So, ich glaub, dann können wir tatsächlich pünktlich loslegen. Herzlich willkommen an alle, die jetzt auch noch dabei sind. Äh Ganz, ganz viele waren ganz pünktlich heute da. Es freut mich natürlich, dass das Thema auch so viele interessiert. Und mich freut's natürlich auch, dass ich wieder dabei sein darf, ähm, bei diesem schönen Event. Das hat mir letztes Mal schon sehr viel Freude gemacht. Da haben wir auch schon 'n bisschen über, ähm, OnSite Personalisierung generell gesprochen und heute wollen wir einfach in das Thema noch 'n bisschen intensiver einsteigen und uns anschauen, wie können wir eben, ähm, smart eingesetzte Daten nutzen, um die perfekte Customer Experience hinzubekommen für Nutzer in unserem Webshop, auf unserer Publisher-Seite, egal, was eben genau das Ziel des Ganzen sein mag. Was habe ich heut mit euch vor? Ich möchte natürlich 'n bisschen was über Turbo erzählen und ganz kurz auch was über mich. Das halte ich aber sehr in Grenzen. Dann schauen wir uns 'n bisschen die Grundlagen an, was muss eigentlich geschaffen sein, damit wir eben ja, mit Daten, ähm, personalisieren können? Was bedeutet künstliche Intelligenz und wie wird sie bei uns eingesetzt? Und dann möchte ich eigentlich auch wirklich hauptsächlich über die datenpersonalisierte, datenbasierte Personalisierung wirklich in Beispielen sprechen. Das heißt, was machen unsere Kunden mit uns? Wie sieht es dann in der Realität aus? Ich glaube, das ist, ähm, das, was dann auch wirklich das ganze Thema anreichert und wo man versteht, das können wir damit erreichen. Am Ende des Tages sind wir natürlich große Fans davon, auch immer alles zu testen und auszuprobieren, was funktioniert am besten. Deswegen gibt's da auch noch 'n kleinen Teil dazu. Und ein kleines Fazit, was wir aus dem ganzen, ähm, ja, Talk heute dann für uns so mitnehmen wollen. Ich bin die Anna, ich leite bei uns bei Turbo das Account Management. Entsprechend kümmere ich mich alles, was mit Bestandskunden zu tun hat. Deswegen kenne ich mich natürlich auch gerade mit Kampagnenmaßnahmen und eben unterschiedlichen Bedürfnissen, was Onlineshops angeht, ähm, sehr gut aus und kann da hoffentlich auch 'n bisschen Licht ins Dunkel bringen, was das Thema angeht. Ähm, wenn ihr konkrete Fragen habt, ich guck parallel immer mal so 'n bisschen in den Chat rein, ähm, und versuch, die Fragen zu beantworten. Auf jeden Fall im Anschluss haben wir noch mal Zeit. Ähm, wenn nicht, ich bin heut tagsüber auch noch 'n bisschen online, schreibt mich gerne an, ähm, dann können wir bestimmt noch mal tiefer über die Themen sprechen. Gar kein Thema. Ich sag's auch gleich noch dazu, wir haben auch einige Ressourcen noch, die 'n bisschen mehr in das Thema einsteigen oder eben auch konkrete Themen, die euch vielleicht mehr interessieren. Dazu gibt's dann eben, äh, White Paper oder Case Studies. Dazu gibt's hier QR-Codes, die ihr abscannen könnt während dem Code und gerne dann auch runterladen. Wenn es zu schnell gehen sollte, dann auch da gerne einfach bei uns melden, dann schicken wir euch das durch. Was macht Turbo? Wir sind, ähm, ein führender Technologieanbieter im Bereich OnSite Personalisierung, Optimierung und natürlich auch Testing. Ich hab's grad schon gesagt. In unserer Plattform vereinen wir eben alles, was mit dem Thema Personalisierung zu tun hat. Das ist, glaube ich, ganz wichtig, weil jeder hat, glaube ich, wenn er an Personalisierung denkt, erst mal was anderes im Kopf und ganz, ganz viel hat's natürlich mit Produktempfehlungen zu tun, was auch angeboten wird. Aber was, glaube ich, wichtig ist, ist, dass in dieser Plattform eben auch ein Algorithmus integriert ist, der ganz viele verschiedene, über fünfzig unterschiedliche Usermerkmale analysiert und anhand dieses Verhaltens dann eben entscheidet, was ist jetzt grade für den Nutzer am wichtigsten? Was interessiert ihn im Moment? Was braucht er grade? Ja, und das Ziel ist eben natürlich immer, das optimale Einkaufserlebnis für den Nutzer herzustellen. Also für uns ist natürlich den Umsatz zu maximieren, die Conversion-Raten zu optimieren, Bounce-Raten zu senken, was auch immer eben euer Ziel ist. Was vereint die Plattform alles in einem? Ich hab's grad schon gesagt, Personalisierung und Recommendations in jeder Farbe und Form, die ihr euch vorstellen könnt. Das Ganze wird umgesetzt durch 'ne dynamische Segmentierung und einem intelligenten Targeting, also quasi die Segmentierung, die automatisch stattfindet. Was interessiert mich grade am meisten? Was, ähm, ist für mich am wichtigsten? Aber eben auch, an welcher Stelle soll es getargetet werden, zu welchem Zeitpunkt und vielleicht auch an welchem Ort. Und das Ganze würde wenig Sinn machen, wenn wir nicht auch die Möglichkeit hätten, das, ähm, eben A B- und Multivarianten zu testen, also zu schauen, was funktioniert wirklich am besten? Was bringt uns die meisten Umsatz? Und dann in 'ner kontinuierlichen Analyse und Optimierung zu entscheiden, welche Maßnahmen weiterlaufen oder auch vielleicht für immer zu hundert Prozent im Shop laufen und welche man eben noch optimieren muss. Unsere Kunden kommen aus allen möglichen Ecken. Ähm, wir haben natürlich ganz, ganz viele Kunden aus allen Verticals des E-Commerce, aber auch aus der Publisher-Ecke und der Telekommunikation und auch ganz viele Kunden aus dem Reisebereich. Was bedeutet diese Analyse? Hab ich grade schon gesagt, ich möchte es noch mal 'n bisschen vertiefen. Wir schauen uns eben Dinge an, wie, in welchem Browser ist der Nutzer grade unterwegs? Wie sieht seine Customer Journey aus? Was ist grade seine interessierteste Produktkategorie oder vielleicht hat er eine bestimmte Markenpräferenz. Ähm, von welchem Clicking-Kanal ist er gekommen? Hat er schon mal bei uns gekauft oder ist er ganz neu da? Aber auch Informationen, wie, an welcher Stelle befindet er sich grade in seinem Einkaufsprozess oder an welchem Ort befindet er sich grade tatsächlich physisch, können hier eben berücksichtigt werden. Das Ganze kommt dann eben, wie man hier sieht, in den Trichter. Und dann können wir entscheiden, was ist das Segment und was wollen wir damit machen? Wollen wir eine Empfehlung aussprechen, also 'ne Produktempfehlung? Wollen wir vielleicht in dem Moment 'ne Lead Generierung triggern? Oder wollen wir verhindern, dass er seinen Warenkorb abbricht? Was, glaub ich, ganz, ganz wichtig ist, ist, dass alle diese Informationen auch an externe Systeme übergeben werden können. Es ist also keine Einbahnstraße und man dann eben, ja, äh, ich sag mal, intelligente Segmentierung über alle Touchpoints hinweg erreichen kann. Dann wollen wir auch schon direkt einsteigen in die Grundlagen, insbesondere eben die Datenbasis und dieses ganze Thema künstliche Intelligenz, was ja ganz, ganz viele Dinge beinhaltet. Und ich glaub, da ist es wichtig, sich anzuschauen, okay, an welcher Stelle befinden wir uns eigentlich grade und, und was ist so, ich sag mal, der, die, die Basis, die wir haben oder die wir nutzen können? Und, äh, da ist für mich super relevant zu sehen, dass zum einen ganz viele Unternehmen wirklich 'n negativen Einfluss durch, auf die Kundenbindung durch die fehlenden Daten haben. Und ich glaube, fehlende Daten und wo man eben dann Verluste hat, das kennt wahrscheinlich jeder von euch, dass aber auf der anderen Seite ein Großteil der Nutzer bereit sind, Daten für 'ne bessere Personalisierung zu teilen. Das find ich ist 'ne super relevante Information, weil wir ja schon das Gefühl haben, dass grade in Deutschland, ähm, oder auch in der DACH-Gegend die Leute eher weniger bereit sind. Aber es kommt eben immer drauf an, für was gebe ich meine Daten her. Und da muss man auch einfach offen und ehrlich mit den Nutzern kommunizieren. Und auf der anderen Seite, und das ist ja eigentlich das Relevante, wünscht sich quasi jeder Nutzer, dass der Händler die Interessen und Passionen kennt. Das heißt, ich erwarte schon fast, dass der Onlineshop quasi hervor, ähm, sagen kann, was ich jetzt heute kaufen möchte, was meine Wünsche sind und entsprechend mir eben dieses Einkaufserlebnis bietet.Ähm, ich glaube, die Herausforderung ist eben genau in diesem, in diesem Punkt, die fehlenden Daten zu sammeln, alles ineinander zu vereinen. Und was wir uns eben initial fragen sollten, ist: Verfügen wir über ausreichend Daten? Führen wir diese Daten alle zusammen? Und wie können wir sie dann über alle Touchpoints hinweg smart einsetzen? Wir schauen uns heute natürlich hauptsächlich OnSite-Beispiele an, aber auch hier möchte ich gern ein bisschen drauf eingehen, wie man eben auch externe Datenquellen dafür nutzen kann. Die Grundlage: Haben wir überhaupt genügend Daten? Man sieht es hier. Hier sind alle unsere Touchpoints. Die sind natürlich in jedem Onlineshop, ähm, ein bisschen unterschiedlich, aber auch in vielerlei Hinsicht sehr ähnlich. Und das sind Informationen, die eben, ich hab's grad schon gesagt: An welchem Ort befinde ich mich gerade? Aber auch: Wie ist das Wetter? Habe ich schon öfter gekauft? Kaufe ich sogar in regelmäßigen Zyklen vielleicht ein? Ähm, für was interessiere ich mich gerade? Ähm, und alle diese Daten wollen wir dann sammeln und daraus dann sinnvolle Nutzergruppen machen. Und da kann so was rauskommen, wie eben jemand ist ein Erstbesucher, jemand kommt gerade wieder, er ist ein Bestandskunde, der regelmäßig bei uns kauft oder ist super unentschlossen und verbringt ganz viel Zeit bei uns, aber, ja, er macht nicht so-- kommt nicht so richtig zum Abschluss oder ist im Warenkorb und ich möchte noch was abwählen. Alle diese Dinge und wie wir die ansprechen können, schauen wir uns dann nachher noch mal mit Beispielen an. Man sieht hier auch bei den, ähm, Nutzergruppen, dass man quasi unterschiedliche Daten zum einen dafür nutzt und eben auch unterschiedliche Mechanismen. Also bei einem unentschlossenen Nutzer zum Beispiel hilft es vielleicht eben, Ratings von Produkten anzuzeigen. Also ich überzeuge den Nutzer, indem ich das Vertrauen in das Produkt, ähm, stärke oder indem ich zum Beispiel sage, dass ganz viele Nutzer sich gerade für dieses Produkt interessieren oder es gekauft haben. Einfach, äh, so 'n Social Proof, dass man eben weiß, okay, das scheint ein hochwertiges Produkt zu sein. Bei Bestandskunden macht es vielleicht Sinn, eben, ähm, bestimmte Produkte immer wieder anzuzeigen, die regelmäßig gekauft werden oder ihm einfach das Gefühl zu geben, dass wir seine Treue schätzen-- zu schätzen wissen. Und so muss man eben auf die einzelnen Nutzergruppen eingehen. Um noch mal auf den Funnel zurückzukommen – und das ist ganz wichtig – wir wollen, ähm, im besten Falle, und hier gibt es eben auch das Whitepaper zur Datenstrategie, im besten Falle nicht nur unsere eigenen Datenquellen nutzen, im besten Falle nicht nur die OnSite-Informationen nutzen, wie eben welcher Browser, welcher Click-in-Kanal, welche Affinität, aber damit kann man schon sehr viel machen. Im Idealfall ergänzen wir dazu noch externe Datenquellen zu einem Customer Data Enrichment. Das heißt, habt ihr eine CDP, die uns Informationen liefern können oder CRM-Daten? Gibt es vielleicht, ähm, Informationen, die über bestimmte Systeme übertragen werden können in Form einer CSV-Datei oder eines Jason? Alle Informationen, die für euch relevant sind, können eben mit den eigenen Datenquellen auf der Seite verbunden werden. Raus kommt dann die Segmentierung und dann kann diese Segmentierung auch wiederum für alle diese, ähm ja, ich sag mal, Systeme genutzt werden. Ganz häufig ist es ja eben keine Einbahnstraße und das CDP funktioniert auch immer in beide Wege. Die OnSite-Plattform sollte in beide Wege funktionieren, so wie es eben Turbo macht. Aber auch euer Tracking-System – und das ist natürlich ganz relevant – kann Informationen sammeln, aber eben auch weitergeben. Das Ganze in der Segmentierung. In der Realität sieht das so aus, dass wir häufig oder Kunden von uns häufig damit starten, erst mal statisch zu segmentieren. Das heißt, erst mal herausfinden, was passt eigentlich zu uns? Was ist wirklich so die richtige Ebene? Zum Beispiel kann ich sagen, ich habe, ähm, jetzt letztens das erste Mal tatsächlich Online-Jeans geshoppt. Kann ich sagen, wenn jetzt die Anna, ähm, sich fünfmal Produkte auf einer Detailseite, ähm, aus der Kategorie Jeans anschaut und immer noch nicht den Kauf abschließt, ist sie wahrscheinlich an einer Jeans interessiert und kann entsprechend, wenn ich wiederkomme, dann die Inhalte so ein bisschen anpassen, dass mir eben auch schon gleich die richtige Produktkategorie angezeigt wird. Interessanter wird es natürlich dann für uns, vor allem wenn wir dynamisch segmentieren, weil wir nicht mehr so viel manuell einstellen müssen. Das heißt, hier werden wirklich vom Algorithmus in Echtzeit Interessen gebildet, zum Beispiel Produktkategorie Jeans oder eben eine bestimmte Marke an Jeans, die ich präferiere. Und da kann wirklich jeder Klick, jedes Verhalten von mir in Echtzeit eben mein Interesse auch verändern. Und da ist auch ganz wichtig, dass wir zwischen impulsiven oder temporären Interessen und permanenten Interessen, ähm, unterscheiden. Und dem Ganzen können wir quasi noch die Krone aufsetzen, indem wir auch Real-Time-Trigger benutzen. Da ist dann so was wie: „Der Nutzer möchte im Warenkorb, ähm, im befüllten Warenkorb die Seite verlassen." Ein Preis von einem Produkt, für das ich mich introduziert habe, hat sich reduziert oder ist wieder verfügbar. Also einfach wirklich auf Informationen, die in dem Moment verfügbar sind, auch wirklich eingehen und entsprechend 'ne Maßnahme anzeigen. Ich glaub, generell, wie Machine Learning, künstliche Intelligenz funktioniert, ist den meisten von euch wahrscheinlich klar. Ähm, wie funktioniert das bei uns? Wir schauen uns eben das Userverhalten auf der Webseite an, haben diesen selbstlernenden Algorithmus, der automatisch entscheidet, welche Produkte, Angebote, Rabatte, was es eben alles gibt, sind für mich jetzt gerade relevant, sind für den Nutzer gerade relevant und dann dynamisch in diese Segmentierungen einteilt. Das sieht man hier in der Grafik rechts ganz, rechts ganz schön. Und ja, dann werden eben Vorlieben erkannt und entsprechend können wir dann, ähm, auch wirklich dem Nutzer zeigen, wir verstehen deine Bedürfnisse und wir können individuell auf dich reagieren und dir eben Dinge zeigen, die für dich relevant sind. Jetzt wollen wir mal auch direkt in die, ähm, datenpersonalisierte-- datenbasierte Personalisierung einsteigen und ich habe ganz, ganz viele echte Beispiele mitgebracht, weil ich finde, da sieht man einfach am schönsten, wie es funktioniert. Und hier ist, glaube ich, ähm, wichtig, dass wir uns einfach so ein bisschen die Customer-Journey anschauen. Also wir steigen ein, wir surfen so ein bisschen herum, interessieren uns für ein paar Produkte und dann verlassen wir die Webseite. Beim Einstieg, ähm, müssen wir quasi unterscheiden zwischen bekannten und unbekannten Nutzern. Und natürlich könnte man jetzt sagen: „Aha, unbekannte Nutzer, wie kann ich überhaupt personalisieren? Ich weiß ja nicht so viel über den Nutzer." Und das stimmt definitiv. Also es ist sicherlich, ähm, sag mal, äh, intensiver möglich, ähm, bekannte Nutzer und Wiedereinsteiger zu personalisieren, aber es geht auch mit unbekannten Nutzern. Da werden dann Informationen berücksichtigt, wie eben von welchem Klick-in-Kanal ist er gekommen, zum Beispiel von 'ner, ähm, äh, SEA-Anzeige oder von 'ner Preissuchmaschine? An welchem Ort befindet er sich gerade für wetter- oder ortsspezifische Angebote? Aber auch Produktempfehlungen werden natürlich für jeden Klick mit jedem Seitenaufruf, den ich habe, ähm, immer passender zu den Nutzern gebildet, die, ähm, gerade zu ihm passen. Ja, und bei bekannten Nutzern, da wird es natürlich richtig interessant. Da können wir wirklich mit allem spielen, was wir gerade haben, dynamisch den Content anpassen. Wir können den Nutzer personalisiert ansprechen, was ganz, ganz viele unserer Reisekunden machen, dass man eben nicht sagt, äh, willkommen du, sondern: „Hallo Anna, schön, dass du wieder da bist. Wie war deine letzte Reise? Wir haben jetzt hier sogar schon direkt die passenden Folgeangebote für dich." Und dann natürlich auch Wiederkehrer mit vergessenen Warenkörben ansprechen oder mit zuletzt betrachteten Artikeln.Wie kann das in der Realität aussehen? Hier haben wir eben unbekannte Nutzer, ähm, die personalisiert angesprochen werden, basierend auf dem Standort. Äh, es ist natürlich immer 'n bisschen seltsam, wenn man von Sonnenangeboten spricht oder wenn man eben Angebote hat, die, äh, ja, entsprechend irgendwie mit dem Wetter zusammenhängen, aber es – und das hatten wir ja gerade erst – seit zehn Tagen regnet. Ähm, deswegen kann man hier eben sagen, okay, wir wollen uns anschauen, wie ist das Wetter gerade vor Ort und können dann hier auch das Wording entsprechend anpassen, sodass es eben zu meinem, ähm, ja, Interesse oder auch zu meiner Stimmung gerade passt und können es entsprechend auch austauschen, indem wir sagen, wenn jetzt gerade eben Regenwetter herrscht, dann zeigen wir vielleicht nicht das kurze Sommerkleid, sondern vielleicht, ähm, dünnere Regenjacken, die gerade passen können, sodass man trotzdem noch rausgehen kann. Eben das passende Produkt zu dem, was gerade vorherrscht. Da sind die Datenpunkte relativ überschaubar, denn man nutzt nur die Geolocation. Deswegen ist es eben auch einfach, den unbekannten Nutzer anzusprechen. Und wenn man sich eben die künstliche Intelligenz oder das Regelbasierte anschaut, dann werden hier eben dynamische Segmente genutzt, also, ähm, das, was wir automatisch generieren und ansonsten regelbasiert eben das Wetter und der Ort, an dem sich der Nutzer gerade befindet. Ich hab's grad schon gesagt, wenn wir einen Nutzer kennen, dann können wir ganz, ganz viel Schabernack treiben und wirklich die insbesondere Startseite komplett personalisiert ausspielen. Und ich liebe dieses Beispiel von unserem Kunden Eterna, weil die wirklich die komplette Startseite anpassen, je nachdem für was ich mich interessiert habe. Hier werden Teaserflächen angepasst, die bevorzugte Kategorie aufgegriffen. Es gibt Empfehlungen wirklich nur persönlich für mich. Und wenn ich mir schon Produkte angeschaut habe, dann auch noch die zuletzt gesehenen Produkte. Die Datenpunkte sind das On-Site-Verhalten, ähm, Affinitäten und die Customer Journey. Also: Wie habe ich mich, ähm, verhalten und was sind meine Interessen? Und was das Regelwerk angeht, ist es eben, dass wir natürlich hier den Algorithmus benutzen, um eben die Empfehlungen zu berechnen, aber auch einfach, ähm, ja, quasi zuletzt gesehene Produkte anzeigen und das dynamische Segment anhand der Kategorie, die mich am meisten interessiert, errechnen und hier aufgreifen. Finde ich 'n super spannendes Beispiel. Ähm, eins unserer, ich sag mal Evergreens, die wirklich bei vielen Kunden zu sehr guten Ergebnissen geführt hat, wir nennen es See-Your-Entry im Endeffekt ist es einfach nur eine Produkt Recommendation, die wir nach oben ziehen über die, äh, das eigentliche Produktbild, meistens unter die Navigation. Und zwar machen wir das beim Direktseiten-Einstieg auf einer Detailseite. Warum? Weil es einfach an dieser Stelle unfassbar hohe Bounce-Raten gibt, weil wir benutzen die Suchmaschine, um uns zurechtzufinden, um Alternativen zu finden. Wenn wir jetzt auf eine Webseite kommen, die wir vielleicht auch noch gar nicht kennen, gehen wir eher zurück in die Suchmaschine und schauen dann da weiter nach eben einem passenden Produkt. In dem Fall das ist so, dass ich vielleicht für einen Gartenparty ein nettes Sommerkleidchen suche und ich gehe in die Suchmaschine und ich möchte dann eben ein Produkt finden, das dazu passt und komme auf die Seite von Galeria Karstadt Kaufhof, sehe keine Alternative und gehe eben vielleicht wieder direkt in die Suchmaschine. Sehe ich Alternativen, bleibe ich eventuell länger auf der Seite, schaue mir noch 'n zweites und drittes Produkt eventuell an und finde dann vielleicht natürlich oder hoffentlich im besten Falle das Produkt, das ich auch kaufen möchte. Und ja, entsprechend wird die Conversion so getriggert. Der Erfolg, insbesondere bei diesem Case, gibt dem Ganzen recht, ähm, dass eben im Schnitt die Nutzer auch dreiundzwanzig Prozent mehr Geld ausgegeben haben, aber eben auch die Bounce-Rate um neun Prozent gesunken ist. Und das finde ich schon sehr sinnvoll. Was hier wichtig ist, ist dass wir natürlich die Produktauswahl bedenken. In dem Fall ist es eben die gleiche Produktkategorie, wahrscheinlich Cocktailkleider, Garten-, Sommerkleider, wie auch immer. Das kann aber eben in eurem Fall vielleicht auch die Marke sein, es kann ein Preis sein, was eben an dieser Stelle Sinn macht. Was schauen wir uns hier an? Natürlich das Einstiegsverhalten des Nutzers. Was ist eben gerade seine Affinität? In dem Fall möchte ich mir ein Kleid kaufen. Das ist mein Interesse. Und dann eben, was haben andere Nutzer eventuell auch gemacht, die das gleiche Verhalten an den Tag gelegt haben? Statistische Zwillinge. Der Klick im Kanal, in dem Fall Google Shopping oder auch eine SEA-Anzeige. Wir nehmen die gleiche Kategorie, Produktkategorie, hab ich schon gesagt, und der Rest wird von der Recommendation Engine automatisch, ähm, generiert und an-- ausgespielt. Beim Einstieg von Wiederkehrern find ich's immer superspannend, dass wir dazu tendieren, die zuletzt gesehenen Produkte auf den Detailseiten zu platzieren. Das macht sicherlich während meiner Session, während des Einkaufsprozesses total viel Sinn. Aber wenn ich die Seite wieder, ähm, besuche, dann macht es ja total viel Sinn, das auch auf der Startseite anzuzeigen. Und es wird immer mehr gemacht und auch hier kann man wieder von echten Erfolgs--, ähm, -quoten sprechen, weil es einfach, ähm, natürlich extrem den Einstieg erleichtert. Und der Kunde Backshop hat das ja eben auch mal getestet und die weißübergreifende neunzehnprozentige Conversion-Rate-Steigerung, ähm, quasi, äh, äh, ja, errechnen können. Und ich hab das auch extrem gemerkt bei meiner Jeanssuche. Da hätte ich mir gewünscht, dass die zuletzt gesehenen Produkte öfter mal beim Wiedereinstieg da waren. Ich hatte das Gefühl, ich musste ganz, ganz häufig meinen, äh, kompletten Einkaufsprozess wiederholen und fand's einfach teilweise extrem anstrengend. Deswegen hier auch einfach mal die Platzierung von so Standard-Elementen, die ihr vielleicht auch schon kennt und liebt, mal so 'n bisschen überdenken und vielleicht mal 'n bisschen andere, ähm, Optionen ausprobieren und einfach eben testen, was funktioniert für uns am besten. Auch hier recht simple Mechanismen. Wir schauen uns das Onsite-Verhalten und die Customer Journey an, welche Produkte wurden angeschaut, und nutzen dann einfach die Produktlogik, zuletzt gesehene Produkte. Und das war auch eigentlich schon die ganze Magie. Ähm, jetzt sind wir quasi-- Der Einstieg ist erledigt. Ich bin auf der Seite, ich bleibe auch auf der Seite. Ähm, jetzt wollen wir eben im Kaufprozess personalisierte Empfehlungen ausspielen. Produktempfehlungen sind natürlich ein wahnsinnig wichtiger Mechanismus, um Umsatz zu generieren und die Conversion-Raten zu steigern. Das ist natürlich immer das Ziel. Und die Beratung, und das kenne ich eben auch ganz viel aus dem stationären Handel, der uns ja jetzt auch ganz lange Zeit gefehlt hat, ist für viele Leute der entscheidende Faktor, um eben einen Kauf abzuschließen oder nicht. Und das müssen wir irgendwie abbilden. Und dann wollen wir gleichzeitig aber natürlich auch möglichst wenig Ressourcen dafür nutzen und das Ganze dynamisiert ausspielen. Das heißt, nicht mehr alles manuell anlegen, sondern wirklich dem System die Freiheit lassen, das passende Angebot für den Nutzer zu finden.Und die Informationen dabei sind eben die Customer Journey durch mein Klick- und Kaufverhalten. Und dann ganz, ganz wichtig und da schauen wir auch nachher noch mal im Detail rein, das Testing der unterschiedlichen Logiken, Positionierungen und Kombinationen. Ich werde ganz häufig von Kunden gefragt, was empfehlt ihr uns? Und natürlich haben wir eben unsere, ich hab's grad vorhin schon gesagt, Evergreens, die ganz, ganz häufig funktionieren. Aber was für den einen Onlineshop funktioniert, muss nicht automatisch auch für den anderen funktionieren. Selbst wenn man denkt, das ist wirklich eine sehr ähnliche Zielgruppe, dann sind's oft ganz unterschiedliche, ähm, Ergebnisse und deswegen Testing, Testing, Testing. Ähm, das ist das Wichtigste, um am Ende 'ne Entscheidung zu treffen. Die KI berücksichtigt dabei natürlich die Customer Journey und das eben individuell auf jeden Einzelnen. Also meine, ähm, Jeanssuche ist sicherlich eine andere als die Jeanssuche von meiner besten Freundin zum Beispiel und das muss eben auch berücksichtigt werden. Wir sagen aber auch, ähm, dass es die Kombination aus der künstlichen Intelligenz mit der menschlichen Intelligenz, weil ihr auch viel über euren Shop wisst und sicherlich Informationen habt, die vor allem zu Beginn einfach nicht vorhanden sind, die ideale Kombination und die besten Ergebnisse liefern. Wie können solche Produktempfehlungen im Shop ausschauen? Äh, wir haben einfach wirklich auch mal eine reguläre Produktempfehlung, so wie wir sie eben auf Detailseiten einbauen, mitgebracht, die auch wahnsinnig gute Ergebnisse geliefert hat. Hier werden eben Produktempfehlungen einfach durch die Recommendation Engine berechnet. Es werden dynamische Segmente berücksichtigt, also welche Produktkategorie ist grade für mich die, ähm, spannendste? Der Rest wird komplett automatisch gemacht und dabei wird eben analysiert, das Onside-Verhalten, Affinitäten und die Customer Journey. Ähm, ich hab's grad schon gesagt, wir wollen möglichst wenig Ressourcen manuell, ähm, nutzen, deswegen haben wir hier natürlich eine Zeitersparnis. Und auch da können wir Informationen eben wieder an andere Systeme pushen. Wie: Was ist jetzt grade eigentlich das interessanteste Segment für diesen Nutzer? Auch hier bei Lashoo gibt der Erfolg dem ganz recht. Fast dreißig Prozent Conversion-Raten-Steigerung ist natürlich ein wahnsinnig gutes Ergebnis des Ganzen. Vorhin ein ähnliches Beispiel wie der, ähm, Entry bei, Kascha Galleria Kaufhof, aber da sieht man auch mal, dass eben je nachdem, in welchem vertical ich mich befinde, vielleicht auch 'ne unterschiedliche Darstellungsweise Sinn machen kann. Hat hier, ähm, Mydays eben Google Shopping-Nutzer gezielt angesprochen, auch mit Produktalternativen, um eben Absprünge zu vermeiden. Und hier sieht man zwei Varianten. Zum einen kann ich dann eventuell direkt bei Einstieg eben, ähm, bestimmte Geschenke für Nutzergruppen suchen. Das, wenn ich eben weiß, der Nutzer ist gerade auf der Suche nach einem Geschenk, dann kann ich ihm angeben, okay, hier gibt's noch Alternativen für eben Männer, Frauen, Kinder. Oder ich zeige wirklich Alternativen aus dem Bereich, ähm, den ich mir gerade anschaue – ich glaub, das ist ein Fallschirmsprung –, das eben dazu passt, vielleicht vom Preis her passt, ähm, eben auch actionreich ist und halte den Nutzer so auf meiner Webseite. Ähm, hier wird dann auch der Ort berücksichtigt. Das ist natürlich in dem Fall super relevant. Der Rest ist ähnlich wie bei den Recommendations, die wir uns vorher angeschaut haben, weil wir natürlich keinen Fallschirm, wir wollen einem Münchner keinen Fallschirmsprung anzeigen, der in Hamburg stattfindet. Das kann dann eben extrem frustrierend sein, wenn das für mich ein total irrelevantes, ähm, Ergebnis ist. Was, glaube ich, auch immer präsenter wird und das hat sehr viel auch mit unserem Social-Media-Verhalten zu tun, wir nennen's, ähm, Instagramifizierung, weil wir einfach gewohnt sind, eben Looks zu sehen oder ganze Bundles zu shoppen oder eben, ähm, Inspirationen zu bekommen, was passt eigentlich gut zusammen? Ähm, der Nutzer, und deswegen gibt's ja auch zum Beispiel dieses ganze, diese ganzen Shopping-Clubs, die eben den Einkauf quasi für mich gestalten, dass ich gar nicht mehr überlegen muss, passt jetzt das T-Shirt zu der Hose? Habe ich was zu Hause, was dazu passt, sondern mir eben ganze Outfits präsentiert werden. Und ich finde das hier von Shisa unheimlich hochwertig und schön gelöst. Ich sehe hier eben einfach extrem, ähm, hochwertige Produktfotografien, wo eben passende Outfits schon zusammengestellt sind. Wenn ich auf den einzelnen Look gehe, dann kann ich mir auch Alternativen, ähm, anzeigen lassen. Das ist, glaub ich, auch extrem wichtig, weil ich find vielleicht eben das komplette Outfit schön, aber die Schuhe zum Beispiel nicht. Dann möchte ich nur dieses eine Produkt austauschen. Und dann wiederum kann ich auch wieder Informationen über den Nutzer sammeln. Schaut der sich eben eher casual, ähm, Looks an oder schaut er sich eher schicke Looks an und kann diese Informationen nutzen, um Empfehlungen anzureichern, um weiterhin Content auf der Startseite, ähm, zu personalisieren. Und so wird eben das Ganze 'ne sehr runde Sache. Ähm, auch hier kann der Einstiegskanal berücksichtigt werden. Affinitäten natürlich: Ist es jetzt grade eher, ähm, vielleicht wirklich, äh, Unterwäsche, die ich suche oder suche ich vielleicht Nachtwäsche, dass man eben dann auch einfach die richtigen Produkte in den Vordergrund stellt? Suche ich grade für einen Mann oder für eine Frau? Das kann alles hier in der Ansicht berücksichtigt werden und der Rest wird wieder automatisch vom System erstellt. Das heißt, wir schauen uns dynamisch an, was ist grad das Interesse, nutzen die Recommendation Engine und lassen unserer künstlichen Intelligenz Quasi den Weg frei, um, ähm, Informationen zu nutzen, um die Ausspielung zu vereinfachen. Zusätzlichen Umsatz generieren, wer will das nicht? Ähm, hier sind wir jetzt tatsächlich quasi am Ende unseres Kaufprozesses, am Ende der Customer Journey. Wir wollen natürlich, dass möglichst viele Nutzer die Conversion am Ende des Tages abschließen, aber eventuell ja sogar vielleicht noch mehr Geld ausgeben. Und das ist hier auch einfach 'n supergutes Beispiel, wie man das wirklich sehr clever lösen kann. Ähm, wir kennen das alle, wenn wir in unserem favorisierten Möbelladen sind und wir, oder auch im Supermarkt und wir gehen an die Kasse, gibt's immer links und rechts von uns Produkte, die 'n bisschen günstiger sind und die man im Zweifel dann einfach noch mal mitnimmt. Also selten, ähm, endet so 'n Kauf ja, so 'n Kauf im stationären Handel, ohne dass man noch irgendwas Kleines mitgenommen hat. Warum das nicht auch genauso im, ähm, Onlinehandel nutzen, also in dem Fall Cross-Selling oder Up-Selling betreiben? Ähm, hier super clever gelöst. Ich hab 'ne hochwertige, auch nicht günstige Sonnenbrille in meinem Warenkorb. Warum dann nicht auch noch passendes Accessoire anzeigen, das auch nicht so teuer ist, dass man im Zweifel dann eben auch einfach noch mitnimmt. Es stets auch schon, ähm, sehr wichtig, dass man eben nicht übertreibt und dass man den Nutzer auch möglichst nicht mehr aus dem Kaufprozess rauslegt. Das heißt, wir können auch das Produkt direkt in den Kauf, ähm, in den Warenkorb legen lassen, müssen nicht direkt zurück auf die Produktdetailseite. Und es sollte halt im Budget des Nutzers bleiben, damit das auch nicht wieder eine frustrierende, ähm, Situation ist, wenn dann mir alternative vielleicht Sonnenbrillen angezeigt werden, die ich schöner finde, aber die einfach viel zu teuer für mich sind.Ähm, was wir hier brauchen, ist die Information, was ist im Warenkorb, ähm, welche Produkte sind im Warenkorb und natürlich dann passend dazu die Produkte auch im, ähm, in dem Produktfeed enthalten. Entweder kann automatisch errechnet werden, was wird häufig zusammen gekauft oder es gibt eben die Information, welche Produkte passen jetzt zu diesem Artikel und wir zeigen sie dann so an. Finde ich hier ein sehr gelungenes Beispiel. Kaufverbrüche vermeiden wir alle, wissen das ganz häufig, wenn wir die Seite verlassen wollen, noch irgendwas aufploppt. In unserem Fall ist es so, dass, ähm, es entweder eine Lead-Generierung ist oder eben ein verlassener Warenkorb. Da kann ich eben sagen, „Aha, bist du dir sicher, dass du deinen Kauf abbrechen möchtest? Du hast noch tolle Produkte im Warenkorb.“ Ähm, die sind auch vielleicht nur begrenzt verfügbar. Gegebenenfalls kann ich das noch mit einem Gutschein kombinieren. Und auch hier sieht man, dass es tatsächlich, ähm, auch wenn's vielleicht häufig, gerade weil wir auf die Webseite ein bisschen anders schauen als unsere Nutzer, als unangenehm wahrgenommen wird, im Ergebnis funktioniert es extrem gut. Hier, äh, war es tatsächlich fünfundzwanzig Prozent plus bei der Conversion-Rate. Ähm, kommt natürlich immer ein bisschen drauf an, an welchem Ort man das platziert und wie das Ganze auch ausschaut. Man sieht's hier im Hintergrund ein bisschen, ist quasi rechts über die Seite gelegt und nicht so komplett in die Mitte der Seite. Ja, und, ähm, weist mich eben einfach auch noch mal darauf hin, dass ich gerade, ähm, ein gutes Angebot im Warenkorb habe, das ich jetzt wahrnehmen kann. Was auch an der Stelle oft Sinn macht, ist, dass ich noch mal die Möglichkeit zur Kontaktaufnahme biete und das auch leicht mache. Also ich bin schon lange auf der Seite unterwegs und komme irgendwie nicht zurande. Vielleicht liegt's ja daran, dass ich nicht weiß, welche Größe mir passt oder eine Frage habe. Kann ich noch mal sagen: „Hey, in der Hotline sind gerade Leute erreichbar oder wir haben einen Online-Chat. Ähm, du kannst gerne dich da melden, wenn du noch Fragen haben solltest. Da würde man dann eben natürlich den befüllten Warenkorb nutzen. Man kann das Ganze auch noch ergänzen mit Recommendations, dass man eben sagt: „Hey, wenn das jetzt doch nicht die passenden Produkte sind, hier sind auch noch mal Empfehlungen für dich." Man muss wissen, dass der Nutzer gerade die Seite verlassen möchte. Und wenn wir eben auch noch Informationen nutzen, wie zum Beispiel, du kannst jetzt jemanden anrufen oder im Chat jemanden erreichen, dann würden wir auch einen sogenannten Zeitplan nutzen, dass eben auch solche Informationen nur angezeigt werden, wenn gerade jemand erreichbar ist. Wär natürlich nicht so schön, wenn ich dann versuche anzurufen und dann geht keiner ans Telefon. Wie kann man noch Kaufabbrüche vermeiden? Ich glaube, wir wissen's alle. Gutscheine funktionieren natürlich im Exit-Moment ganz, ganz häufig sehr, sehr gut. Ähm, gerade wenn ich weiß, was kann ich ausgeben, um trotzdem noch genügend Marge und Umsatz zu generieren, dann macht das natürlich Sinn bei Nutzern, die auch einfach viel Zeit bei uns verbringen, vielleicht immer wieder kommen. Dann kann man schon so ein bisschen quasi, ähm, ahnen, dass sie wahrscheinlich auf unterschiedlichen Seiten unterwegs sind und sich informieren. Und im Reisebereich ist es natürlich ganz, ganz häufig der Fall – das habt ihr jetzt hier ein Beispiel von Sonnenklar TV –, dass man eben auf unterschiedliche Seiten geht, die Preise miteinander vergleicht. Die Hotels werden ja auf vielen Portalen angeboten und dass man, wenn man das alles weiß, dann sagt: „Hey, äh, bei uns kriegst du aber auch noch fünfzig Euro, hundert Euro, hundertfünfzig Euro Cashback zum Beispiel, wenn du buchst." Ähm, und wenn du jetzt zuschlägst, das vielleicht noch zeitlich zu begrenzen, kann auch Sinn machen. Und hier finde ich es auch ganz spannend, dann wiederum externe Datenquellen zu nutzen, weil im Reisebereich gibt es ja Nutzer, die wirklich einmal im Jahr zum Beispiel immer die Reise bei uns buchen und die haben vielleicht noch nie einen Gutschein eingelöst. Dann ist es wahrscheinlich an der Stelle nicht notwendig, einen Gutschein anzuzeigen, weil wir wollen natürlich den Umsatz maximieren. Aber das kann man durch solche Mechanismen ganz gut rausfinden. Ist es notwendig, ist es nicht notwendig? Zeigen wir jetzt was an oder zeigen wir nichts an? Die Datenpunkte sind, ähm, On-Site-Verhalten und Customer Journey. Ähm, ich hab was im Warenkorb, der Gutscheinwert ist an den Warenkorb-Wert gekoppelt. Das heißt, ab sechshundert Euro zum Beispiel Reisewert kriege ich fünfzig Euro, ab tausend, hundert Euro und so weiter. Das heißt, der richtige Gutschein muss auch im richtigen Moment ausgespielt werden und der Nutzer versucht gleichzeitig gerade, die Seite zu verlassen. Ich hatte es eben schon gesagt, ein anderer Exit-Moment ist die Lead-Generierung. Super wichtiger Hebel für uns, weil wir natürlich über die, ähm, Lead-Generierung auch wiederum Umsätze in 'nem späteren Zeitpunkt generieren können. Und hier ist relevant, dass wir eben den Internet-, den, die ESP auch, quasi, äh, E-Mail-Service-Provider quasi anschließen können, ihr die ganzen Leads dann auch bei euch im System sammeln könnt. Ihr wisst, dass sie eben von 'ner bestimmten Quelle, ähm, kamen, vielleicht von 'nem Gewinnspiel, vielleicht von 'nem Exit-Intent, wie auch immer. Und was hier natürlich auch, und man sieht das hier supergut, ähm, relevant ist, ist, dass ich auch das personalisieren kann. Und das macht kaum jemand. Also warum sollte ich hier nicht, wenn ich eben mich hauptsächlich in, in Männerprodukten gerade un, ähm, unterwegs bin und mir das anschaue, dass mein Interesse ist, oder eben Frauen, und das Bild auch dementsprechend anpassen? Es macht schon so einen großen Unterschied für mich, weil im Zweifel halt eben die rechte Variante für mich zu diesem Zeitpunkt einfach absolut irrelevant ist und ich mich von dem linken Bild einfach viel mehr angesprochen fühle. Das heißt, kombiniert auch solche Maßnahmen wirklich mit Informationen zur Onsite-Personalisierung. In dem Fall dynamische Segmentierung anhand des Geschlechts, das ich mir gerade angeschaut habe. Und dann ist ja auch noch der Kauf ist ja nicht das Ende meiner, ich sag mal, Interaktion mit dem Nutzer. Was ganz, ganz viel natürlich passiert, ist, dass man eben auch am Ende noch mal abfragt: „Wie war denn jetzt eigentlich dein Online-Einkauf bei uns? Würdest du uns weiterempfehlen?" Das passiert häufig tatsächlich nach dem Kauf oder im Kaufprozess. Ist superrelevant, um Informationen zu sammeln: Was fehlt noch? Was können wir besser machen? Und dann entsprechend auch den Onlineshop zu verbessern. Wir hatten einen Kunden auch aus'm, ähm, aus'm Fashion-Bereich. Da haben ganz, ganz viele Nutzer gesagt, wirklich in dieses Feedback, ähm, eingegeben, dass sie sich 'ne Wishlist wünschen, also eine Wunschliste, wo ich, ähm, Produkte speichern kann. Diese Funktionalität war in dem Shop noch nicht gegeben. Der Kunde wusste nicht, dass es so 'ne extreme Relevanz hat und hat dann eben danach auch diese Wishlist direkt in die Umsetzung gegeben und danach dann auch eine gehabt. Für die Nutzer natürlich auch, ähm, supergut zu wissen, dass meine Meinung so wichtig ist, dass sie auch von dem Onlineshop-Betreiber dann umgesetzt wird. Das finde ich auch eine ganz, ganz schöne Sache. Aber hier können natürlich unterschiedliche Informationen abgebildet werden. Vielleicht hat jemand ein Problem mit Zahlungsmethoden, aber ich kann eben rausfinden, was kann ich gegebenenfalls noch verbessern? Da spielt natürlich das Kaufverhalten 'ne Rolle. Was hat er gekauft? Wann hat er gekauft? Und so weiter. Ansonsten kann man das hier relativ ungetargetet ausspielen. Ist 'ne sehr schöne Variante, ähm, wenn man nicht so viele Datenpunkte hat.Wir wollen jetzt auch gleich noch mal ein bisschen, äh, (musik läuft im hintergrund) übers Testing reden. Ich gucke mal ganz kurz parallel in den Chat. Da scheint es noch keine konkreten Fragen zu geben. Dann gehen wir direkt ins Testing rein. Ähm, ich hab's grad schon gesagt: Wenn ihr mit Turbo redet, werdet ihr immer hören: testen, testen, testen. Es gibt sogenannte AB-Tests und Multivariantentests. Das heißt, beim AB-Test zwei Varianten, ähm, gegeneinander testen. Also ich habe meine Kontrollgruppe, wie es eben auf meinem Onlineshop gerade ausschaut und die Variation dessen. Zum Beispiel, ähm, ich habe eine Recommendation, ich habe keine Recommendation. Ich habe unterschiedliche Recommendation- ähm, Logiken. Ich habe einen CTA in der Form, wie sie eben vorher nicht war oder ergänze eine CTA. 'ne Exit-Maßnahme versus keine Exit-Maßnahme. Das kann verteilt werden, wie ihr möchtet. Klassisch nimmt man fünfzig fünfzig, also fünfzig sind die Kontrollgruppe, der Rest die Variation, aber auch das kann angepasst werden. Multivariantentest: Wir wollen eine Variante in mehreren Darstellungsoptionen adaptieren. Das heißt eben, ähm, verschiedene Platzierungen testen, wie ich es gerade schon gesagt habe, mit den zuletzt gesehenen Produkten. Ähm, wir wollen die Wordings unserer CTAs oder die Farben unserer CTAs ändern. Ähm, der personalisierte Exit Intent, den wir gerade gesehen haben, versus der normale, reguläre, den wir haben. Ähm, und das kann auch nach Zufallsprinzip natürlich gemacht werden. Wir brauchen höhere User-Zahlen, weil wir eben verschiedene Varianten haben, aber können hier eben rausfinden, auch was springen unsere Nutzer am ehesten an. Warum sollten wir das machen? Und da gibt es auch ein Whitepaper dazu, zu dem Thema, weil wir nicht immer auf unser Bauchgefühl hören sollten. Ich kann 'n Lied davon singen. Wenn mich jemand fragt: „Was findest du am besten?" Oder „Was glaubst du, funktioniert am besten?", ich hab mich schon so oft für die wirklich am schlechtesten laufende Variante entschieden, weil einfach unser Bauchgefühl nichts mit dem echten Nutzerverhalten zu tun hat. Das heißt, wir stellen 'ne Hypothese auf und sagen eben, unseren Shopbesuchern fehlt beim Seher entry auf den Produktdetailseiten die Alternative. Deshalb wollen sie den Shop so schnell wie möglich wieder verlassen, ähm, und wir müssen jetzt eben Alternativprodukte anzeigen, um die Bounce Rate zu steigern. Dann setzen wir den Test auf und prüfen, ob die Hypothese stimmt. Und da muss man natürlich schauen, dass Wechselwirkungen ignoriert werden, dass ein Test auch signifikant wird, also die Nutzergruppe, ähm, groß genug ist und dass wir den nicht zu früh beenden oder nicht zu früh eine Schlussfolgerung ziehen. Dann möchte ich jetzt tatsächlich das Ganze hier mit 'nem netten Fazit beenden. Was bedeutet das, was ich gezeigt habe, heute für euch? Testing, um noch mal quasi den, den Kreis zu schließen. Wir müssen prüfen, ob alles, was wir eben anlegen können, ob das jetzt On-Site-Daten sind oder externe Daten genutzt werden, ob das überhaupt 'n Sinn macht, das zu nutzen und ob Kunden entsprechend besser darauf reagieren. Wir müssen kontinuierlich unsere Datenbasis ausbauen und dafür sorgen, dass das auch nutzbar gemacht wird. Das ist, glaube ich, fast noch 'ne wichtigere Aussage, weil eben dieses Machine Learning, die künstliche Intelligenz, kein Selbstläufer ist. Wir brauchen Informationen dafür. Wir müssen schauen, dass unser Tech Stack, ähm, 'ne gute Ausbaustufe hat und auch zusammen mit den Tools funktionieren kann und wir wollen kontinuierlich optimieren. Das heißt, die Ergebnisse überprüfen und im besten Falle dann natürlich auch verbessern. Das war's soweit von uns. Ich spring gleich noch mal in den Chat und schaue, ob es Fragen von euch gibt. Ich hab's grad schon gesagt, wenn irgendwas sein sollte, meldet euch bei uns. Gar kein Thema. Gerne jetzt oder auch später. Ähm, und wenn ihr Lust habt, euch unsere Ressourcen anzuschauen, es gibt ganz viele Case Studies zu dem Thema. Auf-
Automatisch erstellt & redaktionell aufbereitet — kann vereinzelt Fehler enthalten.
