FACT-Finder Webinar Recommendation Engine 2.0

381 Aufrufe

Veröffentlicht am

Im Webinar lernen Sie, welche Möglichkeiten FACT-Finder mit der Recommendation Engine 2.0 bietet, mit wenig Aufwand passende Empfehlungen zu erzeugen. Auch wenn Sie nur einen geringen Anteil kombinierter Verkäufe in Ihrem Shop haben, kann FF sinnvolle Zusatz- und Alternativ-Vorschläge ausspielen. Denn die neue Recommendation Engine berücksichtigt auch Beziehungen zwischen Kategorien und ausgewählten Produktmerkmalen.
Martin Koch, Senior Coach eBusiness Solutions, zeigt Ihnen live, wie Sie relevante Empfehlungen mit minimalem Aufwand und innerhalb von Minuten im Online-Shop einbetten.

Veröffentlicht in: Einzelhandel
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
381
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
15
Aktionen
Geteilt
0
Downloads
0
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie
  • We have great examples from clients and scenarios for creating outstanding customer experience
    At the core of everything we do is solid data
  • Kurzvorstellung -> seit 2008 dabei, berät Pure Player aber auch Retailer zur optimalen Abbildung von Sortiment und Online-Strategie mit FACT-Finder.
  • FACT-Finder Webinar Recommendation Engine 2.0

    1. 1. Martin Koch Sen. Coach eBusiness Solutions Jasmin Bleich Inbound Marketing Specialist Die neue Recommendation Engine von FACT-Finder
    2. 2. Die neue Recommendation Engine 2 JasminBleich InboundMarketingSpecialist @bleich_j
    3. 3. Die neue Recommendation Engine 3 MartinKoch Sen.CoacheBusinessSolutions
    4. 4. Empfehlungen auf der PDS
    5. 5. Und im Warenkorb
    6. 6. Durchschnittliche Warenkörbe
    7. 7. FACT-Finder Recommendation Engine Kontextbezogene Empfehlungen Personalisierte & kontextbezogene Rankings Generische Empfehlungen Personalisierte Rankings Idealer Mix BENUTZERPROFIL unbekannt bekannt unbekanntbekannt KONTEXT Recommendation Personalisierung
    8. 8. Hart codierte Empfehlungen Beispiel: www.eddiebauer.de
    9. 9. Beispiel: www.otto-office.com Wichtig – Blacklisting
    10. 10. Gute Empfehlungen – jetzt echt schnell • Recommendation Engine 2 – mehr als zehnmal schneller • Passende Empfehlungen zu (fast) allen Produkten • Aus Kombi-Verkäufen, Kategorien und gewünschten Merk- malen erzeugt FACT-Finder blitzschnell passende Vorschläge • Wenig Konfigurations-, geringer Steuerungsaufwand
    11. 11. Empfehlungen koppeln an … • … das aktuell betrachtete Produkt (Produktdetailseite) oder • … den aktuellen Warenkorb oder • … die Startseite. Ganz einfach per Kampagne oder Empfehlungsabruf
    12. 12. Es braucht nur … • Vollständige Tracking-Integration • Historische Daten kombinierter Verkäufe zum Start • Die FACT-Finder Recommendation Engine 2.0 (ab FF 6.11)
    13. 13. Alles basiert auf Beziehungen • Produktbeziehungen aus kombinierten Verkäufen erkennt FF automatisch (Tracking) • Zusätzlich festlegen, worauf die Empfehlungen zielen: Nur Cross- oder auch Up-Selling (Nutzung über Kampagnen- Manager) • Unpassende Empfehlungen lassen sich vermeiden
    14. 14. Ausgangspunkt Produktbeziehung • Grundlage: reale Verkäufe („harte“ Beziehung zwischen Produkt x und Produkt y), Historie • Darstellung: Matrix, grüne Felder zeigen Verkäufe • Beispiel: Kunde kauft ein Hemd und eine Krawatte, die „harte“ Beziehung lautet: Art. 12345 passt zu Art. 23456 Art. 23455 Art. 23456 Art. 23457 Art. 12343 0 0 0 Art. 12344 0 0 0 Art. 12345 0 1 0 Art. 12346 0 0 0
    15. 15. Weitere Verkäufe – die ReCo lernt dazu • Im weiteren Verlauf werden verschiedene Hemden-Krawatten- Kombinationen verkauft: Art. 23455 Art. 23456 Art. 23457 Art. 12343 1 0 2 Art. 12344 0 2 1 Art. 12345 0 0 0 Art. 12346 3 1 0 Was würde ein Verkäufer zum Art. 12346 empfehlen?
    16. 16. Harte Beziehungen werden weich • Produktbeziehungen sind recht oft gut, aber nicht flexibel: Ohne Kombinationen gibt es keine Empfehlungen … • Daher: Beziehungen auf Kategorieebene darstellen Aus der Produktbeziehung ist zusätzlich eine Kategoriebeziehung geworden, Empfehlungen sind damit unabhängig von Produkten möglich, Produktbeziehungen werden weiter gespeichert. Hemden Blusen Krawatten Schals Hemden 2 0 14 0 Blusen 0 3 0 4 Krawatten 2 0 1 0 Schals 0 2 0 1
    17. 17. Ausbau der Empfehlungen • Nahezu jeder Shop hat mehr als zwei Kategorien, dennoch sollte man eine einfache Ebene vorgeben (Fallback) • Beziehungen werden vielfältiger, Empfehlungen komplexer: Cross-Selling (Hemd und Krawatte, Bluse und Schal) und/oder ähnliche Produkte (Hemd und Hemd, Bluse und Bluse) • Je feiner die Kategorien, desto vielfältiger werden die Beziehungen und damit die Empfehlungen auf der Basis realer Verkäufe
    18. 18. Empfehlungen festlegen • Um mehrere Kategorien berücksichtigen zu können, werden mehrschichtige Strukturen aufgebaut. • FACT-Finder kann für jede Ebene gezielt konfiguriert werden: Maximale Anzahl der Vorschläge aus dieser Ebene Gewichtung der Matrix im Vergleich zu anderen (Multiplikator) Festlegung Cross-Selling und/oder ähnliche Produkte
    19. 19. Aufbau einer Recommendation 1. Start mit Grundebene (Kategorie: Level 0 oder Level 1), z.B. vier Produkte, niedrige Gewichtung, Cross-Selling und ähnliche Produkte  Fallback 2. Nächsthöhere Ebene mit höherer Gewichtung und drei Produkten, Cross-Selling und ähnliche Produkte  besser 3. Ebene mit feinerer Kategoriestruktur, höhere Gewichtung als die vorherige, drei Produkte, Cross-Selling  noch näher Zehn Produkte, wenn alle Beziehungen nutzbar sind, mindestens drei Cross-Selling-Vorschläge. Fehlt die höchste Ebene, weniger Vorschläge, sowohl Cross-Selling als auch ähnliche Produkte.
    20. 20. Hilfreich: Feintuning der Matrix Gewichtung der Beziehungen = Wert aus den Verkäufen Kann angepasst werden  So werden Beziehungen hergestellt, für die noch keine Verkäufe vorliegen. Hier ist auch ein Ausschluss möglich
    21. 21. Feintuning der Produktempfehlungen • Für jedes Produkt werden die Empfehlungen angezeigt: interne Suche, Klick auf ein Produkt, Klick auf den Konfigurationsmodus und Öffnen des Links Empfohlene Produkte. • In der Matrix können Produkte (oben, einzeln) oder Katego- rien (unten) gezielt auf- oder abgewertet werden. Die Verän- derungen werden links angezeigt.
    22. 22. Nicht nur Kategorien Sinnvolle Empfehlungen sind beispielsweise • Markenbasiert (Fashion): Hilfiger zunächst zu Hilfiger, dann zu Gant • Technisch (Elektronik): Apple-Zubehör zum iPhone • Lieferbarkeit (nur sofort lieferbare Produkte) • Farbe: Grün zu rot vermeiden • Größe (Fashion): 3XL-Jacken zum 3XL-Hemd • Verein: Kein Schalke-Trikot für Bayern-Fans • Stil (Home): passendes zur Vintage-Kommode • Produktart: Dekantierer oder Thermometer zum Rotwein, Kühler zum Weißwein
    23. 23. Up-Selling vollautomatisch • FACT-Finder erzeugt automatisch höherpreisige Vorschläge • Der Preisrahmen wird festgelegt • Nur Minuten später werden die ersten Produkte angeboten – einfach und schnell
    24. 24. Und das braucht man für Empfehlungen • Integriertes Tracking (mind. Klick, Cart und Check-out) • Vorbereitete Templates im Shop-System • Passende Informationen im Feed (wenn‘s mehr als Kategorien sein sollen) • Zum Start ideal: einmalig historische Verkaufsdaten • Übers Jahr: punktuell Zeit für die Pflege (ungünstige Beziehungen entfernen)
    25. 25. Zusammenfassung • Voraussetzungen: FF 6.11 oder höher, Tracking mind. V 1.0, initiale Befüllung per CSV, Platzhalter in den Shop-Templates • Einsatzmöglichkeiten: Up-Selling, Cross-Selling per Kampag- ne, Abruf von Empfehlungen zu Produkte auch ohne Kam- pagne möglich. • Integration per Kampagne auf PDS oder Warenkorb-Seite • Steuerung über Matrizen oder interne Suche möglich • Gezieltes Blacklisting über Matrizen
    26. 26. So, das war‘s Schon jetzt vielen Dank, lassen Sie uns noch auf die Fragen gucken
    27. 27. Vielen Dank Ihr FACT-Finder Team Martin Koch martin.koch@fact-finder.de

    ×