Das Dokument behandelt die Kunden- und Zielgruppensegmentierung im E-Commerce durch den Einsatz von Empfehlungssystemen. Es werden verschiedene Arten von Empfehlungssystemen, deren Funktionsweise und Herausforderungen beschrieben, wobei der Fokus auf der Personalisierung und Analyse von Kundenverhalten liegt, um Umsatz und Kundenzufriedenheit zu steigern. Zudem werden Beispiele erfolgreicher Implementierungen und innovative Ansätze zur Anpassung von Empfehlungsstrategien an individuelle Kundenwünsche vorgestellt.

1. Kunden- / ZielgruppensegmentierungEinsatz von Empfehlungssystemen für verhaltensorientierte Kundensegmentierung25.02.2011, Karlsruhesebastian.wohlrapp@dmc.de

2. ReferentSebastian WohlrappHead of Unit Travel & Tradedmc digital mediacenter GmbH, StuttgartHintergrund:Wirtschaftsingenieurwesen/Business AdministrationIT- und Management-Consultingin Frankfurt mit Fokus CRM und SFAE-Marketing und -Branding in BerlinOpen Source, Web 2.0 und E-Commerce-Lösungen in ZürichE-Business-Strategie & Unternehmensentwicklung im Bereich Travel in ZürichSeit 2009: HoU B2C E- und Travel-Commerce bei dmc in Stuttgart http://www.xing.com/profile/sebastian_wohlrapp25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 2

3. InhaltWhy am I hereandwhat will I learn?Einführung in das Thema Kundenverhalten als Einflussfaktor im E-CommerceLösungsansätze über Empfehlungssysteme ... und HerausforderungenWelche Ansätze für welche Situationen? ... mit Erfahrungswerten (Ansatz)Produkte im VergleichBeispieleDiskussion25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 3

4. Daten und Fakten1995 in Stuttgart gegründet

5. 2009: 20 Mio. € Umsatz

6. 500 TEUR Stammkapital

7. Inhabergeführte GmbH

8. Über 200 Mitarbeiter MarktpositionGrößter unabhängiger E-Commerce Dienstleister in Deutschland

9. Nr. 2 im E-Commerce Dienstleister Ranking 2010

10. Nr. 8 im Internetagenturranking 2010 dmc auf einen Blick02.07.2010dmc macht besseres E-CommerceManagementManaging PartnerAndreas Schwend und Daniel Rebhorn

11. Managing DirectorAndreas Maggdmc Leistungsportfolio02.07.2010dmc macht besseres E-CommerceConsultingDesign & MarketingTechnologiePlan & BuildE-Commerce Business Consulting

12. IT-Consulting

13. Online Marketing Consulting

14. E-Commerce Prozessberatung

15. E-Commerce Implementierung

16. PIM-Implementierung

17. System- und Plattformentwicklung

18. Schnittstellenentwicklung & Systemintegration

19. Informationsdesign und -architektur

20. Website Konzeption und Design

21. Online Marketing Planung und KonzeptionRun &OptimizeWebcontrolling

22. Marktforschung

23. Hosting und Betrieb

24. Monitoring / Helpdesk & Rufbereitschaft

25. Applikations- und Systemsupport

26. Online Marketing Services

27. Produktdaten Management

28. Shop Management

29. Usability-TestingUnser Werteversprechen für besseres E-Commerce02.07.2010Kunden- / Zielgruppensegmentierung auf der Webseite

30. Herausforderung in der Kundensegmentierung“If I have 3 million customers on the Web, I should have 3 million stores on the Web.” (Jeff Bezos)25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 7

31. Herausforderung in der Kundensegmentierung“If I have 3 million customers on the Web, I should have more than 3 million stores on the Web.” 25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 8

32. Herausforderung in der Kundensegmentierung“If I have 3 million customers on the Web, I should have more than 3 million stores on the Web.”  Segmentierung von Besuchergruppen mit homogenem Kaufverhalten25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 9

33. 25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 10EmpfehlungssystemeDefinition und Klassifizierung

34. EmpfehlungssystemeArten von EmpfehlungssystemenClickstream-basierte Systeme Repeat Buying-basierte Systeme 25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 11EmpfehlungEmpfehlung

35. Wirkungsfelder in der Conversion-Pyramide25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 12Online VerkaufClickstream-Systeme Repeat Buying-Systeme

36. Wirkungsfelder in der Conversion-Pyramide25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 13Zahlt ein auf:Anzahl angelegter Warenkörbe

37. Durchschnittlicher Warenkorbwert

38. Produktmarge

39. Anzahl abgeschlossener Transaktionen

40. Anzahl RetourenOnline VerkaufClickstream-Systeme Repeat Buying-Systeme Zahlt ein auf:Anzahl angelegter Warenkörbe

41. Durchschnittlicher Warenkorbwert

42. Reduzierung der BestellabbrücheWirkungsfelder in der Nachverkaufsphase25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 14NachverkaufRepeat Buying-Systeme

43. Wirkungsfelder in der Nachverkaufsphase25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 15Zahlt ein auf:Umsatz pro Kopf

44. Kundenzufriedenheit

45. Kundenbindung

46. Newsletter-ConversionNachverkaufRepeat Buying-Systeme

47. EmpfehlungssystemeArten von Empfehlungssystemen25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 16EmpfehlungssystemNicht personalisiert PersonalisiertHybrid

48. Beispiel: Hybrides Empfehlungssystem von AmazonAllgemeine Empfehlungen, Cross-Selling und Up-Selling25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 17

49. Beispiel: Hybrides Empfehlungssystem von AmazonPersonalisierte Empfehlungen, Cross-Selling und Up-Selling25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 18

50. Personalisierte EmpfehlungssystemeArten von personalisierten Empfehlungssystemen25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 19Kundengetriebene PersonalisierungDer Kunde passt den Shop oder die Webseite gemäß seiner Vorstellungen an seine Bedürfnisse an.KaufenKonfigurierenDer Kunde kauft eine Aktentasche in einem Shop, den er für sich konfiguriert hat.

51. Personalisierte EmpfehlungssystemeArten von personalisierten Empfehlungssystemen25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 20Anbietergetriebene (RuleBasedMatching) PersonalisierungKunde mit roter Krawattegraue Tasche empfehlenDurch eine festgelegte Regel bekommt der Kunde eine graue Tasche.

52. Personalisierte EmpfehlungssystemeArten von personalisierten Empfehlungssystemen25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 21Automatisierte PersonalisierungZuordnung zur Gruppe der Männer mit grauen Taschen.

53. Personalisierte EmpfehlungssystemeAutomatisierte personalisierte EmpfehlungssystemeContent BasedFiltering-Systeme 25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 22Aus Objekt rote Krawatte folgt eine graue Tasche Unabhängig von der Person folgt aus der roten Krawatte die graue Tasche.Collaborative Filtering-SystemeempfehlenDie passende Peer-Gruppe empfiehlt eine graue Tasche.

54. KundenprofileEmpfehlungssystemrelevante KundentypenBekannt und eindeutig identifiziertIdentifikation: Login oder Persistent-CookieVorgehen: Profil wird permanent vervollständigtNicht eindeutig identifiziert, Kontextinformationen bekanntKontext: Google Refer, SearchTrail, Verweildauer, Engagement PatternsVorgehen: Persistent-Cookie für spätere Identifizierung setzen, Profil wird permanent vervollständigt Nicht identifiziert, Kontext nicht bekannt Vorgehen: Persistent-Cookie für spätere Identifizierung setzen, Profil wird permanent vervollständigt 25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 23

55. Empfehlungssysteme und Kundendaten25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 24BekanntKontextbezogene Empfehlungen basierend auf ProfilinformationenKontextbezogene EmpfehlungenKontextUnbekanntPopulärste ProduktePersönliche EmpfehlungenUnbekanntBekanntProfil

56. KundenprofildatenEmpfehlungsrelevante Kundenprofil-DatenIdentifikationsdaten (Profile-ID, Persistent-Cookie-ID)Vordefinierte Kundensegment-IDKontextdatenGoogle Refer, …, Search TrailSuchbegriffeAktueller Click-Pfad (angeschaute Kategorien, Produkte)Produkte im WarenkorbHistorische Daten des Kundenverhaltens (im relevanten Zeitraum)KaufhistorieAngeschaute ProduktkategorienKollaborative Daten (Produktempfehlungen, Produktbewertungen)Angeschaute ProdukteGesuchte ProdukteLieblingsstyle, ….25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 25

57. KundenprofildatenEmpfehlungsrelevante Kundenprofil-Daten IISocial-ProfileFacebook-Profil der KundenFacebook-Profil von FreundenDemografische Daten (sind für Realtime-Empfehlungen wenig nutzbar, da großer Performancebedarf) 25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 26

58. E-Shop Meta-DatenEmpfehlungsrelevante e-Shop Meta-DatenMeistbesuchte KategorienProduktdatenTopsellerProduktzusammenhängeAngeschaute Produkte Bewertete ProdukteStammdaten (Marge, Preis, Lieferzeit, Retourendaten, …) Empfehlungssystem DatenKundensegmente mit EmpfehlungsregelnMeistgesuchte Stichwörter/ProdukteEmpfehlungsregeln (mit Wirksamkeit und Zusammenhängen)Click-PfadeWarenkorbanalysedatenJahreszeit/Saison und andere zyklische Faktoren im Geschäftsmodell25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 27

59. 25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 28EmpfehlungssystemeFunktionsweise und Ersatzempfehlungen

60. 25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 29Produkt & Content DatenKontextNavigationEmpfehlungenKundensegment, Demografische DatenProduktdatenKategoriedatenHistorische DatenEmpfehlungssystem Daten & RegelContentSocial Profile

61. Warenkorbanalyse - Repeat Buying SystemKunden die A kauften, kauften auch B 25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 30Mathematical Modeling to improve TargetingMarketingMachine123Predict next likely product to buyPredict customer value potentialPredict customers likely to churnCustomer 1Customer 266% = ?Customer 3 33% = * Freedhooper

62. Warenkorbanalyse - Repeat Buying SystemHerausforderungen25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 31Long-Tail-Effekt Große ProduktsortimenteSortimentswechselLange Lernzeitin > 60%der Fälle keine oder ungenaue Empfehlungen

63. in > 20% der Fälle werden TopsellerempfohlenMögliche LösungsansätzeAnalyse von Vergangenheitsdaten

64. Einführung der Personalisierung

65. Warenkorbanalyse innerhalb eines Kundensegmentes

66. Änderung des Einsatzszenarios

67. Kunden die A kauften, haben auch B angeschautCollaborative FilteringKunden, die dem Kunden A ähnlich sind, empfehlen oder nutzen Produkt B25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 32bewertenempfehlenähnlich

68. Collaborative FilteringHerausforderungen.Kundensegmentierung mittels Ähnlichkeitsmatrix von Kundenverhalten25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 33Große ProduktsortimenteSehr große Mengen von BewertungskombinationenLatenzzeitSortimentswechsel Performanceprobleme

69. Fehler der statistischen MassenMögliche LösungsansätzeAnalyse von historischen Daten im Vorfeld

70. Erstellung von Kundensegmenten im Vorfeld

71. Einsatz lernender SystemeBeispiel: lernendes System(Hierarchisches) Reinforcement Learning. prudsys RDEKundensegmentierung und Regeldefinition beim Offline-LernenRegeloptimierung beim Echtzeit-/Online-LernenSelbstoptimierendes System25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 34

72. Beispiel: lernendes SystemReinforcement Learning. prudsys RDEZuordnung von Kunden zum KundensegmentGewichtung von ProduktempfehlungenGewichtung von EmpfehlungsregelnÜberprüfung der Gewichtung von Produktempfehlungen und Empfehlungsregeln in 10% der Fälle25.03.2010Kunden- / Zielgruppensegmentierung auf der Webseite| Folie 35