(Intro-Musik) Ralf ist Founder und CEO von Odoscope. Nach dem Studium der Elektrotechnik in Aachen, eine sehr bekannte Hochschule in diesem Land, promovierte er auf dem Gebiet der Neuroinformatik über selbstlernende Systeme. Seit mehr als zwanzig Jahren ist er als Unternehmer in den Bereichen Datenanalyse, Customer Experience und KI tätig. Über ein Jahrzehnt leitete er eine Webagentur mit technisch-analytischem Schwerpunkt auf CX. Daraus ist dann die Basis für die Customer-Engagement-Plattform Odoscope entstanden. Ralf, du giltst heute als Experte auf den Gebieten Personalisierung, Customer Experience und Real-Time-AI. So wie bist du wie gefragter Keynote-Speaker und Gastdozent, also der perfekte Mann hier für den heutigen Talk bei uns im Studio. Deine Company, Odoscope, ähm, ist eine Customer-Engagement-Plattform und ist spezialisiert auf KI-gestütztes Merchandising, indem sie entscheidet, welche Produkte wann welchen Nutzern präsentiert werden sollen. Und das unter Berücksichtigung von geschäftsrelevanten Interessen wie Margen, Retourenquoten oder Lagerverkäufen. Mehr dazu dann aber gleich. Deine Session jetzt: AI-Powered Merchandising – wie du mit personalisierten Sortimentsmanagement deine Shop-Ziele spielend erreichst. Worum geht's? Online-Shops stehen unter erheblichem Preisdruck. Produkte werden oft nur mit hohen Abschlägen verkauft. Das wirkt sich massiv auf die Profitabilität aus. Es ist die Stunde des Category Merchandisings, allgemein Produkte mit höheren Margen zu promoten oder zu boosten. Dies kann sich jedoch negativ auf Conversion Rate, die Nachfrage und somit auch auf die Profitabilität auswirken. Also freuen wir uns jetzt auf den Talk, wie man dem begegnen kann und vor allem auf viele Beispiele. Und, wie ich hörte, du hast gerade gesagt, eine Live-Demo sogar zum Thema AI-Personalisierung im Kombination mit Category Merchandising. Also erfahrt jetzt in seiner Session, wie er das Maximum herausholt aus eurem Business. Ralf, bist du ready? Danke, Christoph. Ja, sehr. Vielen Dank für die Ankündigung. Sehr, sehr gerne. Ich freue mich sehr, hier zu sein. Und, ähm, ja, wie Christoph gerade schon angekündigt hat, ähm, ich habe euch eine Live-Demo mitgebracht. Deswegen haltet eure Handys parat. Äh, später wird ein QR-Code eingeblendet, mit dem ihr dann auf eine Website gehen könnt und dann kann ich hier euch was zeigen, äh, und die Website verändern. Aber dazu kommen wir später. Ähm, jetzt wollen wir über AI-Powered Merchandising sprechen. Ähm, Merchandising bedeutet ja, dass wir, ähm, bestimmte Produkte promoten wollen, weil wir eben Business-Ziele erreichen wollen oder weil sie weg müssen. AI-Powered Merchandising bedeutet, dass ich eben nicht einfach plump jedem immer das zeige, was ich promoten möchte, sondern dass ich eben intelligent den Leuten Dinge zeige, die sie, ähm, haben wollen oder die ich promoten möchte, dass man das quasi matcht. Und wie das geht, das erkläre ich euch jetzt in diesem Vortrag. Zunächst mal muss man sagen, wir sind in sehr herausfordernden Zeiten. Ähm, viele E-Commerce-Unternehmen haben das Problem, Umsätze gehen runter im Vergleich zu 2021, 2022. Ähm, Kosten gehen rauf. Das hat bereits zur ersten Insolvenzwelle geführt. Manche versuchen dem, ähm, zu begegnen, indem sie sagen: „Okay, wir müssen unsere Sachen raushauen. Wir machen Sale, Sale, Sale. Ähm, und dann gibt es solche Sachen wie dieses Beispiel hier: Ich gebe fünfzig Prozent Sale auf alles oder auf, auf meine, auf bestimmte Produkte und dann gibt es noch mal dreißig Prozent oben drauf. Dabei bleibt natürlich dann die Profitabilität sehr auf der Strecke und das ist natürlich dann die Zeit des Category Merchandisings. Das heißt, ich möchte bestimmte Produkte, ähm, mit hohen Margen oder meine Eigenmarken eher anpreisen und deswegen werden die dann etwas prominenter dargestellt. Ähm, das hat allerdings dann zur Konsequenz, dass die Kundeninteressen oft vernachlässigt werden und das führt dann dazu, dass die Conversion Rate sinkt und der Umsatz und natürlich dann schlussendlich auch wieder zu weniger Profit führt. Also das muss man irgendwie anders lösen und ich muss vor allen Dingen die Kundeninteressen richtig treffen. Ähm, wie geht das? Also, wie kriege ich das, dass die Leute wirklich kaufen, gerne wiederkommen? Ähm, der Schlüssel ist sicherlich die individuelle Relevanz. Das heißt, ich muss den Leuten das zeigen, was sie jetzt in dem Moment kaufen möchten. Ich muss antizipieren, was sie möchten. Und das ist die, die große Herausforderung, weil, ähm, bei sechzig bis achtzig Prozent der Nutzer weiß ich gar nicht, wer das aktuell ist. Oder ich kenne zumindest nicht seine Intention. Selbst wenn ich ihn erkenne, es kann ja sein, dass es jemand ist, den ich wiedererkenne. Ich weiß aber nicht, was der Nutzer oder die Nutzerin jetzt gerade sucht. Das heißt, den Großteil meiner Nutzer musste ich mit Sessiondaten profilieren. Mehr habe ich in dem Moment gar nicht zur Hand. Und das ist, ähm, relativ tricky, wenn ich jedem individuelle Relevanz anzeigen möchte. Aber wie man das macht, das möchte ich euch ein bisschen hier erläutern. Und zwar geht es erst mal los, dass ich überhaupt erst mal meine Daten anständig aufbereiten muss. Ich muss meine Daten zusammenfassen. Ich muss im Prinzip meine Daten aus meinem Data Warehouse, aus meiner Analytics, aus meinen Produktdaten, aus meinem CRM und meinem Newsletter-System zusammenführen. Das heißt, unterm Strich führe ich alle Daten aus allen Silos in ein sogenanntes Data Lake House. Ein Data Lake House ist eine Mischung aus einem Data Lake, wo ich alles reinschmeißen kann und einem Data Warehouse, wo ich analysieren kann. Das heißt, ich kann auf den großen Datenmengen auch gleichzeitig analysieren. Und dann füge ich Stammdaten mit Bewegungsdaten zusammen. Das hat halt den großen, äh, Sinn, dass ich eben nicht nur weiß, was die Leute gekauft haben, sondern auch für was sie sich interessiert haben und für was sich auch Leute interessieren, die nicht kaufen. Das sind immerhin in den meisten Fällen fast neunzig Prozent oder mehr aller Nutzer. Und es ist halt sehr wichtig rauszufinden, für was interessieren sich diese Leute eigentlich? Weil die sind ja auch nicht ohne Grund im Shop.Und dann ist auch noch wichtig, dass ich die Kundendaten mit Produktdaten kombiniere, und zwar nicht nur die SKUs, also derjenige hat dieses Produkt bestellt, sondern eben die Produktmetadaten, damit ich Affinitäten rausbekommen kann, damit ich also so was rausbekomme, wie beispielsweise Leute mittleren Alters bevorzugen diese Marken oder Leute aus der Stadt bevorzugen höherpreisige Produkte oder bestimmte Farben oder dass zu bestimmten Uhrzeiten vielleicht auch bestimmte Dinge, ähm, Produkte mit bestimmten Eigenschaften, äh, bevorzugt werden. Das heißt, das ist wichtig, dass ich das kombiniere. Und wenn ich das alles kombiniert habe, dann kann ich im Prinzip einen enormen Schatz entdecken, der in diesen Daten ist. Das ist ein sogenanntes Aster Chart. Und in diesem Aster Chart kann man sehen, ähm, welche Eigenschaften der Nutzer haben eigentlich ein-- welch-- einen wie starken Einfluss auf die Produkte, die gekauft wurden. Und hier kann man also sehr viele verschiedene Eigenschaften sehen. Das sind Eigenschaften von Nutz-- von bekannten Nutzern, so was wie das Alter oder die Größe, die sie tragen, ähm, oder welche Preissensitivität sie haben, aber auch Eigenschaften von Nutzern, die unbekannt sind. An welchem Wochentag waren sie da? Ähm, über welchen Marketingkanal sind sie auf die Webseite oder in den Onlineshop gekommen? Mit welchem Betriebssystem waren sie da? Und hier sieht man also beispielsweise den Marketing Channel, der ist hier besonders ausgeprägt. Und das bedeutet, dass im Prinzip Nutzer, die über einen anderen Marketingkanal kommen, signifikant andere Produkte kaufen. Und das ist halt wichtig, das kann man sich zunutze machen. Ich habe das mal in ein Beispiel mitgebracht. Ähm, das ist jetzt hier von unserem Kunden, ähm, Peter Hahn, um einfach mal zu zeigen: Kanalabhängige Topseller. Das sind also jetzt nicht die Topseller aus der Kategorie Pullover, sondern das sind die Topseller aus der Kategorie Pullover für die Nutzer, die über einen Direkteinstieg auf die Seite gekommen sind. Und im direkten Vergleich dazu sind das die Topseller der Nutzer, die über SEO Non-Brand auf die Seite gekommen sind. Also sprich, das sind komplett andere Produkte, wie man sieht. Und das heißt, das Kaufverhalten der Leute in Abhängigkeit des Kanals macht einen riesen Unterschied. Und so etwas muss man sich zunutze machen. Und da sind eben noch mehr Parameter der unbekannten Nutzer, die man hier berücksichtigen kann. Wie sieht das am Beispiel aus? Ähm, da kommt also jemand über SEO Non-Brand an einem Sonntagnachmittag mit 'nem iPad. Dort ist iOS 16 installiert und, ähm, die Person befindet sich in Berlin. Das ist eine Metropolregion und da ist aktuell sonnig zehn bis fünfzehn Grad. Jetzt kann man hingehen und in dem gesamten Datenpool, den man hat, eine Lookalike Audience suchen. Das heißt, man geht hin und nimmt aus den ganzen Daten die Leute, die dieser Nutzerin am ähnlichsten sind. Das sind eben keine digitalen Zwillinge, sondern das sind die Nutzer, die besonders ähnlich sind. Und auf Basis dieser Ähnlichkeiten werden dann die Relevanzen bestimmt. Es wird also geguckt, wie haben diese Nutzer:innen mit den Produkten interagiert? Das müssen nicht nur zwingend Käuferinnen sein, das können auch Nutzerinnen sein, die einfach nur durch den Shop geschlendert sind, vielleicht auch nur was in den Warenkorb gelegt haben, um sich das da, da zu merken. Und dann entsteht quasi auf dieser Basis eine Relevanzliste. Das heißt, das sind die relevanten Produkte für diese Lookalike Audience, dass man sagt, okay, das ist mein Best Guess für den Nutzer oder die Nutzerin, die gerade im Onlineshop ist. Jetzt geht die Nutzerin hin und kreiert einen neuen Datenpunkt, indem sie nämlich einen Filter setzt und sagt: „Ich brauche Größe fünfzig". Jetzt kann ich mir angucken, okay, Leute, die Größe fünfzig tragen, was kaufen die denn für Pullover? Und das sind in der Regel andere Pullover als Leute, die Größe achtunddreißig tragen. Das heißt, jetzt geht das System hin und bildet eine neue Lookalike Audience. Das sind dann andere Leute und bestimmt auf dieser Basis jetzt eine neue Relevanz. Das heißt, die Liste wird jetzt nicht nur gefiltert, sondern sie wird auch umsortiert. Das sieht man jetzt hier. Und wenn man jetzt zum Beispiel das Produkt, was hier auf Position eins ist und auf Position drei ist, sich genau anguckt, dann sieht man, dass die die Plätze getauscht haben. Ich geh noch mal zurück. Ja, das heißt, dieses Produkt, was auf Platz eins ist, hat eine deutlich höhere Relevanz für die Leute, die Größe fünfzig tragen. Deswegen ist das dann nach oben, ähm, gerutscht. So funktioniert das im Prinzip, dass zusätzliche Datenpunkte, die die Nutzer während der Session auch geben, in die Relevanz-Scorings mit einfließen können um beziehungsweise dann dazu führen, dass es eine neue Lookalike Audience gibt. Und so wird quasi mal ein Nutzer oder eine Nutzerin nicht einem festen Segment zugewiesen, was ich vorher definiere, sondern das Segment baut sich die Nutzerin drumherum mit jedem Klick. Was hat das, ähm, für Ergebnisse gebracht? Hier ein Beispiel: ähm, was sessionbasierte Profilierung bewirkt. Wir konnten damit im Mobilen, auf mobilen Endgeräten – da ist es natürlich besonders wichtig, weil ich auf meinem Smartphone nur einen kleinen Display habe und da ist es entscheidend, dass ich relevante Produkte anzeige – die Mobile Conversion Rate um achtzehn Prozent erhöhen, dadurch auch den Revenue entsprechend um fünfzehn Prozent, die Bounce Rate konnte, ähm, signifikant gesenkt werden und auch die, äh, Aufrufe der Detailseiten entsprechend. Das heißt, das ist grundsätzlich, ähm, sehr erfolgreich. Das sehen wir auch bei allen unseren Kunden, dass das funktioniert, dass man also auch unbekannten Nutzern relevante Produkte anzeigen kann. Und ich glaub, das leuchtet auch irgendwie ein. Man kann sich schon vorstellen, dass Leute in Berlin andere Dinge kaufen als im ländlichen Baden-Württemberg beispielsweise. Die Leute ticken einfach anders. Oder Leute, die montags morgens sieben in einen Shop gehen, kaufen andere Sachen als sonntags nachmittags.Jetzt habe ich aber die Herausforderung, dass ich eben meine Business-Ziele habe und versus der Relevanz für den Kunden. Das hei-- Entschuldigung. Das heißt, die Optimierung auf die Conversion-Rate alleine ist zwar wichtig, aber die Marge muss eben im Blick behalten werden. Das muss ich eben auch berücksichtigen, denn das ist das, was ja zurzeit, was ich am Anfang gesagt habe mit den Sales-Produkten. Ich booste Sales, ich zeige ganz viel Sales, ich mache eine Sales-Kampagne nach der anderen. Damit halte ich vielleicht meine Conversion-Rate hoch, aber meine Marge geht mir dabei leider verloren. Deswegen kommen wir jetzt zu dem Category Merchandising. Das heißt, man muss zusätzlich in der Lage sein, eben zum Beispiel meine Sales-Produkte etwas mehr zu boosten. Ich habe die hier markiert mit so einem roten Punkt, weil man das dann besser sehen kann. Das wären jetzt quasi Produkte, die geboostet werden im Sale-Bereich. Ähm, man sieht, es ist nicht alles nur Sale und es ist auch nicht oben festgepinnt, sondern es wird quasi da so zwischengemischt. Oder meine neue Kollektion, die sind jetzt hier mit blauen Punkten markiert, ist die gleiche Kategorie, nur ein anderes Merchandising gemacht. Einmal sage ich, ich möchte mehr Sales-Produkte verkaufen. Einmal sage ich, ich möchte mehr neue Produkte verkaufen. Man sieht, dass da auch einige Produkte, rechts auf dem ersten Platz, links auf dem zweiten Platz und andere auch, gleich geblieben sind. Die sind nicht aus der Liste verschwunden. Dafür sind andere eben dann erschienen oder nicht. Ähm, und so, ähm, kann man das eben nutzen, sowohl seine Kampagnen zu unterstützen oder aber auch mal sein Lager abzuverkaufen. Ähm, man kann damit Werbekosten, Zuschüsse steuern oder man kann eben das Ganze auch in A/B-Tests dann testen und sagen: „Okay, wie stark muss ich das eigentlich boosten, damit ich mir eben meine KPIs nicht kaputt mache? Hier ist eine Studie zum AI-Powered Merchandising von, ähm, Felgenshop. Felgenshop ist ein Shop, in dem ich Autofelgen kaufen kann und in der Pandemie hatten die das Problem, dass alle Werkstätten zu waren. Und wenn ich mir Autofelgen kaufe, dann muss ich halt Reifen aufziehen lassen auf die Autofelgen. Und deswegen haben alle Leute gesagt: „Okay, bitte liefer mir die Felgen mit aufgezogenen Reifen. Das hat dazu geführt, dass deren interne Werkstatt völlig überlastet war, weil ja niemand mehr nur Felgen gekauft hat. Dann haben die im Prinzip gesagt: „Okay, wir haben-- Es gibt bestimmte Produkte bei unseren Herstellern, da sind die Reifen schon mit drin. Dann müssen wir die nicht mit aufziehen. Und so haben wir im Prinzip einen Merchandising gemacht, dass wir gesagt haben, wir boosten Produkte, die schon vom Hersteller mit Reifen, ähm, aufgezogen sind. Das hat dazu geführt, dass die Montageauslagerung um dreißig Prozent gestiegen ist. Das wiederum, äh, hat zusätzlich auch zu einer höheren Conversion-Rate geführt, weil wir eben relevantere Produkte auch angezeigt haben und in der Summe hat das dann auch zu einem hohen Margen-Uplift geführt. Das ist also ein sehr erfolgreiches Beispiel gewesen, wo jemand seine Business-Ziele eben dann damit auch erreicht hat, gesteuert und erreicht hat. Das ist ein, ähm, weiteres Beispiel für, ähm, AI-Powered Merchandising von stoffe. De. Da haben wir viele A/B-Tests gemacht und das zeigt so ein bisschen, wie die unterschiedlichen Eigenschaften der Nutzer da eine Rolle spielen. Also am Anfang haben wir angefangen und haben gesagt: „Okay, ohne Odoskop gegen letzten hundertachtzig Tage, was wurde pro Wochentag gekauft? Das hat mit neun Komma fünf Prozent höherer Conversion-Rate gewonnen und wurde damit die neue Base-Strategie. Dann haben wir als Nächstes das Operating System mit eingebracht. Das hat weitere zwei Komma eins Prozent gegenüber der anderen Strategie draufgelegt. Das wurde dann wieder die neue Base-Strategie. Und dann kam der Business-Owner ins Spiel und sagt: „Ja, wir müssen mehr neue Produkte anzeigen." Wir dürfen nicht nur auf Relevanz gehen, sondern mein Business-Ziel ist, wir müssen auch neuere Produkte anzeigen, damit die Leute das, äh, weil die Leute das auch fordern. Das haben wir dann getestet und siehe da, das hat auch noch mal einen Uplift von zwei gebracht. Unten sehen wir immer den akkumulierten Conversion-Rate-Uplift. Dann wurde das die neue Base und wir haben jetzt die Filter, die die Leute auf der Seite verwendet haben, dann zusätzlich hinzugenommen. Das heißt, es werden immer mehr Parameter, die wir im Prinzip für diese Session-basierte Profilierung verwendet haben. Das hat wiederum eins Komma neun Prozent draufgelegt. Dann haben wir den Kanal, über den die Leute auf die Seite gekommen sind, hinzugefügt und es waren immer A/B-Tests, die so lange gelaufen sind, bis wir im Prinzip eine Signifikanz hatten. Das heißt, das sind jeweils immer signifikante Uplifts gewesen und, ähm, am Ende wurde dann noch mal ein neuer New Boost gemacht. Das heißt, es wurde dann noch mal die Einstellungen wurden etwas verändert, was dann noch mal wieder eins Prozent drauf gemacht hat. Das heißt, in der Summe hat das alles zusammen dann über die Zeit neunzehn Prozent mehr Conversion-Rate gebracht. Und man sieht sehr schön, wie dann quasi jeder einzelne Parameter, den man hinzugefügt hat und der dann mit berücksichtigt wurde, quasi dazu beigetragen hat. Jetzt kommen wir zu der Live-Demo. Ähm, erst erkläre ich euch das Tool, wie das funktioniert. Das hier bitte ist die URL, mit der ihr reingeht. Ihr geht-- Ihr landet auf der Seite von Peter-Hahn, ein sehr großer Onlineshop im deutschen E-Commerce. Ihr landet durch diesen Link auf der Seite der Pullover und eure Session wird speziell so getagt, dass ich die steuern kann im Onlineshop. Dazu wechsle ich jetzt in unser Tool. Das ist das Tool, indem man das, äh, Ganze bedienen kann. Das heißt, hier sind alle Daten-- hier liegen alle Daten unten drunter. Sie liegen hier zugrunde und ich kann quasi auch simulieren und kann das steuern, wie Leute das sehen. Auf der rechten Seite sehe ich jetzt die Pullover-Kategorie. Ähm, hier sieht man jetzt pro Produkt, wie viel Prozent eines-- der Größen eines Produktes sind aktuell auf Lager? Seit wie lange ist dieses Produkt im Shop? Ist es vielleicht gerade reduziert? Was-- Wie heißt es? Was ist die SKU und was ist der Preis? Und hier oben kann ich simulieren, mit was ein Nutzer reinkommt.Das heißt, ich kann jetzt sagen, okay, der kommt jetzt nicht mit einem iPhone rein, sondern der kommt jetzt mit einem Android-Phone rein. Dann ändert sich die Reihenfolge. Das geht jetzt sehr schnell. Deswegen haben wir hier extra so einen Animationsmodus, das quasi zu simulieren. Das heißt, wenn ich jetzt hier das noch mal zurückschalte, dann sieht man, welche Produkte ihre Plätze tauschen. Ich kann jetzt also auch sagen, okay, derjenige kommt jetzt nicht aus Bayern, sondern aus Nordrhein-Westfalen. Was würde dann jemand aus Nordrhein-Westfalen sehen? Wie verschiebt sich das? Was passiert, wenn er nicht sonntags nachmittags oder sondern sonntags morgens kommt? Also so kann man das sehr genau simulieren oder eben hier auch über unterschiedliche Marketingkanäle reinkommt. Auf der linken Seite, hier kann ich durch die Navigation navigieren und auf der linken Seite habe ich einen Switch, wo ich unterschiedliche Audiences bespielen kann. Das heißt, ich kann im Prinzip hier auch sagen, habe ich zum Beispiel eingestellt, Leute, die über einen Newsletter kommen, die sollen bitte Leinen geboostet bekommen, weil das ist gerade meine Kampagne, die da draußen ist. Oder die bekannten Nutzer, da möchte ich eben auch berücksichtigen, dass ich das Alter kenne, dass ich weiß, welche Preissensitivität sie haben. Wenn ich also jetzt hier beispielsweise das Alter einstelle, dann nutzt der automatisch diese Strategie. Und das ist jetzt die Strategie für die bekannten Nutzer. Hier sieht man jetzt sehr viele neue Produkte. So ist das hier eingestellt in dieser Demo und das verändert sich halt, wenn ich jetzt beispielsweise hier andere Preissensitivitäten einstelle, dann sieht man, wie dann eben andere Produkte auch auftauchen. Das ist jetzt jemand, der eher hochpreisig einkauft, aber es werden eben nicht nur hochpreisige Produkte angezeigt, sondern es werden Produkte angezeigt, die Leute kaufen, die so eingestuft worden sind. Also hier ist zum Beispiel auch ein Produkt für neunundsiebzig Euro dabei. Und wenn ich jetzt hier ein günstiges Preiscluster wähle, dann sieht man, dieses Produkt bleibt auch erhalten und insgesamt ist aber die Preislage etwas niedriger. So was kann ich hier simulieren. Ich schalte jetzt mal wieder zurück auf die unbekannten Nutzer. Und hier kann man jetzt im Prinzip sehen, okay, ich habe jetzt hier nur nicht verfügbare Produkte abgestraft und kann jetzt beispielsweise hingehen und sagen: „Ich möchte jetzt aber meine neuen Produkte etwas prominenter zeigen". Das heißt, ich booste jetzt neuere Produkte etwas stärker. Und das kann ich jetzt im Prinzip hier pushen und live stellen. Und wenn ihr jetzt in euren Shop refresht, dann werdet ihr insgesamt mehr neuere Produkte sehen. Das heißt, ihr könnt jetzt auch quer durch den Shop navigieren. Das gilt aktuell für alle Kategorien. Man kann das auch hier einstellen, dass man sagt, man möchte das nur für bestimmte Kategorien haben. Und jetzt kann man eben durch den Shop surfen und sieht jetzt mehr neuere Produkte. Oder ich sage jetzt: Nein, ich möchte jetzt beispielsweise mehr Sales-Produkte zeigen. Das heißt, ich gehe jetzt hier hin und sage: „Okay, ich möchte Sales-Produkte. Dann sage ich: „Okay, das gefällt mir so, und mache ich die neuen Produkte weg. Und wenn ich das jetzt publische und ihr jetzt ... Moment. So. Wenn ihr jetzt im Shop refresht, dann könnt ihr durch den Shop surfen und ihr werdet jetzt überall reduzierte Ware plötzlich bekommen. Egal, wo ihr seid, auf welcher Seite ihr seid, wenn ihr refresht, bekommt ihr jetzt mehr reduzierte Ware angezeigt. Jetzt kann ich eben aber auch zum Beispiel margenträchtige oder bestimmte Marken boosten oder ich kann eben zum Beispiel auch bestimmte Farben. Ich mache das jetzt mal mit Farben, weil das etwas anschaulicher ist, als wenn ich jetzt Marken booste, weil nicht jeder diese ganzen Marken alle kennt. Deswegen gehe ich jetzt mal hin, das etwas anschaulicher zu machen und booste beispielsweise Rot. Jetzt tauchen mehr rote Produkte auf. Und das booste ich jetzt ein bisschen. Jetzt kann ich sagen: „Okay, ich möchte noch ein bisschen mehr davon sehen. Und jetzt ist es vielleicht ein bisschen sehr stark, weil die jetzt alle sehr weit oben sind. Dann machen wir das mal so. Und jetzt kann ich mir das auch angucken: „Okay, wie sieht das denn in anderen Kategorien aus? Beispielsweise in Kleidern? Gefällt mir das so? Ist mir das zu stark? Ist mir das zu wenig? Hier sehe ich gar nicht so viel rote Kleider. Das kann ich jetzt durchsagen: „Nein, ich möchte vielleicht doch etwas stärkeren Boost haben, weil ich eben das entsprechend anzeigen möchte. Und wohl gemerkt, das ist eben kombiniert mit der Relevanz pro Nutzer. Das heißt, ich kann jetzt hier trotzdem weiterhingehen und sagen: „Okay, wie sieht das denn jemand, der eben mit einem Android kommt? Oder wie sieht das jemand, der aus einem ländlichen Bereich in Nordrhein-Westfalen kommt? Oder eben beispielsweise an einem Montagmorgen oder über Direkteinstieg. Und dann sieht man, dass eben dann auch andere rote Produkte nach vorne kommen. So bekommt eben quasi das, was ich anbieten möchte, eine unterschiedliche Relevanz pro Nutzer. Das publishe ich jetzt noch mal. Jetzt sind quasi die Produkte, die wir eben hatten, diese Sales-Produkte sind jetzt weitgehend verdrängt und jetzt seht ihr, wenn ihr durch den Shop surft, insgesamt mehr rote Produkte. Und so funktioniert das eben mit allen möglichen Eigenschaften, die ich jetzt boosten kann. Jetzt möchte ich beispielsweise hingehen und sagen: „Okay, ich möchte das jetzt hier als A/B-Test machen, weil ich nicht genau weiß, was passiert, wenn ich jetzt diese Marke oder diese Farbe so stark booste, macht mir das meine KPIs kaputt. Deswegen speichere ich mir das hier und sage: „Okay, ich möchte das jetzt hier als Demostrategie rot haben. So. Und jetzt kann ich hier vorne in meinem Switch einfach hingehen und sagen: „Okay, dazu möchte ich jetzt gerne einen A/B-Test machen, add alternative und sage hier: „Okay, das ist es.Da ist meine Strategie rot und fertig ist im Prinzip mein A-B-Test. Jetzt haben wir nur die andere Strategie eben gespeichert mit dem Rot. Deswegen gehe ich noch mal ganz kurz zurück und mache das Rot hier noch mal weg und mache hier noch mal den Time Boost rein. Und jetzt Haben wir hier entweder die eine Strategie oder die andere Strategie und das ist jetzt quasi ein A-B-Test. Und wenn ihr jetzt refreshed, dann ist jetzt die eine Hälfte der Nutzer von euch ist in dem Test Nummer A und die andere Hälfte ist in dem Test Nummer B. Also so einfach kann man A-B-Tests hier aufsetzen. Ihr habt gesehen, ich kann simulieren, was bewirkt das? Gefällt mir als Category Manager? Gefällt mir, was ich da sehe? Sind die Produkte so, wie ich die haben möchte? Ich kann auch einzelne Produkte nach oben schießen, wenn ich möchte oder eben Produkteigenschaften boosten. Das Ganze kann man dann auswerten, indem man in dem Dashboard dann einen A-B-Test-Vergleich macht. Hier sieht man Confidence-Intervalle, hier sieht man für alle unterschiedlichen Metriken, was das Gesamte bewirkt und wie hat sich das ausgewirkt, dieser Test. Und ich kann also genau bewerten: „Okay, das hat funktioniert und ich möchte das beibehalten. Dann kann ich mir auch merken: „Okay, in einer Sales-Phase ist dieser Boost wichtig und wenn die neuen Produkte kommen, dann muss ich eben andere Boost beispielsweise auch rein machen. Und so kann ich eben dann auch lernen. Das Ganze kann man jetzt nicht nur auf die Listen verwenden, sondern man kann das im Prinzip an allen Managed Touchpoints verwenden. Das heißt, ich bin also nicht nur darauf angewiesen, dass ich das in meinen Kategorien machen oder in meinen Suchergebnislisten, sondern ich kann das eben auch beispielsweise auf Bannern machen, auf Display Ads, die auf externen Webseiten sind. Das haben wir beispielsweise mit Peter Hahn auch gemacht. Das hat die Click-through-Rate auf die Banner die 300% erhöht. Wir haben damit signifikant mehr Erstbesucher und Neukunden generiert. Wir konnten die Conversion Rate im Shop 14% erhöhen und die Nachfrage 16%. Das heißt, hier ging es darum, das möglichst relevante Produkt im Banner Ad anzuzeigen. Oder man kann das auch mit Newslettern machen. Da haben wir das in Newsletter eingebaut. Da geht es dann natürlich nicht auf unbekannte Parameter der Nutzer, sondern Profileigenschaften der Nutzer, die wir schon kennen, die die sich zum Newsletter angemeldet haben. Hier konnten wir die Anzahl der Bestellungen 9% erhöhen und die Retourenquote sogar 10% senken, was insgesamt zu einem Umsatz plus nach Storno und Retouren 20% geführt hat und sogar dann einen Margin Uplift von 24% generiert hat. Das hier ist Das kann man auch bei Empfehlungen verwenden. Das heißt, auch bei Empfehlungen auf Produktdetailseiten bin ich dann in der Lage, mein Category Merchandising mit einfließen zu lassen und zu sagen: „Ich möchte aber eher solche Produkte aktuell empfohlen haben als Alternativen. Hier sind wir gegen eine andere Empfehlungsengine angetreten. Deswegen sind die Zahlen nicht ganz so hoch, aber wir konnten zeigen, dass wir da auf das vorhandene System noch mal ordentlich was drauflegen konnten. Das ist ein Auszug unserer langjährigen Kunden, mit denen wir seit vielen Jahren zusammenarbeiten auch und sehr erfolgreich sind. Ja, und das sind meine Kontaktdaten, wo ich mich freue, wenn ihr Fragen habt, freue ich mich natürlich auch jetzt hier im Studio, welche beantworten zu können oder ihr schreibt mir eine E-Mail oder eine WhatsApp oder kontaktiert mich auf LinkedIn. Hervorragend, Ralf. Vielen, vielen lieben Dank. Das war hochspannend. Ich habe mein Smartphone hier noch offen und habe dein Live-Demo selber gespannt mit ausprobiert. Okay, super. Komm doch rüber hier in den Kist zu uns. Sehr gerne. Nimm dein Glas Wasser mit. Das war hochspannende Einblicke dort in die Lösung, die ihr habt und was da wirklich tatsächlich alles geht, wie ich es gerade sagte. Ich habe es echt gespannt hier live mitverfolgt. Coole Sache, absolut. Wir haben einige Fragen reinbekommen, ich glaube, irgendwie 20 an der Zahl. Okay. Deswegen wollen wir direkt einsteigen hier in den bunten Q&A-Regen. Lass uns doch mal starten: Beinhaltet eure Lösung eigentlich auch Predictive Pricing? Da arbeiten wir aktuell dran und mit einzelnen Kunden können wir so was schon umsetzen. Also das kann man im Prinzip auch mit integrieren und kann eben dann auch genau messen, welche Preise bei welcher Gruppe wie relevant sind beziehungsweise auch, wie stark muss ich ein Produkt discounten, wenn ich jetzt nicht für unterschiedliche Nutzer unterschiedliche Preise machen möchte. Das ist immer so ein bisschen kritisch, aber ich kann ja individuelle Discounts oder Voucher anbieten. Maybe. So wäre das im Prinzip dann auch lösbar. Okay, also ihr steckt im Maschinenraum und ... Ja, und mit einzelnen Kunden machen wir das auch schon. Okay. Wie viele Daten brauche ich, damit das überhaupt funktioniert? Na ja, meine erste Antwort auf das ist immer: Wichtig ist, dass ich mehr Kunden als Produkte habe, sonst kann ich meine Produkte nicht bewerten. Aber ich sage mal, wenn ich so ... Also es hängt natürlich ab. Wenn ich jetzt nur 100 Produkte habe, dann brauche ich natürlich deutlich weniger Nutzer, als wenn ich jetzt 10.000 Produkte habe, logischerweise. Wir sagen immer, dass man so im Jahr vielleicht mal so ein bis zwei Millionen Visits haben sollte, damit das Ganze Sinn macht.Ein bis zwei Millionen Visits, okay. Ich habe hier nämlich auch Fragen, die in diese Richtung gehen. Einmal: Welche Kunden adressiert ihr, beziehungsweise lohnt sich das für uns? In Klammern fünf Millionen Umsatz – da wurde jetzt nichts von Visits geschrieben –, aber da hast du ja eine Kennzahl an die Hand gegeben, mit an der man sich herangeln kann. Genau, mit fünf Millionen, da haben wir durchaus auch Kunden, die fünf Millionen Umsatz machen, wo das auch geht. Wir haben auch schon mit sehr kleinen Shops, die deutlich weniger als eine Million Visits im Jahr hatten – da ist eben dann diese Relevanzsortierung beispielsweise pro Land, dass man dann im Prinzip sagt: „Okay, in Frankreich ist ein anderes Kaufverhalten als in der Schweiz, als in Polen, als in Deutschland. Also wenn man länderübergreifend ist, dann ist einfach Ist ja auch jedem klar, dass da ein anderes Kaufverhalten ist und das muss ich eben dann nicht manuell alles pflegen, sondern das macht das System dann automatisch. Und dafür brauche ich auch deutlich weniger Daten, als wenn ich eben so feingranular auf Wochentag, Stunde ... Also je mehr Daten ich habe, desto feingranularer kann ich natürlich werden, logischerweise. Okay, perfekt. Ähm, ich hatte hier eine Frage, die war ganz schön: „Sind Shops mit High Seasons zu Valentinstagen, Mutter-, Vatertag und vielleicht noch Weihnachten? (übersprechen 00:01:05) Dazwischen eher tote Hose. Wie schnell ist die Lernkurve? Na ja, das Gute ist, ich muss quasi nicht neu lernen, sondern ich kann die Daten nehmen, die schon da sind. Das heißt, ich kann also auch die Daten aus dem letzten Jahr nehmen Und da ich ja die Produkteigenschaften habe, muss ich auch nicht unbedingt auf die speziellen Produkte gehen, sondern ich kann dann sagen: „Okay, jetzt bei solchen Leuten funktionieren eben Produkte mit diesen Eigenschaften oder es funktionieren Produkte mit den Eigenschaften, sodass ich also auf Basis der historischen Daten eben daraus Wissen ableiten kann und damit auch dann eben in dieser High Season vom ersten Tag an und nicht erst die Hälfte meiner High Season nutzen muss, sondern ich kann vom ersten Tag dieser High Season auch wirklich schon relevante Produkte ausspielen. Hervorragend. Das ist eher so ein Problem, was man auch kennt, zum Beispiel jetzt andere Richtungen, aber Social Advertising. Du hast den Valentinstag, die Phase läuft zwei, drei Wochen, bis deine Kampagne erst mal angelernt wird. Genau, das ist eben das Besondere auch, was ich gezeigt habe, wenn wir in die externen Banner Ads reingehen, dass eben deine Shop-Daten entscheiden darüber, was angezeigt wird. Was heißt, im Gegensatz zu DCO, wo ich Dynamic Creative Optimizations habe, ähm, muss das eben nicht die Hälfte meiner Kampagne erst lernen, sondern ich lerne aus den Daten des Shops und kann quasi vom ersten Tag an relevante Banner ausspielen. Okay. Ja, das ist dann riesig. Perfekt. Riesigen Vorteil. Da kam nämlich noch eine Frage: „Wie lange muss das System anlernen? Wenn ich jetzt morgen mit euch starte, ähm, ist natürlich auch ein bisschen Traffic abhängig. Wenn natürlich richtig Druck drin ist, dann geht die Lernphase natürlich weitaus schneller, ne? Ja, aber im Prinzip bin ich vom ersten Tag an produktiv, weil wir importieren die vorhandenen Tracking-Daten, die schon da sind und ich kann quasi in dem Moment, wo ich es live schalte, zeige ich sofort relevante Produkte an, ja. Was man dann natürlich so ein bisschen lernen muss, ist: Macht es Sinn, jetzt diese unterschiedlichen Parameter alle zu berücksichtigen? Welche Parameter? So wie ich das in diesem einen A/B-Test gezeigt habe, wo quasi eins nach dem anderen hinzugefügt wurde. Das ist eigentlich so eine Best Practice. Man guckt sich diesen Asta Chart an und sagt: „Okay, welcher ist der Parameter, der die höchste Korrelation hat zu den Produkten, die gekauft werden? Damit fängt man an und dann fügt man einen nach dem anderen hinzu. Aber je nachdem, wie viel Druck da im Kessel ist und wie schnell ich meine Margen optimieren muss, kann man natürlich dann auch schon mal mit mehr solcher Sachen nach vorne preschen. Mhm, sehr gut. Wie erfolgt die Integration eurer Lösung? Das Ganze ist eine SaaS-Lösung, die über APIs angesprochen wird. Wir haben Plug-ins, beispielsweise zu Shopware oder zu Salesforce. Ähm, aber ansonsten wird es über die API angesprochen. Das heißt, serverseitige Abfragen an der Stelle, wo ich normalerweise meine Elastic Searchfrage und sage: „Gib mir mal bitte die Produkte dieser Kategorie oder wo ich meine Reco-frage, frage ich eben dann Odoscope und sage nicht nur die Kategorie mit den Filtern, sondern die Kategorie mit den Filtern für diesen Nutzer. Und dann liefert Odoscope eben die entsprechenden Produkte zurück und wenn man möchte, auch schon alles, was zum Rendern erforderlich ist. Das ist eben gerade bei Headless-Systemen sehr wichtig, dass ich quasi dann auch alles zur Hand habe, was eben zum Rendern gebraucht wird, sodass ich nicht noch einen zusätzlichen Roundtrip zu meinem Backend habe. Okay. Shopsysteme hast du gerade angesprochen. Da kam jetzt auch zweimal die Frage – ich nehme eine jetzt stellvertretend: Welche Shopsysteme sind geeignet oder sagen wir, besonders geeignet, um dies umzusetzen? Gibt es da Präferenzen oder sagst du grundsätzlich alles? Grundsätzlich kann ich das in alle Shopsysteme integrieren. Wie gesagt, bei Shopware und bei Salesforce haben wir Plug-ins beziehungsweise bei Salesforce heißen die ja Cartridges. Aber damit kann ich natürlich sehr schnell so eine Integration haben. Mit solchen Plug-ins bei Shopware bin ich in zehn Minuten live, im Prinzip. Wenn ich dann noch mal Tomo habe, da haben wir eine Integration oder BigQuery, also GA. Dann ziehen wir die Daten, importieren die bei uns, das Plug-in wird eingebaut und fertig. Du hattest ein Slide mit ein paar Logos drauf, hast ja auch hier den Hahnshop gezeigt. Es gibt eine Frage: „Bin gerade auf eurer Website, Bild und Titus nutzen aktuell eure Lösungen. Welche Shops kann man sich generell mal anschauen? Welche Lieblingscases empfiehlst du? (lachen) Definitiv Peter Hahn, aber auch Felgenshop. Ähm, Felgenshop ist halt sehr, sehr speziell. Die haben irgendwie dreißigtausend Produkte, aber zig Millionen Kategorien. Das hat was damit zu tun, dass Autofelgen zwar auf ein Auto drauf passen, aber die Zulassung nur für bestimmte Motorisierungen haben. Deswegen haben wir quasi für jedes Auto alle Motorisierungen gemapped. Und da versagen sehr viele andere Lösungen. Das heißt, das ist ein sehr spezieller Case, aber es führt dazu, dass dann sehr speziell für dieses Auto, mit diesem Motor und so weiter, dann auch individuelle Relevanz angezeigt wird.Da kann ich das also auf jeden Fall auch sehen. Verrückt. Ich habe hier so ein bisschen die Data-KPI-Frage. Es gibt hier eine Frage: „Wie sieht das mit der Auswertung dieser Maßnahmen aus? Ich erinnere mich jetzt gerade mit einem Auge. Ich habe so ein Dashboard gesehen. Genau, da haben wir sehr, sehr umfangreiche Auswerter-Analyse-Möglichkeiten. Das heißt, ich kann quasi immer A-B-Tests machen und wir ermutigen unsere Kunden auch dazu, so eine Test-and-adopt-Kultur zu etablieren, quasi ununterbrochen zu testen. Wir haben auch immer eine kleine Gruppe laufen, die ohne Odoscope läuft, damit man auch immer sehen kann, was bringt mir Odoscope eigentlich unterm Strich, im Vergleich zu, wenn ich kein Odoscope nutze. Und dann kann ich eben immer auswerten meine A-B-Tests, Analysen machen und kann alle KPIs, die ich dann auch aus meinem ERP habe. Das heißt, ich kann gucken, wie hat sich mein Contribution Margin verändert? Wie hat sich meine Retourenquote verändert durch diese Maßnahme? Und das kann ich eben dann in A-B-Test sehen, sehe Konfidenzintervalle, weiß, bin ich signifikant. Der sagt einem dann auch manchmal: „Jetzt musst du noch 34 Tage warten, bevor du dann irgendwie Konfidenz bekommst. Solche Sachen. Ich habe da eine sehr, sehr ausführliche Möglichkeit der Analyse. Spannend. Es kam noch ein paar Fragen die Richtung: Du hast das jetzt gerade aufgezeigt und es gibt natürlich noch mehr Sachen in so einem Shop, die man A/B testen kann, der ganze Checkout-Prozess. Fasst man den im Zuge eurer Lösung dann an oder sollte der schon vorab irgendwie durchoptimiert sein? Da gab es ein paar Fragen in die Richtung. Also wir oder die Lösung von Odoskop, die kann mir ja nur helfen, was ich anzeige muss. Genau. Also was für Produkte sind relevant? Das heißt, ich kann auch im Checkout-Prozess noch mal Zubehörteile anbieten oder irgendwelche Empfehlungen aussprechen. Was wir nicht machen können, ist, wir können jetzt nicht den Checkout-Prozess in seiner HTML-Struktur verändern. Man könnte natürlich hineingehen und bestimmte HTML-Elemente auch tracken und sagen: „Okay, guck mal, auf iPhone funktioniert dieser Checkout besser und auf Android funktioniert dieser Checkout besser. So was könnte man schon mit Odoscope auch machen, wenn ich jetzt so drüber nachdenke. Dazu hat natürlich niemand historische Daten. Das muss natürlich dann neu getrackt werden. Aber so was könnte man machen und dann könnte man eben unterschiedliche Checkout-Forms für unterschiedliche Situationen oder unterschiedliche Nutzerprofile dann auch entsprechend etablieren, wenn man feststellt, dass die Leute sich signifikant anders verhalten. Es ist sehr spannend. Manchmal, wenn wir auch solche Boosts machen oder so was oder so in dem Sinne von Category Management, dann stellen wir fest, dass das bei manchen Nutzern funktioniert und bei anderen nicht. Dann sagst du: „Okay, guck mal hier, da haben wir irgendwie 20% Uplift geschafft, aber nur auf Desktop-Computern und nicht auf iPhone. Und bei iPhone musst du dann wieder genau das Gegenteil machen. Aber das kannst du Gott sei Dank machen, weil du eben so Audiences anlegen kannst. Und dann kannst du sagen: „Okay, für die iPhone-Audience mache ich das jetzt eben anders, weil mein A/B-Test, das kann ich dann in diesen A/B-Test auch. Ich kann dann sehr detailliert filtern auf die unterschiedlichen Nutzergruppen und kann sagen: „Okay, wie sieht mein A/B-Test aus? Alles klar. Wie sieht denn der A/B-Test aus für alle Leute, die über Direct kommen oder die mit einem iPhone kommen und so weiter. Und so kann ich das dann eben auch messen. Cool. Hier schreibt auch ein User spannend, der ebenso wie ich angefixt ist und fragt konkret: „Gibt es ein Pricing-Modell? Produkte, Umsatz, ab wann sollten wir miteinander sprechen? Er möchte, glaube ich, wissen, woran orientiert sich meine Zusammenarbeit mit euch? Die Zusammenarbeit mit uns, das Pricing-Modell basiert auf den Visits pro Jahr im Onlineshop. Das heißt, je mehr Visits ich pro Jahr habe, desto mehr muss ich bezahlen. Das Ganze gibt dann einen Mengenrabatt pro Million Visits pro Jahr wird dann quasi die eine Million Visits pro Jahr immer günstiger. Und so passiert das Pricing-Modell. Also von daher einfach uns kontaktieren und dann können wir dir sagen, ob wir dir jetzt schon helfen können. Super. Was haben wir hier noch Schönes? Lass mich mal doch mal schauen. Was wäre der – ich formuliere es mal ein bisschen Was wäre der allerbeste Use Case, jetzt zu starten? Definitiv die Liste. Die Liste muss man sich ja vorstellen. Die Liste ist der Punkt, wo Leute im Discovery-Mode sind. Das heißt, die wissen noch nicht, was sie haben wollen und die gucken einfach mal vorbei. Die sagen: „Ich suche jetzt etwas, was du in deinem Shop anbietest, und dann schauen sie mal, ob du was dabei hast. Und jetzt sagst du: „Ja, ich will ja alle Leute abholen mit meinen Produkten. Deswegen habe ich tausend Stück von dieser Sache, was auch immer du anbietest. Niemand scrollt aber diese ganzen Seiten durch. Google hat uns allen beigebracht: Alles, was für dich relevant ist, ist auf der ersten Seite. Danach kommt nur noch Schrott. Das heißt, wir gucken: Ist da was dabei? Nein, nächster Shop. Das heißt, es ist total wichtig, dass du diesen Leuten möglichst auf der ersten Seite das Relevante anzeigst, was für sie relevant ist. Und deswegen ist die Liste so wichtig und deswegen sehen wir auch da die höchsten Hebel. Weil wenn ich jetzt auf Produkt Detailseiten bin oder auf Landing Pages oder was, also Landing Pages kann ich natürlich auch Teaser einbauen und kann auch Teaser personalisieren und sagen, ich möchte jetzt hier für die Leute eher in diese Kategorie leiten, die Leute lieber in diese Kategorie. Alles möglich. Aber der höchste Hebel ist definitiv auf der Kategorieliste oder auf der Suchergebnisliste. Also das ist ganz klar. Das sehen wir auch bei allen unseren Kunden immer wieder. Deswegen, wenn einer sagt: „Ich möchte mal anfangen, dann definitiv damit. Perfekt. So, lassen Sie mich mal eben schauen. Vielleicht ein, zwei nehmen wir noch mal rein. Wie reagiert das System, wenn User und Userinnen nicht eingestuft werden können? Stichwort Adblocker, Cookies nicht akzeptiert etc. Pp.Na ja, also ein bisschen was muss ja jeder mitliefern und das ist zumindest schon mal die IP-Adresse. Okay, da kann ich jetzt über den Tor-Browser kommen. Also ich bin natürlich in der Lage, quasi komplett das alles zu verschleiern. Ich kann meinen User Agent komplett ausblenden. Ich kann quasi über VPN an eine Adresse auf der anderen Seite der Welt und dann komme ich plötzlich aus Australien und dann sagt das System: „Okay, dazu finde ich halt niemanden." Dann kriege ich halt die Sortierung, die basierend ist, die auch immer noch besser ist als die Standard-Sortierung, weil ich krieg dann eine Sortierung, die schon die Relevanz der Produkte, aber dann eben für alle Nutzer berücksichtigt. Beispielsweise, dass eben auch berücksichtigt wird, wie oft werden Produkte angeguckt, in den Warenkorb gelegt. Also es basiert nicht nur auf reiner Conversion Rate, sondern es basiert eben auf allen Interaktionen. Und je mehr Datenpunkte eben von dem Einzelnen mitkommen, umso mehr kann eben dann für diese Relevanzberechnung berücksichtigt werden. Wenn er nichts mitschickt, dann ist es halt dann eben nur auf allen basierend. Ja. Okay. Und das ist vielleicht auch noch zur Erklärung dieses Algorithmus oder wie das Ganze funktioniert, weil oft kommt die Frage: „Wie kann ich denn mit so vielen verschiedenen Segmenten tausend Produkte scoren? Wie soll das denn gehen? Und es ist halt so, dass eben geguckt wird, ob in solchen Segmenten eben Produkte besonders signifikant gekauft wurden. Dann werden die auch oben angezeigt und nach unten hin wird quasi das Segment automatisch immer breiter, bis ich dann den Long Tail irgendwann, also auf Seite vier, fünf, irgendwann, wird dann quasi nach allen nur noch sortiert. So wird das im Prinzip. So kann ich trotzdem für alle Leute Relevanz ausspielen. Und bei demjenigen, der sich dann verschleiert, fängt halt dieser Long Tail dann sehr früh an. Okay. So, eine letzte Frage, und zwar: Habt ihr auch Kunden aus dem Reisesegment? Oder ich frag mal, gäbe es Besonderheiten im Reisesegment? Also im Reisesegment gibt es sicherlich Besonderheiten. Bisher haben wir noch keinen Kunden aus dem Reisesegment. Ich sehe da aber ein riesen Potenzial. Absolut, glaube ich auch. Also jedes Mal, wenn ich auf booking. Com gehe, denke ich: „Mensch, da kannst du so viel machen. Ja, absolut. Weil es fängt ja schon damit an, dass die im Prinzip sagen, dieses Produkt wird so und so bewertet. Bewertet von Leuten wie mir, bitte. Find doch bitte raus, wie Leute wie ich bin, meinetwegen auch an anonymen Parametern, und dann zeig mir nur die Bewertungen an, die mich betreffen. Ich meine, da kannst du dann wählen, privat oder Geschäft, das ist auch alles, mehr auch nicht. Und damit geht es ja schon los. Und dann geht das natürlich weiter übers Ranking. Ich meine, was kannst du ranken? Entfernung zu deinem Point of Interest und Preis und Bewertung. Und da glaube ich, da ist ein Riesenpotenzial. Glaube ich auch. Ich bin jedes Mal auch klassisch bei Booking. Die Genius-Angebote werden dann weiter höher gerankt, aber irgendwie das jetzt, was für mich als Person passt, das muss ich mir dann erst mal umständlich selber rausfinden. Ja, ja, das ist ein sehr langwieriger Prozess. Und das ist eben das Thema mit Discovery, weil da bist du auch im Discovery Mode. Manchmal weißt du dein Hotel und tippst du direkt das Hotel an, leider weg. Und dann geht es los. Und daran erkennst du, wie hoch der Convenience-Faktor ist. Das heißt, wenn du den Leuten da das Richtige anzeigst, dann werden die nie mehr woanders hingehen. Die werden deinen Shop lieben. Und das ist genau das Entscheidende. Und im Online-Geschäft, eben auch abseits von der Reisebranche, ist es halt so, dass du oft viele andere Shops hast, in die du dann gehen kannst und dann bist du halt einfach weg. Da gibst du dir nicht die Mühe, wie wir beide das auf Booking machen. Ist so. Da bist du halt schneller weg. Super, Ralf. Ich fand das wirklich hochinteressant. Die Audience sieht es genauso. 59% finden deine Session bis hierhin top. Das ist ein sehr gutes, überdurchschnittliches Feedback, was wir heute haben. Weit überdurchschnittliches Feedback. Also wirklich hervorragend. Danke schön. Das war ein tollen Aspekt, den du hier heute reingepackt hast. Wir haben ja sehr viele vielfältige Themen schon mit dabei gehabt, von SEO, Data, Marketing, Automation, im Bereich E-Mail-Marketing. Und jetzt dein Thema hat es noch mal richtig schön rund gemacht. Vielen, vielen lieben Dank. Danke, dass ich dabei sein durfte. Hat Spaß gemacht. Cool. Und noch mal der Aufruf an der Stelle: Ihr könnt Ralf entsprechend bei LinkedIn anschreiben, du hast seine Kontaktdaten eingeblendet und meldet euch bei ihm und seinen Kollegen und Kolleginnen, wenn es spannend für euch ist.
Automatisch erstellt & redaktionell aufbereitet — kann vereinzelt Fehler enthalten.
