Nach detaillierten Beiträgen über Produkte, Kunden, 1:1 Email Marketing, CRM– und PIM-Systeme und Klassifikation von Kunden- und Produktdaten geht es in diesem Beitrag um Produktempfehlungen im 1:1 Marketing und die Relevanz von Marketinginformationen.

Produktempfehlungen waren und sind das Erfolgsgeheimnis von Amazon. Dort erfolgen Empfehlungen zum einen durch echtes Kundenfeedback und Bewertungen und zum anderen durch Algorithmen, die basierend auf Kunden- und Produktprofilen (mehr oder weniger) passende Produktempfehlungen aussprechen.

Ganz früher waren persönliche Produktempfehlungen, ausgesprochen durch Experten das A und O. Neuerdings kommt diese Form der Produktempfehlung über das Internet zurück: In Form des sogenannten „Curated Shopping“.

Dieser Beitrag liefert das Grundlagenwissen zu allen gängigen Formen der Produktempfehlung.

Über einen Zeitraum von ca. einem halben Jahr hinweg wird mit der Serie “Automatisiertes 1:1  Marketing im Handel” die umfassendste kostenlose Wissensquelle zu Marketing Automation und personalisiertem Marketing im deutschsprachigen Raum entstehen.

Einordnung von Produktempfehlungen

Produktempfehlungen werden eingesetzt, um (potenzielle) Kunden zum Kauf von Produkten zu motivieren. Dabei wird davon ausgegangen, dass passende Produktempfehlungen eine hohe Relevanz für den Käufer besitzen.

Um eine hohe Relevanz sicherzustellen, existieren unterschiedliche Methoden, um Produktempfehlungen zu entwickeln.

Nützlichkeit von Produktempfehlungen erreichen

Relevanz von Produktempfehlungen existiert dann, sobald die empfohlenen Produkte zum Kunden passen. Um eine höchst mögliche Relevanz zu erreichen, werden Kundendaten miteinander und Produktdaten miteinander verglichen.

Bei Produktdaten liegen oftmals Informationen zur subjektiven Nützlichkeit vor, die sich aus Kundenbewertungen, der Anzahl der Verkäufe oder aus der Beliebtheit eines Produkts ableiten lassen. Um solche Kennzahlen zur Bestimmung der Nützlichkeit einsetzen zu können, sind eine große Grundgesamtheit an Benutzern sowie ein längerer Zeitraum, indem Produkte bewertet wurden, erforderlich.

Daraus lassen sich belastbare Aussagen zur Nützlichkeit von Produkten empirisch ableiten.

Ähnlichkeit von Produkten

Über kontextabhängige Filterung und die Auswertung von Merkmalen lassen sich Produktempfehlungen aufgrund der Ähnlichkeit, bzw. inhaltlichen Zusammengehörigkeit von Produkten aussprechen.

Wird als zusätzliches Kriterium die Ähnlichkeit von Kundendaten aufgrund der dort gespeicherten Merkmale hinzugenommen, lassen sich sehr spezifische Empfehlungen erreichen.

Kunden erhalten so Produktempfehlungen, die einerseits zum Kundensortiment und zu bereits besuchten Produktseiten passen, andererseits von ähnlichen Kunden gekauft und / oder bewertet wurden und zu nützlichen Produkten gehören, gemäß der Definition aus dem vorherigen Abschnitt.

Produktempfehlungen durch Experten

Im Gegensatz zu datenbasierten Empfehlungen können Experten hinzugezogen werden, um Produktempfehlungen für Kunden mit bestimmten Kriterien (z.B. Alter, Beruf, Geschlecht) auszusprechen.

Expertenempfehlungen können mit datenbasierten Empfehlungen verglichen werden, um eine gegenseitige Überprüfung durchzuführen oder um datenbasierte Empfehlungen zu überprüfen und zu bestätigen.

Steht kein Experte persönlich zur Verfügung, lassen sich Expertenempfehlungen auch aus externen Quellen ableiten, wie der Literatur, Artikeln in Fachzeitschriften oder Webseiten mit hochwertigen Inhalten.

Relevanz von Marketinginformationen

Marketinginformationen sind die Kunden- und Produktdaten, die zur Erstellung von Produktempfehlungen verwendet werden. Je nach Methode der Produktempfehlungen werden andere Marketinginformationen benötigt.

Nachfolgend ein Beispiel zur Nutzung von Marketinginformationen zu algorithmisch gebildeten Produktempfehlungen und anschließend ein Beispiel zur Nutzung von Marketinginformationen zu Produktempfehlungen gebildet durch Expertenmeinungen.

Beispiel „amazon“

amazon zeigt dem Benutzer in Abhängigkeit vom aktuell gekauften oder betrachteten Produkt weitere Produkte als Empfehlung.

Dazu setzt amazon ein flüchtiges Profil ein, in dem die angeschauten Produkte aus den letzten Besuchen der amazon-Webseite gespeichert werden. Zusätzlich kennt amazon die im Warenkorb oder einer Merkliste gespeicherten Produkte sowie das Sortiment der über die amazon-Plattform gekauften Produkte.

Die konkreten Produktempfehlungen ermittelt amazon aus einer Tabelle mit Produkt-Beziehungen. Konkret analysiert wird, welche Produkte vom gleichen Benutzer gekauft werden.

Mithilfe der Ähnlichkeit, bzw. Verschiedenheit von Produkten – ausgedrückt in Attributen – ermittelt amazon die Wichtigkeit und spricht anderen Benutzern darauf basierende Empfehlungen aus.

Zusätzlich werden Empfehlungen aufgrund von Artikelmerkmalen oder Ähnlichkeiten im Beschreibungstext ausgesprochen.

Folglich betreibt amazon automatisiertes 1:1 Marketing ohne persönlichen Kundenkontakt. amazon nutzt dabei eine Kombination aus expliziten Daten (Warenkörbe, Wunschzettel) und impliziten Daten (Ähnlichkeit).

(Quelle: Linden, G., Smith, B., York, J.: Amazon.com Recommendations)

Beispiel „modomoto“

modomoto ist ein Curated-Shopping-Anbieter mit Sitz in Berlin. „Curated Shopping“ ist eine Sonderform des E-Commerce. Man versteht darunter einen Verkauf basierend auf einer persönlichen Empfehlung durch einen menschlichen Berater.

modomoto richtet sich an Männer, die ungern Klamotten einkaufen gehen. Bei der Anmeldung auf der Webseite von modomoto hinterlässt der Besucher neben seinen Adressdaten auch Angaben zu seinem Geschmack, was Kleidung betrifft, seine Körpergröße und seine Maße. Anschließend kann der Kunde wählen, ob eine kostenlose persönliche Stilberatung am Telefon gewünscht ist.

modomoto-Gründerin Corinna Powalla sagt in mehreren Interviews mit Patrick Steller und Joel Kaczmarek, im Durchschnitt kaufen die inzwischen rund 200.000 Bestandskunden Pakete im Wert von 800 bis 1.000 Euro. Den Unterschied zum Wettbewerb macht die eigene Logistik.

Bei modomoto gehen Modeberater durch die Regale und picken die Bestellungen für die Kunden direkt. So lassen sich Produkte auch nach Farbe, Haptik und Qualität auswählen und besser kombinieren.

Die Wettbewerber arbeiten ausschließlich über eine Auswahl am Bildschirm. Die Auswahl treffen die Modeberater als Experten und senden die Pakete als Empfehlung zu den Kunden.

Der Kunde entscheidet, was er behalten möchte und sendet die Produkte, die ihm nicht gefallen, kostenfrei an modomoto zurück.

Folglich betreibt modomoto manuelles 1:1 Marketing mit persönlichem Kundenkontakt. Dabei setzt modomoto auf explizite Daten (Kundeneingaben) und Expertenwissen.

(Quellen: http://www.gruenderszene.de/interviews/modomoto-corinna-powalla, http://www.gruenderszene.de/interviews/modomoto-stippvisite, http://www.gruenderszene.de/allgemein/modomoto-umsatz-interview, http://www.gruenderszene.de/allgemein/modomoto-zwei-jahre)

Der Nutzen von Marketinginformationen

Durch die Verwendung von Marketinginformationen stehen dem Unternehmen neue und zusätzliche Überlegenheitspositionen im Wettbewerb und demzufolge höhere Umsätze, geringe Kosten, also höhere Gewinnpotenziale offen.

Die gewählten Beispiele Amazon und modomoto verfolgen unterschiedliche Marketing-Konzepte und Methoden zur Generierung von Produktempfehlungen. Beide Anbieter setzen auf die Relevanz von Marketinginformationen, die auf unterschiedliche Art und Weise erhoben und genutzt wird.

Fazit

Produktempfehlungen sind für den Handel enorm wichtig. Sie bauen Vertrauen auf, treffen den Geschmack Ihrer Kunden und unterstützen die Loyalität Ihrer Kunden. Anspruchsvoll ist die Erarbeitung von Empfehlungen, also dem optimalen „Kunden“-„Produkt“-Verhältnis. Wie immer im Marketing, sollte bei der Auswahl von Produktempfehlungen die Relevanz und der Zusatznutzen für den Kunden im Vordergrund stehen.

Stellen Sie auf Basis von Expertenwissen und (sehr, sehr guten) Algorithmen Empfehlungen auf und beobachten Sie das Verhalten Ihrer Kunden. Stoßen Ihre Produktempfehlungen nicht auf Akzeptanz, ändern Sie die empfohlenen Produkte.

Im Laufe der Artikelserie „Automatisiertes 1:1 Marketing im Handel“ lernen Sie, Ihre Produktempfehlungen immer noch treffender auszuwählen. Im nächsten Beitrag der Serie geht es um die Wiederverwendbarkeit von Daten.

Bleiben Sie unbedingt dran und verpassen Sie keinen Artikel dieser Serie! Tragen Sie Ihre Email Adresse hier ein, um sich anzumelden:[mautic type=“form“ id=“9″]

Klicken Sie hier für mehr Informationen zum Email Kurs „1:1 Marketing Automation im Handel“.