Diese Arbeit untersucht die Nutzung von Big Data im E-Commerce für die Kunden- und Zielgruppenanalyse sowie deren Auswirkungen auf das Customer Relationship Management (CRM). Anhand von umfangreichen Datenanalysen, einschließlich Transaktionshistorien und Online-Verhaltensweisen, werden Einblicke in die Kundenpräferenzen gewonnen. Die Ergebnisse dienen der Optimierung von Marketingstrategien und der Entwicklung personalisierter Angebote, um eine wettbewerbsfähige Position im digitalen Handel zu erreichen. Die Arbeit zeigt, wie Big Data die strategische Entscheidungsfindung von Unternehmen im CRM beeinflusst und sie befähigt, sich an die sich stetig verändernden Kundenbedürfnisse anzupassen, und individuelle Serviceleistungen zu erbringen.
Inhaltsverzeichnis
Abkürzungsverzeichnis
1. Einleitung
2. Grundlagen der Kunden- und Zielgruppenanalyse im E-Commerce
2.1. Zielgruppenanalysen
2.2. Kundengruppenanalysen
3. Grundlagen von Big Data im E-Commerce
3.1. Datenarten
4. Data Mining
5. Anwendung von Daten für die Ziel- und Kundengruppenanalyse im E-Commerce
5.1. Zielgruppenanalyse: Die Verwendung von WebAnalytics am Beispiel von Google Analytics
5.2. Kundengruppenanalyse: Customer-Relationship Management
6. Fazit
7. Ausblick
Literatur- und Quellenverzeichnis
Abkürzungsverzeichnis
CRM Customer-Relationship Management
KDD Knowledge Discovery in Databases
KI künstliche Intelligenz
1. Einleitung
In den letzten Jahrzehnten hat sich der Handel zwischen Erzeugern, Zwischenhändlern und Verbrauchern schneller gewandelt als in vielen Jahrhunderten davor.1 Die fortschreitende Digitalisierung hat geradezu eine Revolution im Einkaufsverhalten ausgelöst und den Weg für eine neue Form des Einkaufens geebnet: Den „elektronischen Handel“, oder auch im Englischen beziehungsweise synonym verwendet, „E-Commerce“.2 Dieser Wandel hat vor allem dafür gesorgt, dass sich neben den bekannten stationären Einzelhandelsgeschäften ein ganz neuer Bereich für den Konsum von Endverbrauchern gebildet hat.
E-Commerce umfasst ein breites Spektrum an digitalen Aktivitäten und Angeboten, die sich vorrangig im Internet abspielen: Online-Shops, digitale Marktplätze, Vergleichsportale mit Preisauflistungen bis hin zu mobilen Anwendungen in Form von Apps, die es den Verbrauchern ermöglichen, Produkte und Dienstleistungen direkt in der Anwendung zu erwerben.3 Die Direktheit, Auswahl und Bequemlichkeit des E-Commerce haben es dem Verbraucher sowohl einfacher gemacht, Waren zu vergleichen, diese individuell liefern zu lassen oder auch selbst abzuholen, als auch überhaupt das gewünschte zu finden und das durch die Einführung von schnellem mobilem Internet von Überall.4 Aber nicht nur für Kunden bietet es Vorteile:
„E-Commerce ist als Prozess für alle Beteiligten – also im Wesentlichen Händler und Konsumenten – günstiger, flexibler, innovativer und damit dynamischer als die tradierten Formen des Einzel- und Großhandels.“5
In diesem Zusammenhang spielt die Fähigkeit, online durch den Kunden hinterlassene Daten zu erfassen und auszuwerten, eine wachsende Rolle. Die Kunden sind ansonsten unbekannt und undurchsichtig. Die Menge solcher Daten wird unter dem Begriff „Big Data“ zusammengefasst. Big Data im E-Commerce beinhaltet nicht nur riesige Datenmengen, sondern auch vielfältige Datentypen, die von Transaktionshistorien über Browsing-Verhalten bis hin zu Sozial-Media-Interaktionen reichen. Diese Daten werden genutzt, um ein Bild vom Kunden zu erstellen, ihre Präferenzen zu verstehen und zukünftige Verhaltensweisen vorherzusagen.
Diese Arbeit fokussiert sich auf die Rolle von Big Data bei der Kunden- und Zielgruppenanalyse im E-Commerce und ihre Auswirkungen auf die strategische Entscheidungsfindung von Unternehmen im Rahmen des Customer Relationship Managements (CRM). Sie untersucht, wie E-Commerce-Unternehmen Big Data nutzen, um Erkenntnisse über ihren aktuellen und potenziellen Kundenstamm zu gewinnen. Diese Erkenntnisse dienen dazu, Marketingstrategien zu optimieren, personalisierte Angebote zu entwickeln und letztendlich eine wettbewerbsfähige Position im digitalen Handel zu erreichen. Die Analyse zeigt auf, wie Big Data nicht nur die Kunden- und Zielgruppenanalyse im E-Commerce verändert, sondern auch die Art und Weise, wie Unternehmen im Rahmen des CRM agieren, um sich an die sich wandelnden Präferenzen und Bedürfnisse ihrer Kunden anzupassen.
2. Grundlagen der Kunden- und Zielgruppenanalyse im E-Commerce
Die Zielgruppenanalyse und Kundengruppenanalyse sind sich im Grunde recht ähnlich. Während die Zielgruppenanalyse auf den externen noch potenziellen Käufer ausgerichtet ist, soll die Kundengruppenanalyse den schon vorhandenen Kundenstamm analysieren. Beide Analysen sind Teile der Marktforschung und gehören zum strategischen Marketing.6
Bei der Zielgruppenanalyse gilt es, den potenziellen Kunden kennen zu lernen und zu gewinnen, indem durch dessen analysierte Präferenzen Angebote optimiert, Produkte weiterentwickelt und das Marketing zielgerichtet gesteuert werden können.
Bei dem schon vorhandenen Kundenstamm steht das Halten der Kunden im Vordergrund. Durch die Kundengruppenanalyse können die gesammelten Daten die Kauf- und Verhaltensmuster der Websitebesucher tiefgehend recht genau wiedergeben. Der Kunde soll ein Wiederholungskäufer werden und beim Durchsuchen der Angebote schnell das Richtige finden bzw. angeboten bekommen, um eine möglichst hohe Konversionsrate zu erhalten.
Während man den Kunden im Stationären Handel direkt beobachten, befragen und beraten kann, ist der Kunde im E-Commerce Bereich nicht direkt greifbar. Deswegen spielen die sammelbaren Daten eine große Rolle. Dabei handelt es sich sowohl um die Daten, die der Kunde offensichtlich preisgibt, wie zum Beispiel sein Geschlecht und die Adresse bei einer Bestellung, als auch um sein Verhalten auf der Website selbst. Bei der großen Menge an Daten wird auch von „BigData“ gesprochen (auch außerhalb des E-Commerce). Für die Analyse von Kundendaten im E-Commerce stehen verschiedene Methoden und Tools zur Verfügung. Data Mining, Segmentierungstechniken und statistische Analysen sind nur einige davon. Diese Methoden helfen dabei, Muster und Trends in den Daten zu erkennen und darauf aufbauend zielgerichtete Maßnahmen zu entwickeln.
Diese Punkte sollen nun in den folgenden Unterkapiteln tiefer erläutert werden.
2.1. Zielgruppenanalysen
Als Teil der Marktanalyse ist die Zielgruppenanalyse ein fester Bestandteil der meisten Unternehmen. Diese lässt sich in drei Stufen gliedern:
1. Zielgruppenbestimmung
2. Zielgruppendefinition
3.Zielgruppenanalyse
Zielgruppenbestimmung: Für jedes Produkt hat man in der Entwicklung eine bestimmte Zielgruppe vorab bestimmt. Dies ist der offensichtlichste Personenkreis, den man ansprechen möchte. Ein Beispiel sind Computerlautsprecher. Potenzielle Käufer müssen im Normalfall einen Computer besitzen, sofern sie die Lautsprecher nicht zweckentfremden wollen. Diese Gruppe ist jedoch zunächst noch sehr undurchsichtig heterogen. Um eine bessere Übersicht zu erlangen, muss diese Gruppe noch beschreibbar gemacht werden.7 8
Zielgruppendefinition: Dieser Schritt hat die Charakterisierung der zuvor bestimmten Zielgruppe im Vordergrund. Welche Art von Kunden ist es, die Interesse an meinen Produkten haben könnte? Hierfür werden Attribute und Eigenschaften gewählt, die für das Angebot relevant sein können, wie etwa das Alter und Geschlecht. Um diese dann identifizieren zu können, sind Umfragen und Statistiken hilfreich.9 10
Nachfolgend sind mögliche Merkmale genannt, die analysiert werden können:
Abb. in Leseprobe nicht enthalten
Abbildung 1: Auswahl an Merkmalen für eine Zielgruppenbestimmung[11]
Zielgruppenanalyse:
Bei den Computerlautsprechern sind bestimmte Eigenschaften in der Entwicklung hervorgehoben worden. Dies könnte zum Beispiel eine gute Tonwiedergabe in Computerspielen sein. Wen spricht diese Eigenschaft am ehesten an? Wie kann sie für das Marketing genutzt werden?
Hierfür werden häufig Befragungen und Interviews durchgeführt, doch im digitalen Zeitalter werden zunehmend Daten aus dem Internet entnommen, wie etwa Suchverläufe und die Auswertung der Daten von Cookies anderer Webseiten.12 Hierdurch lässt sich herausfinden, welche Art Kunde in der Vergangenheit schon ähnliche Lautsprecher gekauft hat, und wer im allgemeinen Interesse daran hätte.
Bei der Analyse der zuvor definierten Zielgruppe (Charakterisierung) wäre sodann das Ergebnis folgendes Beispiel:
Altersgruppe: 20-28 Jahre
Geschlecht: männlich
Familienstand: ledig
Preissensibilität: Preisunsensibel
Beruf: Angestellt
Motivation: Spielerlebnis
Sofern die Zielgruppe gut definiert und analysiert werden konnte, ist damit der Personenkreis der möglichen Käufer bekannt.
„Eine Zielgruppenanalyse verfolgt das Ziel, Ansprüche, aber auch Lebensstile und Kaufmotive systematisch zu erfassen, um die gewonnenen Daten für die Optimierung von Produkten, Marketing und Co. zu nutzen.“13
Gerade bei Trendänderungen in der Zielgruppe, die den größten Teil der Käufer ausmacht, kann das Angebot individuell angepasst werden, sodass ein großer Anteil weiterhin bedient werden kann. Wird der Trend nicht erkannt, führt dies mindestens zu Unzufriedenheit, wenn nicht auch zur Abwanderung des potenziellen Kunden zu Mitbewerbern, die den Trend schneller erkannt haben. Auch im Bereich Marketing lässt sich damit steuern, wie man diese Zielgruppe am effektivsten erreichen kann.14
Auch Verschiebungen in der Zielgruppe selbst können so erkannt werden. Die aktuell nachfolgende Generation hat mehr Kenntnisse über mobile Endgeräte und besitzt immer seltener einen festen Desktop-Computer. Dementsprechend verschiebt sich somit die Altersgruppe, die sich für die Lautsprecher angesprochen fühlt, mit dem Altern der Generationen (Beispiel-These).
2.2. Kundengruppenanalysen
„Kundengruppen sind die Unterteilung von Kunden nach gemeinsamen Merkmalen, Bedürfnissen oder Verhaltensmustern. Die Einteilung von Kunden in Gruppen ermöglicht es, Marketing- und Verkaufsstrategien effizienter zu gestalten und die spezifischen Bedürfnisse und Wünsche der Zielgruppe/n besser zu berücksichtigen.“15
Im E-Commerce können die Kunden zunächst anhand ihrer betrachteten oder erworbenen Produkte in Echtzeit selektiert werden. Wenn beispielsweise ein Kunde Interesse an Produkt A zeigt, könnte ihm ein weiteres Angebot für Produkt B angezeigt werden.16 Kauft dieser das Produkt B, wird dies im System als eine Korrelation registriert. Dies passiert mit allen Produkten und mit allen Kunden. Am Ende resultiert dies in einem Netzwerk von Produktempfehlungen, unabhängig davon, welche Art Mensch der Kunde ist. Dies ist eine grundlegende Unterteilung der Kunden in zwei „Segmente“, und zwar Interesse und Kaufentscheidung. Das ist zwar recht einfach, erweist sie sich aber vor allem bei Neukunden als effektiv, wo darüberhinausgehende Daten fehlen.
Für nachhaltig effektive Marketing-Maßnahmen ist jedoch eine umfassendere und präzisere Segmentierung vonnöten. Durch das Wissen über geografische Herkunft, Alter, Einkommen und detaillierte Informationen zum Lebensstil lassen sich folgende spezifische Kundengruppen identifizieren.17
- Geografische Angaben: Region, Land, Bevölkerungsdichte, Klima usw.
- Verhaltensdaten: Seitenaufrufe, vorherige Einkäufe, relevante Produktmerkmale (Preis, Qualität, Markenprestige), gesuchte Produktattribute, bevorzugte Versandart
- Demografische Informationen: Alter, Geschlecht, Beziehungsstatus, Einkommen, Ausbildung, Haushaltsgröße
- Daten zum Lebensstil und Lebensgefühl: Freizeitaktivitäten, Hobbys, soziale Interessen und Zugehörigkeiten (Familie, Berufsgruppe, Religion), Wertvorstellungen, kulturelle Gepflogenheiten
(Aufzählung nach18 )
Eine solch differenzierte Segmentierung ermöglicht es, maßgeschneiderte Marketingstrategien für jede Gruppe zu entwickeln und trägt dazu bei, die Kundenbindung zu gewährleisten.
3. Grundlagen von Big Data im E-Commerce
„In den letzten Jahren hat der Begriff Data Science einen regelrechten Boom erlebt. Dies liegt zum großen Teil daran, dass in allen Bereichen so viele Daten wie möglich gesammelt und gespeichert werden, Big Data heißt das Schlagwort.“19
Um abschätzende Aussagen über das mögliche Kaufverhalten von Kunden erstellen zu können, werden große Mengen strukturierter und unstrukturierter Daten benötigt.20
Der Begriff „Big Data“ kann dann Anwendung finden, wenn es sich um ein großes Volumen an Daten handelt, die gleichzeitig erzeugt, erfasst und verarbeitet werden. Standardprogramme kommen hierbei an ihre Leistungsgrenzen, um die erzeugten Datenbanken zu verarbeiten. Mit dem Einsatz von fortschrittlicheren Analysetechnologien können diese Daten vor allem selektiv ausgewertet werden.21 Big Data hat damit zwei Bedeutungen. Zum einen die Menge an Daten selbst, zum anderen auch die Methoden und Technologien, die verwendet werden, um die Daten auszuwerten.22 Big Data wird deswegen als „die Hauptader des disruptiven Wandels in einem vernetzten Geschäftsumfeld“23 bezeichnet. Wer diese Daten verwendet, hat einen starken Vorteil gegenüber der Konkurrenz, die dies nicht tut.
3.1. Datenarten
Nicht alle Daten kommen direkt aus dem eigenen Umfeld und eigenen Käufern. Aufgrund dessen werden diese in First-, Second- und Third-Party-Daten aufgeteilt und unterscheiden sich in der Quellenherkunft.24
Abb. in Leseprobe nicht enthalten
Abbildung 2: Unterschiede: First Party, Second Party und Third Party Data25
First-Party-Daten:
First-Party-Daten sind Informationen, die Unternehmen direkt von ihren eigenen Kunden und Nutzern erhalten oder generieren. Diese Daten werden durch Interaktionen mit den Kunden auf der eigenen Website, mobilen Apps, Einkäufen, Umfragen oder anderen direkten Interaktionen gesammelt. Sie sind die direkteste Quelle und ergeben die präzisesten Daten, da es sich um die eigenen Kunden handelt. Beispiele für First-Party-Daten sind Kundendemografie, Kaufhistorie, Verhaltensmuster auf der Website und Produktpräferenzen. Unternehmen haben volle Kontrolle und Besitz über diese Daten, was es ihnen ermöglicht, diese für die Personalisierung von Angeboten und die Optimierung der Kundenbindung zu nutzen.26
In manchen Quellen werden Daten aus Umfragen der Zielgruppe auch als Zero-Party-Daten nochmals extra deklariert.27 In dieser Arbeit werden diese, wie auch hier genannt, den First-Party-Daten zugerechnet.
Second-Party-Daten:
Second-Party-Daten beziehen sich auf First-Party-Daten eines anderen Unternehmens, mit dem eine direkte Vereinbarung oder Partnerschaft besteht.28 Wenn zwei Unternehmen Daten miteinander teilen, um ihre jeweiligen Erkenntnisse und Analysen zu verbessern, spricht man von Second-Party-Daten. Diese Daten sind oft spezifische Informationen über eine ähnliche Zielgruppe, die für beide Parteien von Interesse sind. Zum Beispiel könnten zwei Unternehmen Daten austauschen, um ihre Marketingstrategien zu verfeinern und ihre Kunden besser anzusprechen.29
Third-Party-Daten:
Third-Party-Daten stammen von externen Quellen, die nicht direkt mit dem Unternehmen verbunden sind. Diese Daten werden oft von Drittanbietern wie Daten Aggregatoren, sozialen Netzwerken, Marktforschungsunternehmen oder anderen Datenanbietern gesammelt und verkauft. Sie bieten zusätzliche Einblicke und Informationen über eine breitere Palette von Verbrauchern, sind jedoch nicht spezifisch auf die eigenen Kunden zugeschnitten. Third-Party-Daten können dem Unternehmen helfen, Markttrends zu verstehen, potenzielle neue Kunden zu identifizieren oder Segmente zu analysieren, die möglicherweise nicht in den First-Party-Daten vorhanden sind.30
Die Kombination von First-, Second- und Third-Party-Daten ermöglicht es Unternehmen, Einblicke in das Verhalten und die Bedürfnisse ihrer Zielgruppe und der eigenen Kundengruppen zu gewinnen. Gerade die First-Party-Daten sind bei der Analyse der eigenen Kunden hilfreich, währen Second- and Third-Party-Daten als externe Datenquelle Rückschlüsse auf die Zielgruppe der potenziellen Käufer genutzt werden können. Zusammen bietet es die Grundlage, personalisierte Marketingstrategien zu entwickeln, die Kundenbindung zu stärken und die Effektivität der E-Commerce-Aktivitäten zu verbessern.
Abb. in Leseprobe nicht enthalten
Abbildung 3: Das Zusammenspiel von First Party und Third Party Data im Marketing. Potenziale erkennen31
4. Data Mining
„Würdest du mir bitte sagen, welchen Weg ich von hier einschlagen soll?“
„Das hängt vor allem davon ab, wo du hinkommen willst,“ sagte die Katze.
„Das ist mir ziemlich egal –“ sagte Alice.
„Dann spielt es keine Rolle, welchen Weg du einschlägst,“ sagte die Katze.
„– solange ich irgendwohin komme,“ fügte Alice als Erklärung hinzu.
„Oh, dessen kannst du sicher sein,“ sagte die Katze, „wenn du nur weit genug gehst.
(Auszug aus dem Kinderbuch "Alice im Wunderland" von Lewis Carroll.)32
Durch das massive Sammeln von Daten als Big Data entstehen riesige Datenbanken mit unvorstellbaren Mengen an Informationen. Manche sind so abstrakt wie die Verweildauer des Mauszeigers in einem bestimmten Moment.
Wer diese Datenbanken durchleuchten möchte, muss wie - oben bereits angedeutet – wissen, wohin er möchte. Was ist mein genaues Ziel? Welche Daten benötige ich, um dorthin zu kommen? Es muss selektiv ausgewählt werden, wenn nicht viel Zeit aufgewendet werden soll, um ein Ziel zu erreichen.
Hier kommt das Data Mining zum Einsatz. Durch Verwendung verschiedener Softwaretools lassen sich die Datenbanken durchforsten. Es sollen in den Daten Zusammenhänge gefunden werden, die den Entscheidungsträgern helfen können. Das ist jedoch gar nicht so einfach, denn es ist schwierig zu bestimmen, was genau interessant und nützlich für sie ist. Einfach Statistiken zu verwenden, reicht nicht aus.33
Beim Data Mining werden verschiedene Methoden aus künstlicher Intelligenz (KI), Statistik und spezifische Modelle genutzt, um Muster in den Daten zu entdecken. Im Gegensatz zu traditionellen Ansätzen geht es beim Data Mining nicht nur darum, Hypothesen zu testen, sondern auch darum, neue Ideen aus den Daten zu entwickeln. Data Mining ist Teil des größeren Prozesses „Knowledge Discovery in Databases” (KDD).34
Deswegen gilt es immer auch, Zusammenhänge zu identifizieren. Die Daten aller Kunden für das Alter ist vielleicht für das Ziel nicht so interessant, wie nur das Alter der Kunden, die in den letzten drei Monaten einen Lautsprecher gekauft und die Webseite über ein Werbebanner geöffnet haben.
Im Data Mining werden deswegen auch einfache Regeln wie „Wenn-dann“ verwendet. Zum Beispiel sind Entscheidungsbäume eine beliebte Art, solche Regeln darzustellen. Es gibt aber auch kompliziertere Methoden, die auf mathematischer Logik oder speziellen neuronalen Netzen basieren, wie zum Beispiel Kohonen-Netze (Künstliche neuronale-Netwerke), die eine Art der KI sind.35
Abb. in Leseprobe nicht enthalten
Abbildung 4: Verknüpfung von Data mining[36]
5. Anwendung von Daten für die Ziel- und Kundengruppenanalyse im E-Commerce
5.1. Zielgruppenanalyse: Die Verwendung von WebAnalytics am Beispiel von Google Analytics
WebAnalytics sind Softwarelösungen, um Einblicke in das Nutzerverhalten sowie in die Leistung von Websites zu bieten. Sie ist ein weit verbreitetes und auch genutztes Instrument für die Analyse von Zielgruppen auf Websites. Hierbei werden verschiedene Parameter ausgewertet, um die Zusammensetzung und das Verhalten der Zielgruppen zu verstehen.37 Google Analytics macht mit rund 30% Marktanteil (2022) den größten Anteil an genutzter Web Analytics Software aus38 Gerade da Google als Suchmaschine auf das Nutzungsverhalten von Millionen Nutzern zurückgreifen kann, und viele Websites mit Google kooperieren und Google-Funktionen direkt eingebettet sind, bietet Google ein enorm großes Spektrum an Big Data, die ausgewertet werden können.39
Durch Google Analytics werden demografische Daten, wie Alter, Geschlecht und geografische Herkunft, direkt erfasst. Diese Aspekte bilden die Basis für die Identifikation und Kategorisierung der primären Zielgruppen. Die Analyse von Interessen und Verhalten auf der Website bietet Einblicke in die affinitätsbasierten Präferenzen der Zielgruppe. Die Integration technischer Daten über die genutzten Endgeräte und Browser der Besucher ermöglicht eine Ausrichtung der Website auf die Zielgruppenbedürfnisse. Verkehrsquellenanalysen beleuchten den Ursprung des Website-Traffics, einschließlich organischen Traffics (Traffic der darauf basiert, dass jemand gezielt danach gesucht hat, ohne auf dem Weg über Klick-Werbung gesteuert worden zu sein), bezahlten Anzeigen, Verweisen von anderen Websites und direkten Zugriffen. Über Conversion-Ziel-Analysen wird ermittelt, welche Teile der Zielgruppe spezifische Aktionen wie Kaufabschlüsse, Anmeldungen oder Downloads durchführen.40
Die Verfolgung von Benutzerinteraktionen, einschließlich Klickpfaden, Verweildauer und Ausstiegsseiten, gibt vor allem Aufschluss darüber, welche Punkte der Website die Besucher anspricht oder sie eher wieder schließen lässt. Diese Erkenntnisse fließen in die Optimierung der Usability und der Effektivität der Website ein. Die Kombination dieser Analysen ermöglicht eine Verständnisbildung ihrer Zielgruppen. Dies bildet wiederum die Grundlage für die maßgeschneiderte Erstellung von Inhalten, die Optimierung von Marketingkampagnen und letztlich die Verbesserung der gesamten Benutzererfahrung für die essenziellen Besuchergruppen.41
Dies alles ist nutzbar für Marketingstrategien im Hinblick auf die Zielgruppenpräferenzen. Eine gezielte Anpassung von Inhalten und Marketingstrategien kann daraufhin erfolgen.42
5.2. Kundengruppenanalyse: Customer-Relationship Management
Der Bereich der Kundengruppenanalyse hat sich in den letzten Jahren sehr stark gewandelt. Durch BigData wurden neue Ansätze notwendig, um mit der Vielzahl an Informationen umgehen zu können und in Echtzeit den Kunden zu verstehen und zu lenken. Entwickelt hat sich dafür das Customer-Relationship Management (CRM). CRM ist ein Managementansatz, der für die Umsetzung von Marketing-, Sales- und Servicekonzepten eingesetzt wird. Dieser Managementansatz geht verknüpft mit der Verwendung von CRM-Systemen einher. Diese CRM-Systeme führen alle Kundeninformationen zusammen und synchronisieren den Informationsfluss der verschiedenen Datenkanäle.43 Der CRM Managementansatz basiert somit auf Daten. Rund 44% aller Unternehmen in Deutschland verwenden ein CRM-System.44
Für Analysen wie der Kundengruppenanalyse werden im Bereich des E-Commerce e-CRM-Systeme verwendet.
„Hierbei geht es um die Speicherung und Analyse von kundenbezogenen Daten. Diese werden in einem sogenannten Data-Warehouse (zu Deutsch: Datenlager) aus unterschiedlichen Quellen zusammengeführt, transformiert und bereinigt. Dazu gehören unter anderem Daten wie:
- Umsatzzahlen,
- Stammdaten (Name, Adresse),
- Kaufhistorie
- und Kundenwert.“45
Die oben aufgelisteten Parameter lassen sich auch um die für die jeweiligen Analyse relevanten Parameter erweitern und können sehr weitreichende Züge annehmen.
Aus diesen Daten (BigData) kann beispielsweise nun mittels DataMining nach Mustern gesucht werden. Hierfür werden Assoziationen gebildet. Das wichtigste Beispiel für ein Unternehmen im E-Commerce, dass diese Methode verwendet, ist Amazon. Es werden etwa durch Warenkorbanalysen weitere Vorschläge angezeigt.46 Dabei handelt es sich um eine Art der PredictiveAnalytics.47
Amazon benutzt hierbei ein selbstentwickeltes CRM-System. Neben den personalisierten Empfehlungen enthält es noch weitere funktionale Punkte.
Nennenswert ist dabei etwa die Datenspeicherung. Eine Bestellung ist bei Amazon nur per Account möglich, zum ersten für die genannten Empfehlungen, aber auch damit der Kauf automatisiert ablaufen kann. Indem persönliche Anschrift und Zahlmethode gespeichert werden, kann der Kauf innerhalb von Sekunden abgeschlossen werden. Der Kunde ist eher geneigt, Käufe abzuschließen und hat weniger Zeit nachzudenken, und den Kauf eventuell doch noch abzubrechen.48
Eine weitere Methode, die auch dem Kunden zugutekommt, ist der Kundenservice. Bei Problemen und Retouren sind im Bestellverlauf im System sowohl dem Kunden als auch dem Servicemitarbeiter alle Daten zugänglich, die mit dem Kauf zusammenhängen. Somit kann der Vorfall schnell geklärt werden. Der Kunde ist zufrieden und der Mitarbeiter hat schneller wieder Kapazitäten für den nächsten Kunden.49
CRM wird somit offen sichtbar im Vordergrund, aber auch verdeckt im Hintergrund angewendet. CRM ermöglicht einen umfassenden Blick auf die Bedürfnisse der Kunden und bietet eine Plattform für die Integration von KI und anderer Software.50
5.2.1. Strategisches und kollaboratives CRM
Das strategische CRM bildet das grundlegende Gerüst für die verschiedenen Komponenten und Ebenen des Customer Relationship Managements. Es fungiert als Rahmen und Fundament, das die Richtung und Ziele für die anderen Aspekte des CRM vorgibt. Insbesondere stellt es sicher, dass die operativen CRM-Prozesse (Kapitel 3.2) im Einklang mit der zugrunde liegenden CRM-Strategie stehen und diese effektiv in die Praxis umgesetzt werden.51
„Der Aufbau eines strategischen CRM-Systems ist in die Schritte der Situationsanalyse, Zielplanung, Strategieplanung, Maßnahmenplanung und Kontrolle unterteilt. Der Ansatz ist in ein strategisches Marketingkonzept integriert und der Kunde steht hierbei im Mittelpunkt. Es werden hierbei das Wechselspiel zwischen Unternehmen und Markt analysiert, entsprechende Potenziale erkannt und daraus Strategien entwickelt. Beim strategischen CRM wird das gesamte Unternehmen betrachtet und es ist langfristig ausgerichtet.“52
Durch eine einheitliche Datenbasis haben alle Mitarbeiter denselben Wissensstand und können leichter auf Informationen zugreifen. Dies fördert fundierte Entscheidungen und ermöglicht einen ganzheitlichen Ansatz für das Management von Kundenbeziehungen und -interaktionen.53
6. Fazit
Die Arbeit sollte die Rolle von Big Data in der Kunden- und Zielgruppenanalyse im E-Commerce untersuchen. Wie speziell Unternehmen Big Data nutzen, um Kundeninformationen zu gewinnen, Marketingstrategien zu verbessern und im digitalen Handel wettbewerbsfähig zu bleiben, ist häufig ein gut gehütetes Geheimnis, um die Wettbewerbsstrategien nicht zu gefährden. Jedoch ergaben sich trotz dessen einige Erkenntnisse, wie sich diese Analysen aus ihren Ursprungsansätzen, die auch heute noch gelehrt werden, entwickelt haben.
Big Data hat die digitale Wirtschaft erreicht und wird in den kommenden Jahren maßgeblich die E-Commerce-Strategien beeinflussen. Insbesondere im Bereich Marketing wird die Analyse von relevanten Daten und ihre zielgerichtete Nutzung an Bedeutung gewinnen. Big Data bietet effektive Ansätze für die dynamische Anpassung von Online-Shops in Echtzeit, die Optimierung des Produktportfolios und eine direkte Ansprache der Kundenbedürfnisse. WebAnalytics Software ist dabei das Resultat, der Unternehmen, die dieses Potenzial erkannt haben und daraus Ihr eigenes Geschäftsmodell aufgebaut haben um BigData anderen zur Verfügung zu stellen.
Beim Data Mining als Segmentierungstechnik und statistische Analyse von BigData, wird deutlich, welch eine zentrale Rolle es spielt, Daten nicht nur zu sammeln. Erst die Aufarbeitung macht diese nutzbar, um die Muster in umfangreichen Datensätzen zu erkennen. Diese und weitere komplexe Technologie werden sich gerade in den kommenden Jahren signifikant weiterentwickeln.
Für die Kundengruppenanalyse wird das Customer Relationship Management (CRM) als entscheidender Ansatz betont. Die Nutzung von CRM-Systemen ermöglicht es Unternehmen, Kundeninformationen zu speichern, zu analysieren und personalisierte Angebote zu erstellen. Gerade CRM-Strategien werden dabei nicht gerne nach außen hin geteilt. Jedoch wird gerade bei sehr bekannten Unternehmen wie Amazon deutlich, wieviel eine gute CRM-Strategie erwirken kann, und zwar auch dadurch, dass Amazon sogar diesen Vorteil nutzt und seine CRM-Plattform als Cloud-Lösung zum Kauf anbietet und andere daran teilhaben lässt.54
Auch in Zukunft wird BigData viele gängige Analysen im E-Commerce Bereich digitalisieren und Daten werden in Echtzeit zugänglich werden. Aber auch Hindernisse sind zu bewältigen. Gerade der Datenschutz, der ein eigenes Kapitel ist und den Umfang dieser Arbeit nicht gerecht werden würde, ist ein Thema, bei dem sowohl die Interessen der Wirtschaft als auch der Endverbraucher gegenüberstehen. Die aktuelle Tendenz ist die Verschärfungen des Datenschutzes, was die Daten minimiert, die zur Verfügung stehen, und auch geteilt werden dürfen.55 Aber BigData hat schlussendlich Vorteile für beide Seiten. Gerade die Verbraucher, die für den Datenschutz sind, genießen auch die Vorteile wie verbesserte Kundenbetreuung, Preistransparenz und personalisierte Dienstleistungen. Somit bleibt es zu sehen, wie man zwischen BigData und Datenschutz abwägen und einen Weg finden wird.
7. Ausblick
Die Nutzung von Big-Data-Trendanalysen zeigt einen Trend zur Reduzierung lokaler, physischer Infrastrukturen und zur vermehrten Verwendung virtueller Technologien, was zu einer zunehmenden Abhängigkeit von verschiedenen Tools, wie zum Beispiel CRM-Systemen führt. Die Nutzung von Big Data wird in Zukunft also eher zu als abnehmen. Wie E-Commerce Unternehmen und IT-Experten Aufgaben lösen, orientiert sich an den Entwicklungen der Daten.56
Die Menge und auch die Vielfalt der Daten wird weiter steigen, was Einfluss auf die Systeme der E-Commerce Unternehmen haben wird. Auch die Entwicklung von KI sowie der Aufstieg und die Nutzung von Quantencomputern werden überhaupt erst die Möglichkeit bieten, die Daten, die auch bereits heute existieren, wirklich greifbar zu machen.57
Literatur- und Quellenverzeichnis
Amazon (o.J.): CRM-Lösungen für kleine und mittelgroße Unternehmen – AWS, , https://aws.amazon.com/de/smart-business/customer-relationship-management/?smb-all-products.sort-by=item.additionalFields.sortDate&smb-all-products.sort-order=desc ( 4.2.2024).
Baesens, B., Bapna, R., Marsden, J.R., Vanthienen, J., Zhao, J.L. (2014): Transformational issues of big data and analytics in networked business. (2), 629–632, in: MIS Quarterly, Vol. 38 No. 2, S. 629–632.
Bauer, Hans H.; Neumann, Markus und M. Woisetschläger, Werner (2012): Marktforschung: Methoden, Anwendungen und Praxisbeispiele, 3. Aufl., Springer Gabler.
Binns, Rob (2013): How Do They Do It? Amazon’s CRM Success Story, Expert Market, https://www.expertmarket.com/uk/crm-systems/amazon-crm-case-study ( 21.1.2024).
Brandon Provostor (2022): Quantum Computing and The Future of Big Data, Default, https://isg-one.com/articles/quantum-computing-and-the-future-of-big-data ( 4.2.2024).
Bruhn, Manfred; Esch, Franz-Rudolf und Langner, Tobias (Hrsg.) (2016): Handbuch Strategische Kommunikation: Grundlagen – Innovative Ansätze – Praktische Umsetzungen, Wiesbaden, Springer Fachmedien Wiesbaden.
Carroll, Lewis und Jaques, Zoe (2022): Alices Abenteuer im Wunderland Hinter dem Spiegel und was Alice dort fand, in: Through the Looking-Glass, Oxford University Press.
crmsystem.de (o.J.): CRM System.de - Was ist strategisches CRM?, , https://www.crmsystem.de/blog/strategisches-crm ( 21.1.2024).
Deges, Frank (2023): Grundlagen des E-Commerce: Strategien, Modelle, Instrumente, 2. Aufl., Wiesbaden, Springer Fachmedien Wiesbaden.
Deutsches Institut für Marketing GmbH (2023): Zielgruppenanalyse - Kundenwünsche kennen und richtig ansprechen, DIM-Marketingblog, https://www.marketinginstitut.biz/blog/zielgruppenanalyse/ ( 8.1.2024).
Fang, Wei (2007): Using Google Analytics for Improving Library Website Content and Design: A Case Study, .
Fost, Markus (2014): E-Commerce-Strategien für produzierende Unternehmen: Mit stationären Handelsstrukturen am Wachstum partizipieren, 1. Aufl., Wiesbaden, Springer Fachmedien Wiesbaden.
Frey, Harald (2023): Kunden besser verstehen und mit Kundengruppen den Umsatz steigern - MarketPress, , https://marketpress.de/kundengruppen/ ( 12.1.2024).
Full Contact (2020): The Difference Between First, Second and Third-Party Data, FullContact, https://www.fullcontact.com/blog/2020/07/07/whats-the-difference-between-zero-first-second-and-third-party-data/ ( 7.1.2024).
Große Holtforth, Dominik (2017): Schlüsselfaktoren im E-Commerce, 1. Aufl., Wiesbaden, Springer Fachmedien Wiesbaden.
Günther, Wendy Arianne; Rezazade Mehrizi, Mohammad H.; Huysman, Marleen und Feldberg, Frans (2017): Debating big data: A literature review on realizing value from big data, in: The Journal of Strategic Information Systems, Vol. 26, S. 191–209.
Heinemann, Gerrit (2023): Der neue Online-Handel: Geschäftsmodelle, Geschäftssysteme und Benchmarks im E-Commerce, 14. Aufl., Wiesbaden, Springer Fachmedien Wiesbaden.
Ilincic, Daniela (2018): Big Data im E-Commerce » So machst du deine Daten nutzbar, AB Tasty, https://www.abtasty.com/de/blog/big-data-im-e-commerce/ ( 6.1.2024).
Jürgen Mauerer (2015): Big-Data-Trends im Überblick : Was ist was bei Predictive Analytics?, , https://www.tecchannel.de/a/was-ist-was-bei-predictive-analytics,3199559 ( 17.1.2024).
Knorre, Susanne; Müller-Peters, Horst und Wagner, Fred (2020): Die Big-Data-Debatte: Chancen und Risiken der digital vernetzten Gesellschaft, Wiesbaden, Springer Fachmedien Wiesbaden.
Koprinska, Irena; Mignone, Paolo; Guidotti, Riccardo; Jaroszewicz, Szymon; Fröning, Holger; Gullo, Francesco; Ferreira, Pedro M.; Roqueiro, Damian; Ceddia, Gaia; Nowaczyk, Slawomir; und et. al. (Hrsg.) (2023): Machine Learning and Principles and Practice of Knowledge Discovery in Databases: International Workshops of ECML PKDD 2022, Grenoble, France, September 19–23, 2022, Proceedings, Part I, Cham, Springer Nature Switzerland.
Lackes, Prof. Dr. Richard (2018): Definition: Data Mining, wirtschaftslexikon.gabler, https://wirtschaftslexikon.gabler.de/definition/data-mining-28709/version-252334 ( 8.1.2024).
Lentz, Ceridwen (2015): Segmentierung von Kundengruppen im e-Commerce, contentmanager.de, https://www.contentmanager.de/wissen/e-commerce/wie-magento-die-segmentierung-von-kundengruppen-unterstuetzt/ ( 12.1.2024).
lexoffice (o.J.): Zielgruppenanalyse: Definition, Merkmale & Beispiel, lexoffice, https://www.lexoffice.de/lexikon/zielgruppenanalyse/ ( 6.1.2024).
lexware (2023): Zielgruppenanalyse richtig erstellen, Lexware, https://www.lexware.de/wissen/gruendung/zielgruppenanalyse/ ( 6.1.2024).
Michael Gründing (2013): CRM - erfolgreiche Kundenpflege im E-Commerce, estrategy-magazin, https://www.estrategy-magazin.de/crm-erfolgreiche-kundenpflege-im-e-commerce.html ( 17.1.2024).
Naskrent, Julia; Stumpf, Marcus und Westphal, Jörg (Hrsg.) (2021): Marketing & Innovation 2021: Digitalität – die Vernetzung von digital und analog, 1. Aufl., Wiesbaden, Springer Fachmedien Wiesbaden.
Neuner, Harald (2022): Die Zielgruppenanalyse im E-Commerce, uptain, https://uptain.de/blog/zielgruppenanalyse/ ( 6.1.2024).
Nico Zorn (o.J.): CRM / Customer Relationship Management (Definition und Beispiele), CRM Blog, https://crmblog.de/glossar/crm-definition-beispiele/ ( 21.1.2024).
Niels Stuck (2022): Click Path, WOLF OF SEO, https://wolf-of-seo.de/was-ist/click-path/ ( 4.2.2024).
Pieper, Sebastian (2017): Was ist der Unterschied zwischen First Party, Second Party und Third Party Data?, artegic AG, https://www.artegic.com/de/blog/was-ist-der-unterschied-zwischen-first-party-second-party-und-third-party-data/ ( 7.1.2024).
Rashedi, Jonas und Mauer, Lena (2023): Customer-Data-Plattformen: Grundlagen, Systeme, Implementierung und Prozesse, 1. Aufl., Wiesbaden, Springer Fachmedien Wiesbaden.
Reinecke, Pauline Charlotte Marguerite (2023): Diskurse der Datenökonomie: Kontroversen und Prozesse kollektiver Wissensproduktion, 1. Aufl., Wiesbaden, Springer Fachmedien Wiesbaden.
Sabine Reiß (2020): Zielgruppenanalyse | Zielgruppe verstehen lernen, , https://www.bachelorprint.de/methodik/zielgruppenanalyse/ ( 6.1.2024).
Sandra Methis (2022): Die drei Arten von CRM-Systemen verstehen | Computer Weekly, ComputerWeekly.de, https://www.computerweekly.com/de/tipp/Die-drei-Arten-von-CRM-Systemen-verstehen ( 21.1.2024).
Schewior, Christopher (2021): Wie kann Google Maps DSGVO-konform eingebunden werden?, Dr. Datenschutz, https://www.dr-datenschutz.de/wie-kann-google-maps-dsgvo-konform-eingebunden-werden/ ( 4.2.2024).
SEO-Küche Internet Marketing GmbH & Co. KG (2023): Webanalyse - Definition und Beispiele - erklärt im SEO-Lexikon, SEO-Küche Internet Marketing GmbH & Co. KG, https://www.seo-kueche.de/lexikon/webanalyse/ ( 4.2.2024).
Statista (2022): Marktanteil - Web Analytics Software, Statista, https://de.statista.com/statistik/daten/studie/1420762/umfrage/marktanteile-web-analytics-software-weltweit/ ( 4.2.2024).
Statista (2024): CRM-Software - Einsatz nach Unternehmensgröße 2021, Statista, https://de.statista.com/statistik/daten/studie/4014/umfrage/einsatz-von-crm-software-in-unternehmen-nach-betriebsgroesse/ ( 17.1.2024).
Talend (o.J.): Big Data: Definition, Anwendung und Zukunftsausblick, Talend - A Leader in Data Integration & Data Integrity, https://www.talend.com/de/resources/big-data-definition-und-anwendung/ ( 4.2.2024).
Von Der Hude, Marlis (2020): Predictive Analytics und Data Mining: Eine Einführung mit R, 1. Aufl., Wiesbaden, Springer Fachmedien Wiesbaden.
WSB Werbeagentur (2020): Die 10 wichtigsten Funktionen von Google Analytics, WSB Werbeagentur, https://wsb-werbeagentur.de/10-wichtige-funktionen-google-analytics/ ( 4.2.2024).
[...]
1 Fost (2014), S. 37-38
2 Heinemann (2023), S. 74
3 Heinemann (2023), S. 76-78
4 Deges (2023), S. 26-27
5 Große Holtforth (2017), S. 3
6 Bruhn/Esch/Langner (2016) S.311-324
7 lexoffice (o.J.).
8 Bauer/Neumann/M. Woisetschläger (2012) S.45-70
9 lexoffice (o.J.).
10 Bauer/Neumann/M. Woisetschläger (2012) S.71-95
11 Sabine Reiß (2020).
12 Deutsches Institut für Marketing GmbH (2023).
13 Neuner (2022).
14 lexware (2023).
15 Frey (2023).
16 Lentz (2015).
17 Lentz (2015).
18 Lentz (2015).
19 Von Der Hude (2020) S. 1
20 Reinecke (2023), S. 71
21 Günther/Rezazade Mehrizi/Huysman/Feldberg (2017), S. 191
22 Ilincic (2018).
23 Baesens, B., Bapna, R., Marsden, J.R., Vanthienen, J., Zhao, J.L. (2014).
24 Naskrent/Stumpf/Westphal (2021), S. 220-221
25 Pieper (2017).
26 Pieper (2017).
27 Full Contact (2020).
28 Naskrent/Stumpf/Westphal (2021), S.221
29 Pieper (2017).
30 Naskrent/Stumpf/Westphal (2021), S. 223-230
31 Naskrent/Stumpf/Westphal (2021), S. 221
32 Carroll/Jaques (2022), S. 38
33 Lackes (2018).
34 Koprinska/Mignone/Guidotti/ et. al. (2023), S.294-296
35 Lackes (2018).
36 Lackes (2018).
37 Fang (2007), S. 2-18
38 Statista (2022).
39 Schewior (2021).
40 WSB Werbeagentur (2020).
41 Niels Stuck (2022).
42 SEO-Küche Internet Marketing GmbH & Co. KG (2023).
43 Rashedi/Mauer (2023), S.23
44 Statista (2024).
45 Michael Gründing (2013).
46 Michael Gründing (2013).
47 Jürgen Mauerer (2015).
48 Binns (2013).
49 Binns (2013).
50 Binns (2013).
51 crmsystem.de (o.J.).
52 Nico Zorn (o.J.).
53 Sandra Methis (2022).
54 Amazon (o.J.).
55 Knorre/Müller-Peters/Wagner (2020), S. 1-55
56 Talend (o.J.).
57 Brandon Provostor (2022).
- Arbeit zitieren
- Christian Müller (Autor:in), 2024, Big Data im E-Commerce. Optimierung der Kundenanalyse und des Customer Relationship Managements (CRM), München, GRIN Verlag, https://www.hausarbeiten.de/document/1484888
