Wie man mit Big Data die Umsätze in seinem Onlineshop ankurbelt

Big Data ist angesichts der enormen Datenmengen, die im digitalen Business täglich zusammenkommen, für die meisten Unternehmen im E-Commerce bereits Realität. Mit herkömmlichen Methoden kann das Potenzial dieser Daten aber längst nicht mehr voll ausgenutzt werden. Gleichzeitig steigt die Anforderung, Daten qualitativ zu beherrschen, um Entscheidungen besser und schneller treffen zu können, Kundenangebote zu optimieren und Marketingressourcen effizienter einzusetzen.

Big-Data-Konzepte versprechen neue Ansätze, um die Reaktionsfähigkeit zu erhöhen und die Wettbewerbsfähigkeit auszubauen. Trotz des Hypes um Big-Data-Analysen fehlen zumindest in Deutschland noch die großen Erfolgsgeschichten, insbesondere für kleine und mittlere Shop-Betreiber. Die Anzahl der Big-Data-Projekte ist in Deutschland kleiner als 100, die bisherigen Leuchtturm-Projekte großer Onlinehändler, etwa zur Retourenquote, lassen sich schlecht auf kleine und mittlere Shops übertragen. In den USA ist der Zug zu neuen Technologien viel stärker: Es wird jeder Ansatz getestet, der einen Wettbewerbsvorteil verspricht.

Wie mit Hilfe von Big Data der Wandel hin zum Data Driven Marketing der Zukunft gelingen kann, wird nachfolgend skizziert und am Beispiel des Customer Journey verdeutlicht.

Von der Tabellenkalkulation zu Big Data

Mit der Tabellenkalkulation ist in allen Unternehmen ein Werkzeug für Data Driven Marketing im Einsatz (datengestützte Entscheidungen 1.0). Wird die Umgebung komplexer, dann reicht Tabellenkalkulation nicht mehr aus. Es werden Daten aus zahlreichen IT-Systemen zurate gezogen und unternehmensweit miteinander in Beziehung gesetzt. Zum Einsatz kommen Werkzeuge wie Data Warehousing und Business Intelligence (BI). Hier hat sich ab Mitte der 1990-Jahre ein eigener Markt etabliert, es gibt spezifizierte Vorgehensmodelle und Prozesse innerhalb der BI. Viele große und mittlere Unternehmen haben eigene Abteilungen, die auf Basis von Business Intelligence Entscheidungsgrundlagen schaffen (datengestützte Entscheidungen 2.0).

Seit etwa drei Jahren geistert nun der Begriff 'Big Data' durch die Landschaft. Onlineshop-Entscheider stehen vor der Frage, ob hier die sprichwörtliche nächste Sau durchs Dorf getrieben wird oder ob Handlungsbedarf besteht (datengestützte Entscheidungen 3.0). Im Kern geht es darum einzuschätzen, ob die Einführung von Big Data für das eigene Unternehmen sinnvoll ist.

Big Data und BI - Gemeinsamkeiten und Unterschiede

Bei einem BI-System werden die Daten aus den verschiedenen Systemen gelesen und in ein Schema überführt. Dies passiert im so genannten ETL ("Extract Transform Load")- Schritt.

Bei der Einführung eines BI-Systems muss viel Arbeit und Mühe in das Design dieses Schemas gesteckt werden. Top Down müssen sich letztlich alle für das Unternehmen relevanten Fragestellungen aus dem Schema beantworten lassen. Fehlen hier Relationen oder sind Daten nicht vorhanden, dann bedeutet es in der Regel einiges an Aufwand, um die Relationen herzustellen bzw. die fehlenden Daten hinzuzufügen - vor allem ohne die Konsistenz der existierenden Reports zu beeinträchtigen. Bottom Up müssen die Schemata aus den Unternehmensdatentöpfen konsistent in die Data-Warehouse-Schemata überführt werden.

Wer schon einmal auf eine mit RDBMS-Schema tapezierte Wand geschaut hat, kann die Komplexität dieser Aufgabe abschätzen. Das Vorgehen des "Schema-on-Write" zieht sich nach der Einführung eines BI-Systems auch durch die Anwendung. Change-Prozesse müssen eingehalten werden, und die Business-Analysten müssen Ihre Fragestellungen gut und genau formulieren, bevor diese nach Änderung aus dem BI-System beantwortet werden können.

Der Ansatz bei Big Data wird als "Schema-on-Read" bezeichnet. Die Daten werden zunächst ohne Transformation in den De-Facto-Standard Hadoop   überführt. Dabei ist es zunächst unwesentlich, ob es sich um strukturierte oder unstrukturierte Daten handelt. Für die explorative Analyse bietet sich nun ein iteratives und agiles Vorgehen an. Dieses Vorgehen führt im Zweifelsfall zu einer größeren Reaktionsfähigkeit bei der Erprobung und anschließenden Einführung neuer KPIs. Ohne wenigstens rudimentäre Fragestellung begibt man sich allerdings auf die Suche nach der Nadel im Heuhaufen - wobei immerhin schon einmal der Heuhaufen bereitsteht.

Analyst und Informatiker arbeiten gemeinsam, iterativ und explorativ an der Fragestellung. (Die Kreuzung aus Analyst und Informatiker wird auch als Data Scientist bezeichnet. Neuere Kreuzungen mit Statistikern kommen der Eier legenden Wollmilchsau sehr nahe.) Ergebnisse werden gefunden, verworfen oder verfeinert. Bei den Methoden steht einem die ganze Fülle an Data-Mining-Algorithmen und Statistik zur Verfügung.

Wichtig dabei: Mit diesen "Advanced Analytics" genannten Methoden können Informationen aus den Daten gewonnen werden, die über deskriptive Statistik und damit über die Fähigkeiten von Business Intelligence hinausgehen. Allerdings sind eingeführte Methoden der deskriptiven Statistik in der Regel Voraussetzung für den effizienten Einsatz von Advanced-Analytics-Methoden. Eine der wichtigsten Empfehlungen ist deshalb ein schrittweises Vorgehen. Bei der Einführung der neuen Methoden sollte am Anfang die Hürde nicht zu hoch gelegt werden, um zunächst Methoden- und Prozesskompetenz zu sammeln.

Mit Big Data stehen die Unternehmen etwa dort, wo sie mit BI vor zehn bis fünfzehn Jahren standen. Auch bei der Einführung von Business Intelligence mussten die Unternehmen die Methoden- und Prozesskompetenz erst erlernen. Zudem war zunächst nicht sicher, welche Standards sich durchsetzen würden. Die Vorreiter der Brache konnten dennoch durch den frühen Einsatz datenbasierter Entscheidungsmodelle entscheidende Wettbewerbsvorteile erzielen.

Business Intelligence versus Big Data
Business Intelligence	Big Data
Schema-on-Write Statisches Schema Transformation operativer Daten Anfrage im RDBMS-Format	Schema-on-Read Daten im ursprünglichen Format Anfrage im ursprünglichem Format ETL "on the fly"
Detaillierte Schemapflege	Neue Daten können einfach hinzugefügt und sofort verwendet werden
Change-Prozesse müssen eingehalten werden, daher langsam	Agiles Vorgehen sorgt für enorm hohe Reaktionsgeschwindigkeit
Gut für das "bekannte Unbekannte" (Wiederholungen)	Gut für das "unbekannte Unbekannte" (explorativ)
Vorgegebenes Zeitfenster und Archiv	Aktive, "unbegrenzte" Speicherung
Vertikale Skalierung	Horizontale Skalierung
Viel Erfahrung in den meisten Unternehmen	Kaum Erfahrung in den Unternehmen, in der Regel wird mit spezialisierten Dienstleistern gearbeitet

Exemplarisches Anwendungsfeld von Big-Data-Analysen: Customer Journey

Ein Anwendungsfeld von Big-Data-gestützten Entscheidungen ist die Customer Journey. Nachdem sich im Onlinemarketing die Erkenntnis durchgesetzt hat, dass die Cookie-Dropping-Methode ("Last cookie wins") einer transparenten Auswertung der realweltlichen Zusammenhänge nicht zuträglich ist, ist die Customer Journey in den Mittelpunkt des Interesses gerückt.

Bild: Hightext Verlag Mehr zum Thema: "Shoptuning" gibt es im iBusiness Dossier 1/2014
Dieser Text ist eine Vorveröffentlichung aus dem iBusiness-Dossier 1/2014 "Shoptuning", das Mitte März erscheint. Wer dieses Dossier kostenlos online anfordert, der bekommt es nach Erscheinen automatisch ohne Extrakosten per Post.

Hier gab es zunächst ein geschäftsmodellgetriebenes Erkenntnisinteresse: Steuert ein Unternehmen die Marketing-Budgetierung nur durch Auswertung der Endpunkte seiner Eingangskanäle (und damit ohne Korrektur des "Last cookie wins"-Effekts), dann kann es eine Zeitlang optimieren, erreicht aber relativ schnell den Punkt der Sättigung, sodass nur mit exponentiellem Investitionsaufwand positive Effekte erzielt werden können. Wird dagegen mit Hilfe einer Big-Data-Analyse die vollständige Customer Journey betrachtet, so existieren wesentlich größere Optimierungs- und Steuerungsansätze für das Marketingbudget.

Statt wie bisher den Großteil des Marketingbudgets etwa in SEO-Maßnahmen zu stecken, wird das Budget auf die anderen Onlinemarketing-Kanäle (Display, SEA, Affiliate) verteilt. Optimierung der aus der Verteilung resultierenden Reichweite (und damit auch letztendlich der Konversion) ist Ziel der Analyse.

Dem Erkenntnisinteresse an der Customer Journey stehen zunächst nicht vorhandene Erfahrungen und nicht implementierte Methoden gegenüber. Um einen Wettbewerbsvorteil aus der Customer-Journey-Analyse zu gewinnen, ist aufgrund der hoch volatilen Onlinemärkte Zeit ein wesentlicher Erfolgsfaktor. Die neuen Methoden müssen also agil und unter Zeitdruck entwickelt werden, für ein Wasserfallmodell bleibt keine Zeit. Hier ist der explorative Ansatz von Big Data ideal. Es müssen keine starren und möglicherweise zeitraubenden Change-Prozesse eingehalten werden. Im Idealfall ist der explorative Ansatz schon im Unternehmen etabliert und geübt, sodass die Analyse und Steuerung sehr schnell erfolgen können.

Big Data im E-Commerce

Folgende Punkte geben einen Hinweis darauf, ob Big-Data-Analysen in einem Unternehmen sinnvoll eingesetzt werden können:

1. Im Unternehmen besteht die Bereitschaft, Entscheidungen auf der Basis von Daten zu treffen.
   
   
2. Es liegt eine Vielzahl von heterogenen Daten aus unterschiedlichen Quellen und mit unterschiedlicher Struktur vor.
   
   
3. Die Reaktionsgeschwindigkeit ist bei der derzeitigen Datenanalyse ein kritischer Punkt.
   
   
4. Es liegen auch textuelle Daten vor (E-Mails, Freitext, Textdateien), die systematisch quantifiziert werden sollen.
   
   
5. Die generelle Geschwindigkeit, mit der die Daten im System erzeugt werden, ist hoch.
   
   
6. Es besteht Zeitdruck bei der Einführung neuer KPIs und Methoden.

Big Data und BI - Migrationspfade

Die Migration in die Big-Data-Welt ist weniger komplex als häufig befürchtet. Zu empfehlen ist eine prototypische Umsetzung von ausgewählten KPIs, um Erfahrungen zu sammeln und Prozess-Kowhow aufzubauen. Existiert im Unternehmen bereits eine Business-Intelligence-Lösung, dann existiert folglich Infrastruktur und Software, die bei der Einführung und im Betrieb dieser BI-Lösung geschaffen wurden. Einige BI-Anbieter sind auch die Big Data- / Hadoop-Integration bereits angegangen, andere haben es auf der Roadmap. Ein Standardweg ist hier nicht abzusehen, welche Architektur sich durchsetzen wird, bleibt abzuwarten.

Trotzdem bieten sich empfehlenswerte Migrationspfade an: Hadoop als Big Data De-Facto-Standard wird neben der ETL-Strecke als Datensenke zum Einsatz gebracht. Nach und nach wird der existierende Code auf Hadoop migriert - mit dem erfreulichen Effekt, dass eine horizontal skalierbare Lösung zum Einsatz gebracht und das häufig auftretende ETL-Bottleneck nachhaltig beseitigt wird. Solange die Schemata erhalten bleiben, können die eingesetzten Werkzeuge für die Reports weiterhin genutzt werden. Im Falle einer explorativen Analyse kommt Hadoop zum Einsatz. Bewährt sich der Ansatz, wird die Analyse im Data-Warehouse nachgebildet und in den vorhandenen Reporting-Dashboards zur Anzeige gebracht.

ETL-Prozess mit integriertem Big-Data-Hadoop Cluster
Bild: Neofonie ETL-Prozess mit integriertem Big-Data-Hadoop Cluster

Insbesondere bei der Einführung von neuen Methoden zur KPI-Bestimmung kann Big Data seine Stärken ausspielen:

• Die Einführung neuer Methoden ist immer mit Unsicherheiten behaftet - es fehlt an konkreten Erfahrungswerten. Hier ermöglichen Analysen, die der Business Analyst gemeinsam mit der Fachabteilung durchführt, das Testen neuer Methoden.
  
• Hat sich das Unternehmen für die Einführung von Big Data entschieden, stehen die Chancen gut, dass auch zukünftig bei neuen Fragestellungen und Herausforderungen genug historische Daten zur Exploration und anschließender Analyse mit Big-Data-Ansätzen vorliegen.

BI-Anwendungen eignen sich gut für das 'bekannte Unbekannte', Big Data aber auch für das 'unbekannte Unbekannte'

Die Fragestellung ist bekannt, es ist auch abschätzbar, dass eine Antwort in endlichem Aufwand gefunden werden kann. Big Data hingegen eignet sich auch für das "unbekannte Unbekannte": Mithilfe von Exploration (Trial & Error) lassen sich auch Beziehungen finden, die mit BI-Mitteln nicht vorausgedacht werden können.

Ob Big-Data-Methoden in einem konkreten ECommerce-Szenario tatsächlich sinnvoll eingesetzt werden können, kann man nur herausfinden, wenn man es an einem unternehmensspezifischen Fall ausprobiert. Wenn man die oben genannten Punkte berücksichtigt, sind die Erfolgsaussichten aber recht hoch. Unabhängig davon, mit welcher Technologie ein Unternehmen datengestützte Entscheidungsfindung betreibt, bleibt der kritische Erfolgsfaktor die Bereitschaft des Unternehmens, überhaupt datengestützte Entscheidungen zu treffen. Nur wenn auch unliebsame Erkenntnisse aus den Daten zu Handlungen im Unternehmen führen, wird das Unternehmen einen Wettbewerbsvorteil erlangen können.

BI- und Big-Data-Systeme werden früher oder später zusammenwachsen. Schon heute lassen sich aber mit überschaubarem Aufwand geldwerte Wettbewerbsvorteile realisieren. Ob die dabei eingesetzte Technologie zukunftssicher ist, lässt sich heute nicht beantworten - diese Erkenntnis sollte aber nicht davon abhalten, bereits jetzt die notwendige Methoden- und Prozesskompetenz zu erwerben.

---

iBusiness-Autor Holger Düwiger ist CTO der Neofonie GmbH   . Er ist diplomierter Mathematiker der TU Berlin.