit bei Intershop studierte René Keßler Betriebswirtschaftslehre mit dem Fokus E-Business & Controlling an der FSU Jena.