eCube Blog
Rund um eCommerce

eCube wächst und geht neue Wege. Unsere Mitarbeiter durchlaufen dabei eine vielzahl aufregender Projekte am digitalen Puls der Zeit. Die aktuellsten und interessantesten Themen können Sie in unserem Blog nachlesen und uns so auf der spannenden Reise durch modernste eCommerce- Lösungen begleiten.

Produktdatenanalyse im E-Commerce: Temperatur messen allein bekämpft noch kein Fieber

Autor: Sascha Tobias von Hirschfeld | Kommentare: 0 | Datum: 16. April 2018

Big Data ist in aller Munde, allerdings beschränken sich viele E-Commerce-Unternehmen auf das Sammeln von Daten, ohne damit wirklich zu arbeiten. Was dabei übersehen wird: Damit aus Daten nützliche Erkenntnisse und Maßnahmen für die Optimierung der Datenqualität im Shop abgeleitet werden können, müssen Messdaten nach definierten Regeln und Prozessen erhoben, ausgewertet und interpretiert werden.

Product Data Consolidation setzt hier auf eine intelligente Verknüpfung von automatisierter und manueller Analyse nach dem Lean-Prinzip.

Ziel des Produktdaten-Managements im E-Commerce ist es, Produktdaten von höchstmöglicher Qualität zur richtigen Zeit genau dort bereitzuhalten, wo sie für den Verkauf benötigt werden. Und zwar in der Qualität, die Käufer erwarten dürfen. Dazu müssen Produktdaten systematisch analysiert werden, um ihre Qualität bewerten und ggf. optimieren zu können. Die Analyse der Datenqualität ist deshalb neben Channel Management, Processing und Control ein wichtiger Funktionsbereich der Product Data Consolidation.

„If You Can‘t Measure It, You Can‘t Improve It.“ – Peter Drucker

Produktdatenanalyse als laufender Prozess

Im analytischen Teil der Datenkonsolidierung werden Konfigurationsinformationen fortlaufend in Beziehung zu gemessenen Kennzahlen gesetzt. So erhält man einen Überblick über die Entwicklung der Datenqualität und kann die Effizienz der vorgenommenen Operationen bewerten. Dies umfasst im Wesentlichen vier Handlungsbereiche: das Bewerten von Daten, Reporting und Monitoring sowie das regelmäßige Audit des Systems.

Wichtig: Der gesamte Analyse-Prozess ist als Zyklus zu verstehen, der dem PDCA-Prinzip folgt. Der Vorteil dieses Optimierungszyklus besteht darin, dass das Produktdaten-Management jederzeit flexibel auf Veränderungen in der Datenqualität reagieren kann, beispielsweise wenn neue Datenquellen hinzukommen oder sich die Datenstruktur ändert. Die Idee dahinter entspricht dem Lean-Prinzip für die iterative Entwicklung und Optimierung von Produkten.

Die 4 Handlungsfelder der Datenanalyse

1. Scoring: Produktdatensätze bewerten

Die Anforderungen an die Produktdaten werden in Regeln formuliert und mit Scores versehen. Anforderungen sind z. B.: Herstellerinformationen sollen vorhanden sein, Titel soll Herstellermarke, Modell und wichtigste Merkmale enthalten, Primärbild und Thumbnail sollen vorhanden sein, Warengruppenstruktur für Online-Shop-Kategorisierung soll vorhanden sein, rechtlich relevante Hinweise sollen vorhanden sein etc. Die Qualität eines Datensatzes ergibt sich nicht nur daraus, ob bestimmte Anforderungen an die Vollständigkeit der Daten erfüllt sind, sondern bemisst sich auch daran, wie die Anforderungen gewichtet sind.

Für das Scoring verbindet das Konzept der Product Data Consolidation die automatisierte Analyse (Quality Gate) mit Möglichkeiten, Produktdaten nach Bedarf manuell, zum Beispiel per Datenvisualisierung, zu analysieren. Die folgende Abbildung zeigt die Visualisierung hierarchischer Strukturen im Daten-Pool in Form einer Tree Map.

Beispiel für die Darstellung der Zuordnungen von Produkten zu Kategorien im Shop nach eCl@ss.

Die Verknüpfung von automatisierter und manueller Analyse hat den Vorteil, dass Produktdaten im Shop nicht nur anhand “harter” Kriterien im Quality Gateway, sondern zusätzlich bei Bedarf auch anhand “weicher” Kriterien analysiert werden können. Beides zusammen ergibt ein rundes Bild von der Qualität der Produktdaten, bezogen auf eine bestimmte Anforderung und ermöglicht das frühzeitige Erkennen von Schwachstellen. Zusätzlich ermöglicht dieses Zusammenspiel das Aufdecken von Zusammenhängen, die bis dato noch nicht entdeckt wurden.

2. Reporting: Informationen zu- sammenstellen und versenden

Auf Basis definierter Abfragen können Berichte manuell oder automatisiert erstellt werden, die einen Gesamtüberblick über die Qualität der Produktdaten im Shop geben. Die Abfragen ziele darauf ab, Fehler oder Lücken im Datenbestand aufzudecken:

  • Welche Produkte haben keinen Wert für den Produktnamen (oder ein anderes Feld)?
  • Welchen Produkten wurde kein Alternativprodukt zugeordnet?
  • Welche Produkte haben kein Produktfoto oder Thumbnail?
  • Welche Produkte sind keiner Produktkategorie zugeordnet?
  • Berichte und Abfragen können bei Bedarf ausgeführt oder geplant und die Ergebnisse an einen bestimmten Benutzer oder eine bestimmte Benutzergruppe weitergeleitet werden.

    3. Monitoring: Überwachung und Auslösen von Steuerereignissen

    Abfragen dienen nicht nur dem regelmäßigen Reporting, sondern können in Echtzeit bestimmte Ereignisse auslösen. Etwa, wenn ein Schwellenwerte für eine Messgröße unterschritten wurde. Beispiel: Der Produktmanager erhält eine Nachricht, wenn weniger als 98 % der Produkte keiner Produktkategorie zugeordnet sind. Das Echtzeit-Monitoring ist besonders dann wichtig, wenn laufend große Mengen an Produktdaten aus verschiedenen Quellen in das Shop-System eingespeist und zeitnah im Shop veröffentlicht werden.

    4. Audit: Regeln und Qualität abgleichen

    Auch wenn viele Bereich der Datenanalyse automatisiert ablaufen, sind manuelle Eingriffe in der Praxis nicht ganz zu vermeiden. Und auch nicht wünschenswert, denn Qualität liegt nicht selten im Auge eines (menschlichen) Betrachters. Im Rahmen des fortlaufenden Auditprozesses werden sicherheitshalber alle Änderungen protokolliert, die in den Produktdaten und den Verarbeitungsregeln vorgenommen wurden, wann und von welchem Benutzer, so dass der Administrator die Arbeit seiner Mitarbeiter überwachen und bei Bedarf Rollbacks durchführen kann.

    Fazit

    Der Verkaufserfolg im E-Commerce steht und fällt mit der Präsentation der angebotenen Produkte und damit auch mit der Qualität der bereitgestellten Produktdaten. Product Data Consolidation beinhaltet deshalb, Produktdaten fortlaufend systematisch zu analysieren. Hierfür werden idealerweise automatisierte und manuelle Prozesse intelligent verknüpft und die Ergebnisse der Datenanalyse in Echtzeit in Handlungsempfehlungen übersetzt, bzw. direkt Steueroperationen im System ausgelöst.

    Schreibe einen Kommentar

    Deine E-Mail-Adresse wird nicht veröffentlicht.


    Pin It on Pinterest