Big Data: ein Buzzword, das in aller Munde ist. Kein Wunder, denn das weltweit generierte Datenvolumen wächst mit steigender Geschwindigkeit – und somit auch die Möglichkeit, aus diesen Daten durch zielgerichtete Analyse wertvolle Informationen zu gewinnen. In diesem Blog-Beitrag stellt Alexander Groß, unser Teamlead Tech&Data, die wichtigsten Aspekte der Datenanalyse im E-Commerce vor.
Was genau bedeutet Datenanalyse?
Grundsätzlich unterscheidet man in der Datenanalyse zwischen der „klassischen“ Webanalyse – also Datenauswertungen aus den Webanalyse-Systemen (Google Analytics, mapp, etc.) – und der erweiterten Datenanalyse, die es uns ermöglicht, verschiedene Datentöpfe (Google Ads, Search Console, ERP, CRM, Geschäftsdaten etc.) zusammen zu werfen und daraus Erkenntnisse zu generieren.
Der Nutzen der Webanalyse
Durch die Webanalyse können Retailer im Prinzip alle Handlungen des Kunden im Onlineshop einsehen: welche Klicks er tätigt, wie er sich über die Seite bewegt oder diverse Micro-Conversions durch Klicks auf Banner, Anmeldungen zum Newsletter oder Ähnliches. So kann man die einzelnen Schritte der Customer Journey nachvollziehen. Doch wofür kann man diese Daten nutzen?
Wer sein Marketing-Budget nicht im Blindflug aufteilen möchte, kann mit der Webanalyse herausfinden, auf welchem Kanal welcher Effekt erzielt wird und dementsprechend in die Kanäle investieren, die den meisten Erfolg versprechen.
Mit den Daten lässt sich auch herausfinden, wann der Kunde welche Aktion in der
Customer Journey ausführt. Dabei kann man auch erkennen, wo auf dem Weg zum Kauf die Absprungrate (Retention Rate) besonders hoch ist. Um die Customer Experience zu verbessern, kann man Templates, Buttons, oder Features wie Filter über A/B Testings testen, und im Anschluss eine fundierte Entscheidung zu treffen.
Wer sind eigentlich die User, die unseren Shop nutzen? Natürlich gewinnen Händler Informationen über die Kunden, die sich anmelden und bestellen. Tools wie Google Analytics können jedoch auch Anhaltspunkte über die Nutzer geben, die sich nicht registrieren – indem sie das Verhalten dieser Personen einschätzen und vergleichen. So kann man Fragen wie „Welche Altersgruppen haben ein Conversion-Problem?“ beantworten und vermeidet voreilige Schlüsse über die Zielgruppe.
Performance-Kennzahlen wie Page Speed und die Server Response Time sind nicht nur essentiell für das Ranking auf Google, sondern beeinflussen auch die Customer Happiness. Lange Ladezeiten können User abschrecken und zu einer hohen Retention Rate führen. Das Monitoring dieser Daten ist also unerlässlich. Sobald strukturelle Probleme an Seitentypen auftreten, muss man etwas tiefer in die Datenanalyse einsteigen.
Erweiterte Datenanalyse
Wenn man sich intensiver mit der Datenanalyse beschäftigen möchte, kann man die Datensätze aus den einzelnen Datenbanken analysieren. In Kombination mit den Webabanalyse-Daten kann man so viele weitere wertvolle Insights gewinnen.
Bei der Abfrage von Preisinformationen, Bestandsinformationen, Bilder oder Verlinkungen in den Datenbanken kann es zu Fehler kommen, wodurch z.B. die Server Response Time steigt. Deswegen muss man diesen Prozess regelmäßig optimieren. Mit einer erweiterten Datenanalyse kann man Probleme wie doppelte Abfragen und Deadlocks erkennen und in Zukunft vermeiden.
Die verschiedenen Datentöpfe können auch kombiniert und beispielsweise über Google BigQuery oder ein anderes Data Warehouse ausgewertet werden. dort kann man die verschiedenen Datentöpfe auf viele verschiedene Art und Weisen kombinieren, um bestimmte Perspektiven auf die Daten einzunehmen. So kann man u.a. Logistikprozesse optimieren oder Kanäle mit einer hohen Retouren-Quote ermitteln.
Wie viel Zeit muss man für die Datenanalyse einkalkulieren?
Der Zeitaufwand bei der Datenanalyse variiert extrem. Um ein oberflächliches Verständnis zu entwickeln, genügen einem Webanalysten wahrscheinlich 1-2 Stunden pro Woche. Wenn man jedoch ganze Projekte auf ihre Applikationsperformance hin untersuchen möchte, muss man mindestens einen Tag pro Woche investieren.
Diese Fehler sollte man vermeiden
Das größte Problem bei Daten ist, dass es oft zu fehlerhaften Interpretationen durch subjektive Annahmen oder Verständnisfehler kommen kann. Außerdem gibt es unzählige Biases den Daten gegenüber, zum Beispiel den Confirmation Bias – die Neigung, Informationen so auszuwählen, zu ermitteln und zu interpretieren, dass diese die eigenen Erwartungen bestätigen. Ein anderes Problem sind Visualisierungsfehler, vor allem in der Kommunikation mit den verschiedenen Stakeholdern. Ohne Hintergrundinformationen ziehen diese womöglich andere Schlüsse aus den Daten als der Webanalyst. Zudem kommt natürlich auch noch das weite Feld der technischen Fehler. Es kann zum Beispiel passieren, dass Conversions aus Versehen doppelt gemessen werden, weil vergessen wurde, ein Tag auf der Page zu deaktivieren. Da hilft im Zweifelsfall nur ganz genaues Hinsehen und regelmäßiges Hinterfragen der Ergebnisse.
Fazit
Vor allem die Webananalyse ist essentiell für den Erfolg von von E-Commerce-Projekten, auch die erweiterte Datenanalyse spielt in vielen Bereichen eine tragende Rolle für eine erfolgreiche Onlineshop-Präsenz. Je nach Budget, Größe, Kapazität und Zielen des Shops können Retailer entscheiden, wie viel Ressourcen sie der Datenanalyse widmen wollen. Von „Standard“-Webanalyse bis Applikationsperformance-Optimierung – wir unterstützen Sie gerne jederzeit bei Ihrem Projekt.