1. Das Projekt LEFOS 2. Empfehlungssysteme für Cross-Selling 3. Kundenanalyse zur weiteren Personalisierung 4. Zusammenfassung

Größe: px

Ab Seite anzeigen:

Download "1. Das Projekt LEFOS 2. Empfehlungssysteme für Cross-Selling 3. Kundenanalyse zur weiteren Personalisierung 4. Zusammenfassung"

Rudolph Kranz
vor 8 Jahren
Abrufe

1 am Beispiel eines Online-Shops Artus Krohn-Grimberghe Anneke Minke Universität Hildesheim Agenda 1. Das Projekt LEFOS 2. Empfehlungssysteme für Cross-Selling 3. Kundenanalyse zur weiteren Personalisierung 4. Zusammenfassung Universität Hildesheim

2 1. Das Projekt LEFOS Lernende Empfehlungssysteme für Online-Shops Gemeinsames Projekt von Gefördert durch EFRE Universität Hildesheim 1. Das Projekt LEFOS Ziel: Integration von Algorithmen und Techniken, die den aktuellen Stand der Forschung im Bereich Empfehlungssysteme widerspiegeln, in ein Online-Shop-System Bestandteile: Warenkorbanalyse Produkttaxonomien (Kategorien) Kundenanalyse Clickstreams Universität Hildesheim

Das Projekt LEFOS Ziel: Integration von Algorithmen und Techniken, die den aktuellen Stand der Forschung im

3 2. Empfehlungssysteme Auch bekannt als Recommender System "Kunden, die diesen Artikel gekauft haben, kauften auch" Digitaler Verkäufer (Verkaufsassistent) Erhöhung des Absatzes durch Cross-Selling Sichtbarmachung des Produktportfolios Universität Hildesheim 2. Empfehlungssysteme Einsatzfelder in einem Online-Shop Universität Hildesheim

durch Cross-Selling Sichtbarmachung des Produktportfolios 10.06.

4 2. Empfehlungssysteme Notwendige Daten Was muss ich haben, damit ein Recommender auch bei mir läuft? Rating-Daten: Nutzer, Produkt, Ratingwert(, Zeit) Explizites Feedback Transaktionsdaten: Nutzer, Produkt(, Zeit) Implizites Feedback möglich Universität Hildesheim 2. Empfehlungssysteme DEMO Universität Hildesheim

Rating-Daten: Nutzer, Produkt, Ratingwert(, Zeit) Explizites Feedback

5 3. Kundenanalyse zur weiteren Personalisierung Vielzahl von Daten aus Kaufhistorie: Segmentierung der Kunden anhand ihres Kaufverhaltens Navigationshistorie: Analyse des Navigationsverhaltens Universität Hildesheim 3. Kundenanalyse zur weiteren Personalisierung Verhaltensspezifische Daten aus Kaufhistorie RFM-Daten: Recency Zeitpunkt der letzten Bestellung Frequency Bestellhäufigkeit Monetary Umsatz durch den Kunden Weitere ableitbare Daten: Durchschnittswert der gekauften Produkte Heterogenität der Warenkörbe Anteil beworbener Produkte Gruppierung von Kunden mit ähnlichem Kaufmustern Universität Hildesheim

Kundenanalyse zur weiteren Personalisierung Verhaltensspezifische Daten aus Kaufhistorie RFM-Daten: Recency Zeitpunkt der letzten Bestellung Frequency

6 3. Kundenanalyse zur weiteren Personalisierung Ziel: Zielgruppenspezifisches Marketing anhand clusterspezifischer Personalisierungen Mögliche Segmente sind u.a. Regelmäßige Kunden mit eindeutigen Bestellmustern Vereinfachung der Bestellvorgänge Schnäppchenjäger Besondere Hinweise zu aktuellen Angeboten Außerdem: Untersuchungen bzgl. Trends Aufdecken von Veränderungen im Kaufverhalten Universität Hildesheim 3. Kundenanalyse zur weiteren Personalisierung Personalisierung auf Basis der Navigationshistorie: Verwendung von Clickstreams (Clickstream: Surfsequenz eines Internetnutzers auf einer Webseite) Ziel: Frühzeitiges Erkennen des anvisierten Ziels Navigation zum Ziel vereinfachen Unterscheidung zwischen Bekannten Besuchern Verwendung der Kaufhistorie Anonymen Besuchern Universität Hildesheim

Kundenanalyse zur weiteren Personalisierung Personalisierung auf Basis der Navigationshistorie: Verwendung von Clickstreams (Clickstream: Surfsequenz eines Internetnutzers auf einer Webseite) Ziel:

7 3. Kundenanalyse zur weiteren Personalisierung Vorgehen Clickstreamanalyse: Identifizierung möglicher Ziele Ermittlung optimaler Navigationspfade Bündelung verwendeter Clickstreams mit Hilfe von Algorithmen (z.b. Golden Path Analyzer, Verwendung von Wildcards) Vorgehen Golden Path Analyzer: Bündelung der Clickstreams mit Hilfe einer Clusteranalyse Identifizierung eines Hauptpfads anhand gemeinsamer Subsequenzen Nebeneffekt: Analyse von Falloffs (Aufdecken von Gründen für das Verlassen eines Hauptpfades) Universität Hildesheim 3. Kundenanalyse zur weiteren Personalisierung Startseite Fotoshop Preisliste Fotos Bestellung Startseite Fotoshop Fotos Startseite Fotoshop Fotos Technik & Multimedia Bestellung Bestellung Universität Hildesheim

Golden Path Analyzer, Verwendung von Wildcards) Vorgehen Golden Path Analyzer: Bündelung der Clickstreams mit Hilfe einer Clusteranalyse Identifizierung eines Hauptpfads anhand gemeinsamer

8 4. Zusammenfassung Absatzsteigerung durch personalisierte Empfehlungen Implizites und explizites Feedback nutzbar Personalisierung der Angebote auf Basis einer Kundensegmentierung Personalisierung der Navigationselemente zur Steigerung der Kundenzufriedenheit Universität Hildesheim

auf Basis einer Kundensegmentierung Personalisierung der

Ähnliche Dokumente

Business Analytics im E-Commerce

Business Analytics im E-Commerce Kunde, Kontext und sein Verhalten verstehen für personalisierte Kundenansprache Janusz Michalewicz CEO Über die Firma Crehler Erstellung von Onlineshops Analyse von Transaktionsdaten