Back to top

Big Data für eine bessere Suche und höhere Umwandlungsraten im E-Commerce 

Big Data und Suche im Härtetest – Blog und Video

Bestimmt hat jeder schon davon gehört, wie wichtig die Personalisierung im E-Commerce für eine bessere Einkaufserfahrung online und gesteigerten Umsatz ist. Aber wie kann Big Data nun genutzt werden, um eine noch fortschrittlichere Personalisierung in Echtzeit zu bieten?

Lesen Sie das Fallbeispiel

Woraus resultieren hohe Abbruchraten und niedrige Umwandlungsraten? 

Gemäß eines kürzlich veröffentlichten Berichts des Baymard Institutes zur E-Commerce-Suche liefern 34% der Suchen auf den Top 50-Websites im E-Commerce keine für den Kunden nützliche Ergebnisse. 70% der Suchmaschinen können keine relevanten Ergebnisse zu synonymen Produkten liefern. Die Zahlen variieren je nach genauer Ausrichtung und Durchführungsjahr der Studie, aber der Kern bleibt weiter erhalten: Wenn die Kunden nicht finden, was sie brauchen, verlassen sie die Website ohne Einkäufe zu tätigen, oder wenden sich sogar an Ihre Konkurrenz.

Die Benutzerprofile sind vielschichtig: Einige dieser Kunden suchen vielleicht nur schnell über das Smartphone, andere sitzen mit genug Zeit am Computer und überlegen genau, welche Abfrage sie in das Suchfeld eingeben. In jedem Fall sollte eine gute Suche für den E-Commerce jedoch die folgenden Schreckensszenarien vermeiden:

  • Irrelevante Ergebnisse – die Suche liefert nicht die Produkte, nach denen der Benutzer sucht und die er kaufen will
  • Mangelhafte Erkennung von Synonymen (Beispiel: „Monitor“ und „Display“) – ein Produkt ist womöglich vorrätig, wird aber in der Suche nicht gefunden, weil der Benutzer nicht das genaue Wort, sondern ein Synonym als Suchbegriff eingegeben hat
  • Schlechte Vorschläge für die Vervollständigung von Abfragen – die Suchbegriffe, die durch die automatischen Vorschläge geliefert werden, sind für die Suche des Benutzers nicht relevant
  • Unklare Ergebnisse, wenn in einem anderen Bereich gesucht wird – Abfragen zu Spezifikationen im Bereich Produkt-FAQ und Support
  • Und das Schlimmste von allen: Eine einzelne Zeile, die angibt „Ihre Suche hat 0 Treffer ergeben“ – ohne Empfehlungen für verwandte Produkte oder eine Möglichkeit der Navigation zu ähnlichen Produkten.

Mit diesen Szenarien kann die Leistung der Suche im E-Commerce analysiert werden. So findet man Gründe für fehlgeschlagene Abfragen und definiert Kriterien, um die Benutzererfahrung zu optimieren, Umwandlungsraten zu steigern und die Net Promoter Score (NPS) zu verbessern. Als erstes:

 

... Verstehe deinen Kunden

Denken wir einmal an all die Aktivitäten und Transaktionen, die auf der E-Commerce-Website vorgenommen werden. Diese bieten enorme Gelegenheiten, um Big Data in E-Commerce einzubringen und damit die Probleme aus den oben beschriebenen Szenarien zu beheben. Es ist sehr wichtig, zu wissen, was die Kunden suchen, wie sie das Warenangebot durchsuchen, welche Produkte sie kaufen, welchen Gewinn ein Produkt generiert und dergleichen mehr. (Die Big Data Log-Analyse hilft dabei, den Kunden besser zu verstehen).

Aber wie kann man diese wertvollen Daten nutzen, um höhere Umwandlungsraten und gesteigerte Kundentreue für den E-Commerce zu erlangen? Big Data und maschinelle Lernverfahren bieten einen automatisierten und doch präzisen und leistungsfähigen Weg, die Bewegungen der Kunden online zu verstehen, diese anzuziehen, zu binden und anzuleiten, während ihres gesamten Einkaufs.

 

Maschinelle Lernverfahren und Predictive Analytics bilden eine geräteübergreifende Suchstrategie für den E-Commerce

Auf Desktop-Computern und Tablets können Produktempfehlungen ausgedehnt dargestellt werden, es gibt mehr Spielraum für die Präsentation vor dem Kunden.

Auf mobilen Geräten kann jedoch jeder einzelne Pixel wichtig sein. Um dem Kunden also entgegenzukommen und die Umwandlungsraten zu steigern, muss man die wichtigsten Produkte (etwa die Produkte mit den höchsten Umsatzmargen im E-Commerce) gezielt fördern.

Hier ein Beispiel, wie eine Big Data-Architektur die geräteübergreifende Suche für den E-Commerce optimieren kann:

  • Sie bereinigt die Metadaten der Produkte und reichert diese für die Anzeige auf verschieden großen Bildschirmen an. Dazu gehören Produktbeschreibungen, Tags für Bilder, Kategorien, IDs usw.
  • Sie bietet intelligente automatische Vorschläge und/oder Synonymerkennung für benutzerdefinierte Suchabfragen
  • Sie ermöglicht Abfrageketten für Abfragen zu selteneren Suchbegriffen, bei denen Kontext besteht
  • Sie bietet individuelle Produktvorschläge, abgeleitet aus den Informationen, was Benutzer mit ähnlichen Eigenschaften gesucht haben

Gestützt durch maschinelle Lernverfahren und Predictive Analytics kann eine E-Commerce-Plattform über Big Data dem Kunden automatisch Produkte anzeigen, die dieser mit hoher Wahrscheinlichkeit kaufen wird. Es ist sogar möglich, dass diese Wahrscheinlichkeit mit der Schätzung des zu erzielenden Umsatzes gegengerechnet wird, um dann die Anzeige der Produkte so zu ordnen, dass die Produkte mit dem größten Effekt für den Umsatz zuerst aufgeführt werden. (Man sollte nie vergessen, die Produkte mit den höchsten Margen besonders zu fördern.) Im Online-Marketing wird stets versucht, die Aktivität auf einer Website mit festen Angaben zu den Einnahmen zu verbinden. Auf gleiche Art werden die Suchstrategen für den E-Commerce versuchen, stets den potenziellen Umsatz zu bestimmen, der durch die Personalisierung des E-Commerce über Big Data erreicht werden kann.

Dazu ist es auch interessant zu sehen, wie maschinelle Lernverfahren und Predictive Analytics intelligentere Suchfelder für den E-Commerce hervorbringen.

 

Personalisierung in Echtzeit – die Zukunft des E-Commerce mit Big Data

Die Big Data-Architektur der nächsten Generation wirft die Personalisierung im E-Commerce komplett um, da sie Benutzerprofile in Echtzeit erstellen kann. Hierfür werden die aktuellen Interaktionen des Benutzers analysiert, nicht die Log-Daten früherer Besuche. Die Personalisierung muss dabei mit einer sehr eingeschränkten Datenmenge auskommen (die bisherigen Eingaben des Benutzers im Suchfeld), kann aber maschinelle Lernverfahren und Algorithmen der Relevanzbewertung nutzen, wie bereits in Big Data, Personalisierung und Suche ohne Suche in der Zukunft besprochen.

Wir bei Search Technologies arbeiten an einer fortgeschrittenen Big Data-Architektur, die Apache Spark nutzt, um Benutzerprofile in Echtzeit zu erstellen, gewonnen durch Klicks des Benutzers, Produkte im Warenkorb, Suchabfragen und ähnliche Faktoren. Durch eine beeindruckende Geschwindigkeit der Datenberechnung kann Apache Spark enorme Mengen von Log-Daten des Benutzers aufnehmen und in eine Maschine für die Echtzeit-Personalisierung einbinden, die damit Suchergebnisse, Kataloge und Produktempfehlungen auf E-Commerce-Websites anpasst. 

Man muss sich nur mal vorstellen, dass hierdurch stets in Echtzeit immer genau die Produkte angeboten werden, die der Kunde auch kaufen wird. Durch Open-Source-Big Data ist die Personalisierung in Echtzeit für den E-Commerce nicht länger Zukunftsmusik, sondern bereits eine Wirklichkeit, die zu einem Wettbewerbsvorteil gegenüber anderen Legacy-Systemen werden kann.

Die Suche im E-Commerce ist einer unserer Nutzungsfälle, die in der Reihe „Big Data und Suche im Härtetest“ beschrieben werden – ein tieferer Einblick in sechs wichtige Anwendungsgebiete von Big Data für moderne Unternehmen. Sie finden hier die vollständige Liste der sechs Nutzungsfälle für Big Data und in Zukunft auch Videobeiträge zu Unternehmen, die ihr Geschäft erfolgreich mit diesen beschriebenen Techniken bereichert haben.

 

(Englisch)

0