eCommerce AnzeigeProfessionelle Suchmaschinenoptimierung & Webseitengestaltung Berlin
/ e-Commerce Studien & Fachartikel / 5 Tipps für Onlinehändler, um das Beste aus BI-Prozessen herauszuholen

5 Tipps für Onlinehändler, um das Beste aus BI-Prozessen herauszuholen

Dr. Matthias Huschle an 22. Februar 2017 - 19:06 in e-Commerce Studien & Fachartikel
Big Data Analyse

Was tun, wenn Big Data eher Small Data heißt und kein großer Datenpool zur Verfügung steht?

Big Data ist in aller Munde und scheint auch im E-Commerce als Trendwort längst angekommen zu sein. Die Analyse großer Datenmengen stellt für Onlinehändler eine mögliche Entscheidungsgrundlage dar, um zum Beispiel Einsatzbereiche für neue Marketingkampagnen, Wachstumschancen oder neue Zielgruppen zu identifizieren. Vielen Onlinehändlern stellt sich jedoch die Frage: Was tun, wenn Big Data eher Small Data heißt und kein großer Datenpool zur Verfügung steht? Lohnt sich das Aufsetzen und Instandhalten von Business Intelligence Anwendungen auch bei kleineren Datenmengen? – Diese Fragen lassen sich recht leicht beantworten. Ja, auch kleinere Unternehmen können Schlüsse aus ihren Daten ziehen, um beispielsweise Entwicklungen im Verhalten der Kunden, saisonale und regionale Besonderheiten oder Stärken und Schwächen des eigenen Unternehmens zu erkennen. Dank cloudbasierter BI-Services benötigen Onlineshop-Betreiber keine eigenen Server zur Verarbeitung und Speicherung ihrer Daten mehr. Zudem stellen sie auch alle wichtigen BI Tools zur Verfügung. Bekannte Tools auf dem Markt sind etwa QlikView oder Tableau.

Hat man sich erst einmal für die Verwendung von BI-Tools entschieden, gilt es das Beste aus den Daten herauszuholen. Damit von der Datenerhebung bis zur eigentlichen Auswertung und Interpretation nichts schiefgeht, folgen in diesem Beitrag fünf einfache Tipps, die jeder E-Commerce Betreiber kennen sollte:

1. Das Data-Set clean halten

Nicht nur auf die Quantität, sondern auch auf die Qualität der Daten kommt es an. Ohne eine Qualitätssicherung der Daten-Sets, sieht es für BI-Verfahren düster aus. Auch wenn es sich einfach anhört – die Bereinigung des Datensatzes legt den Grundstein für alle Auswertungsverfahren und stellt somit den wichtigsten Punkt dar. Um den Daten-Rohstoff maschinell verarbeiten zu können, müssen jegliche Inkonsistenzen, also manuelle Nachbearbeitungen oder Konvertierungen der Daten vermieden werden.

Bereits beim Anlegen des Datensatzes sollte auf eine einheitliche Formatierung Wert gelegt werden. Das bedeutet, dass beispielsweise allen Datumsfeldern dasselbe Format zugeordnet wird. Im besten Fall gilt die Formatierung der Felder über Ländergrenzen und Filialen hinweg gleichermaßen. Uneinheitliche Felder werden bei der weiteren Datenverarbeitung vom System sonst nicht erkannt und führen zu Verzerrungen der Ergebnisse.

2. Den richtigen Umgang pflegen

Datenanalyse bedeutet, auch ein Gefühl für seine Daten zu entwickeln, um letztlich die richtigen Testverfahren und Interpretationen anzuwenden. Es gibt häufig Fälle, in denen sich systematisch bedingt falsche Werte einschleichen. Dies gilt insbesondere bei global oder überregional operierenden Unternehmen. Verzerrungen können bereits entstehen, wenn nur ein Feld bei einer Zusammenführung von mehreren Datensätzen, aus verschiedenen Erhebungen, fehlt. Bei einer Analyse verallgemeinert das System die Daten und interpretiert ein fehlendes Feld womöglich falsch. Demnach ist es wichtig, die Daten und ihre Besonderheiten in den einzelnen Segmenten zu kennen.

Darüber hinaus sollten E-Retailer keine Untergruppen untersuchen, mit deren Größen keine Signifikanz-Tests möglich sind. Es ist schwer zu sagen, ab welcher Gruppengröße ein Test wirklich signifikante Ergebnisse liefern kann. Die Mindestgröße der Gruppe hängt immer auch vom Effekt, der untersucht wird, ab. Grundsätzlich gilt: Ist ein Ergebnis zu gut, sollte man vor wilden Interpretationen zuerst die Gruppengröße betrachten. Sind meine Ergebnisse realistisch? – Auch hierfür ist es wichtig, ein Gefühl für die Daten zu entwickeln.

3. Kleine Schritte gehen

Auch Datenanalyse erfordert Übung, daher heißt es: Klein anfangen, besonders beim Interpretieren von Ergebnissen. So manches Ergebnis besagt auch nur, dass es keine nutzbare Erkenntnis gibt. Zu Beginn ist es förderlich, mit Analysen in einem Bereich, in dem man sich gut auskennt, anzufangen. Viele fortgeschrittene Analysetechniken erfordern zusätzliche Investitionen in Know-how oder Rechenleistung, mit ebenso unvorhersehbaren Ergebnissen. Diese sind meist teuer und lohnen sich für kleinere Händler kaum. Datenanalyse ist kein magisches Tool, welches nach dem Einschalten konkrete Wege zur Umsatzsteigerung aufzeigt. Erfahrungswerte sind in der Analyse unumgänglich. Der Interpretierende ist genauso wichtig, wie die Daten selbst. Deshalb gilt es, sich in kleinen Schritten und über Bereiche, die man gut versteht, an Interpretationen heran zu tasten.

4. Offenheit für Unerwartetes

Ein weiterer wichtiger Punkt, der ebenfalls die menschliche Komponente in der Datenanalyse betrifft, ist eine gewisse Offenheit für neue Ergebnisse. Oft denken wir in strikten Mustern, die hinderlich für ausgefallene Interpretationen von Daten sein können. Wer neue Erkenntnisse gewinnen will, muss seine Intuitionen hinterfragen. Das bedeutet: Es ist auch wichtig Analysen zu machen, bei denen man glaubt, das Ergebnis bereits zu kennen. Der Markt, Zielgruppen und Kaufverhalten ändern sich schließlich stetig. Darüber hinaus sollte man bestehende Ergebnisse nicht seinen Interessen nach beschönigen. Jegliches Schummeln fällt nur negativ auf getätigte Veränderungen, wie beispielsweise ein neu eingesetztes Werbeetat zurück.

5. Daten diskutieren!

Ergebnisse sind selten schwarz oder weiß. Ein anderer Blickwinkel auf dasselbe Resultat bringt weitere Erkenntnisse und schafft Raum für neue Ideen und Analysen. Selten liegt eine 100-prozentige Signifikanz bei Datenanalysen vor. Daher lohnt es sich, über die Ergebnisse und vorgenommenen Testverfahren zu diskutieren sowie zu überlegen, ob weitere Variablen einen Einfluss auf die Daten gehabt haben könnten. Aus einer Diskussion entstehen oft weitere Ideen für Zusammenhänge. Beispielsweise stellen demografische Daten häufig intervenierende Variablen dar, die Potential für das Aufstellen von neuen Hypothesen mit sich bringen.

Dr. Matthias Huschle

Dr. Matthias Huschle ist ein echter Datenexperte. Als promovierter Physiker betreibt er seit 2015 bei PAYMILL die Themen Datenanalyse und Finance auf wissenschaftlichem Niveau. Hier gibt er Tipps, was man dabei beachten sollte.

More Posts - Website

0 Kommentare beitragen

Senden Sie uns eine Mitteilung Hier

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Pin It on Pinterest

Share This