Pexels duané viljoen 11414525

Wie bei uhrzeit.org datengestützte Entscheidungen im Uhrenhandel getroffen werden

Im Interview mit Stefan Schmahl, einem der Gründer von uhrzeit.org, erklärt der langjährige Shop-Betreiber und eCommerce-Experte, wie datenbasierte Entscheidungen in einer traditionell geprägten Branche getroffen werden können.

Stefan Schmahl

Uhrzeit.org verkauft als einer der Ersten Uhren und Schmuck online, seit ein paar Jahren auch mit einem Flagship-Store in der Hamburger Innenstadt. Der Uhrenmarkt ist noch stark stationär verankert - gerade höherpreisige Uhren werden meist von Juwelieren verkauft. Doch Zeiten ändern sich, und gerade durch den Lockdown und die wachsende Digialaffinität in der Kundschaft müssen viele Märkte umdenken. Uhrzeit.org bietet Uhren im Online-Shop schon seit knapp 20 Jahren an. In dieser Zeit ist ein großer Datenschatz entstanden. In der Zusammenarbeit mit Hublify wollte uhrzeit.org herausfinden, welche Parameter erfolgsbestimmend waren und was Erstkäufer zu Wiederkäufern macht. Zu diesem Ziel wurde Hublify Analytics ausgewählt.

Mehr Informationen zum Use Case uhrzeit.org finden sich auf unserer Seite: Data driven Commerce bei uhrzeit.org

Daten sind bekanntlich das Gold des 21. Jahrhunderts. Was versprichst du dir von datengetriebenem Commerce? Wann lohnt es sich, KPIs zu ermitteln, Daten aufzubereiten, Analysen durchzuführen und zu interpretieren, damit sie gewinnbringende Auswirkungen auf die zukünftigen Marketing-Strategien haben?

Die Goldgräberstimmung und die Sehnsucht nach aussagekräftigen Daten, Clustern und entsprechend richtungsweisenden Insights ist groß. Man darf jedoch nicht vergessen, dass jeder Output auch nur so gut ist wie sein Input. Ich kann keine KI-gesteuerte Vorhersage für Wiederkäufe erwarten, wenn ich Produkte mit langem Lebenszyklus erst seit einem Jahr verkaufe oder meine Kunden im Laden anonym bleiben. Warum das Thema aber so angesagt ist, hat einen guten Grund. Denn jeder verfügt über Daten und selbst mit dem Produktsortiment im Onlineshop, den Transaktionsdaten und den Basis-Kundendaten wie Zahlungsart, Lieferadresse und Email können interessante Fragen beantwortet werden wie: Welche Produkte verkaufen sich wie in Kombination mit Zeit, Häufigkeit, Marke, Hersteller, Umsatz, Marge, Preis, Rabatt, Warenkorbwert oder im Zusammenhang mit anderen Produkten? Welche Kunden kaufen wie häufig, wann (im Sale oder aufgrund eines persönlichen Rabatts)?

Wir standen mit Hublify eher vor der Qual der Wahl, welche KPIs wir tracken wollen und sind noch lange nicht am Ende mit unserem Graben. Allerdings sollte man sich auch nicht in Analysen verlieren, sondern die KPIs auswählen, deren Output man auch tatsächlich verwenden kann. Was hilft es mir, herauszufinden, dass ein limitiertes Sondermodell der Marke Hamilton im letzten Weihnachtsgeschäft bei Männern der große Renner war, wenn der Hersteller keine mehr liefern kann?

Es gibt natürlich Standard eCommerce KPIs wie beispielsweise den durchschnittlichen Bestellwert (AOV), die Retourenquote, die Wiederkaufrate und Kaufhäufigkeit, die relativ einfach zu ermitteln sind und die jeder im Blick behalten sollte. Die sind in Hublify zum Beispiel vorimplementiert.

Welche Insights habt ihr durch Hublify über eure Käufer und Produkte erhalten?

Ich habe uhrzeit.org von Anfang an mit aufgebaut und viele Trends miterlebt. Ich war gespannt, ob wir echte Insights erhalten oder ob sich ein gewisses Bauchgefühl einfach bestätigt. Hintergrundwissen, sowohl in Bezug auf den Markt als auch auf eCommerce, ist eine wichtige Voraussetzung für aussagekräftige Analysen.

Zunächst dient die Erfahrung dazu, zu erkennen wo ggf. Fehler in der Datenbasis vorliegen, die die Ergebnisse verfälschen. Die Datenaufbereitung ist eine wichtige Investition, die nicht zu unterschätzen ist. Da geht es um die korrekte Übernahme von Artikelnummern, um Dublettenchecks oder um das richtige Anlegen von Produktattributen wie Brands, Hersteller, etc. oder um die „Übersetzung“ von Datenfeldern. Wir sind beispielsweise davon ausgegangen, dass stornierte Aufträge Retouren entsprechen, was inhaltlich nicht ganz korrekt ist, aber für uns ein geeigneter, pragmatischer Ansatz ist.

Dann kann ein Analyse-Tool Daten auswerten und darstellen, eventuell sogar auf gewisse Cluster oder Peaks hinweisen. Aber eine Erklärung, warum diese Ergebnisse zustande kommen, bedarf immer des ganzheitlichen Blicks eines Experten. Nur dann können die Ergebnisse evaluiert werden und in neue Strategien einfließen.

Erkenntnisse, die wir durch Hublify Analytics gewonnen haben, waren beispielsweise, dass Männer die treueren, mehr und hochpreisiger einkaufenden Uhrenkunden sind. Wir wussten, dass wir tendenziell mehr männliche Kunden haben. In welchem Ausmaß das Geschlecht bedeutungsvoll ist in Bezug auf Produktauswahl, Umsatz, Absatz und Wiederkauf, hat uns überrascht.

Wie seid ihr bei der Analyse vorgegangen?

Ausgehend von unserer Datenbasis und dem, was in unserem Markt relevant und interessant ist, haben wir uns drei Schwerpunkten gewidmet:

1. Markenanalyse:

Welche Marken sind zeitlos oder Trends unterlegen? Welche sorgen umsatz- und absatztechnisch über Jahre für den größten Erfolg und sind am profitabelsten? Wie event-abhängig sind Marken in Bezug auf Sales, Weihnachtsgeschäft oder Aktionen wie Black Friday? Wo ist eine hohe Retourenquote zu verzeichnen? Gibt es eine Markentreue und wenn ja, bei welchen Marken, Käufern und in welchen Preissegmenten?

Im Uhrengeschäft arbeiten wir eng mit den Herstellern zusammen. Diese Ergebnisse geben uns Richtung, wo die Zusammenarbeit besonders wichtig ist und welche Marken wir am meisten pushen wollen.

2. Wiederkäuferanalyse:

Wir wollten wissen, ob unsere Kunden wiederkaufen und wie sich Wiederkäufer verhalten, mit dem Ziel Neukunden zu Bestandskunden zu konvertieren. Dabei haben wir bspw. mit Kohortenanalysen und Erst-/Folgekauf-Korrelationen in Hublify analysiert..

  • ..wann der Folgekauf stattfindet
  • ..wie viele Folgekäufe es gibt (Wie viele treue Kunden gibt es?)
  • ..in welchen Zeitabständen (Gibt es besonders geeignete Zeitpunkte für Reaktivierungsmaßnahmen?)
  • ..wie sich der Warenkorbwert bei den Folgekäufen entwickelt (Lohnt sich Kundenbindung tatsächlich?)

Das Ergebnis zeigte, dass die treuesten Kunden im Weihnachtsgeschäft akquiriert werden, die meisten Folgekäufe im Folgemonat stattfinden und sich der durchschnittliche Warenkorbwert über die Folgekäufe leicht erhöht. Hier hat uns auch sehr interessiert, welche Rolle die Marke bei Folgekäufen spielt. Folgekäufe finden demnach zumeist bei der gleichen Marke und/oder in der gleichen Preiskategorie statt.

Eine Kohortenanalyse über Folgekäufe zeigt auf, wie viele Folgekäufe in welchen Zeitabständen zum Erstkauf stattgefunden haben.

3. Produktanalyse:

Nun galt es herauszufinden:

  • Welche Produkte sich für Folgekäufe eignen: Was sollte wem bei Reaktivierungsmaßnahmen vorgeschlagen werden?
  • Welche Produkt(-kategorien) sind besonders rentabel, preissensibel, absatzstark oder Ladenhüter (Renner-Penner-Analyse)?
  • Wo bestehen Korrelationen à la „wer in Produktkategorie A gekauft hat, kauft als nächstes in Produktkategorie B“?

Wir haben gelernt, dass ein Leitfaden sinnvoll ist, welchen Fragen man warum nachgehen will. Wir könnten in Hublify x Kombinationen analysieren, doch welche Antworten können wir tatsächlich in Folgeaktionen umsetzen? Vorsicht, man kann sehr schnell abrutschen ins Analysieren um des Analysieren willens.

Mit einem Flagship-Store in der Hamburger Innenstadt wollt ihr die Kunden erreichen, die vor einem Kauf die Uhr oder das Schmuckstück erst einmal anprobieren wollen. Wie soll eine Omnichannel Software euch dabei helfen, einen 360°-Blick auf eure Kunden zu bekommen?

Wir haben nicht im klassischen Sinne ein Filialnetz, das unseren Webshop ergänzt, sondern eine Anlaufstelle in der Hamburger Innenstadt, die Laufkundschaft, aber noch viel mehr Online-Informierte zur letztendlichen Kaufentscheidung verhelfen soll (ganz getreu des ROPO-Effekts). Bisher führen wir die Verkäufe on- und offline zusammen, jedoch bleiben die Kunden im Laden meist anonym. Ich kann mir vorstellen, anstelle von aufwändigen Programmen wie Kundenkarten (wer will denn noch eine Kundenkarte haben?), gezielt die ROPO-Zielgruppe in den Blick zu nehmen, indem wir beispielsweise auf den Produktseiten der im Laden verfügbaren Uhren einen Gutschein-Code anbieten, der im Laden einzulösen wäre, oder anregen, bei komplexen Uhren wie Smartwatches einen individuellen Beratungstermins zu vereinbaren.

Dieses Interview wurde ursprünglich veröffentlich bei Location Insider (13.07.2022). Geführt wurde es von Christiane Richters, von Hublify.

Titelbild von Duané Viljoen | Pexels

Veröffentlicht am von
Zuletzt aktualisiert am 04.08.2022


Autorenprofil


Begleiterin der ersten Schritte in die Digitalisierung aus Software-Perspektive. Interdisziplinärer Background mit Leidenschaft für eCommerce, kommunikative Pointe und kreative Ideen.