Im E-Commerce kann man heutzutage mit Leichtigkeit eine große Menge an Daten über das Kundenverhalten gewinnen. Durch die schnelle Verfügbarkeit solcher großer Datenmengen bietet Data Mining enorme Potenziale für den E-Commerce Bereich. Dies gilt insbesondere für das Entdecken von Trends im Käuferverhalten durch die Warenkorbanalyse. In der Warenkorbanalyse geht es darum verdeckte Zusammenhänge zwischen gekauften Produkten aufzudecken. Hierzu werden Zusammenhänge anhand einfacher Regeln, den sogenannten Assoziationsregeln, untersucht. Diese Assoziationsanalyse kann man dazu nutzen, um Produktangebote zu optimieren, effektive Werbeaktionen zu erstellen und wirkungsvolle Marketingkampagnen zu entwickeln. Kurzum, die Warenkorbanalyse hilft Unternehmen dabei, ihre Gewinne zu steigern und ihre Wettbewerbsfähigkeit zu verbessern.
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!
Dieser Artikel beantwortet folgende Fragen
- 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?
- Welche Kenngrößen benötigt man für die Durchführung von Assoziationsanalysen?
- Wie werden in der Warenkorbanalyse Assoziationsregeln erstellt?
- Wie werden Assoziationsanalysen durchgeführt?
- Was sind die 3 zentralen Kennzahlen für die Assoziationsanalyse?
- Welche zusätzlichen Möglichkeiten bietet die Warenkorbanalyse im E-Commerce?
Definition Warenkorbanalyse
Gerade im Online Warenhaus wird man an vielen Stellen neben den üblichen Kundenanalysen auch 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.
Assoziationsanalyse: Beispiel 2
Nehmen wir ein weiteres Beispiel, um die Bedeutung von Support und Konfidenz deutlich zu machen. Die Verkaufsdaten eines Online-Stores zeigen, dass im vergangenen Monat von 1.000 Kunden 200 Turnschuhe gekauft haben. Von den Kunden, die Turnschuhe gekauft haben, haben 50 auch Jogginghosen gekauft. In diesem Fall können wir anhand der Assoziationsregeln sehen, dass Kunden die Turnschuhe kaufen mit einem Support von 5% (50/1.000) und einer Konfidenz von 25% (50/200) auch Jogginghosen kaufen.
Warenkorbanalyse in Online-Shops
Ursprünglich umfasste die Warenkorbanalyse Transaktionen in Supermärkten. Mit der zunehmenden Bedeutung des E-Commerce ist die Assoziationsanalyse für Online-Shops jedoch noch um ein Vielfaches relevanter. Online lassen sich relativ einfach Daten zum Kundenverhalten speichern und auswerten. Transaktionsdaten können automatisch von Online-Shops gesammelt werden. Somit verfügen viele Online-Shops bereits über zuverlässige Daten über Kunden und deren Kaufverhalten.
Die häufigste Anwendung der Assoziationsanalyse besteht darin, Produkte zu finden, die sich gegenseitig ergänzen und daher häufig zusammen gekauft werden. Diese Regeln wirken sich positiv auf den Umsatz aus: Wenn man weiß, dass der Kunde Produkt A kauft, kann man ihm daraufhin auch die Produkte B, C und D zeigen, wenn diese häufig zusammen mit A gekauft werden. Für den E-Commerse existieren außerdem noch andere sinnvolle Möglichkeiten für den Einsatz von Assoziationsregeln:
Negative Assoziationsregeln
Negative Assoziationsregeln geben Auskunft darüber, welche Produkte Kunden meistens nicht zusammen kaufen. Basierend auf diesen Regeln können Sie wichtige Tendenzen im Kaufverhalten der Kunden feststellen. Dazu gehören z.B. Lieblingsmarken (Kunde kauft Biermarke A, aber nicht B) oder Präferenzen für bestimmte Produkttypen (wenn der Kunde Orangensaft kauft, wird er kein Wasser kaufen). Negative Assoziationsregeln sind beim Aufsetzen eines Online-Shop-Angebots ebenso nützlich wie positive Regeln. Mit negativen Assoziationsregeln kann man das Erscheinungsbild der Webseite dynamisch verändern, so dass Kunden Produkte, die sie nicht kaufen möchten, gar nicht erst zu sehen bekommen.
Zyklische Assoziationsregeln
Zyklische Assoziationsregeln berücksichtigen die saisonalen Schwankungen von Verkäufen. Diese Regeln erlauben es, das Erscheinungsbild der Website an den saisonalen Bedürfnissen der Kunden anzupassen.
Intertransaktionale Assoziationsregeln
Intertransaktionale Assoziationsregeln suchen nicht nach Abhängigkeiten in einer einzelnen Transaktion. Stattdessen analysiert man die Beziehung zwischen Verkäufen, die in einem bestimmten Zeitraum getätigt wurden. Diese Assoziationsregeln berücksichtigen den Kontext des Einkaufs (z.B. Zeit, Ort, Kunde). Mit dieser Art von Regel lassen sich Zusammenhänge für die Abfolge von Ereignissen finden.
Vor dem Data Mining: Datenqualität beachten!
Der wichtigste Faktor im Data Mining sind relevante Daten. Data Mining ermöglicht es, Marketingkampagnen zu optimieren, indem man effektive Methoden für Cross-Selling und Up-Selling entwickelt. Es ist dafür allerdings notwendig, die Kaufgewohnheiten der Kunden genau zu kennen. Nur dann kann man Angebote erstellen, die den Erwartungen der Kunden entsprechen.
Nachdem Sie qualitativ hochwertige Assoziationsregeln gefunden haben, können Sie leicht jeden Kunden mit einem passenden Angebot mit dynamischen Inhalten erreichen. Das Angebot kann man beispielsweise auf der Website (in Form von Bannern und Pop-ups) oder per E-Mail verbeiten. Außerdem kann das Angebot auf Grundlage von Kundensegmenten weiter verfeinert werden.
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.