Online-Shop Optimierung mit Daten aus User-Verhalten – Teil 3
Die ersten beiden Teile dieser Serie drehten sich darum, welche Daten innerhalb eines Online-Shops gespeichert werden sollen und wie diese getracked werden können.
In diesem dritten Teil geht es nun um die Nutzung dieser Daten, nachdem an dieser Stelle bereits bekannt ist, welche Daten sich lohnen zu speichern und wie dies umgesetzt werden kann.
Für welche Features können derartige Daten also verwendet werden? Wie bereits in einem vorherigen Teil angekündigt, geht es um folgende Features:
• Autosuggest
• Analytics
• Relevanztuning
• Personalisierung
• Recommendations
An dieser Aufzählung wird bereits deutlich, dass es sich teils um essenzielle Dinge handelt, die durch Daten, die aus dem User-Verhalten resultieren, umgesetzt oder verbessert werden können. Wie Die einzelnen Features von solchen Daten profitieren können, wird nachfolgend detaillierter beschrieben.
Autosuggest
In jeder Suchapplikation gehört es zum kleinen Einmaleins, eine Funktion anzubieten, die dem User beim Tippen bereits passende Vorschläge liefert. Doch was sind die passenden Vorschläge? Hier gibt es nicht unbedingt nur eine richtige Antwort, denn es gibt hier mehrere Möglichkeiten, eine solche Funktion umzusetzen. Am weitesten verbreitet sind sicherlich das Vorschlagen von Schlagworten oder Phrasen oder das direkte Anbieten von konkreten Produkttiteln.
Doch gesammelte Suchanfragen, die bei anderen Usern in der Vergangenheit erfolgreich waren, können ebenso für eine Autosuggest-Funktion verwendet werden. Der Vorteil ist hierbei folgender: Man stützt sich auf Suchanfragen, die User einerseits tatsächlich bereits ausgeführt haben und andererseits auch zu Ergebnissen geführt haben. Man kann sogar so weit gehen und nur Suchanfragen berücksichtigen, die bis zum Kauf eines Produkts geführt haben, um „verkaufsstarke“ Suchanfragen bereits beim Autosuggest als Vorschläge anzubieten. Denn der Gedanke, dass diese Suchanfragen auch zukünftig erfolgreich sein werden, ist nicht von der Hand zu weisen.
Um sich jedoch nicht nur auf das User-Verhalten zu stützen, kann ein solches Vorgehen eher als Ergänzung zu bisherigen Mechanismen eingesetzt werden, nicht unbedingt als Substitution. Wenn Sie also bisher bereits eine gute und zufriedenstellende Autosuggest-Funktion haben, die z.B. konkrete Produkttitel vorschlägt, sollten Sie diese nicht durch User-Suchanfragen ersetzen, sondern als zusätzliche Alternative anbieten.
Analytics
Wer als Online-Shop nicht permanent misst und analysiert, was dort passiert, verliert unglaublich viel Potenzial. Denn wer nicht weiß, was in seinem Online-Shop schiefläuft, kann auch nichts dagegen unternehmen. An einem einfachen Beispiel erklärt: Wer nicht weiß, welche Suchanfragen in 0 Treffern resultieren, kann nicht einmal mit dem Hinzufügen eines einfachen Synonyms etwas dagegen unternehmen.
Es ist in unseren Augen alternativlos, das User-Verhalten auch in (regelmäßigen) Analysen einzubeziehen, um größtmögliches Optimierungspotenzial erschließen zu können. Angefangen von recht banalen Optimierungen der Suchfunktion bis hin zu komplexen Warenkorbanalysen, um herauszufinden, welche Produkte besonders häufig zusammengekauft werden – das User-Verhalten gibt Aufschluss darüber.
Relevanztuning
Suchanfragen, die in 0 Treffern resultieren, sind jedoch noch nicht alles, was optimiert werden kann. Wenn getracked wird, auf welchen Artikel User klicken, nachdem sie eine Suchanfrage abgesetzt haben. Somit können nämlich genau diejenigen Artikel geboostet werden, auf die am häufigsten geklickt wurde – und zwar nach derselben Suchanfrage. Warum der Bezug zur Suchanfrage wichtig ist, ist an einem einfachen Beispiel erläutert: Stellen Sie sich vor, 1000 User suchen nach „samsung tv“ und 800 davon klicken auf den vierten Treffer. Dann ist dieser für genau diese Suchanfrage höchst relevant. Es mögen im Index aber auch Produkte vorliegen, die ebenfalls bei dieser Suchanfrage Treffer sind, und noch öfter geklickt wurden. Z.B. ein Mobiltelefon oben genannter Marke. Dies mag ein Treffer sein, weil es sich laut Produktbeschreibung „hervorragend zum Steuern von Samsung TVs eignet“. Für die Suchanfrage „samsung tv“ ist dies also ein legitimer Treffer, aber eben ein weniger relevanter.
Wenn Open Source Software als Suchmaschine eingesetzt werden, wie z.B. Solr, besteht evtl. sogar die Chance, auf Basis von User Verhalten Machine Learning Modelle zu errechnen, die dann mittels Learning to Rank-Plugins eingesetzt werden können, um die Relevanz zu optimieren.
Möglichkeiten gibt es also durchaus mehrere hinsichtlich der Optimierung der Relevanz – man benötigt nur die passenden Daten dafür.
Personalisierung
Auch Personalisierungsfeatures können mit Daten aus dem historischen User-Verhalten im Online-Shop umgesetzt werden. Denn wenn man bestimmte Aktionen einem User zuordnen kann, können beispielsweise User mit ähnlichem Kaufverhalten ermittelt werden. Und aus denjenigen Artikeln, die diese User gekauft haben, können dann datengetrieben diejenigen extrahiert werden, bei denen es sich lohnt, diese in einem Newsletter-Mailing unterzubringen.
Oder es sind Muster in den Verhaltensweisen zu ermitteln, die Aussagen, über User-Präferenzen liefern, die dann wiederum als Boost-Kriterium für bestimmte Kunden(-gruppen) angewandt werden, um die Suchergebnisse zu personalisieren.
Eine Suchmaschine, die entsprechende Relevanzkriterien einsetzen kann, vorausgesetzt, ist also das Thema personalisierte Relevanz mit Hilfe von Daten aus den User-Interaktionen mit dem Online-Shop möglich.
Recommendations
Recommendations sind beileibe kein neues Feature, das nur in wenigen Online-Shops Einzug gefunden hat. Sie bilden ein für viele Shops wichtiges und hilfreiches Verkaufsinstrument.
Viele Shop-Betreiber gehen diesbezüglich den einfachen Weg, übermitteln anderen Anbietern die relevanten Daten, welche daraufhin dann daraus die entsprechenden Produktempfehlungen berechnen und in den Shop zurückspielen.
Doch warum die Daten außer Haus geben, wenn diese doch mehr und mehr zum größten Kapital der Online-Händler werden? Solr oder auch Spark können in dieser Hinsicht genannt werden, um nur zwei Beispiele zu nennen, die keinerlei Kosten für die Nutzung von APIs oder kompletter Softwareprodukte beinhalten. Denn Recommendations können – wenn die dafür nötigen Informationen dort auch gespeichert sind – mittels Solr’s Graph Traversal berechnet und ausgespielt werden.
Ebenso bietet mit einer Implementierung des Alternating Least Squares Algorithmus einen Weg, Collaborative Filtering in jeden Online-Shop zu integrieren, wenn die dafür benötigten Daten vorhanden sind.
Zusammenfassung
Diese Aufzählung von Features ist sicherlich nicht vollständig. Dennoch gibt sie einen Einblick darin, für was Daten, die die User aus ihren Interaktionen mit dem Online-Shop hinterlassen haben, verwendet werden können.
Es gibt also viele gute Gründe, dieses Rohöl zu sammeln, zu verarbeiten und mächtige Features in den eigenen Online-Shop zu integrieren bzw. bereits mächtige Features noch mächtiger zu machen.
Der folgende und vierte Teil dieser Serie wird dann zeigen, wie Lucidworks Fusion helfen kann, diese User-Interaktionen bzw. Signals zu tracken und wie diese dort in einfacher Art und Weise für Features wie die oben genannten eingesetzt werden können.
Wenn Sie nicht so lange warten wollen oder auch an anderen Wegen interessiert sind, User-Signales zu tracken und dann für bestimmte Features einzusetzen, kontaktieren Sie uns.
Online-Shop Optimierung mit Daten aus User-Verhalten – Teil 1
Online-Shop Optimierung mit Daten aus User-Verhalten – Teil 2
