SlideShare ist ein Scribd-Unternehmen logo
1 von 25
TECHNOLOGY 
DRIVES 
BUSINESS 
SHI Search Analytics Big Data
Daniel Wrigley 
> Consultant für Search & Big Data Technologies 
> Zertifizierter Apache Solr Trainer 
> Autor des Buchs „Einführung in Apache Solr“ 
> daniel.wrigley@shi-gmbh.com 
> @wrigley_dan 
@wrigley_dan 
SHI Search Analytics Big Data
Neue Kundenpotenziale 
durch Recommendations 
erschließen 
Daniel Wrigley 
SHI Search Analytics Big Data
74% schauen sich 
vorgeschlagene 
Produkte an...
... 35% kaufen vorgeschlagenen Produkte ...
... 28% fügen es zu ihrer Wunschliste hinzu
Amazon verzeichnete eine Umsatzsteigerung 
von 25% nach Einführung ihrer Recommendations Engine…
… und viele stimmen dieser Einschätzung zu bzw. 
können diese aus Erfahrung bestätigen: 
Kommentare aus Shopanbieter.de zu: 
25 % des Umsatzes kommen bei Amazon über Empfehlungen zustande 
Hallo, 
Amazon ist Vorreiter in Sachen Personalisierung. 
Das Amazon Widget “andere Kunden kauften auch” ist tatsächlich ein Personalisierungstool und hat 
nicht zwingend was mit Einkäufen anderer Kunden zu tun. 
Zahlreiche Algorithmen berechnen die passenden Produkte. 
Dass 1/4 der Sales über die Empfehlungen kommen ist keinesfalls eine Seltenheit sondern eher 
Normalität. (durschnittlicher Warenkorb ca. 30 % mehr) 
Es gibt diverse Firmen die eine solche Technologie anbieten. 
Allerdings ist hier auch darauf zu achten, dass die Firmen Hybride Empfehlungen abgeben. … 
Kommentar by Basti Geyer — 8. Mai 2012 @ 09:35 
Ein Viertel glauben wir auch nicht. Unsere Messungen sagen aber, dass es Tage gibt, dass 
Empfehlungen bis zu 12 % ausmachen. Im Schnitt liegen wir bei 8 – 9 %. Positionierung ist dabei ein 
wichtiger Punkt und ein entsprechendes Tool. Gerade hierbei glaube ich aber, dass Amazon hier 
extrem viel leisten kann aufgrund deren Traffic und deren IT, denn: Amazon ist kein Händler sondern 
ein Software-Konzern! 
Kommentar by terrific.de — 8. Mai 2012 @ 09:57 
http://www.shopanbieter.de/news/archives/5900-25-des-umsatzes-kommen-bei-amazon-ueber-empfehlungen-zustande.html#comments
… und viele stimmen dieser Einschätzung zu bzw. 
können diese aus Erfahrung bestätigen: 
Hallo, 
die Quote von 25% stimmt bei uns auf jeden Fall. Wir machen manchmal Stichproben und befragen 
unsere Kunden. Entscheidungskriterium “Empfehlung” steht ganz oben, dann vielleicht die Bestseller 
Listung. Wir sind zufrieden und freuen uns über unsere Umsatzzuwächse. 
Kommentar by aspects — 8. Mai 2012 @11:55 
Recommendation engines sind schon eine feine Sache, allerdings verfügt kaum ein Shopsystem über 
solche Technologie und so werden halt, wenn überhaupt, externe Anbieter eingebunden. 
Wie überall wird auch hier mit Studien und Zahlen um sich geworfen die, mit Sachverstand 
betrachtet, kaum realistisch sind. Was bei Amazon aufgrund des dort vorhandenen breiten Angebots 
vielleicht noch hinhauen kann ist für den normalen Händler mit der deutlich kleineren 
Angebotspalette schlicht unmöglich da die commendation engines nunmal lediglich auf eine 
begrenzte Basis zurückgreifen können und damit die Empfehlungsmöglihkeiten in Anzahl und 
Qualität zwangsläufig schlechter sein müssen. Somit bieten sich Empfehlungen aus recommendation 
engines primär für Marketingzwecke, ... 
Wir haben unsere integrierte recommendation engine beispielsweise mehrfach ans Newslettertool 
gekoppelt, einmal für die automatische Erstellung individueller Newsletter und einmal als 
Analysetool das dem Shopbetreiber ermöglicht zielgenaue allgemeine Newsletter zu verfassen. 
Unsere Zahlen belegen das damit die Umsätze aus dem Marketinginstrument Newsletter durchaus 
signifikant verbessert werden konnten. 
Kommentar by H.P. — 15. Mai 2012 @ 07:06 
http://www.shopanbieter.de/news/archives/5900-25-des-umsatzes-kommen-bei-amazon-ueber-empfehlungen-zustande.html#comments
Neue Potenziale – Online-Shop 
> Steigerung der Conversion Rates 
> Höherer Warenkorbwert 
> Stärkere Kundenbindung 
> Höhere Verweildauer 
> Bessere Auffindbarkeit von Produkten 
> Ausgereifte Technik & Technologien 
Gewinn und Mehrwert
Neue Potenziale – Kunde 
> Bessere Auffindbarkeit von Produkten 
> Steigerung der Usability 
> Inspiration 
> Erhöhter Benutzerkomfort 
> Gesteigerte Wertschätzung 
> Emotionale und psychologische Absicherung 
Zufriedenheit und Begeisterung
Daten-kreislauf
Erfolgsvoraussetzungen 
> Kontrolle & Management 
> Daten & Informationen 
> Messen & Bewerten
Kontrolle!
Mehr Datenquellen einbeziehen! 
Clicks, Views, 
Bestellungen, 
Social Media, 
Metadaten…
Skalierbarkeit
Nutzung der 
Produktvorschläge 
messen
Kosten? 
Umsetzungsdauer?
A Long Story Cut Short 
> Verarbeitung von Datenmengen 
> Machine Learning Algorithmen 
> Manuelle Kontrollinstanz 
> Nutzung der Funktion messen und bewerten 
> Verwendung unterschiedlicher Datenquellen 
> Skalierbarkeit 
> Auslösen der Recommendations
Bildernachweis 
> Spending: https://www.flickr.com/photos/68751915@N05/6355231757 
> DSCN3434: https://www.flickr.com/photos/leedman/2061058702 
> Computer Mann Arbeitsplatz Geschäft: http://pixabay.com/de/computer-mann-arbeitsplatz-gesch%C3%A4ft-303129/ 
> money: https://www.flickr.com/photos/fsecart/549277847/ 
> blue: https://www.flickr.com/photos/pauldineen/4529213297/ 
> Maths: https://www.flickr.com/photos/ajc1/8144344750/ 
> Time is Money: https://www.flickr.com/photos/76657755@N04/7214596024/ 
> Gummibärchen: http://pixabay.com/de/gummib%C3%A4rchen-fruchtgummis-b%C3%A4ren-359950/ 
> Facebook Touchgraph: https://www.flickr.com/photos/bike/3293404080/ 
> Measured Currency: https://www.flickr.com/photos/8011986@N02/2964298027/ 
> British Museum: https://www.flickr.com/photos/moria/29210441/ 
> Wachstum Finanzen Gewinne: http://pixabay.com/de/grafik-wachstum-finanzen-gewinne-163509/ 
> Thumbs Up: https://www.flickr.com/photos/vegaseddie/5700609302/ 
> Lizenzen: 
– Lizenz: https://creativecommons.org/licenses/by-sa/2.0/ 
– Lizenz: https://creativecommons.org/licenses/by/2.0/ 
– Lizenz: http://creativecommons.org/publicdomain/zero/1.0/deed.de
Quellen 
> "Why Personalisation Should Be at the Heart of a Retailer's Customer 
Strategy". 11/2013. IDC Report 
> Kommentare aus Shopanbieter.de 
http://www.shopanbieter.de/news/archives/5900-25-des-umsatzes-kommen- 
bei-amazon-ueber-empfehlungen-zustande.html 
> "Amazon's recommendation secret". Mangalindan, JP. 
http://fortune.com/2012/07/30/amazons-recommendation-secret/. 
30. Juli 2012.
KONTAKT 
SHI GmbH & Co. KG 
Curt-Frenzel-Str. 12 
D - 86167 Augsburg 
info@shi-gmbh.com 
+49.821.74 82 633 - 0 
@SHIEngineers 
© SHI GmbH & Co.KG

Weitere ähnliche Inhalte

Was ist angesagt?

Was ist angesagt? (8)

Neue Ideen für mehr Conversions im E-Commerce
Neue Ideen für mehr Conversions im E-CommerceNeue Ideen für mehr Conversions im E-Commerce
Neue Ideen für mehr Conversions im E-Commerce
 
Zahlungssysteme für Onlineshops
Zahlungssysteme für OnlineshopsZahlungssysteme für Onlineshops
Zahlungssysteme für Onlineshops
 
eStrategy Magazin 02 / 2013
eStrategy Magazin 02 / 2013eStrategy Magazin 02 / 2013
eStrategy Magazin 02 / 2013
 
begin-Seminar:_shop-systeme
begin-Seminar:_shop-systemebegin-Seminar:_shop-systeme
begin-Seminar:_shop-systeme
 
SEACamp Jena 2019 / Tracking
SEACamp Jena 2019 / TrackingSEACamp Jena 2019 / Tracking
SEACamp Jena 2019 / Tracking
 
SiteBoosters Webinar: Erfolgreiches Neugeschäft in Zeiten der Digitalisierung
SiteBoosters Webinar: Erfolgreiches Neugeschäft in Zeiten der DigitalisierungSiteBoosters Webinar: Erfolgreiches Neugeschäft in Zeiten der Digitalisierung
SiteBoosters Webinar: Erfolgreiches Neugeschäft in Zeiten der Digitalisierung
 
Y Academy «Programmatic Advertising»
Y Academy «Programmatic Advertising»Y Academy «Programmatic Advertising»
Y Academy «Programmatic Advertising»
 
Gamification - Chancen und Risiken für den E-Commerce
Gamification - Chancen und Risiken für den E-CommerceGamification - Chancen und Risiken für den E-Commerce
Gamification - Chancen und Risiken für den E-Commerce
 

Andere mochten auch

Aviso convocatoria licitacion vigilancia
Aviso convocatoria licitacion vigilanciaAviso convocatoria licitacion vigilancia
Aviso convocatoria licitacion vigilancia
mcriverah
 
Weinpräsentation vom Weingut Heiderer-Mayer aus Wagram!
Weinpräsentation vom Weingut Heiderer-Mayer aus Wagram!Weinpräsentation vom Weingut Heiderer-Mayer aus Wagram!
Weinpräsentation vom Weingut Heiderer-Mayer aus Wagram!
HighHeels-Boutique.com
 
La marató Vall d'Aran
La marató Vall d'AranLa marató Vall d'Aran
La marató Vall d'Aran
Roger Tarroch
 
Chapter 06 im
Chapter 06 imChapter 06 im
Chapter 06 im
genga88
 

Andere mochten auch (20)

Analytics meets Big Data – R/Python auf der Hadoop/Spark-Plattform
Analytics meets Big Data – R/Python auf der Hadoop/Spark-PlattformAnalytics meets Big Data – R/Python auf der Hadoop/Spark-Plattform
Analytics meets Big Data – R/Python auf der Hadoop/Spark-Plattform
 
Beispiel EIB 2
Beispiel EIB 2Beispiel EIB 2
Beispiel EIB 2
 
Kanban Board in Redmine mit Wiki Lists Plugin
Kanban Board in Redmine mit Wiki Lists PluginKanban Board in Redmine mit Wiki Lists Plugin
Kanban Board in Redmine mit Wiki Lists Plugin
 
Grados técnicos comfacauca
Grados técnicos comfacaucaGrados técnicos comfacauca
Grados técnicos comfacauca
 
Aviso convocatoria licitacion vigilancia
Aviso convocatoria licitacion vigilanciaAviso convocatoria licitacion vigilancia
Aviso convocatoria licitacion vigilancia
 
Universidades saludables genérico 2012
Universidades saludables genérico 2012Universidades saludables genérico 2012
Universidades saludables genérico 2012
 
Content Marketing im E-commerce OnlineStammtischMünchen2014 plista Daniel Ho...
Content Marketing im E-commerce OnlineStammtischMünchen2014 plista Daniel Ho...Content Marketing im E-commerce OnlineStammtischMünchen2014 plista Daniel Ho...
Content Marketing im E-commerce OnlineStammtischMünchen2014 plista Daniel Ho...
 
Estado Cívil Colombiano
Estado Cívil ColombianoEstado Cívil Colombiano
Estado Cívil Colombiano
 
Android
AndroidAndroid
Android
 
Congreso Educativo INACAP 2014 - Jorge Contreras, Mario Zapata
Congreso Educativo INACAP 2014 - Jorge Contreras, Mario ZapataCongreso Educativo INACAP 2014 - Jorge Contreras, Mario Zapata
Congreso Educativo INACAP 2014 - Jorge Contreras, Mario Zapata
 
FOM Mediation: Der Beispielfall Scheidung Familie Becker
FOM Mediation: Der Beispielfall Scheidung Familie BeckerFOM Mediation: Der Beispielfall Scheidung Familie Becker
FOM Mediation: Der Beispielfall Scheidung Familie Becker
 
Weinpräsentation vom Weingut Heiderer-Mayer aus Wagram!
Weinpräsentation vom Weingut Heiderer-Mayer aus Wagram!Weinpräsentation vom Weingut Heiderer-Mayer aus Wagram!
Weinpräsentation vom Weingut Heiderer-Mayer aus Wagram!
 
Exposicion leyes que regula el tics de leyes comerciales
Exposicion leyes que regula el tics de leyes comerciales Exposicion leyes que regula el tics de leyes comerciales
Exposicion leyes que regula el tics de leyes comerciales
 
La marató Vall d'Aran
La marató Vall d'AranLa marató Vall d'Aran
La marató Vall d'Aran
 
Volierenbau mit IKEA Ivar Regal
Volierenbau mit IKEA Ivar RegalVolierenbau mit IKEA Ivar Regal
Volierenbau mit IKEA Ivar Regal
 
Un cuerpo mecánico
Un cuerpo mecánicoUn cuerpo mecánico
Un cuerpo mecánico
 
Beate Leßmann: Schreiben in der Grundschule - Gedanken von Janna am Ende von ...
Beate Leßmann: Schreiben in der Grundschule - Gedanken von Janna am Ende von ...Beate Leßmann: Schreiben in der Grundschule - Gedanken von Janna am Ende von ...
Beate Leßmann: Schreiben in der Grundschule - Gedanken von Janna am Ende von ...
 
Educación en Línea
Educación en LíneaEducación en Línea
Educación en Línea
 
Congreso Educativo INACAP 2014 - Jessica Püschell, Claudia Yañez
Congreso Educativo INACAP 2014 - Jessica Püschell, Claudia YañezCongreso Educativo INACAP 2014 - Jessica Püschell, Claudia Yañez
Congreso Educativo INACAP 2014 - Jessica Püschell, Claudia Yañez
 
Chapter 06 im
Chapter 06 imChapter 06 im
Chapter 06 im
 

Ähnlich wie Neue Kundenpotenziale durch Recommendations erschließen (Vortrag E-Commerce Tag)

Mit Customer-Journey-Analytics und Recommendations neue Potenziale erschließen
Mit Customer-Journey-Analytics und Recommendations neue Potenziale erschließenMit Customer-Journey-Analytics und Recommendations neue Potenziale erschließen
Mit Customer-Journey-Analytics und Recommendations neue Potenziale erschließen
SHI Search | Analytics | Big Data
 
Leseprobe eStrategy Magazin Ausgabe 01 / 2016
Leseprobe eStrategy Magazin Ausgabe 01 / 2016Leseprobe eStrategy Magazin Ausgabe 01 / 2016
Leseprobe eStrategy Magazin Ausgabe 01 / 2016
TechDivision GmbH
 
Leseprobe e strategy-magazin-ausgabe-04-2015
Leseprobe e strategy-magazin-ausgabe-04-2015Leseprobe e strategy-magazin-ausgabe-04-2015
Leseprobe e strategy-magazin-ausgabe-04-2015
TechDivision GmbH
 

Ähnlich wie Neue Kundenpotenziale durch Recommendations erschließen (Vortrag E-Commerce Tag) (20)

Mit Customer-Journey-Analytics und Recommendations neue Potenziale erschließen
Mit Customer-Journey-Analytics und Recommendations neue Potenziale erschließenMit Customer-Journey-Analytics und Recommendations neue Potenziale erschließen
Mit Customer-Journey-Analytics und Recommendations neue Potenziale erschließen
 
Web-Analyse ist keine Kür sondern Pflichtprogramm
Web-Analyse ist keine Kür sondern PflichtprogrammWeb-Analyse ist keine Kür sondern Pflichtprogramm
Web-Analyse ist keine Kür sondern Pflichtprogramm
 
10 Tipps für mehr Web Shop Umsatz
10 Tipps für mehr Web Shop Umsatz10 Tipps für mehr Web Shop Umsatz
10 Tipps für mehr Web Shop Umsatz
 
Leseprobe eStrategy Magazin Ausgabe 01 / 2016
Leseprobe eStrategy Magazin Ausgabe 01 / 2016Leseprobe eStrategy Magazin Ausgabe 01 / 2016
Leseprobe eStrategy Magazin Ausgabe 01 / 2016
 
SiteBoosters Webinar: Best Practices Lead Management
SiteBoosters Webinar: Best Practices Lead ManagementSiteBoosters Webinar: Best Practices Lead Management
SiteBoosters Webinar: Best Practices Lead Management
 
Customer Experience
Customer ExperienceCustomer Experience
Customer Experience
 
OMR Masterclass: "CRM 2.0" – Die Zukunft des Bestandskundenmanagements ist je...
OMR Masterclass: "CRM 2.0" – Die Zukunft des Bestandskundenmanagements ist je...OMR Masterclass: "CRM 2.0" – Die Zukunft des Bestandskundenmanagements ist je...
OMR Masterclass: "CRM 2.0" – Die Zukunft des Bestandskundenmanagements ist je...
 
Event #6: Big Data - Sonja Metzger
Event #6: Big Data - Sonja MetzgerEvent #6: Big Data - Sonja Metzger
Event #6: Big Data - Sonja Metzger
 
Leitfaden von Symantec: „Das 1×1 der Kundengewinnung und -bindung im E-Commerce“
Leitfaden von Symantec: „Das 1×1 der Kundengewinnung und -bindung im E-Commerce“Leitfaden von Symantec: „Das 1×1 der Kundengewinnung und -bindung im E-Commerce“
Leitfaden von Symantec: „Das 1×1 der Kundengewinnung und -bindung im E-Commerce“
 
Vertrauen als Schlüssel zu einer höheren Conversion-Rate
Vertrauen als Schlüssel zu einer höheren Conversion-RateVertrauen als Schlüssel zu einer höheren Conversion-Rate
Vertrauen als Schlüssel zu einer höheren Conversion-Rate
 
Crossing The Chasm
Crossing The ChasmCrossing The Chasm
Crossing The Chasm
 
eStrategy Magazin 03 / 2014
eStrategy Magazin 03 / 2014eStrategy Magazin 03 / 2014
eStrategy Magazin 03 / 2014
 
Programmatic & Inbound Marketing, media BROS. insights, 5. Juni 2014
Programmatic & Inbound Marketing, media BROS. insights, 5. Juni 2014Programmatic & Inbound Marketing, media BROS. insights, 5. Juni 2014
Programmatic & Inbound Marketing, media BROS. insights, 5. Juni 2014
 
Digital Analytics - Fluch oder Segen der Digitalisierung?
Digital Analytics - Fluch oder Segen der Digitalisierung?Digital Analytics - Fluch oder Segen der Digitalisierung?
Digital Analytics - Fluch oder Segen der Digitalisierung?
 
PERFORMIX.Wien 2016 – SEO-KPIs jenseits von Sichtbarkeitsindizes, Rankings un...
PERFORMIX.Wien 2016 – SEO-KPIs jenseits von Sichtbarkeitsindizes, Rankings un...PERFORMIX.Wien 2016 – SEO-KPIs jenseits von Sichtbarkeitsindizes, Rankings un...
PERFORMIX.Wien 2016 – SEO-KPIs jenseits von Sichtbarkeitsindizes, Rankings un...
 
Was ist Marketing Automation und welchen Nutzen bringt es dem Vertrieb
Was ist Marketing Automation und welchen Nutzen bringt es dem VertriebWas ist Marketing Automation und welchen Nutzen bringt es dem Vertrieb
Was ist Marketing Automation und welchen Nutzen bringt es dem Vertrieb
 
Die 20 grössten Fehler, weshalb viele Onlinehops Kunden und Umsätze verlieren
Die 20 grössten Fehler, weshalb viele Onlinehops Kunden und Umsätze verlierenDie 20 grössten Fehler, weshalb viele Onlinehops Kunden und Umsätze verlieren
Die 20 grössten Fehler, weshalb viele Onlinehops Kunden und Umsätze verlieren
 
Vereinheitlichung der Shopping-Erfahrung für Ihre Kunden - Den Omnichannel An...
Vereinheitlichung der Shopping-Erfahrung für Ihre Kunden - Den Omnichannel An...Vereinheitlichung der Shopping-Erfahrung für Ihre Kunden - Den Omnichannel An...
Vereinheitlichung der Shopping-Erfahrung für Ihre Kunden - Den Omnichannel An...
 
Leseprobe e strategy-magazin-ausgabe-04-2015
Leseprobe e strategy-magazin-ausgabe-04-2015Leseprobe e strategy-magazin-ausgabe-04-2015
Leseprobe e strategy-magazin-ausgabe-04-2015
 
Verstehen Sie Ihre Kunden - Reife von Unternehmen
Verstehen Sie Ihre Kunden - Reife von UnternehmenVerstehen Sie Ihre Kunden - Reife von Unternehmen
Verstehen Sie Ihre Kunden - Reife von Unternehmen
 

Mehr von SHI Search | Analytics | Big Data

Suche und Navigation in Online-Shops. Mit Apache Solr und Elasticsearch
Suche und Navigation in Online-Shops. Mit Apache Solr und ElasticsearchSuche und Navigation in Online-Shops. Mit Apache Solr und Elasticsearch
Suche und Navigation in Online-Shops. Mit Apache Solr und Elasticsearch
SHI Search | Analytics | Big Data
 
Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...
Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...
Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...
SHI Search | Analytics | Big Data
 

Mehr von SHI Search | Analytics | Big Data (14)

Buzzword Bingo E-Commerce
Buzzword Bingo E-CommerceBuzzword Bingo E-Commerce
Buzzword Bingo E-Commerce
 
E commerce-tag berlin-nichts_im_sortiment_gefunden
E commerce-tag berlin-nichts_im_sortiment_gefundenE commerce-tag berlin-nichts_im_sortiment_gefunden
E commerce-tag berlin-nichts_im_sortiment_gefunden
 
Apache Solr - die Moderne Open Source Technologie
Apache Solr - die Moderne Open Source TechnologieApache Solr - die Moderne Open Source Technologie
Apache Solr - die Moderne Open Source Technologie
 
Neue Potentiale durch Recommendations erschliessen und Conversions steigern (...
Neue Potentiale durch Recommendations erschliessen und Conversions steigern (...Neue Potentiale durch Recommendations erschliessen und Conversions steigern (...
Neue Potentiale durch Recommendations erschliessen und Conversions steigern (...
 
Custom Solr Tokenizer Flexible Tokenizer with JFlex
Custom Solr Tokenizer Flexible Tokenizer with JFlex Custom Solr Tokenizer Flexible Tokenizer with JFlex
Custom Solr Tokenizer Flexible Tokenizer with JFlex
 
Mehr Umsatz mit einer intelligenten Shop-Suche
Mehr Umsatz mit einer intelligenten Shop-SucheMehr Umsatz mit einer intelligenten Shop-Suche
Mehr Umsatz mit einer intelligenten Shop-Suche
 
What’s new in Apache Solr 4.7 und Elasticsearch 1.1
What’s new in Apache Solr 4.7 und Elasticsearch 1.1What’s new in Apache Solr 4.7 und Elasticsearch 1.1
What’s new in Apache Solr 4.7 und Elasticsearch 1.1
 
Suche und Navigation in Online-Shops. Mit Apache Solr und Elasticsearch
Suche und Navigation in Online-Shops. Mit Apache Solr und ElasticsearchSuche und Navigation in Online-Shops. Mit Apache Solr und Elasticsearch
Suche und Navigation in Online-Shops. Mit Apache Solr und Elasticsearch
 
Setting-up Elasticsearch, Logstash, Kibana für agile Datenanalyse
Setting-up Elasticsearch, Logstash, Kibana für agile DatenanalyseSetting-up Elasticsearch, Logstash, Kibana für agile Datenanalyse
Setting-up Elasticsearch, Logstash, Kibana für agile Datenanalyse
 
Elasticsearch Cluster Management mit Marvel
Elasticsearch Cluster Management mit MarvelElasticsearch Cluster Management mit Marvel
Elasticsearch Cluster Management mit Marvel
 
Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...
Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...
Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...
 
Überblick über die Suchplattform LucidWorks Search 2.1
Überblick über die Suchplattform LucidWorks Search 2.1Überblick über die Suchplattform LucidWorks Search 2.1
Überblick über die Suchplattform LucidWorks Search 2.1
 
Relevantes schneller finden – mit-Lucene und Solr
Relevantes schneller finden – mit-Lucene und SolrRelevantes schneller finden – mit-Lucene und Solr
Relevantes schneller finden – mit-Lucene und Solr
 
Jax 2012 - Apache Solr as Enterprise Search Platform
Jax 2012 - Apache Solr as Enterprise Search PlatformJax 2012 - Apache Solr as Enterprise Search Platform
Jax 2012 - Apache Solr as Enterprise Search Platform
 

Neue Kundenpotenziale durch Recommendations erschließen (Vortrag E-Commerce Tag)

  • 1. TECHNOLOGY DRIVES BUSINESS SHI Search Analytics Big Data
  • 2. Daniel Wrigley > Consultant für Search & Big Data Technologies > Zertifizierter Apache Solr Trainer > Autor des Buchs „Einführung in Apache Solr“ > daniel.wrigley@shi-gmbh.com > @wrigley_dan @wrigley_dan SHI Search Analytics Big Data
  • 3. Neue Kundenpotenziale durch Recommendations erschließen Daniel Wrigley SHI Search Analytics Big Data
  • 4. 74% schauen sich vorgeschlagene Produkte an...
  • 5. ... 35% kaufen vorgeschlagenen Produkte ...
  • 6. ... 28% fügen es zu ihrer Wunschliste hinzu
  • 7. Amazon verzeichnete eine Umsatzsteigerung von 25% nach Einführung ihrer Recommendations Engine…
  • 8. … und viele stimmen dieser Einschätzung zu bzw. können diese aus Erfahrung bestätigen: Kommentare aus Shopanbieter.de zu: 25 % des Umsatzes kommen bei Amazon über Empfehlungen zustande Hallo, Amazon ist Vorreiter in Sachen Personalisierung. Das Amazon Widget “andere Kunden kauften auch” ist tatsächlich ein Personalisierungstool und hat nicht zwingend was mit Einkäufen anderer Kunden zu tun. Zahlreiche Algorithmen berechnen die passenden Produkte. Dass 1/4 der Sales über die Empfehlungen kommen ist keinesfalls eine Seltenheit sondern eher Normalität. (durschnittlicher Warenkorb ca. 30 % mehr) Es gibt diverse Firmen die eine solche Technologie anbieten. Allerdings ist hier auch darauf zu achten, dass die Firmen Hybride Empfehlungen abgeben. … Kommentar by Basti Geyer — 8. Mai 2012 @ 09:35 Ein Viertel glauben wir auch nicht. Unsere Messungen sagen aber, dass es Tage gibt, dass Empfehlungen bis zu 12 % ausmachen. Im Schnitt liegen wir bei 8 – 9 %. Positionierung ist dabei ein wichtiger Punkt und ein entsprechendes Tool. Gerade hierbei glaube ich aber, dass Amazon hier extrem viel leisten kann aufgrund deren Traffic und deren IT, denn: Amazon ist kein Händler sondern ein Software-Konzern! Kommentar by terrific.de — 8. Mai 2012 @ 09:57 http://www.shopanbieter.de/news/archives/5900-25-des-umsatzes-kommen-bei-amazon-ueber-empfehlungen-zustande.html#comments
  • 9. … und viele stimmen dieser Einschätzung zu bzw. können diese aus Erfahrung bestätigen: Hallo, die Quote von 25% stimmt bei uns auf jeden Fall. Wir machen manchmal Stichproben und befragen unsere Kunden. Entscheidungskriterium “Empfehlung” steht ganz oben, dann vielleicht die Bestseller Listung. Wir sind zufrieden und freuen uns über unsere Umsatzzuwächse. Kommentar by aspects — 8. Mai 2012 @11:55 Recommendation engines sind schon eine feine Sache, allerdings verfügt kaum ein Shopsystem über solche Technologie und so werden halt, wenn überhaupt, externe Anbieter eingebunden. Wie überall wird auch hier mit Studien und Zahlen um sich geworfen die, mit Sachverstand betrachtet, kaum realistisch sind. Was bei Amazon aufgrund des dort vorhandenen breiten Angebots vielleicht noch hinhauen kann ist für den normalen Händler mit der deutlich kleineren Angebotspalette schlicht unmöglich da die commendation engines nunmal lediglich auf eine begrenzte Basis zurückgreifen können und damit die Empfehlungsmöglihkeiten in Anzahl und Qualität zwangsläufig schlechter sein müssen. Somit bieten sich Empfehlungen aus recommendation engines primär für Marketingzwecke, ... Wir haben unsere integrierte recommendation engine beispielsweise mehrfach ans Newslettertool gekoppelt, einmal für die automatische Erstellung individueller Newsletter und einmal als Analysetool das dem Shopbetreiber ermöglicht zielgenaue allgemeine Newsletter zu verfassen. Unsere Zahlen belegen das damit die Umsätze aus dem Marketinginstrument Newsletter durchaus signifikant verbessert werden konnten. Kommentar by H.P. — 15. Mai 2012 @ 07:06 http://www.shopanbieter.de/news/archives/5900-25-des-umsatzes-kommen-bei-amazon-ueber-empfehlungen-zustande.html#comments
  • 10. Neue Potenziale – Online-Shop > Steigerung der Conversion Rates > Höherer Warenkorbwert > Stärkere Kundenbindung > Höhere Verweildauer > Bessere Auffindbarkeit von Produkten > Ausgereifte Technik & Technologien Gewinn und Mehrwert
  • 11. Neue Potenziale – Kunde > Bessere Auffindbarkeit von Produkten > Steigerung der Usability > Inspiration > Erhöhter Benutzerkomfort > Gesteigerte Wertschätzung > Emotionale und psychologische Absicherung Zufriedenheit und Begeisterung
  • 13.
  • 14.
  • 15.
  • 16. Erfolgsvoraussetzungen > Kontrolle & Management > Daten & Informationen > Messen & Bewerten
  • 18. Mehr Datenquellen einbeziehen! Clicks, Views, Bestellungen, Social Media, Metadaten…
  • 22. A Long Story Cut Short > Verarbeitung von Datenmengen > Machine Learning Algorithmen > Manuelle Kontrollinstanz > Nutzung der Funktion messen und bewerten > Verwendung unterschiedlicher Datenquellen > Skalierbarkeit > Auslösen der Recommendations
  • 23. Bildernachweis > Spending: https://www.flickr.com/photos/68751915@N05/6355231757 > DSCN3434: https://www.flickr.com/photos/leedman/2061058702 > Computer Mann Arbeitsplatz Geschäft: http://pixabay.com/de/computer-mann-arbeitsplatz-gesch%C3%A4ft-303129/ > money: https://www.flickr.com/photos/fsecart/549277847/ > blue: https://www.flickr.com/photos/pauldineen/4529213297/ > Maths: https://www.flickr.com/photos/ajc1/8144344750/ > Time is Money: https://www.flickr.com/photos/76657755@N04/7214596024/ > Gummibärchen: http://pixabay.com/de/gummib%C3%A4rchen-fruchtgummis-b%C3%A4ren-359950/ > Facebook Touchgraph: https://www.flickr.com/photos/bike/3293404080/ > Measured Currency: https://www.flickr.com/photos/8011986@N02/2964298027/ > British Museum: https://www.flickr.com/photos/moria/29210441/ > Wachstum Finanzen Gewinne: http://pixabay.com/de/grafik-wachstum-finanzen-gewinne-163509/ > Thumbs Up: https://www.flickr.com/photos/vegaseddie/5700609302/ > Lizenzen: – Lizenz: https://creativecommons.org/licenses/by-sa/2.0/ – Lizenz: https://creativecommons.org/licenses/by/2.0/ – Lizenz: http://creativecommons.org/publicdomain/zero/1.0/deed.de
  • 24. Quellen > "Why Personalisation Should Be at the Heart of a Retailer's Customer Strategy". 11/2013. IDC Report > Kommentare aus Shopanbieter.de http://www.shopanbieter.de/news/archives/5900-25-des-umsatzes-kommen- bei-amazon-ueber-empfehlungen-zustande.html > "Amazon's recommendation secret". Mangalindan, JP. http://fortune.com/2012/07/30/amazons-recommendation-secret/. 30. Juli 2012.
  • 25. KONTAKT SHI GmbH & Co. KG Curt-Frenzel-Str. 12 D - 86167 Augsburg info@shi-gmbh.com +49.821.74 82 633 - 0 @SHIEngineers © SHI GmbH & Co.KG

Hinweis der Redaktion

  1. Wir sind Partner des e-Commerce-Leitfadens Bezug Solr e-Commerce/e-Business, Alternative zu FactFinder, …
  2. Ich werde ein bisschen etwas darüber erzählen warum Recommendations, also gezielte Produktvorschläge, relevant sind was man diesbezüglich beachten und tun sollte und was man eher vermeiden sollte Fragen im Anschluss copyright Hinweis
  3. Zahlen basieren auf einem IDC Report vom November 2013.
  4. Was sagt uns das? Dass gezielte Produktvorschläge lange kein Nice-To-Have-Feature mehr sind, sondern eigentlich schon vollkommen im e-Commerce angekommen sind und zur Standard-Palette von Online-Shops gehören sollten. Merkzettel/Wunschliste ist auch ein Feature zusätzlich zu Recommendations, das ich im Shop haben sollte
  5. Verschiedene Quellen berichten von unterschiedlichen Zahlen. Mal sind es 20%, mal 25%, mal 29%
  6. Kommentare aus dem Internet, nicht frei erfunden!
  7. Kommentare aus dem Internet, nicht frei erfunden!
  8. Conversion Rates steigern sich, wenn den Kunden das vorgeschlagen wird, was sie kaufen wollen. Der Warenkorbwert wird dadurch gesteigert, dass an den richtigen Stellen Vorschläge kommen. Wie beim Einkauf im Supermarkt, in dem kurz vor dem Bezahlen noch Kleinigkeiten angeboten werden: Süßigkeiten, Feuerzeuge, Batterien, … Gute Vorschläge veranlassen Kunden dazu, wieder zu kommen. Denn was einmal gut funktioniert, funktioniert auch zweimal gut Produktvorschläge erhöhen einfach dadurch die Verweildauer der Kunden, weil ihnen dadurch eine bequeme Möglichkeit geliefert wird, ohne neu suchen zu müssen im Shop zu browsen. Höhere Verweildauer  Besser vertraut mit dem Angebot  Vorteil für Shop Passendes Zubehör vorschlagen, höherwertige Produkte vorschlagen, unter Umständen sogar Produkte, von denen die Kunden vorher noch nichts wussten steigern das Potenzial mehr zu verkaufen Auffindbarkeit von Produkten dadurch erhöhen, dass sie vorgeschlagen werden. Der Kunde kann sich besser vertraut machen mit dem Sortiment, indem er Produkte vorgeschlagen bekommt, auf die er normalerweise nicht stoßen würde. Es ist durch vorhandene Techniken und Technologien, die sich im Bereich Data Mining, Machine Learning gebildet haben, kein Hexenwerk mehr, Recommendations umzusetzen. Dazu zählen bestimmte Ansätze wie Collaborative Filtering oder auch Open Soure Projekte wie Apache Mahout, die solche Ansätze versuchen umzusetzen, um Anwendern algorithmisches Handwerkszeug zu geben. Diese Techniken und Technologien machen auch die Verarbeitung großer Datenmengen möglich. Jeder Shop kann seine Recommendations-Funktionen in beliebiger Manier skalieren.
  9. Auffindbarkeit von Produkten wird durch gezieltes Vorschlagen von Produkten erhöht, besonders, wenn Kunden nicht genau wissen, was sie suchen. Dieses "nicht wissen" kann natürlich auch neue Trends und Produkte beinhalten. Wenn ich weniger suchen muss, finde ich schneller zum gewünschten Produkt. Inspiration: Geschenkbeispiel; unkonkret –> konkret Erhöhung des Benutzerkomforts. Vorschläge können Suchen ersetzen bzw. zumindest ergänzen. Gesteigerte Wertschätzung: Kunden fühlen sich mehr als Individuum wie als ein unbedeutender Teil, wenn sie gezielt Vorschläge bekommen – wie im stationären Geschäft. Emotionale und psychologische Absicherung: Man fühlt sich nicht einsam vor seinem Rechner sitzend und kaufend, sondern man fühlt sich beraten. Man fühlt sich dadurch sicherer, etwas zu kaufen, was scheinbar schon mehrere Kunden vor ihm gekauft haben oder interessant fanden. Kundenzufriedenheit dadurch erhöhen, dass sie die richtigen Produkte vorgeschlagen werden.
  10. Warum ist Mathe besser als Bauchgefühl? Näheres zur Mathematik? Ranking kann folgendermaßen aussehen: Jedes Produkt wird anhand der Anzahl der Verkäufe gerankt.
  11. Will ich Socken kaufen, wenn ich nach Unterhosen suche bzw. sogar schon einen Schritt weiter, in der Produktansicht einer Unterhose bin? Will ich Damenunterwäsche kaufen, wenn ich mir Herrenunterwäsche ansehe? Kein schlüssiges Verhalten Inspiration ist mit Sicherheit kein Schlagwort, welches einem bei solchen Empfehlungen in den Sinn kommt
  12. In Teilen kann ich es nachvollziehen, dass ich eine Sound-Anlage vorgeschlagen bekomme, wenn ich mir Details von einem Film anschaue. Dass Bud Spencer & Terence Hill vorgeschlagen werden, sehe ich gewissermaßen noch ein, da es sich hier auch um eine DVD oder DVD-Box handelt wie es die Batman-Trilogie auch ist. Dass ich aber ein Gourmet-Küchen-Set vorgeschlagen bekomme, ist für mich nicht mehr nachvollziehbar, sondern schon recht weit hergeholt. Inspiration? Fehlanzeige
  13. Blauer Schuh, flacher Schuh, Größe 36 Vorschläge: rote, hohe Schuhe, teils nicht in Größe 36 verfügbar.
  14. Kontrolle & Management: Dadurch sollen Fälle vermieden werden, wie die Küchen-Set Empfehlung Daten & Informationen: Hierbei muss die Überlegung sein, welche Daten und Informationen es lohnt auszuwerten und einzubeziehen Messen & Bewerten: Hier spielt der Kreislauf der Daten wieder eine Rolle. Ohne zu wissen, wie meine Kunden, meine Recommendations annehmen, kann ich meine Funktion schlecht optimieren.
  15. Was einige der Beispiele gezeigt haben: Es sind nicht immer sinnvolle Vorschläge, die gemacht werden. Einer Maschine, die z.B. nur mit IDs hantiert, kann nicht entscheiden, dass Produkte aus dem Bereich Küche nicht bei Produkten aus dem Bereich Eletronik und Unterhaltung vorgeschlagen werden. Menschliche, manuelle Kontrollinstanz ist notwendig Maschinell unterstützt durch Analytics!
  16. Social Media Daten & Drittanbieter-Daten: Social Media Daten können für individuell starke Gewichtung sorgen, Drittanbieter-Daten für generelle Gewichtung: Wenn ich etwas vorgeschlagen bekomme, weil es sich 50 andere wildfremde Personen gekauft haben, ist das weniger wert, wie etwas, was ich vorgeschlagen bekomme, was sich ein Bekannter gekauft hat. Drittanbieter-Daten (Ratings auf omdb.com) können für die generelle Gewichtung verwendet werden. Existierende IT? Lösungen dafür sind vorhanden!
  17. Auf diesem Bild zu sehen: Das British National Museum. In einem Vortrag, den ich Anfang diesen Jahres gehört hatte, wurde es als ein Gebäude bezeichnet, das gut skaliert. Was ist ein gut skalierendes Gebäude? Durch die Säulenstruktur kann dieses Gebäude unter der Voraussetzung skalieren, dass Fläche vorhanden ist. Man kann einfach wieder ein paar Säulen hinstellen und schon hat das Museum einen neuen Flügel. Und solange Platz da ist, kann das Gebäude beliebig wachsen. Übertragen auf Recommendations bedeutet dies: Es gibt (auch im Open Source Bereich) Produkte, die ebenso beliebig skalieren können. Vorausgesetzt, die Hardware ist vorhanden. Apache Mahout ist ein solche Open Source Produkt. Es liefert die Möglichkeit mit, auf Apache Hadoop aufzusetzen. Hadoop ist im Big Data Bereich de facto der Standard, somit ist Skalierbarkeit gewährleistet. Wand mauern!
  18. Sie müssen die Nutzung Ihrer Produktvorschläge messen, um folgendes festzustellen: Wird die Funktion überhaupt verwendet? Wie wird sie verwendet? Führen Produktvorschläge zu Kauf? Wie viele vorgeschlagene Produkte werden angeklickt? Wie viele landen im Warenkorb? Wie viele landen auf einem Wunschzettel? … usw … Diese gemessenen Daten können dann weiter verwertet werden, um die Recommendations zu verbessern. Produkte, die häufig als Vorschlag angesehen und gekauft werden, sollten dementsprechend vielleicht häufiger angeboten werden als Vorschläge, die nicht oder kaum geklickt werden. IT, bestehende Lösungen, fertige Lösungen vorhanden, keine Personalaufstockung um 100% notwendig
  19. Was kostet mich die Umsetzung? Wie lange dauert eine Umsetzung? Individualität – Daten & Sortiment; Elektronik vs. Schmuck Datenmenge und Verarbeitung ergeben benötigte Hardware Viele Ansätze und Algorithmen Ausgiebiges Testen: Kundenvertrauen ist schnell verloren, schwer zurückzugewinnen Was sollte Ihnen eine solche Funktion wert sein? Stellen Sie sich Ihren Jahresumsatz vor und nehmen davon 20%. So viel mehr Potenzial können Recommendation Engines wecken. Berechnen Sie davon Ihre Marge: Das kann für Sie dabei rausspringen! Diese zwei Fragen sind nicht aus dem Stehgreif und nicht generell zu beantworten, denn eine solche Funktion ist in vielerlei Hinsicht individuell. Es beginnt bei den Daten, die zur Verfügung stehen. Die sollten auch gemeinsam mit dem Sortiment betrachtet werden. Manchmal macht es Sinn, bestimmte Kategorien gesondert zu betrachten. Es ist schwierig, sinnvolle Produkte aus dem Bereich Elektronik vorzuschlagen, wenn sich der Benutzer gerade etwas aus dem Bereich Schmuck/Bekleidung ansieht. Die Datenmenge gibt vor, wie viel Hardware nötig ist, um die Recommendations zu berechnen. Die benötigte Hardware spiegelt sich natürlich auch im Preis wieder. Da es grundsätzlich mehr als einen Algorithmus gibt, gibt es auch die Möglichkeit, mehrere Algorithmen auszuprobieren und zu prüfen, welcher für Ihren Shop der beste ist. Am besten natürlich vor einem Live-Gang. Eine Recommendations-Funktion sollte gut, ausführlich und gründlich getestet werden. Wenn ich als Kunde einmal etwas unpassendes oder in meinen Augen sinnloses vorgeschlagen bekomme, gebe ich einer solchen Funktion vielleicht eine zweite Chance, aber ob ich auch eine dritte oder vierte Chance gebe, wage ich zu bezweifeln. Vertrauen verlieren geht schnell, verlorenes Vertrauen wieder aufbauen ist schwierig. Sie können sich jedoch ausrechnen, was Ihnen eine Recommendations-Funktion wert sein kann: Nehmen Sie sich Ihren Jahresumsatz und dann 20% davon. Das wäre dann der "Amazon-Fall". Von diesen 20% können Sie Ihre Marge berechnen und wissen dann, was im besten Fall für Sie rausspringt.
  20. Skalierbarkeit: Sie können mit Ihrer Anwendung und Ihrer Recommendations Engine wachsen. Natürlich ist es möglich, klein anzufangen und stetig nahand der gemachten Erfahrungen zu wachsen. Grenzen werden nur durch Ihren Geldbeutel gesetzt, denn der bestimmt, wie viel Hardware Sie zur Verfügung haben. Auslösen der Recommendations: Hierbei sind vielfältige Szenarien denkbar. Jeder kennt von Amazon Vorschläge, die man bekommt, wenn man sich ein Produkt ansieht oder etwas in den Warenkorb abgelegt hat. Ebenso sind Funktionen möglich, die die Tatsache einbeziehen, dass immer mehr über mobile Geräte und von unterwegs in Online-Shops gegangen wird. Hierbei können Empfehlungen auch getriggert werden, wenn sie das GPS-Signal Ihrer Kunden auswerten und ihnen ein Signal schicken, wenn sie sich in der Nähe eines stationären Geschäfts befinden, in dem es ein Angebot zu einem Produkt gibt, das der Kunde auf dem Wunschzettel hat, sich angesehen hat oder sich potenziell dafür interessiert. Zum Schluss in eigener Sache Werbung: Wir arbeiten an einer Lösung, bieten Ihnen gerne PoC an.