Eidesstattliche Erklärung
Kurzfassung
Abstract
Abkürzungsverzeichnis
Abbildungsverzeichnis
Tabellenverzeichnis
1 Einleitung
1.1 Zielsetzung und Problemstellung
1.2 Thematische Einordnung und Abgrenzung des Untersuchungsgegenstandes
1.3 Gang der Arbeit
2 Grundlagen der Untersuchung
2.1 Konversionsrate
2.1.1 Definition
2.1.2 Bildung und Messung
2.2 Konversionsratenoptimierung
2.3 Personalisierung als Mittel der Konversionsratenoptimierung
2.3.1 One-to-One Marketing
2.3.2 Definition Personalisierung
2.3.3 Vorrausetzungen für die Umsetzung von Personalisierung
2.3.3.1 Web-Analytics
2.3.3.2 Segmentierung
2.3.4 Wirkung der Personalisierung auf die Konversionsrate
2.3.5 Neue Treiber der Personalisierung
2.3.5.1 Big Data
2.3.5.2 Data-Mining
2.3.5.3 Predictive Analytics
2.3.5.4 Behavioral-Targeting
2.3.5.5 Machine Learning
2.3.5.6 Empfehlungssysteme
3 Der stationäre Modehandel
3.1 Status Quo
3.2 Implikationen der Personalisierung im E-Commerce für den stationären Modehandel
3.3 Technologische Treiber
3.3.1 RFID
3.3.2 Smartphone
3.3.3 Zwischenfazit
3.4 Konzept zur Echtzeit-Konversionsratenoptimierung im stationären Modehandel
3.5 Kaltstart-Problem
3.5.1 Problematik
3.5.2 Lösungsansatz
4 Quantitative Online-Befragung
4.1 Mögliche Datenquellen und Herleitung der Hypothesen
4.2 Untersuchungsziel
4.3 Methodik
4.4 Aufbau
4.5 Datenerhebung und –Analyse
4.5.1 Charakterisierung der Daten und Einschätzung der Aussagekraft
4.5.1.1 Analyse
4.5.1.2 Ergebnisse
4.5.2 Überprüfung der Hypothesen
4.5.2.1 Hypothese H1 und H2:
4.5.2.2 Hypothese H3 und H4
4.5.2.3 Hypothese H5
4.5.2.4 Hypothese H6
4.5.2.5 Hypothese H7
4.5.4.6 Hypothese H8
4.5.2.7 Hypothese H9
4.5.2.8 Hypothese H10
4.5.2.9 Hypothese H11
4.5.2.10 Hypothese H12
4.5.3 Diskussion der Ergebnisse
4.5.4 Grenzen der Untersuchung
5 Fazit
6 Ausblick
7 Literatur- und Quellenverzeichnis
8 Anhang
Anhang 1: Verfahren des Data-Minings
Association rule learning
Classification
Cluster Analyse
Regression
Anhang 2: Suchverfahren versus Empfehlungsalgorithmen
Anhang 3: Online-Fragebogen:
Hiermit versichere ich, Niklas Georg Dorn, an Eides Statt, dass ich die vor-liegende Masterarbeit mit dem Titel: „Vom E-Commerce lernen: RFID und Smartphone als Konversionsoptimierer im stationären Modehandel“ selbständig und ohne fremde Hilfe verfasst und keine anderen als die angegebenen Hilfsmittel benutzt habe. Die Stellen der Arbeit, die dem Wortlaut oder dem Sinn nach anderen Werken entnommen wurden, sind in jedem Fall unter Angabe der Quelle kenntlich gemacht. Die Arbeit ist noch nicht veröffentlicht oder in anderer Form als Prüfungsleistung vorgelegt worden.
Ich habe die Bedeutung der eidesstattlichen Versicherung und die prüfungs-rechtlichen Folgen (§ 19 Abs. 2 Master-SPO der HdM) sowie die strafrechtlichen Folgen (gem. § 156 StGB) einer unrichtigen oder unvollständigen eidesstattlichen Versicherung zur Kenntnis genommen.
Niklas Georg Dorn (Matrikelnummer 25014)
Aufbauend auf dem Konzept der Personalisierung im E-Commerce, verfolgt diese Arbeit mit dem Titel „Vom E-Commerce lernen: RFID und Smartphone als Konversionsoptimierer im stationären Modehandel“ das Ziel, die Vorteile einer Personalisierung auf den stationären Modehandel zu übertragen. Dies soll durch Verknüpfung von RFID-Technologie, Smartphones und Empfehlungsalgorithmen ermöglicht werden.
Neben einer Untersuchung der Wirkung von Personalisierung auf die Konversionsrate und einer Betrachtung der Treiber von Personalisierung im
E-Commerce, erfolgt eine Potenzialanalyse der RFID-Technologie sowie von Smartphones. Mit Hilfe eines hypothesengeleiteten Vorgehens im Rahmen einer quantitativen Online-Befragung wird untersucht, welche Zusammenhänge zwischen der Smartphone-Marke und ihren Nutzern im Hinblick auf ihre Ausgabe- und Zahlungsbereitschaft sowie ihr Verhalten in Bezug auf Bekleidung bestehen. Die daraus gewonnenen Erkenntnisse dienen zur Lösung des Kaltstart-Problems eines Empfehlungsalgorithmus für den stationären Modehandel.
Im Rahmen der Untersuchung konnten Zusammenhänge zwischen der Smartphone-Marke und dem Einkaufsverhalten von Smartphone-Nutzern in Bezug auf Bekleidung festgestellt werden. Darüber hinaus konnte ein praxisnahes Konzept entwickelt werden, das aufzeigt, wie sich die Vorteile einer Personalisierung im E-Commerce durch Verknüpfung von RFID-Technologie, Smartphones und Empfehlungsalgorithmen auch auf den stationären Modehandel übertragen lassen.
Autor: Niklas Georg Dorn
Stichworte: Konversionsratenoptimierung, RFID, Smartphone, Mobile, Big Data, Empfehlungsalgorithmus, Personalisierung, Kaltstart-Problem, Stationärer Modehandel
Boosted by the concept of personalization in e-commerce, the goal of this work named “E-Commerce as best practice: RFID and smartphone as conversion boosters in brick and mortar apparel stores” is to bring the advantages of a personalization to apparel retail stores by linking RFID technology, smartphones and recommender systems.
First the effects of personalization on the conversion rate and the amplifiers of personalization in e-commerce are outlined. Then the strengths of RFID and smartphones will be analyzed. Second, based on these analyses, the correlations between smartphone brands on the one hand and annual spending, willingness to pay and shopping behavior of smartphone users referring to fashion on the other hand, will be quantified using a hypothesis driven online survey. Findings of this research should help to solve the cold-start problem of a recommender system in apparel retail stores by delivering solid data.
The results in the observed sample showed correlations between the smartphone brand and the fashion shopping behavior of smartphone users. Furthermore a practical concept exhibits how to benefit by the gains of personalization proofed in e-commerce linking different technologies in brick and mortar apparel stores.
Author: Niklas Georg Dorn
Keywords: Conversion Rate Optimization, RFID, Smartphone, Mobile, Big Data, Recommender System, Personalization, Cold-Start Problem, Apparel Retail Stores, Brick and Mortar Fashion Stores
Abbildung in dieser Leseprobe nicht enthalten
Abbildung 1: Probanden nach Smartphone-Marke
Abbildung 2: Probanden nach Betriebssystem
Abbildung 3: Probanden nach Einkaufsbummelhäufigkeit
Abbildung 4: Zahlungsbereitschaft nach Bekleidungskategorie Frauen
Abbildung 5: Zahlungsbereitschaft nach Bekleidungskategorie Männer
Abbildung 6: Mittlere Ausgaben für Bekleidung p.a. nach Smartphone-Marke und Geschlecht
Abbildung 7: Mittlere Zahlungsbereitschaft nach Smartphone-Marke und Geschlecht
Abbildung 8: Mittlere Zahlungsbereitschaft nach Bekleidungskategorie und Smartphone-Marke (Frauen)
Abbildung 9: Mittlere Abweichung der Zahlungsbereitschaft vom arithmetischen Mittel nach Smartphone-Marke (Frauen)
Abbildung 10: Mittlere Zahlungsbereitschaft nach Bekleidungskategorie und Smartphone-Marke (Männer)
Abbildung 11: Mittlere Abweichung der Zahlungsbereitschaft vom Mittel nach Smartphone-Marke (Männer)
Abbildung 12: Zahlungsbereitschaft nach Smartphone-Marke und Austauschhäufigkeit des Mobiltelefons
Abbildung 13: Jährliche Ausgaben für Bekleidung nach Smartphone-Marke und Häufigkeit von Einkaufsbummeln
Abbildung 14: Jährliche Ausgaben von Smartphone-Nutzern (Gesamt= Samsung, Apple und HTC) für Bekleidung nach Einkaufsfrequenz in Prozent (indexiert)
Abbildung 15: Jährliche Ausgaben von Apple-Nutzern für Bekleidung nach Einkaufsfrequenz in Prozent (Indexiert)
Abbildung 16: Jährliche Ausgaben von Samsung-Nutzern für Bekleidung nach Einkaufsfrequenz in Prozent (Indexiert)
Abbildung 17: Jährliche Ausgaben von HTC-Nutzern für Bekleidung nach Einkaufsfrequenz in Prozent (Indexiert)
Abbildung 18: Mittlere Zahlungsbereitschaft nach Einkaufsfrequenz und Smartphone-Marke
Abbildung 19: Anzahl der durchschnittlich anprobierten Artikel im Verhältnis zu den jährlichen Ausgaben für Bekleidung in Prozent (Indexiert)
Abbildung 20: Anzahl der durchschnittlich anprobierten Artikel im Verhältnis zu den Ausgaben für Bekleidung in Prozent (Indexiert) – Samsung-Nutzer
Abbildung 21: Anzahl der durchschnittlich anprobierten Artikel im Verhältnis zu den Ausgaben für Bekleidung in Prozent (Indexiert) – Apple-Nutzer
Abbildung 22: Anzahl der zur Anprobe gebrachten Artikel im Verhältnis zu den Ausgaben für Bekleidung in Prozent (Indexiert) – HTC-Nutzer
Abbildung 23: Mittlere Anzahl der anprobierten Artikel im Verhältnis zur Zahlungsbereitschaft für Bekleidung nach Smartphone-Marke
Abbildung 24: Jährliche Ausgaben nach Smartphone-Marke und Haupteinkaufszeit
Abbildung 25: Mittlere Zahlungsbereitschaft nach Smartphone-Marke und Haupteinkaufszeit
Abbildung 26: Übersicht der Untersuchungsergebnisse H1 bis H12
Tabelle 1: Bekleidungskategorien Frauen
Tabelle 2: Bekleidungskategorien Männer
Lange Jahre schien der stationäre Modehandel sein Allheilmittel gegen stagnierende Umsätze in einer konstanten Marktkonsolidierung und der damit verbundenen Realisierung von Skaleneffekten zu sehen. So erwirtschaften Großfilialisten mittlerweile zwar die Hälfte aller Umsätze, neue Wachstumsimpulse gingen von ihnen in letzter Zeit aber nicht aus. (Der Handel 2013) Während der Umsatz des Einzelhandels mit Textilien, Bekleidung und Schuhen zwischen 2002 und 2012 nur um 2,3 Prozent wuchs, stieg der Umsatz des technologiegetriebenen Versand- und Internethandels mit Textilien, Bekleidung und Schuhen im gleichen Zeitraum um 23,7 Prozent. (Statistisches Bundesamt 2013a)
Ein möglicher Grund für den Erfolg könnte in der konsequenten Ausrichtung des E-Commerce an den Grundsätzen der in den 1990 Jahren durch Don Peppers und Martha Rogers ausgerufenen One-to-One Economy liegen (Peppers und Rogers 2002, c2000, S. 7). Immer ausgereiftere Techniken zur Messung und Analyse des Kundenverhaltens und eine fortschreitende Personalisierung von Inhalten scheinen den Online-Handel dabei zu beschleunigen. Big Data und moderne Data-Mining Verfahren geben zusätzliche Impulse und ermöglichen automatisierte Personalisierung in Echtzeit.
Dem stationären Modehandel auf der anderen Seite, fehlten bislang die technischen Mittel, um es dem E-Commerce gleich zu tun. Eine Echtzeit-Erfassung und Auswertung des Kundenverhaltens und eine anschließende Personalisierung war bisher nicht möglich. Neue Technologien, wie RFID und die wachsende Verbreitung mobiler Endgeräte im Endkundenbereich, bieten nun das Potenzial, die bislang dem Online-Handel vorbehaltenen Möglichkeiten zur Steigerung der Konversionsrate auch auf den stationären Handel zu übertragen.
Aufbauend auf dieser Annahme verfolgt die Arbeit das Ziel, ein Konzept zu entwickeln, um die frei werdenden Potenziale für den stationären Modehandel nutzbar zu machen. Im Rahmen dessen sollen Kunden passend zu ihrem Nutzerprofil, ihrem Verhalten und den von ihnen ausgewählten Produkten individuelle Angebote erhalten, die sie in Echtzeit in der Kaufentscheidung beeinflussen. Das Konzept wird dabei auf der Verknüpfung der RFID-Technologie, einer Smartphone-Applikation und Empfehlungsalgorithmen basieren. Die Schwierigkeit liegt dabei im sogenannten Kaltstart-Problem (Cold-Start-Problem) (Masthoff op. 2011, S. 695).
Das bedeutet, dass in der Einführungsphase eines Empfehlungssystems keine Erfahrungswerte, in Form von Daten, zum Verhalten und den Bedürfnissen der Kunden vorliegen. Allerdings lassen sich nur auf Basis solcher Daten Empfehlungssysteme entwickeln, die zuverlässig und wirkungsvoll, personalisierte Empfehlungen generieren und damit die Konversionsrate zu steigern vermögen. Die benötigte Datengrundlage für die Erstellung individueller Angebote kann damit theoretisch erst durch Beobachtung und Analyse des Verhaltens sukzessive aufgebaut werden. (Inaba 2009, S. 97) (Schein et al. 2002) (Desrosiers und Karypis op. 2011, S. 131) (Masthoff op. 2011, S. 695) Weiteres Ziel ist es deshalb das Kaltstart-Problem durch die Schaffung einer gesicherten Datengrundlage im Rahmen einer empirischen Untersuchung zu lösen.
Methodisch basiert die Arbeit auf der einen Seite auf der kritischen Analyse von Sekundärliteratur. Auf der anderen Seite wird mit Hilfe eines hypothesengeleiteten Vorgehens untersucht, welche Zusammenhänge zwischen der Smartphone-Marke und ihren Nutzern im Hinblick auf ihre Ausgabe- und Zahlungsbereitschaft sowie ihr Verhalten in Bezug auf Bekleidung bestehen. Die erforderlichen Primärdaten werden dabei in einer quantitativen Online-Befragung erhoben. Die daraus gewonnenen Erkenntnisse können dann in Form sogenannter „Business Rules“ als Grundlage für die Entwicklung eines Empfehlungsalgorithmus für den stationären Modehandel dienen.
Thematisch bewegt sich die Arbeit im Spannungsfeld zwischen Online-Handel und stationärem Handel, zwischen neuer Technologie und den Auswirkungen auf den Konsumenten. Die Recherche identifizierte auf der einen Seite verschiedene Forschungsarbeiten zum Einsatz von RFID im Einzelhandel. So untersuchten beispielsweise Uhrich at al., wie RFID im stationären Modehandel zu Marketingzwecken eingesetzt werden kann (Uhrich et al. 2008). Auch der Einsatz der RFID-Technologie ist, speziell in Kombination mit Business Intelligence Verfahren zur Optimierung des Warenbestandsmanagements, hinlänglich untersucht. Beispielsweise in der Arbeit von Baars et al. (Baars et al.) Auf der anderen Seite gibt es diverse Untersuchungen zur Wirkung von mobilen Endgeräten auf das Konsumentenverhalten im Einzelhandel.
Hierbei gibt vor allem die Untersuchung von Ström und Vendel einen guten Überblick über den aktuellen Forschungsstand auf diesem Gebiet. (Ström und Vendel 2012) Auch Studien, die sich mit der optimalen Gestaltung von Empfehlungsalgorithmen im Modebereich auseinandersetzen sind verfügbar. So beispielsweise, die Veröffentlichung von Huang et al. die einen lernenden Algorithmus entwickelt haben, der sich durch Analyse des Kundenverhaltens selbst optimiert (Huang et al.). Eine eindeutige Forschungslücke besteht allerdings darüber, wie sich die Vorteile der RFID-Technologie mit den Vorteilen von Smartphones und von Empfehlungssystemen verknüpfen lassen, um damit dem stationären Handel die Möglichkeiten der Echtzeit-Personalisierung zu erschließen, um so individuell auf die Kaufentscheidung der Kunden während des Einkaufsvorgangs Einfluss nehmen zu können. In einem ähnlichen Umfeld bewegt sich lediglich die Forschungsarbeit von de Sousa Braga, der untersucht, wie sich die Echtzeit Preisdiskriminierung über mobile Geräte im Handel auf das Kaufverhalten der Nutzer auswirken könnte. (de Sousa Braga 2012)
Darüber hinaus sei darauf verwiesen, dass diese Arbeit bewusst auf die Untersuchung der Akzeptanz von Kunden gegenüber einer Echtzeit-Personalisierung im stationären Modehandel verzichten wird. Auch datenschutzrechtliche Aspekte, welche durch die Medienberichterstattung um Edward Snowden und die NSA-Affäre aktuell große Präsenz haben, werden in dieser Analyse bewusst ausgeklammert. Beide Themenfelder spielen zwar im Hinblick auf eine spätere Umsetzung eines Empfehlungssystems im stationären Handel ein Rolle, lassen sich aufgrund ihres großen Umfangs aber nur in gesonderten Forschungsarbeiten untersuchen.
Die Arbeit beginnt in Kapitel 1 mit der Erklärung des Begriffs der Konversionsrate und deren Bedeutung für den E-Commerce. Danach werden die Möglichkeiten zur Bildung, Messung und Optimierung der Konversionsrate vor dem Hintergrund von Big Data und Data-Mining beschrieben. Dabei wird verdeutlicht, wie sich das One-to-One Marketing und die Personalisierung auf die Konversionsrate auswirken. Im 3. Kapitel wird untersucht, wie sich die Personalisierung in Form von Echtzeit-Empfehlungen auch auf den stationären Modehandel übertragen lässt. Dazu werden die RFID-Technologie und das Smartphone ausführlich beschrieben und im Hinblick auf ihre Potenziale für den stationären Modehandel untersucht.
Im Anschluss wird ein anwendungsbezogenes Konzept entwickelt, in dem gezeigt wird, wie sich durch eine Verknüpfung der RFID-Technologie, Smartphones und Empfehlungsalgorithmen eine Echtzeit-Personalisierung von Angeboten im stationären Modehandel realisieren lässt. Das damit verbundene Kaltstart-Problem und passende Lösungsmöglichkeiten werden unter Abschnitt 3.5 erläutert. Kapitel 4 dient dann der empirischen Untersuchung in Form einer quantitativen Online-Befragung. Zunächst erfolgt die Identifikation und die kritische Prüfung potenzieller Datenquellen, sowohl für den konkreten Anwendungsfall, als auch im Hinblick auf eine mögliche Erhebung durch eine empirische Untersuchung. Die so gewonnenen Erkenntnisse werden dann zur Entwicklung von Hypothesen genutzt, welche im Rahmen einer quantitativen Online-Befragung überprüft werden. Im Fokus stehen dabei mögliche Zusammenhänge zwischen Smartphone-Marke, Einkaufsverhalten, Zahlungsbereitschaft und Nutzer bzw. Kunde. Zur Auswertung wird dafür eine multivariate Analyse durchgeführt. Im Anschluss erfolgen die Zusammenfassung und die Diskussion der Ergebnisse der empirischen Untersuchung. Abschließend werden in Kapitel 5 noch einmal alle wesentlichen Ergebnisse dieser Arbeit kritisch reflektiert. Schließlich werden die Ergebnisse in Kapitel 6 in den Kontext aktueller und zukünftiger Entwicklungen gestellt. Dabei wird auch erörtert, wie sich der stationäre Modehandel zukünftig aus Sicht des Autors entwickeln wird und welche neuen Forschungsfelder sich hieraus ergeben könnten.
Die wohl wichtigste Kenngröße im E-Commerce bildet die Konversionsrate oder auch Umwandlungsrate (engl. Conversion Rate). Fischer unterscheidet hier in eine Konversionsrate im engeren Sinne und eine Konversionsrate im weiteren Sinne. Die Konversionsrate im engeren Sinne bezeichnet das „Verhältnis von Besuchern zu Käufern“ (Fischer 2009, S. 631) einer Website. Die Konversionsrate im weiteren Sinne definiert er, als die Anzahl von Besuchern, die eine vorher definierte Aktion ausführen, prozentual dargestellt als Verhältnis zu den Besuchern, die die definierte Aktion nicht durchführen (Fischer 2009, S. 631-632). Kaushik argumentiert ähnlich, wie Fischer. Nach ihm ist die Konversionsrate “as Outcomes divided by Unique Visitors (or Visits)” (Kaushik 2010, S. 55) zu verstehen. Wobei „Outcomes“ für ihn üblicherweise “the submission of an order on your ecommerce website” (Kaushik 2010, S. 55) darstellen. Die Konversionsrate wird damit im E-Commerce ursprünglich mit einer Bestellauslösung gleichgesetzt. Hassler fasst den Begriff jedoch weiter und bezeichnet die Konversion als ein Instrument, um die Kombination aus Zielen und Metriken, wie z. B. Traffic Quellen, Besucher und Verhalten, zu messen. Dabei bezeichnet er die Konversion als eine Umwandlung, bei der normale Besucher in solche umgewandelt werden, die sich gemäß der vorher durch den Website-Betreiber formulierten Ziele, verhalten. (Hassler 2012, S. 353)
Eine in Fachkreisen anerkannte Definition kommt von der amerikanischen Digital Analytics Association, die wie Fischer auch zwischen einer weiteren 1) und einer engeren 2) Definition unterscheidet. “The event represents a transition in the visitor state that may indicate 1) potential for future behavior such as clicking on an advertisement, or registering for more information, or starting a check out process; or 2) completion of a goal milestone event such as completing a purchase online or requesting a quote” (Burby et al. 2009, S. 34).
Um ein Gefühl für die Höhe einer durchschnittlichen Konversionsrate zu gewinnen, sei an dieser Stelle auf Morys verwiesen. Laut dessen Untersuchung liegt die Konversionsrate aller Online-Shops im Durchschnitt bei etwa drei Prozent (Morys 2011, S. 19). 97 Prozent aller Besucher eines Online-Shops brechen damit den Kaufvorgang ab.
Gerade im Bereich der Web-Analyse ist es zudem üblich, die Konversionsrate weiter zu differenzieren und zwischen Macro und Micro Konversionen zu unterscheiden. Die Macro Konversionsrate stellt die von Fischer als Konversionsrate im engeren Sinne beschriebene Umwandlungsrate dar. Sie beschreibt das Verhältnis von Käufern zu Besuchern. Micro Konversionen hingegen stellen die Unterteilung der Macro Konversionsrate in einzelne Teilschritte dar. Eine Unterteilung des gesamten Kaufprozesses in Micro Konversionen könnte dabei wie folgt aussehen: 1. Anteil der Besucher eines Webshops, die ein Produkt anklicken; 2. Anteil der Besucher, die ein Produkt in den Warenkorb legen; 3. Anteil der Besucher, die auf Kaufen klicken ; 4. Anteil der Besucher, die den Kaufvorgang abschließen. „Micro Konversionen liefern damit genauere Information darüber, wo Schwierigkeiten im Prozess auftreten und somit Optimierungspotenzial(e) besteht(en)“ (Krüger 2013).
Wie der Name schon zum Ausdruck bringt, ist die Konversionsrate eine Messzahl, die ein Verhältnis darstellt. Die Konversionsrate im engeren Sinn stellt betriebswirtschaftlich betrachtet einen Key Performance Indicator (KPI)[1] dar, da sich mit ihr der Erfolg eines Webshops bestimmen lässt. Konversionsraten im weiteren Sinn bzw. Micro Konversionsraten sind dagegen nicht unbedingt von Bedeutung für die Erreichung wichtiger organisatorischer Zielsetzungen. Um
festlegen zu können, in welcher Art und in welchem Umfang Konversionsraten (im weiteren Sinn) gemessen werden müssen, sollten konkrete Konversionsziele definiert werden. In der Regel leiten sich die Konversionsziele aus den Unternehmenszielen und dem Geschäftsmodell ab (Hassler 2012, S. 320) (Meier und Zumstein 2012). Hassler unterscheidet dann weiter nach Global- und Subzielen, die sich in Form von Konversionsraten abbilden lassen (Hassler 2012, S. 320). Für E-Commerce Websites, wie z. B. Zalando oder Amazon, gelten dabei meist „Produktverkauf und ein hoher Umsatz als das [Global-]Ziel“ (Hassler 2012, S. 318). Subziele eines E-Commerce Händlers können beispielsweise das Cross- und Up-Selling[2], die Steigerung des Warenkorbwertes, die Erhöhung der Marge oder die Erhöhung der Anzahl der Bestandskunden sein (Hassler 2012, S. 318). Die so aus Global- und Subzielen abgeleiteten Konversionsraten lassen sich dann in sogenannten Webmetriken darstellen und messen.
Dabei handelt es sich um standardisierte Zahlensysteme, welche durch Web-Analyse-Systeme gemessen oder kombiniert werden und eine Aussage hinsichtlich der Nutzung oder des Erfolgs ermöglichen (Zumstein 2012, S. 57).
Unter der Konversionsratenoptimierung (KRO) ist die „betriebswirtschaftliche Optimierung digitaler Wertschöpfungsprozesse“ zu verstehen. (Morys 2011, S. 54) Auch die Web Arts AG stellt die Konversionsratenoptimierung als die Summe alle Maßnahmen dar, „die die Wertschöpfung von Internetportalen, meist Onlineshops, erhöhen“ (Web Arts AG 2013). Morys konkretisiert den Begriff und bezieht die Optimierung auf die Reichweitensteigerung. Er versteht darunter „alle Bemühungen, den Geschäftserfolg zu skalieren, in dem die bestehende Reichweite besser ausgeschöpft wird“ (Morys 2011, S. 18).
Wie für die Konversionsrate, gibt es ebenso für die Konversionsratenoptimierung keine allgemeingültige Definition. Duermyer sieht sie als “process of maximizing the percentage of website visitors who complete a desired action (Conversionsrate)” (Duermyer 2013). Auch Seo-united sieht im Begriff die systematische „Verbesserung von durch einen Website Bertreiber gewollten Handlungsprozessen“ (SEO-united.de 2012) zur Generierung betriebswirtschaftlichen Nutzens. Im weiteren Verlauf dieser Arbeit wird die Konversionsratenoptimierung im Sinne der Definition von Morys verwendet.
Der zunehmende Wettbewerbsdruck im E-Commerce, der vor allem durch die langsam zurückgehenden Wachstumsraten und die gleichzeitige Steigerung der Anzahl der im Online-Handel aktiven Unternehmen seine Ursache findet (Groß 2010), macht die Umsatzsteigerung über ein simples Kundenwachstum zunehmend schwieriger und weniger profitabel. Die Verbesserung der Effizienz in Form der optimalen Ausschöpfung der Reichweite durch Konversionsratenoptimierung gewinnt deshalb zunehmend an Bedeutung (Handelsverband Deutschland 2013, S. 8).
Sehr klar wird diese Fokussierung unter Betrachtung der betriebswirtschaftlichen Auswirkung bei einer Konversionsratenerhöhung. Denn eine hohe Konversionsrate führt nicht nur zu höheren Deckungsbeiträgen. Vielmehr bedeutet „eine Verdopplung der Konversionsrate […] gleichzeitig eine Halbierung der Kosten proKundengewinnung (oder pro Bestellung, Registrierung etc.)“ (Morys 2011, S. 22).
Grundsätzlich wird die Konversionsrate von kontrollierbaren und unkontrollierbaren Faktoren beeinflusst. Zu den unkontrollierbaren Faktoren können nach Aden und Paulsen beispielweise saisonale Absatzschwankungen, ausgelöst durch das Wetter, sein. Zu den kontrollierbaren Faktoren zählen u. a. die Usability, der Traffic, die Technik oder die Sicherheit. Durch Optimierungsmaßnahmen lassen sich die kontrollierbaren Einflussfaktoren gezielt bearbeiten, um die Konversionsrate zu verbessern. (Aden und Paulsen 2013)
Neben den aufgezählten Faktoren ist insbesondere die Personalisierung bzw. das Targeting zur Konversionsratenoptimierung bedeutsam. Seit einigen Jahren ist eine starke Fokussierung auf den Kunden durch eine individuelle Ansprache, basierend auf den jeweiligen Nutzerprofilen, in Echtzeit beobachtbar. Dahinter verbirgt sich der Gedanke des One-to-One Marketings, welcher maßgeblich durch Don Peppers und Martha Rogers in den 1990er Jahren geprägt wurde. Sie definieren das One-to-One Marketing als das Entwickeln und Managen individueller Beziehungen mit individuellen Kunden (Peppers und Rogers 2002, c2000, S. 7). Damit handelt es sich beim One-to-One Marketing im Grunde genommen um die Wiederentdeckung des durch die Dominanz des Massenmarketings verloren gegangenen individuellen Marketings, das „über viele Jahrhunderte die vorherrschende Form war“ (Kotler 2012, S. 461). Im Gegensatz zum Massenmarketing, bei dem ein potenzieller Markt gewählt und bestimmt wird, welches Bedürfnis der durchschnittliche Kunde hegt, fokussiert sich das One-to-One Marketing auf jeweils einen Kunden (Peppers und Rogers 2002, c2000, S. 7). Im Vordergrund stehen dabei die einzelnen Kundenbeziehungen und „eine individuelle und interaktive Auseinandersetzung mit den Wünschen und Bedürfnissen der Kunden seitens des Unternehmens“ (Kollmann 2007, S. 210). (Kollmann und Kirchgeorg) Die so gewonnenen Erkenntnisse werden dazu verwendet, „personalisierte Angebote zu unterbreiten“ (Kollmann 2007, S. 210). Der Einsatz von standardisierten Marketing-Methoden ist damit nicht möglich. (Kollmann 2007, S. 210) Für diese differenzierte Betrachtung bedarf es vielmehr einer neuen Art von Organisation und eines neuen Aufbaus unternehmerischer Prozesse.
Die wachsende Verbreitung „moderner Informations- und Kommunikationstechnologien“ (Kollmann und Kirchgeorg) ist hier maßgeblicher Wegbereiter des One-to-One Marketings. Erst durch sie wurde es möglich „Kundendaten nahezu automatisch und zeitnah zu generieren“ (Kollmann 2007, S. 210).
Unter Personalisierung ist die „Anpassung von Informationen, Diensten oder Produkten an die definierten oder vermuteten Bedürfnisse einer Person“ (Klahold 2009, S. 3) zu verstehen. Die Anpassung kann dabei entweder „automatisiert durch Software oder manuell durch einen Menschen erfolgen“ (Klahold 2009, S. 3). Brüne bezieht sich dagegen explizit auf das Internet. Nach ihm handelt es sich bei der Personalisierung um eine „Funktion, bei der Websites nach den Bedürfnissen ihrer Benutzer gestaltet werden können“ (Brüne 2009, S. 204). Wesentliche Voraussetzung hierfür ist, dass detaillierte Informationen über den Nutzer vorliegen. Entweder in dem dieser durch eine Registrierung Angaben zu persönlichen Vorlieben und Interessen abgegeben hat oder dadurch, „dass eine individuelle Zusammenstellung der Website-Inhalte bei einem neuerlichen Aufruf aufgrund der Speicherung der letzten Aktivitäten des Users erfolgt“ (Brüne 2009, S. 204). Nach Piller handelt es sich bei der Personalisierung in erster Linie um die Selektion von Informationen unter der Verwendung von individuellen Informationen (Piller 2005). Wohingegen Doman schreibt: „Personalization technology enables the dynamic insertion, customization or suggestion of content in any format that is relevant to the individual user, based on the user’s implicit behavior and preferences, and explicitly given details” (Doman 2012). Dieser Definition folgt auch diese Arbeit.
Oftmals wird zur Personalisierung auch der Begriff der Individualisierung synonym verwendet, wenngleich der Begriff sehr heterogen beschrieben wird. Nach der gängigen Auffassung in der Literatur der Wirtschaftswissenschaften lässt sich die Individualisierung stark vereinfacht, als „Prozess der Erstellung eines individuellen Guts“ (Schackmann 2003, S. 36) mit dem Ziel einer „maximale[n] Befriedigung der individuellen Präferenzstruktur des Nachfragers durch die Leistungen des Anbieters“ (Reichwald et al. 2002, S. 10) definieren. Sie steht damit als Gegenpol zur Standardisierung bei der alle Individuen gleich behandelt werden. (Hess und Rauscher 2005, S. 12–13)
Ein prägnantes Unterscheidungsmerkmal zwischen der Personalisierung und der Individualisierung, stellt der klare Bezug der Personalisierung zur IT-Technologie dar, welche eine vollautomatisierte Anpassung von Inhalten jeglicher Art ermöglicht (Schackmann 2003, S. 49).
In enger Verbindung zur Personalisierung steht auch der Begriff der Mass Customization, welcher die Individualisierung von Leistungsangeboten auf Massenmärkten bezeichnet (Brüne 2009, S. 168–169). Nach Kotler stellt Mass Customization die „Fähigkeit [dar], im Rahmen der Massenproduktion den Wünschen einzelner Kunden entsprechende, individuell konfigurierte Produkte zu fertigen“ (Kotler 2012, S. 462). Dabei werden Produkte zwar zu individuellen Komplettsystemen für den Kunden zusammengesetzt, bestehen aber aus bereits vorgegebenen Produktkomponenten (Brüne 2009, S. 168–169). Nach Piller werden alle Handlungen innerhalb eines beschränkten Lösungsrahmens durchgeführt. Der Rahmen ist dabei zwar fest, die Prozesse innerhalb, bleiben aber flexibel. (Piller 2005) Mass Customization bedeutet demnach, dass Nutzer aus einem vorhanden, immer gleichen Set an Möglichkeiten - nach dem Prinzip eines Baukastens - ihre individuelle Konfiguration zusammenstellen können.
Im Gegensatz zur Mass Customization, bei der Kunden selbst selektierten, was ihnen wichtig ist, erfolgt bei der Personalisierung die Anpassung ohne eine Aktivität des Kunden durch die Nutzung seiner Profilinformationen. Nur so können automatisierte, personalisierte Angebote gemacht werden. (Piller 2005)
Eine wesentliche Voraussetzung für die Umsetzung des beziehungsorientieren One-to-One Marketings sind umfassende Kenntnisse über das Kundenverhalten und die -präferenzen. Der E-Commerce ist aufgrund seiner technischen Möglichkeiten führend, wenn es darum geht die Wünsche und Bedürfnisse einzelner Kunden automatisiert zu erkennen und individuell darauf zu reagieren (Kollmann 2007, S. 210). Möglich ist das vor allem durch die Anwendung von Web-Analytics (auch als Web-Tracking, Traffic-Analyse, Web-Controlling oder Web-Usage-Mining bezeichnet) in Verbindung mit Customer-Relationship-Management (CRM) Systemen.
“Web-Analytics extracts and categorizes qualitative and quantitative data to identify and analyze on-site and off-site patterns and trends. […] Web-Analytics services may be supplemented with related sources, including email marketing response rates, direct mail, sales and website performance data” (Janssen und Janssen) .
Technisch wird das Verhalten durch „automatisch angefertigte Protokolldateien, die auch als Log-Files bezeichnet werden“ (Kollmann 2007, S. 201) und durch Page Tagging genau aufgezeichnet. Bei Log-Files handelt es sich um Server Protokolle, die alle Aktivitäten und Interaktionen auf und mit dem Server protokollieren. (Kollmann 2007, S. 201) Da die Daten aus Sicht des Servers und nicht des Nutzers einer Website aufgezeichnet werden, sind Log-Files „im Hinblick auf die Optimierung des Webangebots“ (Hassler 2012, S. 29–30) nur bedingt nutzbar. Zielführender ist die Analyse durch sogenannte Page Tags (auch Cookies genannt) (Hassler 2012, S. 29–30). Beim Page Tagging werden die Seitenaufrufe und das Verhalten von Besuchern durch die in einzelne Seiten integrierten Codes (oder Tags) gemessen. Hierdurch wird mehr oder minder eine Vollerhebung des gesamten Traffics einer Website möglich. (Hassler 2012, S. 29) Die so entstehenden Beobachtungsdaten werden häufig mit Kundendaten aus CRM-Systemen gekoppelt und ermöglichen so ein umfassendes Bild über jeden einzelnen Nutzer. Hierdurch ist die automatische, persönliche Ansprache möglich. Je länger die Kundenbeziehung besteht und je mehr Interaktion mit dem Kunden stattfindet, desto mehr kann „das gewonnene Wissen dabei erweitert und vertieft werden, wodurch der Individualisierungsgrad im Zeitverlauf ansteigt“. (Kollmann 2007, S. 210) In diesem Zusammenhang spricht man auch von dynamischen Profilen, die sich laufend mit dem Nutzerverhalten verändern. (Kollmann 2007, S. 210)
Als Grundlage für die gezielte Kundenansprache können unterschiedliche Daten und Verfahren dienen. Ausgehend von der Datenbasis ist anschließend allerdings eine Segmentierung der Zielgruppe bzw. des Marktes notwendig. Diese bildet den Kern jeder Personalisierung.
Die Segmentierung stellt eine Assoziationstechnik (Isson und Harriott 2013, S. 204–206) dar, bei der Kunden in „homogene Segmente aufgrund von Kundenprofilen“ eingeteilt werden, wobei sich die Homogenität in „Form ähnlicher Einstellungen, Bedürfnisse und Verhaltensweisen ausdrücken“ sollte. (Brüne 2009, S. 158)
Die Segmentierung basiert auf der Prämisse, dass gleiches Verhalten oder Charakteristiken aus gleichen Bedürfnissen resultieren. Damit hilft sie Wissen darüber zu gewinnen, wie sich der Markt verändert. (Isson und Harriott 2013, S. 204–206) Dabei kann die Segmentierung uni- oder multivariat erfolgen. Je höher die Anzahl an diskriminierenden Variablen, die zur Segmentierung genutzt werden, desto spezifischer und personalisierter wird die Einteilung. (Isson und Harriott 2013, S. 204–206)
Kotler unterscheidet nach „geografische[n], demografische[n], psychografische[n] und [oder] verhaltensorientierte[n]“ (Kotler 2012, S. 463) Segmentierungskriterien. Die geografischen Kriterien stehen beispielsweise für die Aufteilung nach Ort, Gebiet, Land oder Kontinent der Kunden. Die demografische Segmentierung bedeutet nach Kotler, „den Gesamtmarkt in Gruppen aufzuteilen, die durch Variablen wie Alter, Geschlecht, Familiengröße, Position imFamilienlebenszyklus, Einkommen, Beruf, Bildung,Religion, ethnische Gruppe und Nationalität bestimmt sind“ (Kotler 2012, S. 465). Für ihn stellen demografische Kriterien die wichtigste Basis der Marktsegmentierung dar, da „die Bedürfnisse, Wünsche und Verbrauchsgewohnheiten eng mit demografischen Kriterien verbunden“ (Kotler 2012, S. 465) und sich vergleichsweise einfach messen lassen. (Kotler 2012, S. 465) Bei der psychografischen Segmentierung erfolgt die Segmentierung der Kunden bzw. Käufer anhand „Zugehörigkeit zu einer soziale[n] Klasse, […] [des] Lebensstils oder ausgewählter Persönlichkeitsmerkmale“ (Kotler 2012, S. 469). Die verhaltensorientierte Segmentierung hingegen ordnet die (potenziellen) Kunden nach „Wissensstand, Einstellungen, der Nutzung und den Reaktionen auf ein Produkt“ (Kotler 2012, S. 471). „Kaufanlässe[n], Nutzenerwartungen, Nutzerstatus, Nutzungshäufigkeit, Produktloyalität, Kaufbereitschaft und Einstellung gegenüber dem Produkt“ (Kotler 2012, S. 471) können als Kriterien einer verhaltensorientierten Segmentierung angeführt werden. (Kotler 2012, S. 471) Berekoven et al. zeigen ähnliche, aber dennoch andere Bezeichnungen für die Segmentierungskriterien auf. Sie unterteilen im Bereich der Verbrauchersegmentierung nach demografischen, wie z. B. „Alter, Geschlecht, Familienstand, Haushaltsgröße u.Ä.“, nach sozioökonomischen, wie z. B. „Einkommen, Vermögen, Beruf u.Ä.“ , nach Verhaltens-, wie z. B. Einkaufsverhalten und Mediennutzung, und nach Besitzmerkmalen, wie z. B. „Verfügung über bestimmte (höherwertige) Güter […] oder/und den Lebensraum“ (Berekoven et al. 2009, S. 234).
Die aufgeführten Definitionen zeigen, dass in der Fachliteratur keine einheitliche Definition von Segmentierungskategorien zu finden ist. Im Grunde genommen findet eine Differenzierung zwischen (verhältnismäßig) konsistenten und eindeutig erfassbaren Merkmalen, wie dem Alter und Geschlecht und sich situationsbedingt verändernden und damit inkonsistenten Variablen, wie den Einstellungen und Bedürfnissen und dem Verhalten, statt. Dieser Argumentation folgend teilen Simon und Fasnacht Segmentierungskriterien grob in „Käufermerkmale sowie in Kaufverhaltensmerkmale“ (Simon und Fasnacht 2008, S. 253) ein.
In Bezug auf die Segmentierungsanforderung sind sich die Experten weitestgehend einig. So müssen die Segmentierungskriterien relevant, beobachtbar, messbar und zeitlich stabil sein. (Simon und Fasnacht 2008, S. 253–254)(Berekoven et al. 2009, S. 234) In früheren Segmentierungsansätzen wurden vor allem „demografische und sozioökonomische Merkmale eingesetzt“ (Balderjahn und Scholderer 2007, S. 118–119), vor allem da sie leicht messbar, wirtschaftlich bearbeitbar und zeitlich stabil sind. (Balderjahn und Scholderer 2007, S. 118–119)
„Das Dilemma der Marktsegmentierung besteht darin, dass für die segmentspezifische Marktbearbeitung nur die verhaltensbezogenen Kriterien unmittelbar relevant sind, diese aber meist schlecht beobachtbar oder die auf ihrer Basis gebildeten Segmente nicht gezielt ansprechbar sind. Umgekehrt lassen sich die in Käufermerkmale definierten Segmente gezielter ansteuern, jedoch bleibt ihre Verhaltensrelevanz oft unklar und zweifelhaft“ (Kleiner und Kötzle 2009, S. 36).
Häufig beklagen Experten eine zu geringe Kaufverhaltensrelevanz demografischer Segmente (Balderjahn und Scholderer 2007, S. 118–119). So wissen Konsumforscher seit langem um die geringe Bedeutung soziökonomischer Merkmale in Bezug auf das Kaufverhalten (Berekoven et al. 2009, S. 235). Eine Verbesserung der Segmentierung wurde durch Hinzunahme von psychografischen Merkmalen und im späteren Verlauf der Entwicklung von Typologien erzielt. Hierbei werden homogene Segmente gebildet, die „mit jeweils typischen Einstellungen und Ansichten sowie einem entsprechenden Kauf- bzw. Verwendungsverhalten“ (Berekoven et al. 2009, S. 235) einhergehen. Doch auch diese Arten der Segmentierung beruhen auf vergangenheitsbezogenen Daten und einer Vereinfachung und Angleichung von Kundenmerkmalen.
Erst durch die neuen Möglichkeiten moderner Informations- und Kommunikationstechnologien, allen voran der flächendeckenden Verbreitung des Internets, Big Data und Data-Mining Technologien, ist eine Veränderung der, in der Segmentierung verwendeten Merkmale, eingetreten. „In der aktuellen Forschung überwiegen verhaltensorientierte Merkmale […] sowie psychografische Merkmale […] oder Kombinationen aus mehreren Arten von Segmentierungskriterien“ (Kleiner und Kötzle 2009, S. 36). Zentrale Annahme dieser Ansätze ist, dass der aktuelle Lebensstil das künftige Kaufverhalten beeinflusst (Brüne 2009, S. 250–251). Die Entwicklungen gehen eindeutig in Richtung Echtzeit-Personalisierung durch verhaltensorientierte multivariate Segmentierung (Clustering), bei der die Anzahl der Segmente und die Segmentierungskriterien im Vorfeld nicht bekannt sind (Manyika et al. 2011, S. 5) (Balderjahn und Scholderer 2007, S. 115) (Kleiner und Kötzle 2009, S. 36). Eine Entwicklung, die ebenfalls aus dem E-Commerce kommt, ist die Segmentierung nach technografischen Gesichtspunkten. So lassen sich Nutzer beispielsweise anhand ihrer digitalen Endgeräte (Device), ihrem Betriebssystem oder ihrem Browser segmentieren. Mittlerweile werden auch vermehrt neue Datenquellen, wie Daten aus sozialen Netzwerken für die Personalisierung verwendet (Rao 2012). So nutzen Online-Shops, wie frontlineshop.com, aktiv Facebook Profildaten, um ihr Angebot in Echtzeit zu personalisieren. In einer der bisher größten Studien dazu untersuchten Konsiski et al. die Zusammenhänge zwischen Persönlichkeitsprofilen, also Charakterzüge und Eigenschaften, die durch mehrere anerkannte psychometrische Persönlichkeitstests abgefragt wurden und den „Likes“ auf Facebook. Facebook „Likes“ drücken dabei positive Assoziationen mit Online-Inhalten, wie Fotos, Status Updates von Freunden, Facebook Produktseiten, Sport, Künstlern, Büchern, Restaurants oder populären Webseiten aus (Kosinski et al. 2013, S. 5802). Bei der Analyse wurden die Daten von 58.000 US Amerikanern untersucht (Kosinski et al. 2013, S. 5802). So sagen die Wissenschaftler über die Ergebnisse: “We show that a wide variety of people’s personal attributes, ranging from sexual orientation to intelligence, can be automatically and accurately inferred using their Facebook Likes” (Kosinski et al. 2013, S. 5805).
Das aufgestellte Vorhersagemodell (Predictive Model) konnte u. a. anhand der Facebook „Likes“ mit 88 prozentiger Wahrscheinlichkeit homosexuelle und heterosexuelle Männer unterscheiden, obwohl diese sich nicht offiziell in ihren Profilen outeten (Kosinski et al. 2013, S. 5804–5805).
Mit 85 prozentiger Wahrscheinlichkeit konnten Wähler der Demokraten von Wählern der Republikaner unterschieden werden (Kosinski et al. 2013, S. 5802). Nach Kosinski et al. können Daten aus sozialen Netzwerken damit eine überzeugende und reliabele Möglichkeit darstellen, um auf psychologische Merkmale zu schließen (Kosinski et al. 2013, S. 5805) und Marketing und E-Commerce damit zu personalisieren.
Immer häufiger werden Kunden, vor allem im E-Commerce, anhand ihres Kundenverhaltens und ihres -Profils in Echtzeit angesprochen (Kolbrück 2013). Das ist vor allem zwei Entwicklungen geschuldet. Einerseits wurden durch Big Data bzw. Web-Analytics und CRM die Möglichkeiten geschaffen, detaillierte Kundenprofile zu erstellen und Inhalte in Echtzeit zu personalisieren. Andererseits belegen zahlreiche Beispiele, dass sich eine kundenindividuelle Ansprache und ein datengetriebenes Handeln positiv auf den ökonomischen Erfolg von Unternehmen auswirken.
Nach Hetzel steigert „die Passgenauigkeit von Bedürfnissen und empfangenen Botschaften (…) die Kundenzufriedenheit, die Legitimität der Absendermarke und vor allem den Umsatz“ (Hetzel, S. 139). Riemer resümiert, dass Personalisierung im Internet dabei hilft, Leistungen zu differenzieren und sich im Markt zu positionieren. Zudem werden psychologische Log-Ins aufgebaut und die Unpersönlichkeit des Mediums gemildert. Darüber hinaus kann durch Personalisierung der Kundennutzen, die Kundenzufriedenheit und die Kundenbindung erhöht werden. (Riemer 2012, S. 110). Auch Für David Selinger, CEO von Rich Relevance und ehemaliger Manager Consumer Behavior Research bei Amazon Inc. stellt Personalisierung den „differentiating factor in e-commerce and digital commerce going forward, especially for multichannel retailers and new entrants online” (Rao 2012). Passend dazu berichtet die E-Commerce Agentur dmc, dass Amazon „mit der Einführung von personalisierten Angeboten […] seine Umsätze um ca. 20 Prozent“ (Schwend, S. 4) steigern konnte. In einer Untersuchung ermittelten Brynjolfsson at al. eine fünf bis sechs Prozent höhere Leistung und Produktivität bei Unternehmen mit einer Daten getriebenen Entscheidungskultur gegenüber Unternehmen die Daten nicht als Kernkompetenz betrachten (Brynjolfsson et al. 2011, S. 1).
Bloching et al. berichten, dass eine „gezielte Kundenansprache auf Basis von Kundendatenauswertungen […] die Response – also Kundenreaktion im positiven Sinne – mindestens um den Faktor fünf“ erhöht. Teilweise seien sogar „Steigerungen um den Faktor 10 - 20“ (Bloching et al. 2012, S. 61) möglich.
Laut einer Pressemitteilung von SAP zur hauseigenen Precision Retailing Lösung, welche personalisierte Echtzeit Angebote ermöglicht, verzeichneten anwendende Unternehmen bis zu „20 percent increase in promotional conversion rates, a 15 percent increase in average basket size and a 10 percent increase in the purchase of suggested upsell and cross-sell products” (SAP 02.10.2012). So entwickelte die französische Supermarktkette Groupe Casino zusammen mit SAP eine Lösung bei der Kunden durch „predictive Analytics“ auf Basis ihrer Kundenhistorie, Segmentcharakteristika und exaktem Standort im Supermarkt individuelle Angebote und Vorschläge in Echtzeit via Smartphone App erhalten. (SAP 02.10.2012) In den Testmärkten sei durch Einsatz der Lösung laut SAP Trade Industries "der Umsatz pro Kunde um über 10 Prozent gestiegen" (Bloching et al. 2012, S. 93).
Ein weiteres Beispiel stammt Patel und Singh, die berichten, dass das Antonio Conventions & Visitors Bureau durch den Einsatz Personalisierung basierend auf geo-location, Anzahl der Seitenbesuche und den inhaltlichen Präferenzen von Seitenbesuchern, die click through rate (CTR) auf den Hauptseiten von 0,7 % auf 6,7 % erhöhen konnte. (Patel und Singh 2012, S. 59)
Zudem haben sich einige Startups auf die Konversionsratenoptimierung durch Personalisierung fokussiert und zeigen durch ihren Erfolg im Online-Bereich, welche Bedeutung von der Personalisierung ausgeht. Anzuführen ist beispielsweise Adtelligence, das als „Technology Pioneer“ 2013 ausgezeichnet wurde. Adtelligence passt Inhalte von statischen E-Commerce Websites dynamisch auf Userprofile oder Usercluster an, betreibt also Echtzeit-Personalisierung durch die Analyse von Kundenverhalten. (Adtelligence GmbH 2013) Laut Frick, Vice President Products, steigert Adtelligence die Konversionsrate von Web-Shops durch Echtzeit-Personalisierung mindestens um den Faktor 2. (Frick 2013, S. 2)
Insgesamt sind die hier dargestellten Ergebnisse durchaus kritisch zu betrachten, da es sich überwiegend um Unternehmensmeldungen handelt und die Neutralität der Aussagen damit nicht gewährleistet ist. Ergebnisse könnten zu Gunsten der Unternehmensinteressen geschönt sein.
Die Fülle an unterschiedlichen Belegen und die genaue technische Messbarkeit der erzielten Erfolge und damit auch die Überprüfbarkeit, sprechen jedoch für eine erfolgssteigernde, konversionsoptimierende Wirkung der Personalisierung.
Ein Trend der die Personalisierung zunehmend voran treibt sind dynamische Anpassungen an die Nutzer in Echtzeit. Um Inhalte automatisiert in Echtzeit anpassen zu können, bedarf es jedoch extrem leistungsfähiger Informations- und Kommunikationstechnologien, die speziell dazu entwickelt wurden riesige Datenmengen zu verarbeiten. Big Data bzw. moderne Verfahren des Data-Minings setzen an diesem Punkt an und sind laut Kotler als einer der stärksten Treiber für das One-to-One Marketing zu verstehen. (Kotler 2012, S. 461)
Big Data beschreibt ein vielschichtiges Phänomen, dass Mayer-Schönberger und Cukier als „the beginning of a major transformation“ (Mayer-Schönberger und Cukier 2013, S. 6-7) bezeichnen. Nach dem Bundesverband Informationswirtschaft, Telekommunikation und Neue Medien (BITKOM) ist Big Data einen Sammelbegriff für „Konzepte, Methoden, Technologien, IT-Architekturen sowie Tools, mit denen sich die Informationsflut in Bahnen lenken lässt“ (BITKOM 2012a). Der Begriff Big Data wurde dabei als ein medienwirksames Schlagwort erfunden, dass die „wirtschaftlich sinnvolle Gewinnung und Nutzung entscheidungsrelevanter Erkenntnisse aus qualitativ vielfältigen, unterschiedlich strukturierten Informationen“ (BITKOM 2012a) beschreibt. Charakteristisch für die Informationen ist dabei, dass sie einem permanenten dynamischen Wandel unterliegen und in einem bisher nicht dagewesenen Umfang anfallen. (BITKOM 2012a)
Ergänzend dazu definieren Schroeck et al. Big Data als das Auftreten der vier Dimensionen Masse (Volume), Geschwindigkeit (Velocity), Vielfalt (Variety) und Richtigkeit (Validity). Die Dimension „Masse“ bezieht sich dabei auf den Umfang der Datenmengen, die zur Entscheidungsfindung von Unternehmen analysiert werden. Die Dimension Geschwindigkeit bezeichnet das Tempo „mit de[m] Daten erzeugt, verarbeitet und analysiert werden“ (Schroeck et al. 2012, S. 4). Echtzeit-Analysen sind dadurch keine Seltenheit mehr (BITKOM 2012b, S. 21). Der Begriff Vielfalt steht dabei für Unterschiede in den Datenformaten und den Quellen der Daten. Prinzipiell geht es um die Verarbeitung vielfältiger und komplexer strukturierter, semistrukturierter und unstrukturierter Daten.
Die vierte Dimension „Richtigkeit“ bezieht sich auf die Güte von Information bzw. Daten und weist darauf hin, dass eine hohe Datenqualität eine wichtige Anforderung im Rahmen von Big Data ist. (Schroeck et al. 2012, S. 4-5)
Auch BITKOM definiert Big Data in vier Dimensionen. Die ersten drei Dimensionen lauten ebenfalls Masse bzw. Datenmenge, Geschwindigkeit und Datenvielfalt. Die vierte Dimension stellt für den Verband jedoch nicht die Richtigkeit, sondern die Analyse (Analytics) dar. (BITKOM 2012b, S. 21) Der Begriff steht laut dem Verband für „Methoden zur möglichst automatisierten Erkennung und Nutzung von Mustern, Zusammenhängen und Bedeutungen“ (BITKOM 2012b, S. 21). Abgeleitet aus der vorangegangen Definition, ist Big Data aus Sicht des Autors der Überbegriff für eine neue, datengetriebene Art des Handelns, welche in Summe durch immer effektivere Technologien zur Speicherung und Verarbeitung großer Datenmengen (Manyika et al. 2011, S. 2) auf der einen Seite und der wachsenden Anzahl an durch digitale Netzwerke miteinander verbundenen Personen, Geräten und Sensoren generierten Daten (Manyika et al. 2011, S. 2) auf der anderen Seite, ermöglicht wird. Ziel ist das Erkennen neuer bisher unbekannter Wirkungszusammenhänge, um so optimale Entscheidungen im Sinne der Nutzenmaximierung zu treffen.
Für den Terminus Data-Mining (DM) besteht in der wissenschaftlichen Literatur ebenfalls keine einheitliche Definition. So wird der Begriff Data-Mining teilweise synonym für Big Data verwendet, wobei er sich allerdings eher auf die Verfahren der Datenauswertung und dem damit verbundenen Erkenntnisgewinn bezieht. Sinnbildlich ist der Begriff vom Bergbau (Mining) abzuleiten, bei dem große Mengen an Rohmaterial geschürft werden, um mittels Weiterverarbeitung eine kleine Menge wertvollen Materials daraus zu extrahieren. (Alpaydın 2008, S. 2) In Anlehnung an diese Metapher kann Data-Mining als Überbegriff für verschiedene halb- oder vollautomatische Verfahren zur Entdeckung potenziell nützlicher Muster in großen komplexen Datenbeständen, mittels Methoden der statistischen Analyse und des maschinellen Lernens (machine learning) beschrieben werden (Blum 2006, S. 14) (Witten und Frank 2005, S. 6) (Rouse 2008) (Manyika et al. 2011, S. 28). Damit ist Data-Mining also vielmehr ein Teilaspekt von Big Data, als ein Synonym. Die Methoden des Data-Minings finden in verschiedenen Forschungsgebieten, wie z. B. der Mathematik, der Genetik und dem Marketing Anwendung (Rouse 2008).
Dabei ist Data-Mining keineswegs neu, sondern wird seit längerem unter dem Begriff Business Intelligence (BI) praktiziert. Das neuartige beim Data-Mining sind die gewachsenen Möglichkeiten der Datenanalyse beispielsweise durch automatisches Erkennen von Mustern und komplexen Zusammenhängen, aufbauend auf Big Data. (Witten und Frank 2005, S. 5) Im Gegensatz zu statistischen Analyse- und anderen klassischen Forschungsansätzen, funktioniert das Data-Mining allerdings rein Daten getrieben. Dies bedeutet es wird versucht in großen Datensätzen neuartige, verwerterbare Zusammenhänge zu erkennen und daraus beispielsweise Modelle mit hoher Vorhersagegenauigkeit zu entwickeln. (Alpaydın 2008, S. 2) (Mayer-Schönberger und Cukier 2013, S. 55) Genauere Informationen zu den gängigsten Verfahren des Data-Minings können im Anhang im Abschnitt Verfahren des Data-Minings eingesehen werden. Bei der statistischen Analyse handelt es sich hingegen um ein hypothesengetriebenes Vorgehen, bei dem zuerst Hypothesen aufgestellt, dann Daten dazu gesammelt und anschließend ausgewertet werden. (Berka und Rauch 2010, S. 1)
Predictive Analytics bezeichnet eine Unterart des Data-Minings. Die Technik des Predictive Analytics ist darauf ausgerichtet, aus vergangenen Erfahrungen (Daten) zu lernen und so das zukünftige Verhalten von Personen vorherzusagen. (Siegel 2013, S. 107) Isson and Harriott subsumieren unter Predictive Analytics hochentwickelte Analyse Lösungen, wie
„(Data-Mining, text analytics, segmentation, predictive modeling, forecasting, and optimization) that helps discover trends and complex patterns from structured and unstructured data, identify the relationships between multiple data elements, create meaningful insights, and predict the future for a variety of outcomes and events” (Isson und Harriott 2013, S. 201–202).
Im Kern wird bei Predictive Analytics angenommen, dass (ein) „vergangenes Verhalten und daraus resultierende Erfolge und Misserfolge zur Prognose zukünftigen Verhaltens besonders geeignet sind“ (Grootenhuis 2003, S. 17). Das Ziel von Predictive Analytics ist es, mittels einer datengestützten Analyse, Verhalten und Situationen vorherzusagen und dadurch optimalere Entscheidungen zu ermöglichen. (Siegel 2013, S. 107) So geht es nach Isson und Harriott darum, Informationen darüber zu gewinnen, was passieren wird, was passieren kann und welche entsprechenden Handlungen von Nöten sind.(Isson und Harriott 2013, S. 206)
Für die Vorhersage zukünftigen Verhaltens oder von Situationen werden sogenannte Predictive Models eingesetzt. Hierunter ist ein konkretes mathematisches Modell zu verstehen, das dazu entwickelt oder ausgewählt wird, ein mögliches Ereignis bestmöglich vorherzusagen. (Manyika et al. 2011, S. 30) Siegel ergänzt hierzu, dass sich mit einem solchen Modell in der Regel Wahrscheinlichkeiten für das Eintreten von Ereignissen vorberechnen lassen (Siegel 2013, S. 109). Predictive Models haben das Ziel „to address the who, when, and why questions for business issues, such as those related to customer behavior, product usage, and likelihood to purchase” (Isson und Harriott 2013, S. 207) und helfen dadurch beim Treffen strategischer und operativer Entscheidungen (Isson und Harriott 2013, S. 207). Häufig genutzt werden solche Modelle in der Wettervorhersage, in der Risikoanalyse oder zur optimalen Ressourcenallokation, beispielsweise im Marketing.
Die verhaltensbasierte Nutzeransprache (Behavioral-Targeting) gehört zu den neueren Formen des Personalisierungsmarketings bei dem die Interessen und Bewegungsmuster von Internetnutzern mit dem Ziel ausgewertet werden, Werbung zielgruppengenau auszuspielen und an den Bedürfnissen der jeweiligen Nutzern auszurichten (Brüne 2009, S. 34). Technisch gesehen basiert das Behavioral-Targeting auf Data-Mining Verfahren. Insbesondere Predictive Analytics werden dazu verwendet das Targeting zielgenau am Verhalten der Zielgruppe auszurichten. Die Angebote werden dabei dynamisch, in Echtzeit an das Verhalten der Nutzer angepasst. (FOCUS Magazin Verlag GmbH) (Intershop Communications AG 20.10.2009) Die differenzierte Ansprache der Nutzer verfolgt das Ziel, den Return on Investment (ROI) zu erhöhen (FOCUS Magazin Verlag GmbH) (Kaushik 2010, S. 298).
Eine Weiterentwicklung der verhaltensbasierten Nutzeransprache stellt die Kombination aus Predictive Analystics und Behavioral-Targeting dar. Zusammen wird es zum lernenden bzw. zum Predictive Behavioral-Targeting dar. ((FOCUS Magazin Verlag GmbH). Hierbei werden gemessene Verhaltensdaten „mit Befragungs- oder Registrierungsdaten weniger Internetnutzer[s]“ (FOCUS Magazin Verlag GmbH) kombiniert. Durch das Kombinieren (Crunchen) von Befragungs- oder Registrierungsdaten mit Verhaltensdaten lassen sich detaillierte Profile einiger Nutzer erstellen. Diese Profile dienen als Mustervorgaben für Nutzer, von denen lediglich Verhaltensdaten vorliegen.
Mit Hilfe von Verfahren des Data-Minings wird dann über die Mustervorgaben auf die Gesamtheit der Nutzer geschlossen. Die Zuordnung funktioniert dabei nach dem Prinzip des Collaborative Filterings. (FOCUS Magazin Verlag GmbH) Einer der Vorreiter in der praktischen Anwendung des Predictive Behavioral-Targetings ist der amerikanische Handelskonzern Target. Kundendaten im Kundenbindungsprogramm „Baby Registry“ registrierter Kundinnen dienten dabei als Datengrundlage für das Behavioral-Targeting Verfahren. Zu den verfügbaren Kundeninformationen zählte, neben der Einkaufshistorie und detaillierten Angaben zur Person, der voraussichtliche Geburtstermin des Kindes. Diese Angaben dienten als Mustervorgaben anhand dessen Target durch einen Abgleich mit dem Kaufverhalten anderer, nicht im „Baby Registry“ Programm registrierter Kunden, darauf schließen konnte, welche Kundin wahrscheinlich schwanger sei und in welchem Monat sie sich befinde. (Siegel 2013, S. 39)
Maschinelles Lernen, ursprünglich „künstliche Intelligenz“, beschreibt eine Spezialisierung innerhalb der Informatik. Diese beschäftigt sich mit der Entwicklung von Algorithmen, die sich aufgrund von empirischen Daten und daraus resultierenden Ergebnissen kontinuierlich automatisch weiterentwickeln. Die Ergebnisse solcher lernender Algorithmen werden im Hinblick auf bestimmte Leistungskriterien im Verlauf damit immer präziser, da sie sich die Algorithmen kontinuierlich selbst optimieren. Der Prozess wird daher auch als Lernen einer Maschine bezeichnet. (Rouse 2008) (Manyika et al. 2011, S. 29) (Alpaydın 2008, S. 3) Ziel ist es Algorithmen so zu entwickeln, dass sie „automatically learn to recognize complex patterns, […] make intelligent decisions based on data” (Manyika et al. 2011, S. 29) and “become more efficient” (Rouse 2011) In Anbetracht von immer größeren Datenmengen und neuen Marketingformen, wie der verhaltensbezogenen Nutzeransprache bei der manuelle Korrekturen nicht vorgesehen sind, ist maschinelles Lernen damit ein wesentlicher Bestandteil aller Entwicklungen.
Ein Empfehlungssystem (Recommender System/ Recommendation Engine) „ist eine Technik oder Methode, die „einem Benutzer in einem gegebenen Kontext aus einer gegebenen Entitätsmenge aktiv eine Teilmenge „nützlicher“ Elemente empfiehlt“ (Klahold 2009, S. 1–2).
Anders ausgedrückt liefern Empfehlungssysteme Nutzern eine optimale Auswahl an Produkten (Entitäten) im Hinblick auf deren Profil, den jeweiligen Kontext und die Verfügbarkeit an Entitäten. Der Fokus liegt hier vor allem auf der Nützlichkeit bzw. der Relevanz der Empfehlungen. Ziel von Empfehlungsalgorithmen im E-Commerce ist es, automatisiert genau solche Produkte zu empfehlen, die für den Kunden die höchste Relevanz unter allen verfügbaren Produkten haben. (Klahold 2009, S. 1–2) In der Regel basieren darin eingesetzte Empfehlungsalgorithmen auf Techniken des Data-Minings (Amatriain et al. 2011, S. 39). Formal lässt sich ein Empfehlungssystem durch folgende Formel ausdrücken:
max(Nutzwert(B, K, T)) mit K = (P, M, S) (Klahold 2009, S. 1–2)
Die Formel bedeutet, dass die durch den Empfehlungsalgorithmus empfohlenen Elemente T (Teilmenge von M) den Nutzen des Benutzers B im gegebenen Kontext K maximieren. (Klahold 2009, S. 1–2) K setzt sich wiederum „aus dem Benutzerprofil P, der Entitätsmenge (den verfügbaren Produkten) M und der Situation S “ (Klahold 2009, S. 1–2) zusammen. Das Nutzerprofil P besteht dabei „aus expliziten (Geschlecht, Alter, Interessensgebiete etc.) und impliziten Informationen (Besuchshäufigkeit einer Website, gelesene Texte, gekaufte Produkte etc.)“ (Klahold 2009, S. 1–2). „Die Entitätsmenge M, bildet die Menge an Produkten bzw. Gesamtoptionen ab“ (Klahold 2009, S. 1–2). M kann dabei so „unterschiedliche Dinge wie Bücher, Musikstücke, Konzerte, Reisen, Nachrichten, Fachartikel, E-Mails oder Fachleute“ (Klahold 2009, S. 1–2) beinhalten. S wiederum steht für die Situation der realen Welt und bildet Dinge wie „Datum, Uhrzeit, Geoinformation[en] [und das] verwendete Endgerät des Benutzers“ (Klahold 2009, S. 1–2) ab. (Klahold 2009, S. 1–2)
Neben der formellen Darstellung lassen sich Empfehlungssysteme im Wesentlichen nach drei Verfahren klassifizieren: Dem Collaborative Filtering-Verfahren, das Nutzerprofile vergleicht und Benutzern Empfehlungen auf Basis der Präferenzen ähnlicher Benutzer ausgibt; dem Content-based Filtering-Verfahren, das Empfehlungen auf Basis der Eigenschaften von Entitäten der Menge M ausgibt; und sogenannte Hybridverfahren, die beide Verfahren vereinen. (Rajaraman und Ullman 2012, S. 305) (Klahold 2009, S. 1–2)
Die Zielsetzungen von Empfehlungssystemen liegen aus Unternehmenssicht meist darin, durch an den Nutzerinteressen angepasste Angebote, den Abverkauf zu erhöhen – also die Konversionsrate zu steigern. (Ricci et al. op. 2011, S. 5)
Zudem sollen Benutzer auf Angebote aufmerksam gemacht werden, die zwar ihren Interessen entsprechen, die sie aber ohne Empfehlungssystem nicht wahrgenommen hätten. (Ricci et al. op. 2011, S. 5) Des Weiteren lässt sich die Benutzerzufriedenheit durch relevante Angebote und verbesserte Usability steigern und die Kundenbindung verbessern. Zuletzt soll durch die in Empfehlungssystemen generierten Daten besser nachzuvollziehen sein, welche Präferenzen Benutzer haben und wonach sie suchen. (Ricci et al. op. 2011, S. 5) Zusammenfassend dienen alle hier skizzierten Zielsetzungen unter betriebswirtschaftlicher Betrachtung dem übergeordneten Ziel der Konversionsratenoptimierung.
Der Markt für Bekleidung und Textilien in Deutschland erreichte im Jahr 2011 ein Umsatzvolumen von 60,82 Mrd. Euro (Statistisches Bundesamt 2013c, S. 13). Davon wurden etwa 9,59 Mrd. Euro (Bundesverband des Deutschen Versandhandels e.V. 12.02.2013), also etwa 15,7 Prozent, im Online-Handel umgesetzt. Eine genaue Analyse zeigt, dass die Umsätze im stationären Einzelhandel seit Jahren mehr oder minder stagnieren, während die Umsätze des Online-Handels im Bereich Bekleidung kontinuierlich wachsen. So stiegen die Umsätze des Einzelhandels mit Textilien, Bekleidung und Schuhen zwischen 2002 und 2012 nominal nur um 2,3 Prozent (Statistisches Bundesamt 2013a). Der Umsatz des Versand- und Internethandels mit Textilien, Bekleidung und Schuhen wuchs im gleichen Zeitraum dagegen um 23,7 Prozent (Statistisches Bundesamt 2013a). In den letzten Jahren ist dabei sogar eher noch eine Verschärfung dieser Entwicklung zu beobachten. So stieg der Einzelhandelsumsatz des Versand- und Internethandels für Textilien, Bekleidung und Schuhe allein zwischen 2011 bis 2012 um 11,9 Prozent, während der Gesamtumsatz des Einzelhandels für Textilien, Bekleidung und Schuhe nur um 0,5 Prozent zulegte (Statistisches Bundesamt 2013a). Die stationären Modehändler scheinen bislang vor allem Zukäufe und die Verdrängung von Wettbewerbern als sinnvolle Strategie gegen stagnierende Umsätze zu betrachten. So konnten große Modekonzerne und Ketten mit einem Jahresumsatz ab 100 Mio. Euro ihre Marktanteile in den letzten Jahren deutlich ausbauen und erreichen derzeit etwa einen Anteil von 48 Prozent. (Der Handel 2013)
Wie das vorangegangene Kapitel 2 verdeutlicht hat, ist es im Online-Handel verhältnismäßig leicht möglich, Inhalte zu personalisieren und so die Konversionsrate zu erhöhen. Big Data ermöglicht es zudem Angebote automatisiert in Echtzeit an die Bedürfnisse der Kunden anzupassen und die Personalisierung damit noch wirksamer zu machen. Gleichzeitig stagnieren die Umsätze im stationären Modehandel seit Jahren, während sie im Versand- und Internet Handel für Bekleidung stark steigen.
Ein Grund könnte darin liegen, dass die Möglichkeiten zur Personalisierung im stationären Modehandel bisher nur sehr eingeschränkt umsetzbar waren. So fehlen im wesentlich Information über das Kundenverhalten und Kaufmotive während des Einkaufsvorgangs in Echtzeit. So lässt sich zwar über automatische Kundenzählsysteme am Eingang, Kameras zur Laufwegeermittlung und European Article Number (EAN) gestützte Kassensysteme eine einfache Konversionsrate bestimmen. Alle Schritte und Handlungen der Kunden, die zwischen Betreten des Geschäftes und einer möglichen Transaktion liegen, bleiben allerdings im Verborgenen. Im Vergleich zu Online-Shops stellen Geschäfte des stationären Modehandels eine Art „Blackbox“ dar, in der es keine Möglichkeit gibt einzelne Konversionsschritte (Micro-Konversionen) - wie beispielsweise den Anteil der Kunden, die etwas in der Umkleidekabine anprobieren - zu messen und zu optimieren. Um zumindest eine Kundenhistorie aufbauen und damit Stammkunden im Geschäft und beispielsweise per Direkt Mailing gezielt ansprechen zu können, setzen (stationäre) Modehändler häufig Kundenkartensysteme ein. Diese ermöglichen jedoch nur nachgelagerten Analysen der Kundentransaktionen, teilweise auch in Verbindung mit soziodemographischen Registrierungsdaten. Lediglich das Verkaufspersonal, war bisher dazu in der Lage, Kunden in Echtzeit anhand ihres Verhaltens in ihrer Kaufentscheidung zu beeinflussen. Eine Anpassung des Angebots an die Bedürfnisse jedes einzelnen Kunden in Echtzeit, wie dies im E-Commerce erfolgreich praktiziert wird, war im stationären Modehandel bislang nur bedingt möglich, da weder eine automatische Erfassung des Kundenverhaltens, noch eine automatisierte Ansprache möglich war.
So ist es nicht verwunderlich, dass zahlreiche Unternehmen, wie z. B. die Metro Gruppe, Swarm Mobile, Shopkick oder SAP mit der Precision Retailing Lösung, daran arbeiten, die Techniken zur Erfassung des Kundenverhaltens und zur Personalisierung von Angeboten und Inhalten auf den stationären Modehandel zu übertragen. Elementarer Bestandteil all dieser Lösungsansätze sind im Wesentlichen drei Technologien, die in den letzten Jahren eine starke Verbreitung erfahren haben und zunehmend leistungsfähiger werden. Einerseits sind die in Abschnitt 2.3.4 beschriebenen Möglichkeiten der Echtzeit-Personalisierung durch Big Data und Data-Mining in den letzten Jahren stark gestiegen. Andererseits ermöglichen die wachsende Verbreitung und Verbesserung der RFID-Technologie sowie die Weiterentwicklung der Mobiltelefone hin zu Smartphones, das Erfassen des Kundenverhaltens, das Erkennen von Kundenbedürfnissen und die individuelle Ansprache von Kunden. Im folgenden Abschnitt werden daher RFID und Smartphone im Hinblick auf ihre Möglichkeiten und Potenziale näher beleuchtet.
RFID Systeme (Radio Frequency Identification) zählen zu den automatischen Identifikationssystemen (Auto-ID-Systeme), welche die kabellose Erkennung und Lokalisierung von Objekten mittels elektromagnetischer Wellen zwischen einem Sender (Transponder oder Tag) und einem Lesegerät (Reader), sowie einem über eine Schnittstelle angebundenen System zur Datenverarbeitung ermöglichen. (Finkenzeller 2008, S. 7) (Wiedmann et al. 2005, S. 20) (Shepard 2005, S. 55) Die Transponder, oft auch als Tags bezeichnet, können dabei aktiver oder passiver Natur sein. Aktive Transponder verfügen über eine eigene Energieversorgung. Passive Transponder beziehen ihre Energie wiederum mittels Induktion aus dem elektromagnetischen Feld des Lesegeräts. (Finkenzeller 2008, S. 23) (Finkenzeller 2008, S. 44) (Shepard 2005, S. 57) Die Tags, die direkt am zu identifizierenden Objekt (z. B. Waren, Verpackungen oder Transportbehälter) angebracht werden, verfügen über einen integrierten Microchip. Auf dem Chip können Daten, wie z. B. eine eindeutige Produktidentifikationsnummer, Produktionsdatum oder Größe, Form und Farbe gespeichert und durch Lesegeräte ausgelesen und erfasst werden (Franke und Dangelmaier 2006, S. 8). Bei den Transpondern und Lesesystemen kommen verschiedene Modelle zum Einsatz, die sich in Größe, Frequenz und Sendereichweite unterscheiden.
Im Modehandel haben sich, wohl vor allem aufgrund des niedrigen Preises und ihrer geringen Größe, in den letzten Jahren passive EPC UHF GEN2 Tags[3] mit einer Reichweite von ein bis zwei Metern durchgesetzt. Die Preise für RFID-Tags liegen laut Tröger von GS1 Germany in rund 90 Prozent der Fälle bei Preisen zwischen sechs und 14 Euro Cent. (Rösch 2012, S. 2)
Bewährte Anwendungsgebiete der RFID-Technologie sind „Zugangskontrollen zu Gebäuden oder die Nachverfolgung von Waren in der Lieferkette“ (Wiedmann et al. 2005, S. 20).
So lässt sich RFID beispielsweise für das automatische Erheben von Maut-Gebühren (Ticketing), die elektronische Diebstahlsicherung, Ausleihsysteme (z. B. in Büchereien) oder zum Überwachen von Produktionsprozessen nutzen (Franke und Dangelmaier 2006, S. 9).
Immer häufiger wird RFID auch im Textil- und Bekleidungshandel eingesetzt. Laut Lothar Struckmeier, Deutschlandchef des RFID-Technologiedienstleisters Nordic ID, komme langsam Bewegung in die Branche. So stünden 2013 einige „Roll-outs“ an. (Rösch 2012, S. o.A.). Das EHI Retail Institute (EHI Retail Institute 2013, S. 11)[4] ermittelte in einer Untersuchung, dass etwa 15 Prozent aller Einzelhändler in Deutschland RFID flächendeckend bzw. teilweise im Echtbetrieb einsetzen. So ist RFID zwar momentan noch nicht sehr stark verbreitet, allerdings ist davon auszugehen, dass es sich kurz- bis mittelfristig im Modehandel durchsetzen wird. So geht aus einer aktuellen Untersuchung von Tailorit (Tailorit GmbH 2013, S. 61)[5] hervor, dass sich derzeit über die Hälfte aller Bekleidungshändler mit RFIDbefassen. Das heißt, dass der Einsatz von RFID entweder in Planung ist, gerade umgesetzt wird oder bereits umgesetzt wurde.
Laut EHI Retail Institute, konzentrieren sich Projekte im Wesentlichen auf die Modebranche. Wird berücksichtigt, dass zu den befragten Unternehmen neben den Textil-, Schuh- und Bekleidungshändlern, deren Teilnehmer 28 Prozent aller Befragten ausmachte, u. a. auch Lebensmittel-, Elektroartikel- und Möbelhändler zählten, so lässt sich schlussfolgern, dass RFID im Modehandel wesentlich stärker verbreitet ist, als hier für den gesamten Einzelhandel angegeben. Laut Nordic ID, einer der führenden Anbieter für RFID-Technologie für den Einzelhandel, haben derzeit u. a. die Unternehmen Gerry Weber, Charles Vögele, s.Oliver, Modehaus Jost, Galeria Kaufhof, Adidas und Schneider Moden RFID eingeführt (NordicID 2013). Ein wesentlicher Grund für die Vorreiterrolle des Modehandels könnte in den hohen absoluten Margen und den dazu verhältnismäßig niedrigen Kosten der Tags liegen. So fällt ein Tag für 0,14 Euro bei einem Liter Milch zu einem Verkaufspreis von 0,99 Euro deutlich mehr ins Gewicht, als bei einem Pullover für 40 Euro.
Wie in Abschnitt 3.2 bereits skizziert, handelt es sich beim stationären Modehandel bislang um eine Art „Black Box“ in der keine detaillierte Betrachtung des Kundenverhaltens sowie dessen Beeinflussung in der Kaufentscheidung möglich ist. Faktenbasierte Konversionsratenoptimierung ließ sich bislang nur durch aufwändige nachgelagerte Marktforschung betreiben, hingegen nicht auf Basis der Echtzeit-Erfassung von Kundenverhalten. Mittels dem Einsatz von RFID im stationärem Modehandel wird es allerdings möglich – ähnlich wie durch Web-Analytics im E-Commerce –, Kundenverhalten zu erfassen, zu analysieren und sinnvolle Handlungen für Optimierungen abzuleiten. Zudem lässt sich eine Echtzeit-Ansprache realisieren. Möglich ist eine solche Anwendung durch den Einsatz von RFID-Tags, systematisch platzierten RFID-Lesegeräten und der Installation von intelligenten Regal- und Spiegelsystemen im stationären Modehandel. (Ebelsberger o.D.) (Industrie- und Handelskammer Reutlingen 2009, S. 8) RFID-Tags funktionieren dabei in ähnlicher Weise, wie Page Tags (Cookies), die das Klick- und Surfverhalten systematisch erfassen. Sie ermöglichen somit eine Konversionsratenoptimierung auf der Basis von Echtzeit-Vollerhebungen. (Franks) Durch den Einsatz von RFID lässt sich beispielsweise ein kompletter Kaufvorgang abbilden und messen. Angefangen von der Anzahl der Personen, die einen Laden betreten, über die Anzahl derer, die Produkte aus einem Regal entnehmen und diese in der Umkleidekabine anprobieren, bis hin zur Anzahl derjenigen, die den Kaufvorgang durch eine Transaktion an der Kasse abschließen. (Industrie- und Handelskammer Reutlingen 2009, S. 9) RFID Lösungen haben das Potenzial auf der Verkaufsfläche Umsatzsteigerungen von vier bis 21 Prozent zu realisieren (NordicID 2013).
Beispiele RFID basierter Innovationen sind sogenannte intelligente Umkleidekabinen (smart fitting room) mit neuartigen Spiegelkonzeptionen („Magic Mirrors“). Unter einer intelligenten Umkleidekabine ist im Kontext von RFID eine mit RFID-Lesegeräten ausgestattete Kabine zu verstehen, die erkennt, welche Produkte ein Kunde mit in die Umkleidekabine bringt und daraufhin passend zu den Produkten über digitale Spiegelsysteme mit integrierter touch- oder gestenbasierter Steuerung Möglichkeiten zur Interaktion bietet. Laut Eichsteller et al. halten 59 Prozent der befragten Experten der Future Store 3.0 Studie die Wahrscheinlichkeit einer Realisierung von intelligenten Spiegelkonzeptionen im mittleren Modesegment in Deutschland bis 2020 für sehr hoch bzw. hoch.
Im Premiumbereich sehen dies sogar 60 Prozent. (Eichsteller et al. 2013, S. 37)[6] Ferner realisierte die Metro Group im Rahmen der Future Store Initiative in einem Pilotprojekt für Galeria Kaufhof bereits im Jahr 2007 eine intelligente Umkleidekabine. (Metro Group 2007) Die bestehenden Konzepte intelligenter Umkleidekabinen bieten den Kunden meist die Möglichkeit weitere Informationen oder komplementäre Produkte zu mitgebrachten Produkten über das System abzurufen. Zudem ermöglichen sie es den Kontakt zu Verkäufern aufzunehmen und beispielsweise Produkte in einer anderen Größe in die Umkleide nachzubestellen. (Swedberg 2007) Auch Sonderaktionen, wie Rabatte, können hier beworben werden (Östman 2013). Laut Swedberg sind intelligente Umkleidekabinen auch aus rein monetären Gesichtspunkten sinnvoll.
So konnte der auf italienische Designerware spezialisierte chinesische Modehändler Mi-Tu, durch den Einsatz von intelligenten Umkleidekabinen Umsatzzuwächse in Höhe von 30 Prozent verzeichnen (Swedberg 2007). Ein wichtiger Vorteil, der von intelligenten Kabinen ausgeht, ist die Möglichkeit der Personalisierung, beispielsweise in Form von Cross-Selling Angeboten oder zielgerichteten Sonderangeboten, welche durch die genauen Kenntnisse über das Produktinteresse der Kunden ermöglicht werden (Eichsteller et al. 2013, S. 38). Besonders gut lassen sich solche Personalisierungen vornehmen, wenn neben dem Produktinteresse, welches durch die RFID-Erfassung erkannt wird, auch Daten zur Kundenhistorie vorliegen (Wiedmann et al. 2005, S. 51). Mi-Tu nutzt dazu persönliche RFID-Kundenkarten über die Kunden beim Betreten des Ladens wiedererkannt werden können (Swedberg 2007). Die RFID-Technologie ermöglicht demnach eine Erfassung des Kundenverhaltens und liefert die Grundlage für eine personalisierte Ansprache im stationären Handel.
Ähnlich, wie Techniken zur Web-Analyse, ermöglicht RFID eine Vollerhebung und damit die Analyse aller aufgezeichneten Daten für eine permanente Optimierung aller Maßnahmen. (Swedberg 2007) (Swedberg 2011) Durch die Verwendung von RFID im stationären Modehandel bietet sich die Möglichkeit, über eine personalisierte Ansprache, zusätzliche Produktinformationen und Empfehlungen passend zum Produktinteresse des Kunden auszuspielen.
Auch Anwendungen, wie das sofortige Aufsummieren des Endpreises für den Einkauf oder der Möglichkeit zur bargeldlosen Bezahlung durch in Smartphones integrierte RFID bzw. NFC Chips sind möglich. Durch RFID entsteht damit allgemein ein neuartiges, modernes und vielfältiges Angebot im Handel. (Ebelsberger o.D.)
Unter einem Smartphone ist die Weiterentwicklung eines Mobiltelefons zu einem mobilen Endgerät mit einem erweiterten Funktionsumfang zu verstehen (Gabler Wirtschaftslexikon Stichwort: Smartphone). Die Online Enzyklopädie ITWissen beschreibt Smartphones als Symbiose aus „Handy, Media-Player, MP3-Player, Personal Information Manager (PIM), Digitalkamera, Smartphone-Browser, E-Mail-System, GPS-System und anderen Funktionseinheiten“ (ITWissen.info 2013). Dabei bieten Smartphones „einen direkten Zugang zum mobilen Internet [und] (…) unterstützen Audio[-] und Video[-funktionen)“ (ITWissen.info 2013). Darüber hinaus können sie über WLAN und Bluetooth mit Servern, Computern und anderen Mobiltelefonen kommunizieren (ITWissen.info 2013). Ein gravierender Unterschied zum einfachen Mobiltelefon stellen kleine Programme (Applikation bzw. Apps) dar, die auf Smartphones installiert werden können und ihnen „einen erweiterbaren und individualisierbaren Funktionsumfang“ (Gabler Wirtschaftslexikon Stichwort: Smartphone) verleihen.
Laut einer Studie der BITKOM besitzen aktuell etwa „40 Prozent aller Bundesbürger ab 14 Jahren ein Smartphone“ (BITKOM 09.06.2013)[7]. Bis zum Jahr 2015 soll die Penetrationsrate von Smartphones in Deutschland nach einer Untersuchung von ZenithOptimedia auf 55 Prozent ansteigen (Horizont 2013, S. 38). Ein interessanter Aspekt ist dabei, dass das Smartphone keineswegs, nur in einer jungen Zielgruppe verbreitet ist. In der Altersklasse der 50- bis 64-Jährigen ist „der Anteil der Smartphone-Besitzer allein in den vergangenen […] sechs Monaten […] [von] 26 auf 39 Prozent“ (BITKOM 09.06.2013) gestiegen. Auch die Nutzung des mobilen Internets wächst stark.
[...]
[1] „KPIs bezeichnen in der Betriebswirtschaftslehre Kennzahlen, mit denen der Fortschritt oder der Erfüllungsgrad wichtiger organisatorischer Zielsetzungen gemessen werden kann.“ Hassler 2012, S. 369
[2] Der zusätzliche Querverkauf und das Verkaufen höherpreisiger Produkte
[3] EPC UHF GEN2 Tag, ist die Bezeichnung für passive Transponder der zweiten Generation, die im Frequenzbereich von 860 MHz und 960 MHz senden und dem Standard von EPCGlobal entsprechen.
[4] Insgesamt haben n=85 Handelsunternehmen an der Befragung teilgenommen. Darunter 36 FMCG und 49 SMCG Unternehmen. 30 Prozent der teilnehmenden Unternehmen sind im Lebensmittelbereich tätig. 28 Prozent der teilnehmenden Unternehmen sind im Bereich Textil,Schuhe und Bekleidung zu verorten. Die übrigen Teilnehmer verteilen sich auf die Bereiche Möbel, Kauf- und Warenhäuser, Baumärkte, Drogerie- und Parfumerien und Elektroartikel. EHI Retail Institute 2013, S. 4
[5] Insgesamt haben von Januar bis April 2013 n=56 Unternehmen aus dem Bekleidungshandel an der Studie teilgenommen. Die Teilnahme erfolgte per Online-Fragebogen, per Papierfragebogen oder im Rahmen eines persönlichen Interviews durch die oberste Geschäftsführerebene. Tailorit GmbH 2013, S.9
[6] Die Future Store 3.0 Studie wurde als Zwei-Säulen-Modell konzipiert. Die erste Säule umfasste dabei qualitative Experteninterviews auf Basis derer Thesen zur Zukunft des Modehandels entwickelt wurden. In der zweiten Säule wurde eine zweistufige quantitative Online-Experten-Befragung durchgeführt. In einer ersten Welle von Juli bis August 2012 wurden dabei 100 Thesen hinsichtlich ihrer Auftrittswahrscheinlichkeit bis ins Jahr 2020 von n=62 Experten bewertet. In der zweiten Welle wurden die Thesen aufgrund der Ergebnisse der ersten Welle auf 50 Thesen verdichtet und von Oktober bis Dezember 2012 weiteren n=102 Experten zur Bewertung vorgelegt. Eichsteller et al. 2013, S. 12–14
[7] Im Auftrag des BITKOM hat das Meinungsforschungsinstitut Aris 1.004 Personen ab 14 Jahren in Deutschland befragt. Die Zahl bezieht sich auf Unique User. Die Daten sind repräsentativ.
