Recommendersysteme im One-to-One-Marketing

Im Web ist eine Fülle relevanter Daten verfügbar, die für unterschiedlichste Marketing-Fragestellungen nutzbar gemacht werden können. Sogenannte Recommender-Systeme sprechen potenziellen und tatsächlichen Kunden Kaufempfehlungen aus und sollen durch personalisierte Ansprache Kaufabsicht erhöhen und Neukunden gewinnen. Aber auch zur Bindung bereits bestehender Kunden können Recommender-Systeme einen wertvollen Beitrag leisten.

Auf Kunden- als auch Anbieterseite besteht ein Interesse an solchen Systemen. Site-Betreiber z. B. wünschen sich:

• eine Sichtbarmachung von Cross-Selling-Potenzialen
  
• Unterstützung beim Aufdecken von Konsumentensegmenten mit homogenem Kaufverhalten
  
• analytische Hilfen in Bezug auf künftige Wettbewerbsszenarien und
  
• eine Überprüfung von Nachfragetrends.

Aber auch Site-Besucher können profitieren, z. B. durch individualisierte Produktempfehlungen, Zeiteinsparungspotenziale bei der Informationssuche oder vergleichende Beurteilungen von Wettbewerbsangeboten.

Grundsätzlich existiert eine große Typenvielfalt von unterschiedlichen Recommender-Systemen. Gemeinsam ist allen, dass bestimmte Input-Daten durch eine spezifische Methodik zu Informationen aggregiert werden, die zur Bereitstellung von Empfehlungen genutzt werden. Sogenannte Clickstream-basierte Recommender-Systeme analysieren die Navigationsmuster von Besuchern auf der Website und versuchen, Ähnlichkeiten zwischen bestimmten Kunden oder Kundengruppen nutzbar zu machen, um diesen personalisierte Informationen zur Verfügung zu stellen.
Repeat Buying-basierte Systeme hingegen werten Warenkorbdaten aus, die als Kaufgeschichten interpretiert werden und Rückschlüsse erlauben. Dabei sind jedoch die schwierigen Fragen zu beantworten, welche gemeinsam gekauften Produkte nicht zufällig gemeinsam gekauft wurden und wie viele Produkte überhaupt empfohlen werden sollten.

Amazon.com ist ein intensiver Verwender von Recommender-Systemen und hat sich einige von diesen sogar patentieren lassen. Einige Beispiele von solchen Systemen auf der Website von Amazon sind:

• Empfehlungen basierend auf der Kaufgeschichte des Kunden
  
• Buy both now, d. h. dem Besucher wird immer zusätzlich ein zweites, ähnliches Produkt zu einem reduzierten Setpreis angeboten (Preisbündelung)
  
• Implizite Bewertungen aufgrund des Surfverhaltens
  
• Your recent history, d. h. dem Nutzer werden immer die letzten angesehenen Produkte vor Augen geführt
  
• Top-n Liste, die für verschiedene Produktkategorien Bestsellerlisten basierend auf Verkaufszahlen anbietet

Grundsätzlich lässt sich feststellen, dass die Erforschung von Recommendersystem-Techniken noch am Anfang ihrer Entwicklung steht. Zukünftig sind durch anspruchsvollere Data-Mining-Technologien weitere Fortschritte zu erwarten, die im Sinne einer effektiven Kundenansprache und -bindung vollkommen neue Möglichkeiten bieten.

Quelle: Gaul/Geyer-Schulz/Hahsler/Schmidt-Thieme: eMarketing mittels Recommendersystemen, in: Marketing ZFP, Jg. 24 (2002), Spezialausgabe E-Marketing, S. 47-55.

Mit One-to-One Marketing (auch 1to1-Marketing) bezeichnet man ein individualisiertes Marketing, das darauf abzielt, die Kundenbindung zu erhöhen. Folgende drei Schritte sind dazu notwendig:

• Zunächst muss ein Händler seine Kunden identifizieren.
  
  
• Dann versucht er im Rahmen einer learning relationship möglichst viele individuelle Kundeninformationen (vor allen Dingen über die Kundenpräferenzen) zu sammeln. Neue Informationen können dabei bei jedem Kundenkontakt generiert werden.
  
  
• Schließlich sollte der Händler auf der Grundlage der individuellen Kundeninformationen seine Kundenansprache und möglichst viele absatzpolitische Instrumente individualisieren, indem er sie an den Kundenbedürfnissen ausrichtet.

Ziel ist es, die Kunden so zufriedenzustellen, dass sie möglichst stark an das eigene Unternehmen gebunden werden. One-to-One Marketing ist ein Konzept, das bereits vor dem Zeitalter des E-Commerce entwickelt wurde und prinzipiell auch im traditionellen Handel verfolgt werden kann. Allerdings läßt sich das Konzept beim E-Commerce sehr viel einfacher umsetzen:

• Kunden werden in der Regel automatisch identifiziert, was bspw. im stationären Handel mit einem viel höheren Aufwand verbunden wäre.
  
  
• Über geeignete Verfahren können Daten über Kundenpräferenzen automatisch generiert werden.
  
  
• Eine Website läßt sich viel einfacher individualisieren als das Front End im traditionellen Handel.

Eine ausführliche Erklärung des Begriffs One-to-One Marketing finden Sie in dem Katalog Die Begriffe des eCommerce.

Personalisierung

Ziel der Personalisierungsysteme, ist es, eine Struktur zur Informationsgewinnung bereitzustellen und nach einer Analyse der Daten Angebote individuell an die Präferenzen des Kunden anzupassen.

Drei verschiedene Systemtypen können dabei unterschieden werden:

Kundengetriebene Personalisierungssysteme

Bei der kundengetriebenen Personalisierung passt der Kunde die Website selber an seine Vorstellungen an. Hierfür muss sich der Kunde an der Erstellung seines Kundenprofils aktiv beteiligen. Inhalte und Gestalt der Website können dann nach Maßgabe des Kunden individuell aufgebaut werden. Ein typisches Beispiel ist "MyYahoo" der Plattform www.yahoo.de, bei dem der Nutzer Interessengebiete angeben kann und Gestaltungsspielraum beim Layout seiner' Website hat. Wichtig ist es, darauf zu achten, dass der Aufwand aufgrund zu vieler Auswahlmöglichkeiten für den Kunden nicht zu groß wird. Ebenfalls nachteilig könnte die alleinige Verwaltung des Kundenprofils durch den Kunden sein, da sich Änderungen in seinem Benutzerverhalten nur manuell von ihm selbst mit einigem Aufwand anpassen lassen. Das Beispiel Yahoo zeigt, dass nur ein kleiner Teil der Nutzer zu einer solchen aktiven Mitwirkung bereit sind.

Anbietergetriebene Personalisierungssysteme

Gute Vertriebsmitarbeiter sind immer auch gute Beobachter: Aus der Erfahrung mit dem Kunden und aus den gerade gemachten Reaktionen des Kunden, präsentiert er sein Produkt so, dass der Kunde genau dieses Produkt - und nur dieses Produkt - als Lösung seiner Bedürfnisse annimmt. Auch online kann versucht werden, auf bestimmte Verhaltensmuster des Kunden zu reagieren. Dafür werden Regeln von Marketingexperten aufgestellt, die zu Anpassungen auf der Website führen. Festlegungen dieser Art können allerdings immer nur als Annäherungen an die individuellen Kundenpräferenzen verstanden werden und müssen daher ständig aktualisiert werden, was einen hohen administrativen Aufwand mit sich bringt.

Automatisierte Personalisierungssysteme

Personalisierung kann auch aufgrund bisher gezeigter Präferenzen des Kunden automatisiert erfolgen. Zunächst gilt es herauszufinden, welche Eigenschaften einem Kunden an einem Produkt, beziehungsweise welche Art von Informationen dem Kunden besonders wichtig sind und in welchem Verhältnis er sie gewichtet. Dafür werden aktive Anfragen des Kunden ausgewertet. Daraufhin können Produkte oder Informationen angeboten werden, die den gleichen objektiven Bewertungsmaßstäben genügen. Allerdings können hier rein subjektiv beurteilbare Eigenschaften, wie zum Beispiel Spannung, nicht zur Auswahl eines Produktes verwendet werden. In einem weiter fortgeschrittenem System werden sämtliche Informationen, die der Kunde über sich preisgibt, nach Schlüsselbegriffen abgesucht und ihm dann unterschiedliche Angebote im Schlüsselkontext gemacht. Dabei ist es bislang unvermeidlich, dass Schlüsselbegriffe auch in einen falschen Zusammenhang gebracht werden und daher für den Nutzer irrelevante Information darstellen.

Bessere Ergebnisse für die richtige Einordnung in den Gesamtzusammenhang bildet eine Methode, die das Benutzerverhalten mit dem Verhalten anderer Nutzer vergleicht. Dabei werden Gemeinsamkeiten in den Vorlieben unterschiedlicher Benutzer vom System gesucht und daraufhin eine Empfehlung aufgrund dieser verhaltensverwandten Besuchergruppe gemacht. Bei diesem System können Kunden entweder im Vorhinein um eine Bewertung über genutzte Informationen oder Produkte gebeten worden sein oder es werden implizite Daten, wie die Kaufhäufigkeit bestimmter Produkte innerhalb einer Kundengruppe, herangezogen. Besonderes Einsatzgebiet dieses Vorgehens sind Produkte und Informationen, die vor allem subjektiv bewertbar sind, wie zum Beispiel im Entertainment-Bereich. Allerdings können auf diese Weise keine personalisierten Hinweise gegeben werden, wenn ein Neukunde noch kein Kundenprofil erkennen ließ oder wenn das Verhalten des Nutzers nicht eindeutig einer bestimmten Kundengruppe zurechenbar ist. Hier ist dann die Trefferquote aufgrund einer kurzen Kaufhistorie sehr niedrig.

Informationsgewinnung

Die automatisierte Personalisierung hängt in entscheidendem Maße vom Umfang und der Güte der zur Verfügung stehenden Informationen ab. Unter dem Begriff Web-Mining werden sämtliche Methoden zur Informationsgewinnung über den einzelnen Nutzer im Internet zusammengefasst.

• Bei der Logfile-Analyse werden Statistiken über die Protokolle des Web Servers erstellt. Hier kann festgestellt werden, welche die am häufigsten aufgerufenen Webseiten waren, welche Wege auf der Webseite besonders beliebt waren, mit welchen Suchbegriffen Nutzer auf die Webseite kamen oder auch auf welchen Seiten es am häufigsten zum Kaufabbruch kam. Auch wenn daraus nicht auf das individuelle Verhalten eines einzelnen geschlossen werden kann, liefert diese Auswertung wertvolle Hinweise auf Zusammensetzung der Nutzer, der Beliebtheit der Seite, dem Surfverhalten und auf Schwachstellen der Webseite
  
• Werden diese Log-Files einzeln ausgewertet, kann durch das Web-Mining der Navigationsweg des einzelnen Kunden auf der Website nachvollzogen werden. Dabei wird er anhand der IP-Adresse bei seinem Server erkannt und gespeichert. Diese Daten stehen ohne zusätzlichen Aufwand zur Verfügung, allerdings kann von der IP-Adresse oft nicht auf den Kunden geschlossen werden, da große Server-Dienstleister IP-Adressen häufig bei jedem Besuch neu generieren und außerdem der Kunde nur dann erkannt werden kann, wenn er von seinem eigenen Rechner aus zugreift.
  
• Ein anderes Instrument zur Informationsgewinnung sind Cookies, die entweder nur für den Besuch der Website auf dem Rechner des Nutzers installiert werden oder ständig auf dem Rechner verbleiben. Sofern der Nutzer persistente Cookies nicht löscht, kann der Nutzer bei jedem Website-Besuch wieder erkannt werden und daher eine umfangreiche Historie über sein Besuchsverhalten auf der Website gebildet werden. Auch hier wird allerdings nicht der Kunde selbst, sondern nur der Rechner, von dem er aus zugreift, erkannt.
  
• Um Log-Files in Echtzeit zu erhalten, stehen verschiedene Verfahren zur Verfügung, die aber alle dieselben Probleme, wie bei der statischen Log-File-Analyse, mit sich bringen.
  
• Eindeutig identifizierbar ist der Nutzer dann, wenn er sich registriert und fortan in einem Formular mit Benutzernamen und persönlichem Kennwort einloggt. Hier können Transaktionsdaten hinsichtlich Kauf- und Bestellvorgänge gespeichert werden und besondere Interessengebiete anhand seines Surfverhaltens herausgefunden werden. Dies setzt allerdings aus datenschutzrechtlichen Bestimmungen die Einverständnis des Nutzers voraus. Mit der Zusammenführung von Log-File-Analysen, Benutzerdaten, Transaktionsdaten und Kampagneninformationen wird ein umfassendes Kundenprofil gebildet.
  

Da der Umgang mit anonymisierten Daten erlaubt ist, können mit dem Web-Mining Kundengruppen mit ähnlichem Besuchsverhalten gebildet und Gesetzmäßigkeiten im Verhalten einer bestimmten Kundengruppe entdeckt werden. Dies kann für die Bereitstellung von personalisierten Inhalten genutzt werden.

Einige Beispiele für personalisierte Inhalte sind:

1. Individuell modifizierte Massenprodukte
   
2. Individuelle Vorauswahl von Informationen und Angeboten
   
3. Individualisierte Massenwerbung nach persönlichen Interessen
   
4. Optische Ausgestaltung der Website nach ästhetischem Empfinden des Nutzers
   
5. Individuelle, dynamische Verweise zwischen den einzelnen Internetseiten
   
6. Persönliche Ansprache des Kunden über individuell bevorzugte Medien
   

Angebote dieser Art sollen einen Zusatznutzen für den Kunden bringen und die Kundenbindung erhöhen. Daher ist neben dem datenschutzrechtlichen Aspekt der Grundsatz des Permission-Marketing beim Kontakt mit dem Kunden anzuraten.

Beim Permission-Marketing können auch E-Mails als wirksames Instrument zum One-to-One-Marketing genutzt werden. Es ist darauf zu achten, dass die Erlaubnis des Kunden vorliegt und er Werbung erhält, die er gerne akzeptiert. Permission-Marketing ist abzugrenzen vom sogenannten E-Mail-Bombing oder Spamming, bei dem Werbung unverlangt elektronisch verschickt wird. Der nachhaltige Kontakt zum Kunden steht im Vordergrund, und somit ist der Erfolg einer Werbemaßnahme nicht kurzfristig zu messen, sondern zielt auf den Lifetime Value des Kunden. Er sollte bei der Werbekampagne einen Nutzen empfinden.

Folgende Aspekte erlangen bei Permission-Marketing-Strategien besondere Bedeutung:

1. Das Unternehmen muss aus Sicht des Kunden glaubwürdig sein. Daher dürfen persönliche Daten auf keinen Fall weitergegeben werden.
2. Der Kunde sollte nach Möglichkeit selbst bestimmen können, welche Informationen er zugesendet bekommt, und er muss sie jederzeit abbestellen können.
3. Versprechungen müssen eingehalten werden. Bei einem Full-Time-Service (24h-Service) als Marketinginstrument für den Kundenkontakt muss der Anbieter auch dafür Rechnung tragen, tatsächlich rund um die Uhr für den Kunden erreichbar zu sein.

Quellen:
Engelbrecht, Andreas/Hippner, Hajo/Wilde, Klaus D.: eCRM - Konzeptionelle Grundlagen und Instrumente zur Unterstützung der Kundenprozesse im Internet, in: Hippner, Hajo/Wilde, Klaus D. (Hrsg.): IT-Systeme im CRM, Wiesbaden 2004, S.418-452.

Hippner, Hajo/Merzenich, Melanie/Wilde, Klaus D.: Web Mining - Grundlagen und Einsatzpotenziale in eCRM, in: Hippner, Hajo/Wilde, Klaus D. (Hrsg.): IT-Systeme im CRM, Wiesbaden 2004, S. 269-298.

Leidig, Guido/Jordans, André: Permission-/Viral-Marketing und Internet, in: Der Betriebswirt, 1/2003, S. 18 - 20.

ECC-Konjunkturindex