Online-Shop Optimierung mit Daten aus User-Verhalten – Teil 1
Jeder Betreiber eines Online-Shops weiß, dass es einer unendlichen Geschichte gleicht, diesen konstant verbessern und optimieren zu müssen, um den Anschluss an die Konkurrenz nicht zu verlieren und die User und Kunden bei Laune zu halten und nicht zu verlieren.
Diese Blog-Serie soll zeigen, wie die Daten, die die User in Online-Shops hinterlassen gleich in mehrerlei Hinsicht dazu beitragen können, den Online-Shop um neue Features anzureichern oder bereits bestehende zu verbessern.
Der erste Teil dreht sich um das Thema, welche Daten dies genau sind und wozu diese verwendet werden können, bevor in den weiteren Teilen dann detailliert auf diese Bereiche eingegangen wird.
Welche Daten sollte ich in meinem Online-Shop speichern und wozu?
Immer wieder dreht sich bei den Betreibern von Online-Shops die Frage darum, welche Daten sich lohnen zu speichern und wie diese Daten dann gewinnbringend eingesetzt werden können.
Das „Wozu“ lässt sich schnell beantworten. Es handelt sich um die Integration neuer Features und die Optimierung von bestehenden Features:
• Analytics
• Relevanztuning
• Autosuggest
• Personalisierung
• Recommendations
Doch welche Daten sind nötig, um aussagekräftige Analysen zu tätigen, die Relevanz der Suchfunktion optimal zu gestalten, eine Autosuggest-Funktion anbieten zu können, die den Usern wirklich hilft, personalisierte Funktionen anbieten zu können oder Recommendations in den Shop zu integrieren bzw. mehr aus seinen bisherigen Recommmendations herauszuholen?
Aus unserer Sicht sind es immer wieder dieselben Daten, nämlich User-Interaktionen mit dem Online-Shop, die für unterschiedliche Zwecke verwendet werden.
Was genau sind User-Interaktionen?
User-Interaktionen richten sich teils nach dem Funktionsumfang des Shops, aber generell sind folgende eine Art Grundstock von Interaktionen, die in jedem Online-Shop vorkommen:
• Suchanfragen
• Klicks
• Zum Warenkorb hinzufügen
• Kaufen/Bestellen
Diese Interaktionen sehen auf den ersten Blick einfach aus, doch es reicht z.B. nicht aus, nur zu speichern, nach was gesucht wurde oder auf welches Produkt geklickt wurde. Es ist wichtig, die Daten dem Use Case entsprechend abzuspeichern. Beim Klick auf ein Produkt ist es wichtig, ebenfalls zu wissen, nach was der User vorher gesucht hat. Denn diese Verknüpfung von Informationen ist für den Use Case Relevanztuning von zwingender Notwendigkeit. Denn ohne zu wissen, welcher Suchbegriff mit dem Klick oder gar dem Kauf eines Produkts verknüpft ist, bedeutet, dass die am häufigsten geklickten oder gekauften Produkte bei allen Suchanfragen bevorzugt werden, sofern sie nur in der Trefferliste vorkommen – unabhängig davon wie gut sie passen.
Wie sehen derartige Datensätze aus?
Es sind also möglichst viele Informationen pro User-Interaktion (oder auch Signal) zu speichern. Bei einer Suchanfrage sind folgende Daten zu erheben:
• User
• Timestamp
• Suchbegriff
• Anzahl Treffer
• Ggf. Kategorieauswahl
Bei Klicks sind folgende Daten zu erheben:
• User
• Timestamp
• Suchbegriff
• ID des geklickten Produkts
• Ggf. Kategorieauswahl
Bei einer „Zum Warenkorb hinzufügen“-Aktion besteht ein Datensatz aus diesen Merkmalen:
• User
• Timestamp
• Suchbegriff
• ID des abgelegten Produkts
Bei einem Kauf bzw. einer Bestellung sind es beinahe dieselben Daten, die benötigt werden:
• User
• Timestamp
• Suchbegriff
• ID aller Produkte des Kaufs/der Bestellung
Die JSON-Repräsentation eines Klicks kann wie folgt aussehen:
{
„id“:“1234567890″,
„user_id“:“max_mustermann“,
„action“:“click“,
„doc_id“:“4711″,
„query_s“:“lcd tv“,
„timestamp_tdt“:“2017-07-01T11:20:02Z“,
}
Dies ist folgendermaßen zu lesen: Der User mit der ID „max_mustermann“ hat eine Suche nach „lcd tv“ über die Suchfunktion des Shops ausgeführt. Um 11.20 Uhr am 01.07.2017 klickt er auf der Trefferliste das Produkt mit der ID „4711“. Natürlich muss dieser Datensatz selbst noch eine ID bekommen (1234567890).
Für die Blog-Serie werden durchgehend JSON-Formate verwendet, da sie einerseits gut lesbar sind und in diesem Format auch in Solr gespeichert werden können, was als hochskalierbares Storage-System für die komplette Blog-Serie dienen wird. Nicht nur, dass Millionen oder Milliarden von diesen User-Signalen in Solr gespeichert werden können. Sie können auch schnell abgefragt werden, was gerade bei den Features, die mit Suche zu tun haben, essenziell ist.
Der nächste Teil der Blog-Serie wird darstellen, wie diese User-Signale mitgeschnitten und gespeichert werden können, sodass sie für die oben erwähnte Zwecke eingesetzt werden können.
Online-Shop Optimierung mit Daten aus User-Verhalten – Teil 2
Online-Shop Optimierung mit Daten aus User-Verhalten – Teil 3
