Der Einsatz von Big Data Analytics und insbesondere Predictive Analytics Ecommerce kann zu entscheidenden Wettbewerbsvorteilen führen. Mit Preissuchmaschinen haben Konsumenten beispielsweise die Möglichkeit, aktuelle und günstige Produkte zu finden und über Händlerlinks den entsprechenden Onlineshop zu finden. Predictive Analytics (oder auch prädiktive Analyse) nutzt Daten, um Prognosemodelle zu entwickeln. Die Vorhersagen werden überprüft und das Modell wird weiterentwickelt. Mit der Zeit wird das Vorhersagesystem dadurch immer besser. Somit können Kunden und Onlinehändler gleichermaßen vom Mehrwert profitieren. In diesem Artikel möchten wir einen Einblick in die zahlreichen Einsatzmöglichkeiten und Vorteile von Predictive Analytics Ecommerce Bereich schaffen.
Gerne beraten wir Sie, wie die prädiktive Analyse in ihrem Unternehmen umgesetzt werden kann. So können wir Hand-in-Hand eine Lösung finden, die genau auf Ihre Bedürfnisse zugeschnitten ist. Wir freuen uns auf Ihre Herausforderung.
Dieser Artikel beantwortet folgende Fragen:
- Was versteht man unter Predictive Analytics und Predictive Analytics Ecommerce?
- Wie sieht der Workflow für prädiktive Analyse aus?
- Wie lassen sich die Business Intelligence und Predictive Analytics Software kombinieren?
- Auf welche Art und Weise kann Predictive Analytics Ecommerce bereichern?
Was ist Predictive Analytics?
Data Mining fasst unterschiedliche Aspekte der Analyse von Big Data Analytics zusammen. Eines der zur Zeit wichtigsten Anwendungsgebiete von Big Data ist Predictive Analytics (auch prädiktive Analyse).
Predictive Analytics ist ein Teilbereich der Business Analytics oder Business Intelligence (BI), also der systematischen Analyse des Unternehmens.
Predictive Analytics ist ein Verfahren, das auf Basis beobachteter Daten Informationen erkennt, um zukünftige Muster oder Trend vorherzusagen. Kurz gesagt, Sie können aus bestehenden Daten der Vergangenheit Vorhersagen für die Zukunft zu treffen – eine evidenzbasierte Weissagung ohne Kristallkugel und Tarotkarten.
Gerne stehen Ihnen unsere Experten für ein detailliertes und individuelles Beratungsangebot zur Verfügung. Wir freuen uns, mit Beratung zu Predictive Analytics und Predictive Analytics Ecommerce zur Seite zustehen. Wir erklären anschaulich und anwendungsorientiert die Möglichkeiten und Optionen von Predictive Analytics für Ihr Unternehmen. Nehmen Sie Kontakt auf! Wir freuen uns auf ein Gespräch.
Wie wird ein Datenmodell für Predictive Analytics erstellt?
Für die Erzeugung eines Datenmodells, das Predictive Modeling, stehen diverse Verfahren der Künstlichen Intelligenz (KI) in Kombination mit Methoden des Maschinellen Lernens (ML) und der Statistik als Software zur Verfügung. Das Prognosemodell für die Wahrscheinlichkeit des Eintretens eines Ereignisses wird aufgrund des Testens, der Validierung und der Auswertung einer gegebenen Menge an Input-Daten erstellt. Es existieren zudem beschreibende und Entscheidungsmodelle. Beschreibende Modelle quantifizieren Informationen, die häufig zum Klassifizieren von Datensätzen in Gruppen verwendet werden. Entscheidungsmodelle erstellen Prognosen der Beziehung zwischen allen Elementen eines Datensatzes mit vielen Variablen.
Der Workflow des Predictive Modelings
Während des Prozesses der Prognose laufen ein oder mehrere Algorithmen für die Analyse über die Input-Daten. Das ist ein iterativer Prozess, der zudem bedingt, dass das Prognosemodell aufgrund der Input-Daten trainiert wird. Zunächst werden beim Predictive Modeling die Daten vorbereitet. In einem weiteren Schritt erfolgt das Data Mining. Data Mining wird als analytischer Prozess verstanden, der eine autonome Identifizierung von Mustern aus Daten erlaubt. In einem dritten Schritt erfolgt die Validierung der Resultate des Data Minings. Danach kann man die Daten hinsichtlich der Unternehmensziele begutachten und eine Problemstellung formulieren. Erst dann werden die Daten für das Prognosemodell vorbereitet und in einem weiteren Schritt erstellt. Danach erfolgt die Auswertung dieser Daten sowie der Einsatz des Datenmodells und in einem finalen Schritt kann man das Prognosemodell überprüfen und ggf. verbessern.
Die einzelnen Schritte des Predictive Modelings werden in der nachfolgenden Abbildung dargestellt.
Wie lassen sich die Resultate für den Vertriebsplan im Unternehmen nutzen?
Bedeutung für den Vertriebsplan (Forecast)
Die Prognosen sind für den Vertriebsplan (Forecast) deswegen von Bedeutung, weil sich aus der Analyse der historischen Daten künftige Entwicklungen hinsichtlich Bestandsmanagement, Kundenabwanderung oder Kundenverbleibquote (Retention Rate), Vertriebsgebiete, Produktgruppen oder Umsatz durch Vertriebsmitarbeiter ableiten lassen. Die Prognosen können unterschiedliche Ziele beinhalten wie beispielsweise eine geplante Erlössteigerung oder eine prozentuale Umsatzsteigerung im Vergleich zum Vormonat oder Vorjahr.
Der Vertriebsplan ist ein Instrument des Controllings, mit dem Abweichungen von den Zielvereinbarungen identifiziert werden. Werden Abweichungen erkannt, können Umsatz- und Ertragsentwicklung gefährdet sein. Ein Vertriebsplan eignet sich insbesondere für die Kurskorrektur. Auch dafür wird spezifische Software eingesetzt.
Was ist der Unterschied zwischen Predictive Analytics und Business Intelligence?
Business Intelligence bildet Unternehmensdaten ab und erforscht diese. Predictive Analytics erstellt aufgrund von gegebenen Input-Daten ein Prognosemodell für künftige Entwicklungen und Ereignisse. Das übergeordnete Ziel von Business Intelligence ist die einfache Visualisierung von Daten, damit schnell auf Informationen zugegriffen werden kann. Auf diese Art kann man einfach Muster, Trends oder Relationen zwischen Informationen identifizieren. Auch wenn die Prognoseverfahren auf den ersten Blick ähnlich erscheinen, bildet Business Intelligence nur das ab, WAS bereits passiert IST.
Predictive Analytics ist ein Instrument der Zukunft, d. h. Predictive Analytics fragt danach, WAS künftig passieren KÖNNTE. Die Prognoseverfahren greifen dabei auf spezifische Muster und Trends in vorgegebenen Datensätzen zurück. Diese bilden ab, was passieren KÖNNTE, wenn diese Muster sich ändern.
Lässt sich die Business Intelligence und Predictive Analytics kombiniert nutzen?
Vernetzte IT-Systeme erlauben eine Kombination von Business Intelligence und Predictive Analytics. Eine Voraussetzung für vernetzte IT-Systeme ist eine Interoperabilität und eine Kompatibilität beider Software-Varianten. Auf diese Art können Sie beispielsweise Kohortenanalysen durchführen, die Online-Shop-Nutzer in diverse Nutzergruppen mit ähnlichen Verhaltenseigenschaften kategorisiert. Diese Kategorisierungen können Sie nach Bestellungsanzahl, Gewinn und Umsatz sortieren und einen monatlichen Vergleich mit dem Vormonat vornehmen. Mit den durch die Kohortenanalyse ermittelten Kategorien und aufgrund der Vergleiche können Sie zudem personalisierte Marketingaktivitäten für die Nutzergruppen erstellen.
Eine Kombination von vernetzten IT-Systemen erlaubt zudem eine verbesserte Regressionsanalyse, d. h. die Ermittlung von Relationen zwischen diversen Variablen. Die Abhängigkeit oder Unabhängigkeit zwischen Variablen kann einen Einblick in historische und aktuelle Daten bieten. Interessant wäre beispielsweise eine Relation zwischen der Anzahl der Gesamtbestellungen mit der Anzahl der Top-10-Bestellungen, aber auch ein Blick auf die Relation zwischen Wartezeit und der Beschwerdeanzahl kann sich lohnen.
Mithilfe der Kombination der Software-Funktionen kann man auch historische Daten für Zeitreihenanalysen verwenden, um Prognosen hinsichtlich künftiger Umsätze zu erstellen. Dafür muss man monatlich abgebildete Umsatzzahlen diverser Vorjahre verwenden. Auf diese Art können vergangene Trends, monatliche Wachstumsraten und sich wiederholende Muster in
Workflow Predictive Analytics Ecommerce
Ausgangspunkt aller Analysen ist jeweils eine konkrete Zielvorstellung oder Forschungsfrage.
Predictive Analytics nutzt dafür meist sehr große Datenbestände, um Modelle zu entwickeln. Die Modelle sollen dabei die Zusammenhänge von Zielvariablen und möglichen Einflussvariablen beschreiben und quantifizieren. Dadurch werden klare, verständliche und handlungsrelevante Modelle entwickelt. Diese Modelle beschreiben einerseits die beobachteten Daten so exakt wie möglich, gleichzeitig sollen die Zusammenhänge auch möglichst einfach sein. Gute Modelle entstehen dabei durch ein Trade-off zwischen Einfachheit des Modells und Genauigkeit der Anpassung (Modellgüte).
Für die Entwicklung dieser Modelle stehen statistische Verfahren wie lineare oder nichtlineare Regression zur Verfügung aber auch Ansätze aus dem Data Mining wie z.B. neuronale Netze, Support Vector Machines oder Entscheidungsbaum.
Dieses Predictive Analytics Model wendet man anschließend im nächsten Schritt auf aktuelle Daten an, um vorherzusagen, welche Ergebnisse man in Zukunft erwarten kann.
Predictive Analytics Ecommerce: Zwei ideale Partner
Prädiktive Analyse kann Unternehmen im Ecommerce effektiv in unterschiedlichen Bereichen unterstützen. So kann man beispielsweise Kundenerwartungen, Vorlieben und Muster bestimmter Kundengruppen extrahieren und Trends im Verkauf besser verstehen. Ein weiterer Vorteil von Predictive Analytics und Big Data Analytics ist eine sehr schnelle Verfügbarkeit von Informationen, meist in Echtzeit. So können auch aktuelle Trends und Effekte wahrgenommen werden und das Management kann frühzeitig reagieren. Und das resultiert letztendlich in einem Wettbewerbsvorteil.
Anwendung von Predictive Analytics Ecommerce
Es gibt viele Anwendungsszenarien von Predictive Analytics, von denen Ecommerce Unternehmen profitieren können:
Cross- und Upselling
Up-Sells und Cross-Sells sind das Ergebnis von Predictive Analytics Ecommerce. Mit dem Angebot eines Produktes im Online Store präsentiert man ein oder mehrere ergänzende Produkte. Bei Fahrrädern finden sich Angebote zu Fahrradhelm, Korb oder Trinkflasche. Wer sich für Hemden interessiert, bekommt auch Angebote zu passenden Krawatten oder Hosen usw. Je besser die richtigen Accessoires für den potenziellen Kunden passen, umso höher ist die Kaufwahrscheinlichkeit.
Die Entscheidung, welche Produkte für den Kunden passen, wird dabei durch die Anwendung von prädiktiver Analyse getroffen. Anhand bestehender Transaktionsdaten wird zunächst bestimmt, in welches Segment der Kunde passt. Basierend auf bestehenden Daten kann der Algorithmus jeweils die besten Cross- oder Up-Sales Artikel automatisch auswählen. Beim mehrmaligen Besuch eines Kunden im Webshop können zusätzlich die Fußspuren des Kunden genutzt werden, um noch individuellere Kaufempfehlungen zu platzieren. Durch die Vorhersage und das Erkennen von Kundenbedürfnissen können individuelle Angebote präsentiert werden.
Preisoptimierung
In bestimmten Branchen sind wir an täglich wechselnde Preise für manche Produkte schon gewohnt. Der Verkaufspreis für Handys, Computer oder andere technische Geräte verändert sich täglich, ähnlich wie die Preise für Treibstoff an der Tankstelle. An bestimmten Tagen z. B. Black Friday werden ausgewählte Artikel deutlich reduziert angeboten. Für Konsumenten zeigen Preisvergleiche und Suchmaschinen die Preisentwicklung eines Produktes im zeitlichen Verlauf genau an, so dass Kaufinteressenten immer die Möglichkeit haben, das am günstigsten angebotene Produkt zu erwerben. Im Vergleich haben teurere Angebote dadurch keine Chance mehr. Predictive Analytics Ecommerce bietet die Möglichkeit, anhand der vergangenen Preisentwicklung die idealen Preise zum jeweiligen Zeitpunkt zu prognostizieren. Dabei kann man die Vorhersage hinsichtlich Umsatz, Gewinn oder der Handelsspanne maximieren. Der passende Preis zum richtigen Zeitpunkt ist letztendlich kaufentscheidend.
Individuelle Kundenrabatte
Der Preis eines Produktes wird nicht nur durch die wechselnden Tagespreise, sondern auch durch Rabatte und Preisnachlässe bestimmt. Vorreiter der dynamischen Preisgestalter sind Fluglinien. Nahezu alle Flugtickets haben unterschiedliche Preise, abhängig vom Kaufdatum, von der Anzahl belegter Plätze, vom Datum der Buchung, von bereits zurückgelegten Meilen des Fluggastes sowie von vielen anderen Parametern.
Mit Predictive Analytics Ecommerce sind individuelle Rabattangebote für alle möglichen Warengruppen denkbar. Rufen Konsumenten oft Artikel aus der Kategorie „Sale“ auf oder verweilen lange auf diesen Seiten, so sind sie an Schnäppchen interessiert. Durch die Einblendung eines Rabattcodes kann man die Kunden dazu bewegen, auch reguläre Waren zu kaufen. Dieser Rabattcode ist für andere Käufergruppen hingegen nicht notwendig und wird daher nicht eingeblendet. Auch ein Rabatt in Abhängigkeit von der Postleitzahl ist möglich. Betrachtet ein Konsument immer wieder die gleichen Produkte, kann durch die Einblendung eines (einmaligen) Rabattcodes womöglich die Entscheidung zugunsten eines Produktkaufs beeinflusst werden.
Retourenmanagement
Warenretouren sind für alle Unternehmer eine große Herausforderung. Neben Versandkosten gehen häufig auch eine Wertminderung oder der Preisverfall des retournierten Artikels einher. Mit Predictive Analytics Ecommerce kann man bereits vor der Bestellung die Warenkörbe identifizieren, die mit hoher Wahrscheinlichkeit eine Retoure zur Folge haben werden.
Wenn ein Kunde beispielsweise ein Kleidungsstück in mehreren Größen in den Warenkorb legt, so wird dieser häufig letztendlich nur eine Größe behalten. Durch die Prognose von Rückläufen hat ein Ecommerce-Unternehmen die Möglichkeit zu reagieren. Den Kauf mehrerer Größen kann man beispielsweise unterbinden, indem man nur wenige Größen als verfügbar anzeigt. Hat der Kunde bereits einen Artikel in Größe 52 im Warenkorb, so können die Größen 50 und 54 bei weiterem Einkauf als ausverkauft dargestellt werden. Ist ein Artikel tatsächlich nicht mehr verfügbar, können Kunden mit der Aussage “in wenigen Tagen lieferbar“ dazu bewogen werden, den Artikel zu kaufen und auf Warenrücksendungen anderer Kunden zu warten.
Zusammenfassung zu Predictive Analytics Ecommerce
Eine prädiktive Analyse bietet die Basis für vorausschauenden und kundenorientierten Ecommerce. Trends und Entwicklungen kann man durch Predictive Analytics frühzeitig erkennen. Kunden kann man somit ihren Bedürfnissen entsprechend bedienen. Eine prädiktive Planung ist dabei nicht nur großen Online Warenhäusern vorbehalten. Auch kleine und mittelständische Ecommerce Unternehmen können durch verbessertes Retourenmanagement oder Cross-Selling Angebote ihre Verkäufe steigern und die Qualität der Kundenbeziehung weiter optimieren.
Wie wir Ihnen in diesem Artikel gezeigt haben, können Sie Business Intelligence durch Predictive Analytics erweitern, um damit Kohortenanalysen, Regressionsanalysen oder Zeitreihenanalysen durchzuführen und unterschiedliche Prognoseszenarien zu realisieren. Novustat unterstützt gerne auch Ihr Unternehmen durch eine gezielte statistische Beratung für relevanten Prognosen.
Weiterführende Quellen:
Bardhan, D., Baumgartl, A., Choi, N.-S., Dudgeon, M. Lahiri, A., Meijerink, B., WOrsley-Tonks, A. (2019): SAP S/4HANA, eine Einführung, Bonn: Rheinwerk.
Bruce, P., & Bruce, A. (2017): Statistics for Data Scientists: 50 Essential Concepts, London: O´Reilly.
Glenn, N. (2005): Cohort Analysis, London: Sage.
Kuhn, M. & Johnson, Kjell (2018): Applied Predictive Analytics, New York: Springer.
SAP (2019): SAP Predictive Analytics Integrator (PAi), https://news.sap.com/2018/04/predictive-analytics-for-business-departments/.
Schön, D. (2015): Planung und Reporting: Grundlagen, Business Intelligence, mobile BI und Big-Data-Analytics, Wiesbaden: Springer-Gabler.
Zakir, Seymour, Berg (2015): Big Data Analytics, In: Issues in Information Systems, Vol. 6(2), S. 82.