Was ist Big Data und wie setzen Sie es gewinnbringend ein?
Schön, dass Sie hier sind! Wie Ihnen vielleicht schon aufgefallen ist, verwenden wir aus Gründen der Lesbarkeit in erster Linie die männliche Form in unseren Texten. Im Sinne der Gleichbehandlung meinen wir damit selbstverständlich immer alle Geschlechter (m/w/d). Und jetzt wünschen wir Ihnen viel Spaß beim Lesen.
Definition: Was ist Big Data?
Big Data bezeichnet eine große, heterogene Menge von (meist digitalen) Daten, die laufend zunimmt. Das spiegelt die klassische Definition des Analysten Doug Laney wider. Er charakterisierte Big Data unter Verwendung der drei Vs: Volume: die Datenmenge
die Datenmenge Velocity: die Veränderungsgeschwindigkeit
die Veränderungsgeschwindigkeit Variety: die Datenvielfalt Big Data ist eine Begleiterscheinung der Digitalisierung. Durch die zunehmende digitale Transformation aller Lebensbereiche werden ungleich mehr Daten erzeugt als in einer analogen Welt. Diese gilt insbesondere für das sogenannte Internet of Things. Hierbei werden Gegenstände wie Waschmaschinen, Autos oder Industrieroboter mit Sensoren ausgestattet, um fortlaufend Nutzungsdaten einzusammeln. Diese riesigen, ständig zunehmenden Datenberge können unter Verwendung von Artificial Intelligence und im Speziellen von Machine Learning ausgewertet werden. Man spricht hier von Big-Data-Analytics. Auf diese Weise lassen sich Muster ausmachen, die bisher nicht bekannt waren. Beispielsweise könnte ein Energieunternehmen seine Stromnetze besser aussteuern, indem das Nutzerverhalten zu bestimmten Zeitpunkten wie Feiertagen oder Ferienzeiten analysiert wird. Oder eine Produktionsstätte könnte anhand von Betriebsdaten genau vorhersagen, wann Maschinen gewartet werden müssen (Predictive Analytics). Bei Big Data muss zwischen strukturierten und unstrukturierten Daten unterschieden werden. Erstere liegen in einer standardisierten, auswertungsfähigen Form vor, zweitere sind uneinheitlicher und müssen gegebenenfalls zuerst aufbereitet werden. Generell besteht die Herausforderung darin, die tatsächlich aussagekräftigen Daten aus dem „Noise“ herauszufiltern. Die dafür benötigten Anwendungen werden zunehmend als flexible Serviceleistung aus der Cloud angeboten. Big Data ist eine wesentliche Komponente moderner digitaler Geschäftsmodelle. Bekannteste Beispiele in diesem Bereich sind Alphabet, das Unternehmen hinter Google, und Meta (vormals Facebook). Beide Organisationen verwenden Big Data dazu, auf den User zugeschnittene Anzeigenplätze zu verkaufen.
Die 3 klassischen Vs
Big Data wird häufig unter Verwendungen der drei großen Vs beschrieben. Diese gehen auf den Gartner-Analysten Doug Laney und seine Meta-Group-Studie aus dem Jahr 2001 zurück.
Volume
Big Data zeichnet sich wesentlich durch ein nie dagewesenes, exponentielles Datenwachstum aus. Es wird erwartet, dass bis 2025 ein weltweites Volumen von rund 180 Zettabyte erreicht sein wird. Dabei besteht die Herausforderung weniger in der Speicherung, sondern in der Auswertung dieser Daten.
Velocity
Velocity nimmt Bezug auf die unglaubliche Geschwindigkeit, mit der Daten mittlerweile generiert werden. Beispielsweise werden bei Instagram ungefähr 65.000 Fotos pro Minute hochgeladen, Google empfängt fast 4 Millionen Suchanfragen und es werden knapp 150 Millionen E-Mails in dieser Zeit verschickt.
Variety
Daten liegen in immer mehr unterschiedlichen Formaten vor. Die wichtigste Unterscheidung betrifft strukturierte vs. unstrukturierte Daten. Strukturierte Daten sind einfach zu verarbeiten und zu analysieren, weil sie bereits in vergleichbarer Form verfügbar sind. Beispiele sind Namen, Datumsangaben, Adressen, Kreditkartennummern oder Aktiendaten. Unstrukturierte Daten müssen dagegen erst aufbereitet werden, um eine Vergleichbarkeit herzustellen. Beispiele sind Audiodateien, Videos, Photos, Social-Media-Posts und Textdokumente.
Die 4 neuen Vs
Um den neueren Entwicklungen im Bereich Big Data Rechnung zu tragen, haben Experten vier weitere Vs vorgeschlagen.
Veracity
Veracity lässt sich mit “Wahrhaftigkeit” übersetzen. Der Begriff bezieht sich auf die Qualität der erhobenen Daten. Nur wenn die Informationen valide sind, lassen sich wahre, aussagekräftige Schlüsse ziehen. Dieser Punkt gewinnt insbesondere im Zuge der Automatisierung an Bedeutung. In Zukunft werden Entscheidungen zunehmend von künstlichen Intelligenzen getroffen werden. Diese können aber nur mit den Informationen arbeiten, die wir ihnen zur Verfügung stellen. Die Veracity ist also Grundvoraussetzung.
Variability
Daten sind Veränderungen unterworfen. Beispielsweise kann ein bestimmtes Wort in einem Kontext positiv und in einem anderen Kontext negativ besetzt sein. Big-Data-Analytics muss solchen Bedeutungsverschiebungen durch komplexe Algorithmen Rechnung tragen.
Visualization
Damit Big Data gewinnbringend genutzt werden kann, müssen die Ergebnisse visualisiert werden. Das gilt insbesondere für den Moment, in dem Big-Data-Findings die IT-Abteilung verlassen und einem nichttechnischen Publikum präsentiert werden. Die beste Analyse hilft nichts, wenn die Informationen vom Management nicht in Geschäftsentscheidungen übersetzt werden können.
Value
Letztlich geht es bei Big Data um die Frage, welcher Return on Investment sich durch eine Analyse erzielen lässt. Der Aufwand muss in einem guten Verhältnis zum generierten Mehrwert stehen. Das können beispielsweise zufriedenere Kunden, größere Margen oder geringere Produktionskosten sein.
Welche Einsatzgebiete es gibt
Big Data kommt in ganz verschiedenen Bereichen und Industrien zum Einsatz.
Produktentwicklung
Ein ideales Einsatzgebiet für Big Data ist die Produktentwicklung. Es werden bestehende Nutzungsmuster analysiert, um Ideen für zukünftige Produkte zu entwickeln. Netflix ist ein Unternehmen, das diesen Gedanken konsequent umgesetzt hat. Der Online-Streaming-Dienst wertet genau aus, welche Genres und Serienformate bei den Zuschauern am besten ankommen. Dafür werden unter anderem die Anzahl der geschauten Folgen und Staffeln betrachtet, welche Serien sofort wieder abgebrochen wurden sowie Korrelationen zwischen Alter, Geschlecht, Herkunft und Filmauswahl untersucht. Auf dieser Grundlage investiert der Medienriese nicht nur in die Produktion neuer Serien; er individualisiert auch, welche Serien dem Nutzer in der App vorgeschlagen werden.
Fertigung
In der zukünftigen smarten Fabrik werden alle Maschinen mit Sensoren ausgestattet sein, die fortlaufend Produktionsdaten erheben. Diese können für ganz unterschiedliche Zwecke genutzt werden: Die Wartung von Maschinen kann genau dann erfolgen, wenn diese tatsächlich nötig ist. Eine vorbeugende, oftmals unnötige Wartung in regelmäßigen Zeitintervallen entfällt damit.
kann genau dann erfolgen, wenn diese tatsächlich nötig ist. Eine vorbeugende, oftmals unnötige Wartung in regelmäßigen Zeitintervallen entfällt damit. Maschinen werden in die Lage versetzt, selbstständig miteinander zu kommunizieren . Fällt beispielsweise eine Fertigungsstrecke aus, kann der Maschinenpark sich selbstständig neu organisieren, um den Verlust wett zu machen.
. Fällt beispielsweise eine Fertigungsstrecke aus, kann der Maschinenpark sich selbstständig neu organisieren, um den Verlust wett zu machen. Mit den gesammelten Daten kann ein digitales Abbild der eigenen Produktion erstellt werden, der sogenannte digitale Zwilling. Hier lassen sich beispielsweise neue Produktionsstrecken unter Realitätsbedingungen simulieren.
Costumer-Experience
Big Data hat viel Potenzial für die Verbesserung der Customer-Experience. Jeder Kontaktpunkt mit dem Kunden kann via AI ausgewertet und anschließend optimiert werden. Das betrifft beispielsweise aufgezeichnete Telefonanfragen und Chat-Protokolle. Auch die Interaktionen des Kunden mit dem Unternehmen auf Social Media oder über die Unternehmenswebsite bieten viele aussagekräftige Daten. Damit gehen wichtige Vorteile einher: Suboptimale Kontaktpunkte können optimiert werden , um die Kundenzufriedenheit zu steigern.
, um die Kundenzufriedenheit zu steigern. Supportkosten können reduziert werden , weil sich bestimmte wiederholbare Vorgänge automatisieren lassen.
, weil sich bestimmte wiederholbare Vorgänge automatisieren lassen. Eine optimierte Customer-Experience trägt zu einer besseren Reputation bei, zum Beispiel durch positive Onlinebewertungen. Diese können als Verkaufsargument gegenüber der Konkurrenz in Stellung gebracht werden.
Gesundheitswesen
Big Data verspricht große Fortschritte im Gesundheitswesen. Dies soll in Kombination mit sogenannten Wearables geschehen, also Auslesegeräten, die von den Patienten am Körper getragen werden. Durch die fortlaufende Analyse riesiger Mengen Vitaldaten ließen sich beispielsweise Herz-Kreislauf-Erkrankungen prognostizieren oder bestimmte Formen von Krebs. Auch für die Vorhersage von epileptischen Anfällen wären solche Verfahren gut geeignet.
In der Praxis hat Big Data im Gesundheitswesen aber noch mehrere Herausforderungen zu lösen: Der Schutz und die Anonymität der Patientendaten muss gewährleistet werden , insbesondere wenn solche Daten zwischen verschiedenen Organisationen wie Krankenhäusern und Versicherungen geteilt werden.
, insbesondere wenn solche Daten zwischen verschiedenen Organisationen wie Krankenhäusern und Versicherungen geteilt werden. Die Daten müssen auswertbar gemacht werden. Viele gesammelte Daten, insbesondere aus bildgebenden Verfahren, zählen zur Gruppe der unstrukturierten Daten. Auch selbst von den Patienten eingegebene Daten, zum Beispiel über das tägliche Befinden bei einer depressiven Verstimmung, haben einen schwer quantifizierbaren Charakter.
Viele gesammelte Daten, insbesondere aus bildgebenden Verfahren, zählen zur Gruppe der unstrukturierten Daten. Auch selbst von den Patienten eingegebene Daten, zum Beispiel über das tägliche Befinden bei einer depressiven Verstimmung, haben einen schwer quantifizierbaren Charakter. Fehlmessungen müssen minimiert werden. Beim Einsatz von Wearables kommt es immer noch vergleichsweise häufig zu falschen Messdaten, unter anderem weil die Geräte nicht richtig eingesetzt werden oder weil es zu Verfälschungen durch Umweltfaktoren kommt. Auch wenn Big Data im Gesundheitswesen aktuell noch eher Zukunftsvision als Realität ist, bieten sich hier doch große Chancen. Datengestützte Analysen führen erfahrungsgemäß schneller zu Durchbrüchen als eine auf Hypothesen basierende Forschung.
Public Sector
Big Data wird auch von Regierungen und staatlichen Einrichtungen verwendet, wobei die Nutzung durchaus umstritten ist. Ein besonders kontroverses Beispiel ist die “National Security Administration” (NSA) in den USA. Diese beobachtet insbesondere seit den Anschlägen vom 11. September 2001 verdächtigte Internetaktivitäten via Algorithmus, um Terroranschläge im Vorfeld zu erkennen und abzuwehren. Es gibt aber auch unstrittige Einsatzzwecke, beispielsweise bei der massenhaften Auswertung von Notrufen während regionaler Katastrophenfälle. Außerdem stützen sich viele Smart-City-Initiativen auf Big Data, um die Stromversorgung zu optimieren oder den Abgasausstoß zu reduzieren.
Versicherungen
Versicherungen verwenden zunehmend Big Data, um finanzielle Risiken besser einschätzen zu können. Dafür werden zum Beispiel die folgenden Datapoints der Versicherungsnehmer einbezogen: Ernährungsweise
TV-Konsum
Sport und Hobbies
Beziehungsstatus Auf dieser Grundlage können die Versicherer besser einschätzen, welche Kosten auf sie zukommen und gleichzeitig Gesundheitsangebote an die Versicherungsnehmer machen, um diese Kosten zu reduzieren.
Die wichtigsten Vorteile
Big Data bietet eine Reihe wichtiger Vorteile.
Besseres Kundenverständnis
Dank Big Data müssen Sie nicht länger mutmaßen, was Ihr Kunde möchte – Sie können es anhand der Daten genau ablesen. Das trägt zu besseren Produkten, weniger Supportanfragen und einer höheren Kundenzufriedenheit bei.
Optimierte Prozesse
Ob bei der Auslieferung von digitalen Werbeanzeigen, bei Bestellvorgängen oder Herstellungsprozessen – mit Big Data decken Sie bisher verborgen gebliebene Optimierungspotenziale auf. Das liegt daran, dass Algorithmen Einsparungen oder Verbesserungen leichter hochrechnen können als Menschen. Es hängt aber auch mit dem psychologischen Umstand zusammen, dass die meisten Menschen Veränderungen scheuen. Eine entsprechend eingestellte Big-Data-AI hat dieses Problem nicht; sie konfrontiert uns im positiven Sinne mit vernachlässigten Chancen.
Besseres Supply-Chain-Management
Durch Big Data lassen sich oft Kosten beim Sourcing von Gütern oder Diensten einsparen. Der Algorithmus vergleicht falls gewünscht minütlich, wo aktuell die besten Preise zu haben sind. Aber auch im Lagermanagement und bei der Planung von Transporten lassen sich via Big Data viele Einsparungen erzielen, wenn beispielsweise nahe beieinander liegende Ziele in einem Transport zusammengefasst werden können.
Besseres Marketing
Big Data kann auf Grundlage in der Vergangenheit getätigter Käufe sehr genau vorhersagen, welche Produkte für ein bestimmtes Marktsegment interessant sind. So lässt sich Targeted Advertising betreiben, also das Einblenden von digitalen Werbeanzeigen, die genau auf den jeweiligen User abgestimmt sind.
Optimierte Fehlererkennung
Viele Probleme in großen Unternehmen ließen sich bisher schwer identifizieren, weil die zugrundeliegenden Datensätze so umfangreich waren. Mit Big Data machen Sie nun schneller Maschinen-Anomalien ausfindig oder erkennen Kostenfresser. Auch ungewöhnliche Cyberaktivitäten lassen sich so frühzeitig ausmachen.
Wie Sie eine Big-Data-Strategie entwickeln
Die folgenden sechs Schritte helfen Ihnen dabei, den optimalen Einsatz von Big Data in Ihrem Unternehmen zu gewährleisten.
1. Identifizieren Sie Know-how-Lücken
Big Data ist eine relativ neue Technologie, die gerade erst dabei ist, in vielen Unternehmen Einzug zu halten. Das Problem: Viele IT-Experten kennen sich noch nicht genügend mit der Methodik aus, um Big Data gewinnbringend einzusetzen, selbst wenn die entsprechenden Tools vorhanden sind. Deshalb sollten Sie zu Beginn den Status quo evaluieren: Welches Know-how ist intern vorhanden, welche Lücken bestehen? Ergreifen Sie dann systematisch Maßnahmen, um diese Lücken zu schließen. Beispielsweise gibt es zahlreiche E-Learning-Angebote auf Plattformen wie Udemy. Auch die Hersteller von Big-Data-Software bieten oft entsprechende Schulungen an. Außerdem können Sie Know-how-Lücken durch die Einstellung dedizierter Big-Data-Experten schließen. Oder ziehen Sie externe Berater bzw. Managed-Services-Provider hinzu. Der Vorteil bei dieser Variante: Sie können exakt so viel Unterstützung einkaufen, wie Sie benötigen; “Overstaffing” wird vermieden.
2. Richten Sie ein Excellence-Center ein
Es geht nicht nur darum, das entsprechende Know-how ins Unternehmen zu holen: Es muss auch geschickt verteilt werden. Wenn nur wenige Ausgesuchte Bescheid wissen, ist der positive Nutzen für Ihre Organisation minimal. Deshalb empfiehlt es sich insbesondere für große Organisationen, einen Excellence-Center einzurichten. Hier werden relevante Informationen, Techniken und Best Practices zentral für alle dokumentiert. Das kann ganz einfach in Form einer Unternehmens-Wiki geschehen, aber auch mit Projektbeschreibungen und selbst produzierten E-Learning-Angeboten kombiniert werden. Auf diese Weise pflanzt sich das Big-Data-Know-how ins ganze Unternehmen fort; die Investitionskosten amortisieren sich und die Mitarbeitenden werden weiter qualifiziert.
3. Identifizieren Sie Big-Data-Quellen
Es gibt unterschiedliche Kategorien von Daten, die Sie in Ihre Big-Data-Strategie einbeziehen können. Zu den wichtigsten zählen: Gestreamte Daten. Diese Daten stammen in der Regel von IoT-Devices wie vernetzten Maschinen, selbstfahrenden Autos oder medizinischen Wearables. Einige dieser Geräte verarbeiten die Daten mithilfe eingebauter Mikroprozessoren direkt (Edge-Computing), während andere die Daten via Sensoren nur auslesen und in die Cloud hochladen.
Diese Daten stammen in der Regel von IoT-Devices wie vernetzten Maschinen, selbstfahrenden Autos oder medizinischen Wearables. Einige dieser Geräte verarbeiten die Daten mithilfe eingebauter Mikroprozessoren direkt (Edge-Computing), während andere die Daten via Sensoren nur auslesen und in die Cloud hochladen. Social-Media-Daten. Hier werden Content-Trends und User-Reaktionen auf Plattformen wie Facebook, LinkedIn oder Instagram ausgewertet. Relevant ist das vor allem für die Bereiche Marketing, Sales und Support. Aber auch die Produktentwicklung kann profitieren, weil User-Bedürfnisse schneller erkannt und in Lösungen übersetzt werden. Typischerweise erfordert diese Art von Daten einen höheren Nachbearbeitungsaufwand, weil eine Vielzahl von Medientypen (Text, Bilder, Videos, GIFs) vorliegen.
Hier werden Content-Trends und User-Reaktionen auf Plattformen wie Facebook, LinkedIn oder Instagram ausgewertet. Relevant ist das vor allem für die Bereiche Marketing, Sales und Support. Aber auch die Produktentwicklung kann profitieren, weil User-Bedürfnisse schneller erkannt und in Lösungen übersetzt werden. Typischerweise erfordert diese Art von Daten einen höheren Nachbearbeitungsaufwand, weil eine Vielzahl von Medientypen (Text, Bilder, Videos, GIFs) vorliegen. Öffentliche und geteilte Daten. Auch die Analyse von öffentlichen Ressourcen wie Websites, Verlautbarungen, Gesetzestexten und allgemein zugänglichen Datenbanken kann sich lohnen. Für B2B-Unternehmen sind außerdem Daten interessant, die ihnen von Zulieferern oder Kunden zur Verfügung gestellt werden. Wenn beispielsweise ein Flugzeughersteller seinem Zulieferer Verschleißdaten von Bauteilen zur Verfügung stellt, kann letzterer diese für die Produktoptimierung nutzen, indem neue Materialien verwendet oder Schwachstellen verstärkt werden.
4. Wählen Sie Ihr Analyse-Vorgehen
Sie sollten immer eine Vorauswahl treffen: Welche Daten lohnt es sich jetzt zu analysieren und welche Daten können wir vorerst ignorieren? So halten Sie den Ressourceneinsatz überschaubar. Im zweiten Schritt sollten Sie sich mit der technologischen Umsetzung befassen. Hier reicht die Bandbreite von Grid-Computing über In-Memory-Technologien bis hin zu Machine-Learning-Anwendungen. Letztere können zunehmend als Service flexibel aus der Cloud bezogen werden (Machine-Learning-as-a-Service, MLaaS). Fast alle großen Anbieter wie Microsoft, Amazon, IBM oder Google bieten mittlerweile entsprechende SaaS-Lösungen an, zum Beispiel für Predictive Analytics, Risiko- und Kundenvorhersagen sowie Natural Language Processing.
5. Verbinden Sie Big Data mit bestehenden Daten-Sets
Viele Neuanwender von Big Data setzen ihre Analysen nicht ins Verhältnis zu früher erhobenen Daten. Dabei können solche Vergleiche schnelle Einsichten zu Tage fördern. Ein Beispiel: Setzen Sie die Kundenzufriedenheit Ihrer bisherigen Key-Accounts mit der Kundenzufriedenheit aller Käufer in Beziehung. Dasselbe gilt für früher erhobene Supplier-, Produktions- und Umweltdaten. So erhalten Sie direkt eine zeitliche Perspektive, obwohl Sie erst seit Kurzem Big-Data-Tools einsetzen.
6. Verwenden Sie Big Data mit einer Cloud-Lösung
Big Data benötigt gewaltige Rechenressourcen. Das betrifft sowohl die reine Speicherung der Daten als auch die Computing-Power zur aktiven Analyse. Ihren Usern sollte es möglich sein, jederzeit nach Bedarf neue Analytics-Sandboxes einzurichten. Teilweise müssen auf Grundlage der gewonnenen Daten auch noch Simulationen durchgeführt werden, um zu testen, dass die Daten richtig interpretiert wurden; erst dann kann der reale Prozess angepasst werden. Klassische On-Premises-Infrastrukturen sind mit solchen Szenarien schnell überfordert. Sie brauchen stattdessen eine Lösung, die flexibel mitskaliert. Deshalb setzen viele Big-Data-Konzepte auf die Cloud als technologische Basis, wobei es hier durchaus unterschiedliche Ausprägungsformen gibt. Eine Public-Cloud-Lösung bietet meist günstige Kostenstrukturen. Eine Private Cloud ist dagegen besser für sensible Daten geeignet, zum Beispiel in der Versicherungs- oder Finanzbranche. Es gibt aber auch Modelle, die beide Ansätze verbinden, wie die sogenannte Hybrid Cloud. Und in einer Community-Cloud teilen sich mehrere Unternehmen mit ähnlichen Datenbedürfnissen denselben Cloud-Space.
Schaffen Sie die Basis für Big Data mit der ahd!
6 Vorteile von Big Data Analytics in E-Commerce
Die Zahl der digitalen Käufer weltweit hat im Jahr 2019 1,92 Milliarden erreicht, die ungefähr einem Viertel der Weltbevölkerung entspricht. Nur auf Amazon gab es im April 2019 120 Millionen Produkte. Bei einem so großen Volumen an digitalen Transaktionen versteht es sich von selbst, dass Big Data Analytics einen erheblichen Einfluss auf die E-Commerce-Branche hat. In diesem Artikel werde ich 6 Möglichkeiten vorstellen, wie der E-Commerce von Big Data Analyse profitieren kann.
Was ist Big Data Analytics?
Unter Big Data Analytics versteht man den Prozess der Untersuchung großer Datenmengen, um Informationen – wie versteckte Muster, Korrelationen, Markttrends und Kundenpräferenzen – aufzudecken, die Unternehmen dabei helfen können, fundierte Geschäftsentscheidungen zu treffen.
Im E-Commerce hilft die Big Data Analyse den Unternehmen nicht nur, ihre Kunden besser zu verstehen, sondern auch, Markttrends vorherzusagen und den Umsatz zu steigern. Im Folgenden erläutere ich, welche Vorteile Big Data Analytics der E-Commerce-Branche bringt.
6 Vorteile von Big Data Analytics im E-Commerce
1. Verfolgen den Kaufprozess des Käufers
Im Geschäftsleben geht es vor allem darum, die Menschen zu verstehen, insbesondere die Kunden. Als es noch keine Online-Transaktionen gab und die Menschen nur in Geschäften einkauften, war es nicht möglich, die Hintergrundinformationen jedes Kunden zu verfolgen. Heutzutage gibt es rund 2 Milliarden Menschen, die Waren online kaufen. Obwohl sie dazu neigen, vor dem Kauf Produkten von verschiedenen Websites zu vergleichen, können die Daten der Browsing-Aktivitäten nachverfolgt und analysiert werden.
Big-Data-Analysetools können den Kaufverlauf von Kunden verfolgen. Sie erfassen die Interaktionen, die ein Nutzer zuvor mit einer Marke hatte, einschließlich der angesehenen Produkte, Klicks, früheren Käufe usw. Anhand dieser Daten können Unternehmen Käuferverhalten und Kaufprozess der Kunden analysieren und ein tieferes Verständnis entwickeln: Was sie mögen und was nicht? Welche Produkte in letzter Zeit besonders gefragt sind? Zu welcher Jahreszeit die Nachfrage nach bestimmten Produkten am größten ist usw.
2. Personalisieren das Einkaufserlebnis
87% der Kunden gaben an, dass sie bevorzugen etwas zu kaufen, wenn Online-Shops ein personalisiertes Einkaufserlebnis anbieten können. Nachdem ein Unternehmen Käuferverhalten und Kaufprozess der Kunden analysiert hat, kann das Unternehmen die Bedürfnisse der Kunden besser decken.
Zu den Strategien für ein personalisiertes Einkaufserlebnis gehören das Versenden von individuellen E-Mails mit Sonderrabatten und -angeboten, die Einblendung gezielter Werbung für verschiedene Personengruppen, die Umsetzung von Up-Selling- und/oder Cross-Selling-Strategien für Einzelpersonen usw. Der weltgrößte E-Commerce-Gigant Amazon ist ein hervorragendes Beispiel für die Nutzung von Big Data Analysen und Cross Selling zur Erzielung hoher Umsätze.
Beim Durchsuchen von Produkten auf Amazon werden die Nutzer häufig von Empfehlungslisten wie „Kunden, die diesen Artikel angesehen haben, haben auch diesen Artikel angesehen“, „Inspiriert von Ihren Shopping-Trends“ angezogen. Diese Empfehlungslisten wurden auf der Grundlage der Datenbanken von Amazon mit Millionen von Online-Käufern erstellt. Anhand des Browserverlaufs gibt Amazon jedem Käufer personalisierte Empfehlungen, was die Chance auf erfolgreiche Verkäufe deutlich erhöht. Es klingt wie eine kleine Strategie, aber das Ergebnis ist erstaunlich: Insgesamt trägt das Empfehlungssystem von Amazon 35 % der kumulierte Umsatz des Unternehmens Amazon bei.
Es gibt einen neuen Trend bei der Nutzung des E-Commerce-Kundendienstes: die Sammlung und Auswertung von Daten aus Kundenrezensionen. Eine Plattform zur Analyse von Kundendaten, Yunting CEM, sammelt Bewertungen und führt Stimmungsanalysen für große Konzerne wie Unilever, Huawei und Haier durch. Diese Unternehmen verfügen über Dutzende von Produktlinien und verkaufen Millionen von Produkten weltweit über E-Commerce-Websites. Durch die Mining von Texten und die Analyse der zugrundeliegenden Stimmungen mithilfe der Technik „linguistische Datenverarbeitung“, also NLP auf Englisch, können die Unternehmen genau wissen, wie die Käufer über ihre Produkte denken. So erfahren die Vermarkter von Huawei beispielsweise, ob die Verbraucher das Design, die Akkulaufzeit, die Größe der Tasten, die Kamera, die Gesamtfunktionalität und viele andere Merkmale des Telefons positiv, neutral oder negativ bewerten.
Yunting CEM sammelt auch Chat-Daten über E-Commerce-Kommunikationsplattformen wie Aliwangwang und JDdongdong. Diese Kommunikationsplattformen wurden von den beiden größten E-Commerce-Unternehmen in China - Alibaba und JingDong - entwickelt und als Big Data Tools für Onlinehändler benutzt, um eine bessere Verbindung zu den Käufern herzustellen. Durch die Auswertung der Chat-Daten können sich Onlinehändler sofort ein Bild davon machen, ob ihre Kunden sich für bestimmte Produkte interessieren, welche Aspekte des Produkts ihnen am wichtigsten sind usw. Auf diese Weise können sie Verkaufsargumente für ihre Produkte herausfinden und ihre Marketingstrategie entsprechend anpassen.
4. Bessere Kundenbetreuung
Kennen Sie wahrscheinlich solche Situation: Sie hatten Zweifel an einem Produkt, das Sie gerade bei BestBuy gefunden haben. Sie haben den Kundendienst kontaktiert. Dieser hat Ihnen innerhalb von Sekunden geantwortet und Ihre Frage perfekt beantwortet. Nachdem Sie das Produkt erhalten haben, waren Sie zufrieden und haben diese Erfahrung in den sozialen Medien mit Ihrer Familie und Ihren Freunden geteilt.
Das ist eine ganz gewöhnliche Szene, oder? Doch hinter der Oberfläche verbirgt sich ein riesiges kommerzielles Potenzial. Laut den Statistiken von tragen treue Kunden 67 % mehr aus als Neukunden bei, und 72 % derjenigen, die eine positive Erfahrung gemacht haben, teilen diese mit mehr als 6 Personen. Ein guter Kundenservice führt zu einer höheren Kundenbindungsrate, Konversionsrate und damit zu mehr Gewinn.
Big-Data-Analysen sind in der Hinsicht hilfreich zur Verbesserung des Kundendienstes. Durch die Überwachung der durchschnittlichen Reaktionsgeschwindigkeit können die Mitarbeiter des Kundendienstes die Reaktionszeit erhöhen. Durch das Versenden der Fragebögen und das Sammeln von Kundenfeedback erhalten sie Informationen aus erster Hand, die zur Verbesserung der Servicequalität beitragen und die Wahrscheinlichkeit von schlechtem Service verringern. Durch die Überwachung anderer Daten wie der Lieferzeit der Waren können E-Store-Besitzer Probleme im Lieferprozess erkennen und mögliche Transportprobleme vermeiden.
5. Optimierte Preisgestaltung
Die Preisgestaltung ist ein weiterer wichtiger Faktor für Kaufentscheidungen im E-Commerce. Ob die von Ihnen festgelegten Preise wettbewerbsfähig sind oder nicht, hat direkten Einfluss auf Ihre Produktverkäufe. In der Vergangenheit hat man sich an traditionellen Preisstrategien orientiert, wie z. B. der Faustformel oder Aufschlag auf den Selbstkostenpreis. Diese alten Preisstrategien funktionieren jedoch nicht mehr, wenn es um Tausende von Millionen Produkten im Internet geht.
Mit Big-Data-Analysetools können Unternehmer das Gesamtbild betrachten und Preisgestaltung der Wettbewerber in Echtzeit überwachen. Dazu ist ein großer Datensatz mit allen Preisen der Wettbewerber erforderlich, der von Zeit zu Zeit aktualisiert werden muss, da sich der Marktpreis ständig ändert. Big-Data-Extraktionstools wie Octoparse können die Produktdetails von E-Commerce-Websites wie Amazon, eBay, BestBuy, Walmart, Flipkart, Taobao, usw. extrahieren und die Daten über APIs in Excel-, CSV-, JSON- und HTML-Formate oder in Ihre On-Site-Analysedatenbank exportieren. Mit Octoparse E-Commerce Web Scraping Vorlagen können Sie mit wenigen Klicks wesentliche Produktinformationen wie Produktname, Preis, Farbe, Bewertung, Beschreibung, Versandgewicht, Bild-URLs usw. extrahieren.
6. Bedarfsprognose & Bedarfsplanung
Neben der Betreuung des aktuellen Geschäfts ist es wichtig, neue Möglichkeiten in der Zukunft zu erkennen und zu schaffen. Das E-Commerce-Geschäft hängt stark von der Lagerhaltung ab. Eine zu geringe Lagerhaltung führt zu Produktmängeln und beeinträchtigt die Kundenzufriedenheit, während eine zu große Lagerhaltung übermäßige Kosten verursachen kann. Bei Produkten mit kurzer Haltbarkeitsdauer ist dies besonders schädlich, da die Kosten irreversibel wären.
Big Data kann Unternehmen dabei helfen, die künftige Lagerhaltung auf der Grundlage früherer Erfahrungen abzuschätzen und Marketingkampagnen im Voraus zu planen. Auf der Grundlage historischer Verkaufsdaten können Onlinehändler künftige Verkäufe vorhersagen und eine angemessene Anzahl von Waren im Lager vorbereiten. Mithilfe von Social Listening können sie neue Schlagworte entdecken und umgehend reagieren, um günstige Gelegenheiten für mehr Umsatz zu nutzen.