Ergebnisse von Warenkorbanalysen zeigen sich an vielen Stellen: Im Onlinehandel werden beispielsweise Produkte empfohlen mit der Überschrift „Wird häufig zusammen gekauft“. Der Kunde hat dadurch den Vorteil, auf relevante Produkte hingewiesen zu werden, der Vorteil des Händlers liegt finanziell auf der Hand. Aber auch Kundenbindung und Komfort werden erhöht, wenn alles aus einer Hand geliefert und bestellt werden kann. Wo früher noch umsichtige Verkäuferinnen freundlich gefragt haben, ob der Käufer passende Batterien zu Hause vorrätig hat für das neu erstandene Spielzeug, werden heute Technologien aus dem Data Mining Bereich genutzt, die diese Aufgabe automatisieren. Aber nicht nur im Online Bereich, sondern auch im stationären Handel liefern Data Mining Methoden enorme Marktvorteile. Dabei werden nur einige Voraussetzungen benötigt. Wir zeigen Ihnen, wie Sie die Assoziationsanalyse gewinnbringend einsetzen können.
Für ein detailliertes Beratungsgespräch mit einer individuellen Lösungssuche stehen Ihnen unsere Experten gerne zur Verfügung. Gemeinsam suchen wir mit Ihnen nach der besten Strategie, die Vorteile moderner Datenauswertung auch für Ihr Unternehmen greifbar und nutzbar zu machen. So können Sie alle Vorteile der Digitalisierung nutzen. Wir freuen uns auf Ihre Herausforderung!
Folgende Fragen werden in diesem Artikel beantwortet
- Was ist eine Warenkorbanalyse?
- Wie kann Data Science helfen, das Warenangebot zu optimieren?
- Wie kann eine Warenkorbanalyse bei kleineren und mittelständischen Unternehmen Vorteile verschaffen?
- Welche Voraussetzungen sind notwendig für eine Warenkorbanalyse?
- Wie werden Assoziationsanalysen durchgeführt?
- Welche Kenngrößen benötigt man für die Durchführung von Assoziationsanalysen?
Definition Warenkorbanalyse
Gerade im Online Warenhaus wird man an vielen Stellen mit den Ergebnissen von Warenkorbanalysen konfrontiert. Anhand von Warenkorbanalysen und moderner Data Science ist es möglich, aus einem (großen) Datenbestand Assoziationsregeln herzuleiten. Die Idee von Warenkorbanalysen besteht darin, Verbindungen zwischen gekauften Artikel aus den Bestandsdaten zu finden und zu erkennen. Eine typische Frage bei der Assoziationsanalyse ist die nach der Wahrscheinlichkeit, mit der ein Kunde Produkt A kauft, wenn er bereits Produkt B im Warenkorb hat. Welche Artikel oder Produkte werden also häufig miteinander gekauft?
Aufbauend auf solchen Assoziationsanalysen können dann im Weiteren Produktgruppen gebildet werden, die häufig miteinander verkauft werden. In weiterführenden Analysen können zudem Kundensegmentierungen vorgenommen werden, die bestimmte Kundengruppen als besonders kaufaffin eingrenzen.
Wir helfen Ihnen gerne mit einer professionellen Beratung sowie Auswertung weiter, wenn es um Fragen rund um das Thema Warenkorbanalyse geht. Bei uns sind Ihre Daten sicher und zuverlässig in den Händen unserer Experten. Nehmen Sie Kontakt mit uns auf. Wir freuen uns darauf, auch Ihr Unternehmen mit professioneller Beratung zu Data Mining Methoden zu unterstützen.
Möglichkeiten einer Warenkorbanalyse
Im Rahmen einer Warenkorbanalyse werden die Käufe und das Kaufverhalten von Kunden analysiert. Das Wissen um Produkte, die häufig miteinander gekauft werden, ermöglicht es dem Unternehmen, gezielt und kundenorientiert Produkte anzubieten. Besonderen Stellenwert nehmen dabei folgende Möglichkeiten ein:
- Up-Selling: Angebot eines höherwertigen oder teureren Produktes anstatt des vom Kunden gewünschten Produktes
- Cross-Selling: Durch das gezielte Angebot interessanter Produkte können Kaufinteressenten zu Zusatzkäufen bewegt werden.
- After-Selling: Kunden werden nach dem erfolgreichen Kauf auf mögliche Folgeprodukte aufmerksam gemacht.
- Häufig nachgefragte Produkte erkennen: Produkte, die häufig gekauft oder nachgefragt werden, können mit einer Warenkorbanalyse erkannt werden. Frühzeitige Planung des Einkaufs- und Bestellprozesses ermöglichen eine vorausschauende Planung.
- Vermeidung von Ladenhütern: Produkte, die wenig nachgefragt werden, können mit einer Warenkorbanalyse erkannt werden. Mit Hilfe von betriebswirtschaftlichen Strategien können unliebsame Ladenhüter so gezielt vermieden und umgangen werden.
- Preisgestaltung: Bei zusammengehörigen Produkten führt eine Erhöhung der Verkaufszahlen eines Produktes z.B. durch Rabatte zu einer Erhöhung des assoziierten Produktes, ohne dass auch hier eine Preisreduzierung erfolgen muss.
- Optimierung der Produktplatzierung: Assoziationsanalysen erlauben eine gezielte Produktplatzierung sowohl im stationären Einzelhandel wie auch im online Handel. Produkte, die häufig miteinander gekauft werden, können gezielt platziert werden, ohne dass Kunden eine Odyssee durch diverse Regale oder Gliederungsbäume durchlaufen müssen.
- Stärkung der Kundenbindung und Zufriedenheit: Jeder Aufwand führt letztendlich dazu, dass sich der Kunde in seinen Bedürfnissen erkannt und verstanden fühlt. Somit sind die Kunden zufriedener, wodurch diese eher wieder bei dem gleichen Anbieter einkaufen.
Die Daten als Grundlage und Voraussetzung für eine valide Assoziationsanalyse
Im Rahmen der Warenkorbanalyse werden Bestandsdaten aus getätigten Verkäufen analysiert. Eine zentrale Rolle nimmt somit die Datenbasis ein.
Im Online Handel liegen die Daten bereits digital vor. Oft werden mit Cookies weitere sekundäre Informationen des Kaufinteressenten gesammelt und gespeichert. Für den stationären Handel dagegen reichen für das Aufstellen von Assoziationsregeln Daten aus Scannerkassen aus. Die von vielen Geschäften verwendeten Kundenkarten haben den zusätzlichen Effekt, dass Informationen über Einkäufe und Warenkörbe gesammelt werden, wobei zudem auch demografische Daten über den Käufer und Zahlungsarten gespeichert werden, vergleichbar mit den Cookies der Web Analytics.
Vor der Verarbeitung werden die Daten zuerst hinsichtlich der Richtigkeit und Plausibilität untersucht und gegebenenfalls bereinigt. Insgesamt folgt der Ablauf einer Warenkorbanalyse wie alle Data Mining Methoden dem CRISP-DM Standard.
Hinsichtlich der Daten ist zu beachten, dass immer vergangene Daten verwendet werden, um Aussagen über zukünftige Ereignisse, also Kaufentscheidungen zu treffen. Dabei muss auf eine Repräsentativität der Daten besonders geachtet werden. Beispielsweise muss der Beobachtungszeitraum groß genug gewählt werden, um saisonale Schwankungen zu berücksichtigen. Hierbei helfen Ihnen unsere Experten im Einzelfall gerne weiter.
Kenngrößen einer Warenkorbanalyse
Ausgangspunkt für die Analyse ist die Datenbasis von Warenkörben oder Kaufbelegen in einem bestimmten Zeitrahmen. Dabei gilt jeder Kauf als ein Datensatz, bei der eine variable Menge an Waren gekauft wurde. Für diesen bisweilen sehr großen Datensatz werden für alle Waren drei zentrale Kenngrößen berechnet: Support, Konfidenz und Lift. Ein Anwendungsbeispiel hierfür ist im folgenden Kapitel zu finden.
Support
Der Support eines Produktes gibt an, wie oft es im Zeitfenster gekauft wurde. Die Angabe erfolgt dabei relativ zur Gesamtzahl der Transaktionen in Prozent.
Konfidenz
Die Konfidenz gibt an, wie oft Produkt B gekauft wird, falls Produkt A gekauft wird. Hier erfolgt die Angabe ebenfalls relativ in Bezug zu Produkt A. Die Konfidenz kann über eine Auszählung aller Warenkörbe erfolgen, aber auch durch den Support ausgedrückt werden:
Konfidenz (B) = \frac{Support (A und B)}{Support (A)}Lift
Der Lift von Produkt B gibt den Faktor an, um den sich die Wahrscheinlichkeit für den Kauf von Produkt B erhöht, falls Produkt A gekauft wird. Dabei sind Werte größer 1 mit einer erhöhten Kaufwahrscheinlichkeit verbunden, falls bereits Produkt A gekauft wird.
Der Lift eines Produktes kann ebenfalls über den Support ausgedrückt werden:
Lift (B) = \frac{Support (A+B)}{Support(A) \cdot Support(B)}Mehr wird für die Assoziationsanalyse an theoretischem Grundstock nicht benötigt. Im Folgenden zeigen wir anhand eines Beispiels aus unserer Beratungspraxis, wie die Warenkorbanalyse in der praktischen Umsetzung erfolgt.
Warenkorbanalyse Praxisbeispiel: Von der Kenngröße zur Assoziationsregel
In folgendem Praxisbeispiel soll für ein kleines Café eine Warenkorbanalyse durchgeführt werden. Das Café bietet neben hausgemachten Kuchen und Kleingebäck mehrere Kaffeespezialitäten an sowie verschiedene Kleinwaren wie Spirituosen, Schokolade, Pralinen etc. Die Kundin möchte mit Hilfe von Data Mining Methoden ihren Warenbestand sowie die Präsentation im Café optimieren. Sie ist mit der Frage an Novustat herangetreten, welche Waren häufig in Kombination gekauft werden. Ebenso war interessant, welche Kombinationen von selten verkauften Waren mit anderen Produkten erkennbar sind.
Für dieses Beispiel soll untersucht werden, mit welchen Produkten Kuchen assoziiert ist.
Die Daten
Für die Auswertung stehen Daten aus dem Kassenbericht des letzten Jahres zur Verfügung. Zur Vereinfachung wird im Folgenden die Assoziationsanalyse mit 10 Rechnungen exemplarisch durchgeführt. In der Originalauswertung wurden zudem noch viele unterschiedliche Kuchen und Gebäckarten unterschieden.
| ID | Kuchen | Gebäck | Kaffee | Kakao | Tee | …. |
| 1 | 1 | 1 | 1 | 1 | ||
| 2 | 1 | 1 | ||||
| 3 | 1 | 1 | ||||
| 4 | 1 | 1 | 1 | |||
| 5 | 1 | 1 | ||||
| 6 | 1 | 1 | ||||
| 7 | 1 | 1 | ||||
| 8 | 1 | 1 | ||||
| 9 | 1 | 1 | 1 | |||
| 10 | 1 | |||||
| … |
Berechnung der Kenngrößen für die Warenkorbanalyse
Um Aussagen darüber zu machen, mit welchen Produkten Kuchen zusammen verkauft wird, müssen zuerst die Kenngrößen berechnet werden:
Support\: (Kuchen) = \frac{8}{10}= 80\%\\
Support\: (Gebäck) = \frac{2}{10} = 20\%\\
Support\: (Kaffee) = \frac{6}{10} = 60\%\\
Support\: (Kakao) = \frac{5}{10} = 50\%\\
Sowie die paarweisen Kombinationen:
Support\: (Kuchen \:\&\: Gebäck) = \frac{2}{8}= 25\%\\
Support\: (Kuchen \:\&\: Kaffee) = \frac{6}{8} = 75\%\\
Support\: (Kuchen \:\&\: Kakao) = \frac{4}{8} = 50\%\\
Hieraus lässt sich dann die Konfidenz der Produkte zu Kuchen bestimmen:
Konfidenz\: (Gebäck) = \frac{Support\: (Kuchen \:\&\: Gebäck)}{Support\: (Kuchen)} = \frac{25\%}{80\%} = 31,25\%\\ \\
Konfidenz\: (Kaffee) = \frac{75\%}{80\%} = 93,75\%\\ \\
Konfidenz\: (Kakao) = \frac{50\%}{80\%} = 62,50\%\\ \\
Sowie außerdem der Lift der Produkte in Bezug zum Produkt „Kuchen“:
Lift\: (Gebäck) = \frac{Support\: (Kuchen \:\&\: Gebäck)}{Support\: (Kuchen)\:\cdot\: Support\: (Gebäck)} = \frac{25\%}{80\%\:\cdot\:25\%} = 156,25\%\\ \\ Lift\: (Kaffee) = \frac{75\%}{80\%\:\cdot\:60\%} = 156,25\%\\ \\ Lift\: (Kakao) = \frac{50\%}{80\%\:\cdot\:50\%} = 125\%\\ \\ Lift\: (Tee) = \frac{12,5\%}{80\%\:\cdot\:20\%} = 78,13\%\\ \\Interpretation
Wenn Kuchen gekauft wird, wird zu 31,25 % ein Gebäckstück, zu 93,75 % ein Kaffee, zu 62,50 % Kakao und zu 12,5 % ein Tee bestellt (Konfidenz). Die Wahrscheinlichkeit für ein Gebäckstück steigt durch den Kauf von Kuchen um 56,25%, für Kaffee um 56,25%, für Kakao um 23% und sinkt für Tee um 21,87% (Lift).
Die Schwierigkeit der Warenkorbanalyse zeigt sich im enormen Rechenaufwand. In obigem Beispiel werden zum einen nur 10 Warenkörbe untersucht, zum anderen nur Assoziationen mit dem Produkt Kuchen. In der Praxis werden für alle möglichen Kombinationen die Maßzahlen berechnet und ausgegeben. Insgesamt erfordern diese Analysen einen großen Rechenaufwand sowie souveränen Umgang mit Big Data und großen Zahlenmengen.
Warenkorbanalyse: Zusammenfassung
Warenkorbanalysen und die Durchführung einer Assoziationsanalyse ergeben wesentliche Erkenntnisse im unternehmerischen Tätigkeitsfeld. Dabei sind die erforderlichen Daten nicht nur bei Online Stores vorhanden, auch bei kleinen und mittelständischen Unternehmen liegen die erforderlichen Daten für die Anwendung von Data Mining Methoden oft bereits vor.
Weiterführende Quellen
Hahsler, Michael & Hornik, Kurt & Reutterer, Thomas: Warenkorbanalyse mit Hilfe der Statistik-Software R.
Bensberg, Frank (2001): Warenkorbanalyse im Online-Handel.