Mit der Transaktionsdatenanalyse den Spuren Ihrer Kunden folgen

Mit der Transaktionsdatenanalyse den Spuren Ihrer Kunden folgen

Wo Produkte sind, sind auch Transaktionen und Kunden. Doch wie können wir die daraus entstehenden Daten zusammenführen, analysieren und interpretieren? Das Datenanalyse-Team von for​you​and​your​cus​tom​ers gibt einen Einblick welches Potential wir in Transaktionsdaten sehen, wie wir sie aufbereiten und welche Vorteile sich für unsere Kunden daraus ergeben.

Currently only available in German.

Viele Transaktionen, viele Informationen

Jedes Mal, wenn ein Kunde ein Produkt erwirbt, hinterlässt er Spuren. Er zeigt Ihnen als Unternehmen, was er möchte, wann er es möchte und zu welchem Preis er es gewillt ist, zu erwerben. Durch nur diese drei Identifikatoren – Artikel, Zeitpunkt und Preis – lassen sich durch eine Transaktionsdatenanalyse bereits zahlreiche Thesen aufstellen und analysieren. Man kann quantifizieren welche Artikel(-kategorien) zu welcher Zeit, zu welchem Datum oder an welchem Wochentag besonders beliebt sind. Ändert sich der Preis, kann man den Mittelwert, die Varianz und somit eine gute Abschätzung des Marktwerts der Artikel errechnen. Oder man nutzt Warenkorbanalysen, um Artikel zu identifizieren, welche oft gemeinsam gekauft werden: Rotwein, Käse und Baguette für einen gemütlichen Abend zu Zweit oder Halsbonbons und Tee, jetzt wo der Winter vor der Tür steht.

Nicht nur welche Artikel am häufigsten verkauft werden oder welche Artikel häufig miteinander gekauft werden, sondern auch welche Artikelgruppen wenig miteinander verkauft werden, können durch eine Warenkorbanalyse identifiziert werden. Dieses Wissen kann man nutzen, um bei Marketing-Kampagnen das Angebot von inkompatiblen Produkten zu vermeiden. Ist das Unternehmen nun mit mehreren Vertriebskanälen wie zum Beispiel einem Webshop und klassischen Einzelhandelsgeschäften aufgestellt, ergibt sich fast die Notwendigkeit, die Transaktionsdaten unter diesem Gesichtspunkt weiter zu segmentieren und zu analysieren. Denn oft zeigen die Daten, dass nicht alle Kanäle äquivalent in Form von Artikelgruppen, Anzahl, Warenkorbwert und Bestellzeitpunkt genutzt werden. Ganz offensichtlich erfordert dies auch eine individuelle Optimierung des jeweiligen Kanals, um den Kunden ein möglichst angenehmes Kauferlebnis zu bieten.


Transaktionsdaten anreichern

Einer der Vorteile von Transaktionsdaten ist es, dass sie meist nicht unabhängig von anderen Datenquellen existieren. So kann man Transaktionen mit weiteren internen (z.B. Kundendaten, Zahlungsarten) oder externen (z.B. Google Analytics oder Facebook) Eigendaten oder sogar Fremddaten (z.B. Wetterdaten) anreichern.

Wann kaufen Kunden über welche Kanäle ein? Das Kaufverhalten zeitlich zu segmentieren gibt Aufschlüsse über die kombinierte Effizienz von Multichannel-Unternehmen.Nutzt man zum Beispiel Kundendaten um seine Transaktionsdaten mit demographischen Faktoren wie Alter, Geschlecht und Wohnort zu ergänzen, erweitert sich die Breite der Fragen exponentiell. Indem man verschiedene Metriken (z.B. Anzahl an Käufen und Warenkorbwert) über Dimensionen (z.B. Alter und Geschlecht des Käufers) clustert, kann man eine maschinelle Segmentierung seiner Kunden durchführen. Das Resultat ist eine auf Daten basierte Gruppierung von Kunden die ein ähnliches Verhalten an den Tag legen, was mit qualitativen Informationen angereichert und somit zu einer Persona überführt werden kann.

Ein weiteres Beispiel sind Kohortenanalysen, die man mit diesen angereicherten Daten durchführen kann. Hierbei werden klassischerweise Segmente wie Wiederkäufer und Nicht-Wiederkäufer verglichen, erstere auf Kategoriepräferenzen untersucht, Kaufzyklen identifiziert und Metriken wie die Life Time Value berechnet. Wiederkehrende Kunden sagen viel über Ihr Unternehmen aus: Weshalb und wie oft kehren Menschen zu Ihnen zurück, welches Verhalten legen sie dabei an den Tag und welche Lehren kann man von ihnen ableiten, um den Anteil an Wiederkäufern zu erhöhen? Nutzt man zusätzlich diese Informationen um seine Kundensegmente weiter zu definieren, kommt man schnell an ein detailliertes Bild, was die Gruppen antreibt. Mit Kundendaten angereicherte Transaktionen erlauben es, datenbasierte Personas zu erstellen um Kundengruppen zu identifizieren und deren Demographie sowie Kaufverhalten zu quantifizieren. Der Einsatz von externen Daten wie Facebook oder Fremddaten wie Wetterdaten erlaubt es hingegen, sich äußeren Einflüssen auf das Kaufverhalten zu widmen. Dies erlaubt nicht nur den Effekt von diskreten Ereignissen (z.B. der Einfluss einer Werbekampagne auf Facebook auf Besucherzahlen und Umsatz) zu messen, sondern natürlich auch mehrdimensionale Betrachtungen von nicht-veränderbaren Umständen.

So hat ein Modehändler natürlich eine eine interne Saisonalität (z.B. Sommer- und Winterkollektion), das Kaufverhalten der Kunden aber richtet sich zusätzlich nach äußeren Einflüssen wie dem Wetter (z.B. kalte, regnerische Sommer) die sich nicht dem Plan des Händlers anpassen. Diese Datenquellen und -dimensionen zu verbinden und in Relation zu setzen kann herausfordernd sein, aber auch viel über die Spuren verraten, die Ihre Kunden bei Ihnen hinterlassen.

Das Potential der Transaktionsdatenanalyse

Die Analyse von Transaktionsdaten geht den nächsten Schritt von statischer Auswertung mittels KPIs hin zu einer flexiblen datenbasierten Frage-Antwort-Interaktion. Welche internen und externen Faktoren beeinflussen die Verkäufe? Welche Ansatzpunkte zur Segmentierung von Produkten, Kunden oder Verhalten lassen sich finden? Wie kann man diese Bereiche kombinieren und das daraus entstehende Wissen einsetzen? So breit wie die Daten sein können, so breit können sich die Analysen gestalten.

Für die Kunden unserer Kunden bedeutet dies besonders eins: Sie werden als Individuum anerkannt und in ihrer Zielsetzung unterstützt. Dies kann sowohl die Schaffung von Personengruppen-basierten Empfehlungen wie aber auch das Aufzeigen von Sortimentsbereichen, welche bisher nicht im Fokus des Kunden standen, sein. Die Zusammenhänge von Artikelgruppen zu erkennen hilft sowohl unseren als auch deren Kunden: Coupons für oft zusammen gekaufte Artikel schaffen einen Kaufanreiz, der sich in niedrigeren Ausgaben für den Käufer widerspiegelt.

Im Optimalfall kombiniert man diese Herangehensweisen: Einem interessierten Kunden einen Anreiz zu bieten, der ihm ein breiteres, dennoch auf seine Interessen zugeschnittenes Sortiment vorstellt und somit die Wahrscheinlichkeit zur Wiederkehr erhöht bildet die Basis für eine erfolgreiche, langfristige Beziehung.

Ein zusätzliches, wichtiges Ziel dieser Datenanalyse ist natürlich auch die interne Optimierung: In welcher Kombination von Kundengruppen und Geschäftsbereichen lohnt es sich zu investieren und in welcher wären diese Ausgaben fehlgeleitet? Welche Kundengruppen sind unser Ziel, durch welche transversalen oder vertikalen Überführungen können wir die Kundenbindung stärken? Die Analyse von Transaktionsdaten, vor allem angereichert mit Kundendaten, lässt viele Ansatzpunkte erkennen die sonst im Verborgenen verbleiben würden. Lassen Sie uns gemeinsam einen Blick auf Ihre Daten werfen und das Verhalten Ihrer Kunden unter die Lupe nehmen, um ein angenehmes Kauferlebnis für beide Seiten zu schaffen.

Interessiert?

Weiterführende Informationen finden Sie auch in unserem Product Sheet und gerne stehen wir für ein persönliches Gespräch zur Verfügung.

Hinweis: Alle gezeigten Daten dienen zur Illustration der erläuterten Punkte und spiegeln nicht notwendigerweise real existierende Daten wieder.

Ähnliche Magazinbeiträge