Nach einer Phase, die von Branding und CSR dominiert wurde, konzentriert sich das aktuelle Ziel der Einzelhändler auf die Maximierung des ROI von Marketingaktionen, um die in den Monaten der Inaktivität angesammelten Lagerbestände freizusetzen und Neuheiten den Verbrauchern mitzuteilen, die neue Kaufgewohnheiten angenommen haben. In der heute strategisch wichtigen Online-Welt versuchen Data Science-Anwendungen im E-Commerce des Einzelhandels seit langem, die Effizienz von Online-Shops zu verbessern, Prozesse zu automatisieren und die Nutzererfahrung zu optimieren, um den Umsatz zu maximieren.
Data Science-Anwendungen im Einzelhandel
Obwohl Umfragen, wie die von NewVantage Partners durchgeführte „Big Data and AI Executive Survey 2019“, berichten, dass nur 30 % der US-Unternehmen sich als Data-Driven bezeichnen würden, hat die durch die SARS-CoV-2-Pandemie ausgelöste Krise die digitale Transformation beschleunigt. Einzelhändler, die online tätig sind und bereits Data Science-Methoden anwenden, haben in diesen unsicheren Zeiten einen Wettbewerbsvorteil. Im Folgenden erörtern wir drei der wichtigsten Anwendungen:
1. Preis-Management mit einem datenbasierten Ansatz
Eine Preispolitik, die sich nicht auf Intuition, sondern auf reale Insights stützt, ist ein wertvolles Tool, um den Absatz in Zeiten geringer Nachfrage zu steigern und gleichzeitig von der Steigerung während saisonaler Spitzenzeiten zu profitieren. Dies ist möglich, solange der Einzelhändler seine Daten unter gemeinsamen Merkmalen vereinheitlichen kann, ohne einen Absatzkanal auszuschließen.
Mit dieser anfänglichen Klassifizierung, bei der Daten in Data Lakes gespeichert, verarbeitet und verwendet werden, um Machine Learning-Modelle zu unterstützen, ist folgendes möglich:
- Anpassung der Rabatt- oder Preispolitik an den Nutzer: Die Datenanalyse ist dafür verantwortlich, gemeinsame Muster zu erkennen und Kundencluster auf der Grundlage ihres früheren Online-Verhaltens sowie historischer Interessen und Käufe zu identifizieren. Auf diese Weise ist es möglich, eine Werbestrategie zu entwerfen, die an die identifizierten Nutzer angepasst ist und daher eher zu Conversions führt.
- Definition der Preise nach Segmenten: In diesem Fall wird der Katalog der Produkten und Dienstleistungen sowie der Preis unter Berücksichtigung größerer Publikumssegmente festgelegt. Denkbar wäre z. B. eine standardisierte Preisgestaltung für die Mehrheit der Nutzer, aber auch die Integration einer anderen Strategie mit aggressiveren Rabatten, die sich an jene Kunden richten, deren Kaufmotivation auf dem Preis basiert. Schließlich würden sie Premium-Angebote mit Dienstleistungen oder Sonderfunktionen für diejenigen umfassen, die zusätzliche Sicherheit suchen .
2. Personalisierte Empfehlungen für Up- und Cross-Selling im E-Commerce
Amazon und sein fortgeschrittener Algorithmus für die Empfehlungen an die Marketplace-Nutzer sind Vorreiter in diesen Data Science-Methoden. Die gängigsten Modelle des Machine Learning sind darauf ausgelegt:
- Eine verbesserte Version des gewählten Produkts anzubieten (Up-Selling).
- Andere Produkte zu empfehlen, die mit dem gekauften Gegenstand zusammenhängen, wie z. B. einen Fitnessball mit seiner Luftpumpe.
- Artikel zu empfehlen, die ähnliche Nutzerprofile zur gleichen Zeit erworben haben. Das ist etwas sehr Übliches im E-Commerce für Mode, wo es darum geht, den Verkauf kompletter Outfits anzukurbeln.
Der Vorteil des Einsatzes von Machine Learning zur Verwaltung dieser Empfehlungen liegt im Effizienzgewinn, da nicht Hunderte von A/B-Tests durchgeführt werden müssen, um Entscheidungen zu treffen: Es ist der Algorithmus selbst, der bestimmt, welche Produkte jedem Nutzer auf personalisierte Weise angezeigt werden sollen. Dies wird erreicht, indem das System einem vorherigen Training unterzogen wird, d. h. es ist notwendig, die Daten vorher zu klassifizieren und Merkmale festzulegen, die die Artikel miteinander in Beziehung setzen. Nach der Implementierung verfeinern diese Algorithmen die Auswahl der Empfehlungen und optimieren sie ständig. Sie werden sehr präzise, da sie von einer immer umfangreicheren Datensammlung gespeist werden, die es ihnen erlaubt, die Reaktionen der Nutzer auf die Empfehlungen genau zu analysieren.
3. Fortgeschrittene Attributionsmodelle mit Machine Learning
Die Komplexität der Einkaufsrouten der Nutzer im Einzelhandel ist auf die Anwendung von Omnichannel-Strategien zurückzuführen: Dabei verschwimmen die Grenzen zwischen Online- und Offline-Aktionen, die Zahl der Verkaufsplattformen nimmt zu und neue Werbeflächen wie TikTok entstehen. Im Marketing war die Analyse der Buyer’s Journey schon immer ein Bestandteil von Studien, aber bisher wurde sie nicht mit so hoher Präzision verfolgt. Dies ist auf fortgeschrittene Attributionsmodelle mit Machine Learning zurückzuführen.
Die Attributionsmodelle, die mit Machine Learning arbeiten, analysieren das Online-Verhalten des Nutzers zu jeder Zeit. Dazu integrieren sie Daten von externen Plattformen (z. B. aus Werbekampagnen auf verschiedenen Kanälen) und Informationen von der Website selbst. Auf der Grundlage dieser reellen Daten ist es möglich, die Rentabilität der einzelnen Kanäle zu kontrollieren, Budgets umzuverteilen oder die Effektivität des Affiliate-Netzwerks zu bewerten. Ein weiterer Vorteil dieser Art von Attributionsmodell ist die Fähigkeit, Click Fraud aufzudecken.
Data Science: eine Quelle der Sicherheit für Einzelhändler
Die richtigen Entscheidungen zu treffen, ist für viele Einzelhändler, die versuchen, sich in einem unsicheren Verbraucherumfeld zurechtzufinden, essentiell. Aus diesem Grund werden Einzelhändler, die Data Science-Methoden in ihrem E-Commerce anwenden, ihren Mitbewerbern einen Schritt voraus sein, indem sie die Online-Erfahrung ihrer Nutzer bereichern und über alle Informationen verfügen, die erforderlich sind, um flexibel und schnell auf Veränderungen zu reagieren.
