Wie man hier Fallstricke vermeidet und Agentur wie Kunden zur High-Performance bringt, zeigt das iBusiness-Webinar
Chatbots als Shopersatz? Make, buy or Integrate?
Wie die Zukunft der Online-Kommunikation zwischen Kunden und Unternehmen aussieht.
Whitepaper abrufen

E-Commerce: So sichern Sie Ihren Shopumsatz mit Störungs-Analyse in Echtzeit

03.03.17 Die Anzahl an Bestellungen im Onlineshop nimmt ab, aber es ist kein Grund für diese negative Entwicklung ersichtlich? Automatisierte Incident-Erkennung schafft hier Abhilfe und kann sogar vorab warnen, damit es für Onlinehändler gar nicht erst zu Umsatzeinbußen kommt.

 (Bild: RyanMcGuire/pixabay)
Bild: RyanMcGuire/pixabay
Unter Incident-Erkennung ist ein auf Machine-Learning-Algorithmen basierender Vorgang, der Verhaltensmuster innerhalb enormer Datenmengen erfasst, erlernt und identifiziert. Aus diesen Mustern kann dann ein zu erwartendes Normalverhalten abgeleitet werden. Im eingangs aufgeführten Fall könnte es beispielsweise zu weniger Bestellungen gekommen sein, weil die durchschnittliche Ladezeit des Webshops mehr als fünf Sekunden betrug. In der Regel ist das vielen Kunden zu lange, so dass sie die Webseite verlassen und im schlimmsten Fall zur Konkurrenz abwandern.

Auch im Online-Handel lautet die oberste Maxime, besonders wirtschaftlich zu handeln. Werden nun Muster in großen Datenströmen erfasst und analysiert, lassen sich aus diesen wiederum Anomalien, also Abweichungen vom Normalverhalten ableiten. Diese weisen auf unerwartete Verhaltensmuster hin, zum Beispiel: Kunden, die nicht so viel Geduld haben, um darauf zu warten, dass sich die Seite aufbaut, und den Einkaufsvorgang deshalb beenden. Daraufhin kommt es zu Umsatzeinbußen. Anomalien müssen aber nicht zwangsläufig auf negative Vorfälle hindeuten, sondern können auch wertvolle Einblicke und Hinweise auf neue Geschäftschancen geben.

Für KPIs das zu erwartende Normalverhalten bestimmen

Beinahe jedes Unternehmen hat eigene Key Performance Indikatoren (KPI) entwickelt. Bei Online-Händlern findet man häufig folgende KPIs: Transaktionen und Bestellungen, Fehlerquote bei Bestellungen, Seitenaufrufe pro Besuch, durchschnittliche/r Warenkorb/Bestellmenge, Konversationsrate, Abbruchraten bei Einkäufen, Neukundenbestellungen vs. Umsatz durch Bestandskunden, Umsatzkosten, Unique Visitors vs. wiederkehrende Besucher, durchschnittliche Verweilzeit, verwendetes Endgerät, Facebook/Twitter/Pinterest Follower etc. Die unterschiedlichen zu messenden Metriken variieren sehr stark je nach Händler und Branche. Die Onlinehändler müssen sich jedoch gemeinsam der Herausforderung stellen, für die große Anzahl der Indikatoren das zu erwartende Normalverhalten zu bestimmen.

 (Bild: Pixabay / Public Domain)
Bild: Pixabay / Public Domain

iBusiness-Webinar zum Thema

Unter der Überschrift Wie nutze ich künstliche Intelligenz in E-Commerce und Onlinemarketing verrät iBusiness-Autor Christian Glatschke am 22. März, wie man in seinen Daten das Normale definiert, die Anomalie erkennt und das Ganze in sein Webanaytics-System einstielt.
Webinarprogramm ansehen

Je nach Unternehmensgröße oder Anwendungsfall kann es notwendig sein, hunderte, tausende und noch mehr Metriken zu erfassen, um ableiten zu können, wie deren aktuelle Verhaltensmuster sich im Vergleich zu historischen oder in Zukunft zu erwartenden Mustern darstellen.

Die Herausforderung liegt dabei darin, den Datenströmen die jeweils passenden Datenmodelle und Algorithmen entgegenzustellen, da sich Muster im Zeitverlauf verändern können. Werden die richtigen Algorithmen eingesetzt, so können Unternehmen auch sehr subtile Anomalien bzw. Business Incidents erkennen - wie beispielsweise wenn sich Daten über einen längeren Zeitraum hinweg schleichend zu einem oberen oder unteren Schwellenwert entwickeln. Im Gegensatz dazu können falsch angewandte Datenmodelle oder Algorithmen sowohl zu einer Reihe von False Positives als auch False Negatives führen. Die Folge sind große Mengen an nicht identifizierten Anomalien oder ein Anstieg von Fehlalarmen. Beides kann zu beträchtlichen Geschäftsverlusten und zu Unzufriedenheit bei Kunden führen können.

Incidents sind allgegenwärtig und einflussreich

Viele Prozesse in Unternehmen laufen simultan ab und bauen aufeinander auf. Sämtliche Abläufe müssen überwacht und in Echtzeit abgestimmt werden. In verschiedenen Bereichen werden unterschiedliche Prozesse beobachtet und analysiert: Auf rein technischer Ebene, die die IT-Infrastrukturen umfasst, liegt das Augenmerk auf Netzwerken, Servern und Kommunikation. Auf der Ebene der Geschäftsanwendungen hingegen sind Ladezeiten der Webseiten, Antwortzeiten der Datenbank oder die Anwendererfahrungen von Bedeutung. Und auf der Geschäftsebene geht es um die Onlinebestell- und Kaufvorgänge, aufgeteilt nach Regionen, Anwenderprofilen etc.

Business Incidents beziehungsweise Anomalien auf einer Ebene haben dabei unweigerlich Einfluss auf alle anderen Ebenen. Allerdings werden in den seltensten Fällen die Beziehungen zueinander hergestellt, wenn die Metriken nicht holistisch betrachtet und ausgewertet werden. Genau das müssen hochskalierende Systeme zur Anomalie-Erkennung leisten können. Einige Händler, so auch Fluggesellschaften, mussten erst bitter lernen, was es bedeuten kann, keine Echtzeit-Systeme zur Business Incident-Erkennung eingesetzt zu haben.

So machte beispielsweise United Airlines zur Homepage dieses Unternehmes Relation Browser im Jahr 2015 zahlreiche Kunden unbewusst überglücklich, indem sie im Online-Buchungssystem First Class Tickets für Flugstrecken zwischen den USA und Europa für schlappe 51 US-Dollar anbot. Nachdem der Fehler im System von der Fluggesellschaft erkannt wurde, war die Euphorie bei den Kunden schnell vergangen. United Airlines stornierte alle Reservierungen, was großen Unmut auf Seiten der Kunden zur Folge hatte.

Keine Option: Manuelle Anomalie-Erkennung und starre Schwellenwerte

Viele Onlinehändler entscheiden sich dazu, Anomalien manuell zu erfassen. Sie nutzen entweder viele verschiedene Dashboards und erstellen täglich oder wöchentlich Berichte, um ungewöhnliche Ausreißer zu identifizieren. So auch der Betreiber des Onlineshops Wix.com zur Homepage dieses Unternehmes Relation Browser , der Unternehmen zu eigenen Webseiten mittels Baukasten-Modell verhilft. Die BI-, F&E- sowie DevOps-Teams erfassten und analysierten manuell enorme Mengen von Daten, die leider nur einen Bruchteil der Gesamtdaten darstellten, um die Performance des Webshops zu überwachen und für eine hohe Kundenzufriedenheit und gute Umsatzraten zu sorgen.

Diese Methode, manuell Daten zu erfassen, zu beobachten und auszuwerten, ist über einige Dutzende von Metriken hinaus jedoch schwer skalierbar. Zudem müssen die Betreiber des Shops vorab wissen, wonach sie genau suchen müssen. Die Mitarbeiter von Wix.com haben Probleme bzw. Anomalien zwar entdeckt, jedoch mit Stunden oder sogar Tagen Verspätung. Für ein Eingreifen war es dann bereits zu spät und Kunden wurden aus unterschiedlichen Gründen unzufrieden bzw. haben ihren Kauf nicht abgeschlossen.

Es gibt aber auch Onlinehändler, die Überwachungssysteme einsetzen, bei denen untere und obere Schwellenwerte vorab definiert werden müssen. Hier besteht die Herausforderung wiederum darin, die Schwellenwerte exakt zu bestimmen. Oft werden sie zu hoch bzw. zu niedrig gesetzt oder sind zu starr, um sich Entwicklungen im Datenverhalten anzupassen, so dass es unweigerlich zu einer erhöhten Anzahl von Fehlalarmen kommt. Bei saisonalen Daten ist es nahezu unmöglich, statische Schwellenwerte zu setzen, da diese zum Beispiel von der Tageszeit abhängig sind oder unter der Woche andere Werte erzielen als am Wochenende.

Lohnenswerte Investition: Automatisierte Anomalie-Erkennung

Die Lösung liegt in der automatisierten Anomalie-Erkennung. Hierbei besteht der Vorteil darin, dass sie schnell große Mengen an Daten erfasst, deren Verhaltensmuster erlernt, sie automatisiert überwacht, in Echtzeit analysiert und mittels Alerts die Shopbetreiber darüber informiert, wenn Ereignisse nicht normal verlaufen. Die Feinjustierung von Schwellenwerten muss so nicht mehr manuell getätigt werden, sondern wird vom System mittels intelligenter Algorithmen und Machine Learning ermittelt. Das System lernt aus den Daten der Historie - je mehr Daten diese beinhaltet, desto genauer ist der Schwellenwert für die Zukunft. Außerdem entwickeln die Algorithmen sich dabei stetig weiter und können zum Beispiel durch Feedback-Algorithmen False Positives aussortieren. Das heißt, das System optimiert sich permanent selbst. Das Ergebnis: Anomalien werden schneller entdeckt und die Fehleranalyse erfolgt unmittelbar bevor Probleme überhaupt für den Kunden sichtbar bzw. spürbar werden.

Gerade für den Online-Handel ist der Einsatz von automatisierten Anomalie-Erkennungssystemen eine wertvolle Investition. Sie zeigen außergewöhnliche Umsatzrückgänge, sinkende Klickraten, Auffälligkeiten bei Produktbestellvorgängen und Bezahlprozessen, Betrugsfälle, irreguläre Antwort- und Reaktionszeiten, Fehlermeldungen und mehr auf. So können Probleme, die sich negativ auf den Geschäftserfolg auswirken, schnell behoben oder sogar von vornherein vermieden werden können.


 (Bild: Anodot)
Bild: Anodot
iBusiness Autor Christian Glatschke Christian Glatschke in Expertenprofilen nachschlagen ist Sales Director bei Anodot zur Homepage dieses Unternehmes Relation Browser , dem Anbieter für Echtzeitanalyse und Incident-Erkennung.

(Autor: Christian Glatschke)

Weitere Artikel zu diesem Themenbereich:

Anzeige

Ausgewählte Agenturen und Dienstleister zu diesem Themenbereich

In diesem Beitrag genannt:

Firmen und Sites: anodot.com united.com wix.com
Trackbacks / Kommentare
Artikel Weiterempfehlen
Empfehlen Sie diesen Artikel an Kollegen oder Freunde weiter.
Alle Meldungen vom 03.03.17:

Für diesen Seite von iBusiness steht eine Mobile Ansicht zur Verfügung.
Umleiten?