Die Konkurrenz im E-Commerce steigt stetig, genauso wie das Anspruchsniveau der Online-Kunden. Diese möchten zunehmend nicht mehr von statischen Shops empfangen werden, sondern Inhalte auf Onlineshops vorfinden, die sie begeistern und inspirieren. Diese müssen dynamisch und möglichst in Echtzeit für sie generiert werden. In diesem Bedürfnis der Kunden liegt eine große Chance, sich von der wachsenden Konkurrenz durch Onsite Personalisierung abzusetzen und bereits gewonnene Kunden langfristig zu binden.
Der Personalisierungsprozess der Onsite Personalisierung
Um Onsite-Personalisierung durchführen zu können bedarf es eines Prozesses. Im Folgenden orientieren wir uns vor allem am von Gentsch 2002 beschriebenen Prozess, der sich in drei immer wiederkehrende Phasen aufteilt: Profiling, Matching und Channeling.
Die Profiling-Phase
In der Profiling-Phase werden Nutzerprofile über explizite und implizite Datensammlungsverfahren gesammelt, die die Basis für die Matching-Phase des Prozesses darstellen. Explizit bedeutet hier, dass die gesammelten Daten über einen Kunden bzw. Nutzer auch von diesem selbst preisgegeben wurden. Diese Daten können z.B. durch Formulare auf der Website oder Befragungen erhoben werden. Implizite Datensammlung beinhaltet die Logfile-Analyse und Cookies.
Die Logfile-Analyse
Logfiles, auch Weblogfiles genannt sind Dateien, die von einem Webserver automatisch generiert werden. Es wird bei jeder Aktion eines Nutzers auf einer Internetseite erfasst, was er dort angeklickt hat und welche Dateien ihm vom Webserver dadurch zur Verfügung gestellt wurden. Ein Logfile enthält folgende Daten:
- IP-Adresse des Clients
(Muss in der weiteren Datenverarbeitung verschlüsselt werden) - ID (Identifikation des Nutzers)
- User (Benutzername für passwortgeschützte Bereiche)
- Zeitpunkt des Zugriffs (Datum und Uhrzeit)
- Request (Art der Anfrage, die angefragte Datei und das Protokoll)
- Status der Anfrage
- Anzahl Bytes
- Referrer (URL der Website, die auf die Datei verlinkt)
- User Agent (verwendeter Webbrowser)
- Verwendetes Betriebssystem
Diese Daten können strukturiert und in einen Zusammenhang mit Nutzerinteraktionen gebracht werden.
Cookies
Cookies sind Textdateien, die lokal im Browser des Nutzers gespeichert werden. In diesen Textdateien werden ähnlich wie bei der Logfile-Analyse alle Verhaltensdaten vom Nutzer gespeichert. Der Unterschied zur Logfile Analyse ist, dass diese nicht erst manuell oder im Nachhinein durch ein Programm aggregiert werden müssen. Dies geschieht bereits bei der Aufzeichnung. Ein Cookie, der von einem Webserver generiert wird kann auch nur von diesem abgerufen werden, da die Cookie-Datei ein Schlüsselpaar enthält, das nur vom selben Webserver entschlüsselt werden kann. Sofern dieses Schlüsselpaar einmalig ist kann ein Nutzer bei jedem folgenden Besuch erneut identifiziert werden und die zu ihm gespeicherten Daten genutzt und fortgeschrieben werden.
An diesem Punkt im Prozess wurden soziodemographische, verhaltenstechnische und technische Daten über den Nutzer erfasst. Auf dieser Basis lassen sich in der Matching-Phase Inhalte des Shops mit Nutzerprofilen zusammenführen. In diesem Kontext wird zwischen „One-to-One“- und „One-to-Many“-Personalisierung unterschieden, also ob die Personalisierungsmaßnahmen für einen einzelnen oder eine größere Gruppe von Nutzern generiert wird. Für „One-to-Many“-Personalisierung müssen Nutzer in Segmente eingeteilt werden, die mit soziodemographischen Daten oder Präferenzdaten generiert werden können. Diese können für das Rule-Based-Matching (RBM) genutzt werden. Dabei handelt es sich um eine Methode, die nach dem OAW-Ansatz (Objekt-Attribut-Wert) funktioniert, wie in der unteren Tabelle dargestellt.
Es werden also Business-Regeln definiert, nach denen Inhalte für bestimmte Nutzergruppen ausgespielt werden. Dieser Ansatz kann in einem Unternehmen relativ leicht umgesetzt werden, da dazu vor allem klassische Marketing-Kompetenzen gebraucht werden und keine weiteren Data-Science-Verfahren eingesetzt werden müssen, wie bei den nachfolgend beschriebenen Filterverfahren.
Content- und Collaborative-Filtering
Die am meisten genutzten Filterverfahren bei der Onsite-Personalisierung sind vermutlich Content- und Collaborative-Filtering. Beim Content-Filtering werden Inhalte auf einer Website durch Text-Mining-Analyseverfahren auf Gemeinsamkeiten untersucht und z.B. in einer Item-Item-Matrix festgehalten. Frontend-Lösungen, die mit diesem Verfahren arbeiten spielen einem Nutzer im folgenden Inhalte (oder auch Produktempfehlungen) aus, die zu den Inhalten passen, die vorher positiv von ihm bewertet wurden. Diese Bewertung kann explizit erfasst werden oder implizit durch verhaltensbasierte Daten festgestellt werden. Verhaltensbasierte Daten werden durch Aktionen des Nutzers erfasst. Eine Aktion kann sein, dass ein Nutzer ein Produkt in den Warenkorb legt, auf den eigenen Merkzettel im Onlineshop schreibt oder einfach nur viel in einer Kategorie stöbert.
Ein weiteres Filterverfahren ist das Collaborative Filtering oder auch Social Filtering genannt. Ähnlich wie beim Content-Filtering werden dazu zunächst Nutzerpräferenzen erfasst. Der Unterschied zu diesem Verfahren liegt darin, dass diese zu einem Nutzer erfassten Daten nicht mit den anderen Inhalten (oder Produkten) auf der Seite verglichen werden, sondern Nutzerprofile miteinander verglichen werden. Dabei wird eine User-Item-Matrix erstellt, in der die Präferenzen der Nutzer in einem Punktesystem (bspw. von 1 bis 5) festgehalten werden. Es werden anschließend im Frontend dem Nutzer Empfehlungen auf Grundlage von ähnlichen Nutzerprofilen ausgespielt.
Wie fast alle Personalisierungsmaßnahmen haben auch die Filterverfahren ein starkes Kaltstartproblem aufgrund von fehlenden Daten. Aus diesem Grund wird bei Filterverfahren oft eine hybride Lösung angewandt, bei der die User-Item-Matrix mit der Item-Item-Matrix angereichert wird. Durch diese Lösung können schneller passende Inhalte für einzelne Nutzer gefunden werden.
Nachdem in der Matching-Phase Nutzerprofile erfolgreich mit Seiteninhalten in Verbindung gebracht wurden, werden in der Channeling-Phase Personalisierungslösungen durchgeführt. Diese reichen von klassischen Produktempfehlungs-Slidern zu personalisierten Bannern, die auf einer Seite ausgespielt werden. Erstere arbeiten hauptsächlich mit den beschriebenen Filterverfahren. Banner werden eher durch Rule-Based-Matching mit Nutzern in Verbindung gebracht.
Ein Onlineshop, der uns besonders beim Thema Onsite-Personalisierung aufgefallen ist, ist ABOUT YOU. Der Online-Pure-Player setzt dabei vor allem auf explizit preisgegebene Präferenzen seiner Kunden. Diese werden z.B. durch ein Stylequiz, bei dem Outfits, Styles, Größen oder auch Farben spielerisch interaktiv bewertet werden, erfasst. Im Folgenden werden bei ABOUT YOU z.B. durch automatische Filter auf den Produktlisten einem Kunden nur noch Produkte ausgespielt, die den angegebenen Präferenzen entsprechen. Es wird der Onlineshop also um den Nutzer herum gestaltet, was bei ABOUT YOU von Erfolg gekrönt ist. Laut eigenen Angaben konnten mit personalisierten Produktempfehlungen 29% mehr Umsatz pro Nutzer generiert werden. Um dem Nutzer eine noch persönlichere Erfahrung zu ermöglichen wird im Firmenlogo nach dem Login das „YOU“ mit dem Vornamen des Kunden ausgetauscht.
Herangehensweise an Onsite-Personalisierung
Eine mögliche Herangehensweise an Onsite Personalisierung für Onlineshops, die bisher noch keine Personalisierungsmaßnahmen auf der eigenen Seite durchgeführt haben ergibt sich daraus, welche Daten bereits dem Unternehmen zur Verfügung stehen. Wenn also davon ausgegangen wird, dass bereits CRM-Daten (Customer-Relationship-Management) zur Verfügung stehen, kann am Anfang direkt angefangen werden auf Basis dieser zu personalisieren. Das Verfahren, das sich dafür als erstes anbietet ist das Rule-Based-Matching. Parallel sollte falls noch nicht geschehen eine Web-Analytics bzw. -Tracking-Lösung im Shop implementiert werden, um Nutzer auch ohne Registrierung erkennen zu können. Wenn dies geschehen ist können daraufhin mehr Daten gesammelt werden, somit Nutzerprofile verschärft und neue Erkenntnisse daraus gezogen werden. Jede vollzogene Maßnahme sollte nach der Durchführung analysiert und mit anderen Maßnahmen verglichen werden, um sukzessive genauere, effektivere Personalisierungslösungen entwickeln zu können.