Wie die Warenkorbanalyse das Weihnachtsgeschäft optimiert

Jingle Bells, Jingle Bells, jingle all the way – oh what fun it is to ride into the next shop hurray! Es ist wieder soweit: Die Zeit ist gekommen, in der nicht nur die Glocken läuten, sondern auch die Kassen klingen. Doch wie schafft man es, die Kaufwilligen in das eigene Geschäft zu locken und nicht an die Konkurrenz zu verlieren? Oftmals lautet die Antwort auf diese Frage: Werbung. Allerdings ist Werbung vor allem in der Weihnachtszeit mit hohe Kosten verbunden. Zudem besteht die Gefahr das Konsument*innen aufgrund der hohen Informationsflut deine Angebote einfach übersehen. Zum Glück gibt es im Köcher der Marketingmethoden noch andere Pfeile. So kann man Kund*innen mit maßgeschneiderten Angeboten locken. Doch wie genau funktioniert dieses „maßschneidern“ von Angeboten?

Das Warenkorbanalyse 1×1

Das Feld der Datenanalyse gewann in den letzten Jahrzehnten im Marketing immer mehr an Bedeutung. Sie stellt unter der Anwendung der Warenkorbanalyse eine kostengünstige und effiziente Maßnahme für das Steigern von Up- und Cross-Selling sowie für sinnvolle Produktzusammenstellungen und Rabattaktionen dar. Bei einer Warenkorbanalyse wird nicht der monetäre Wert eines Warenkorbs errechnet, sondern vielmehr welche Produkte zusammen gekauft werden. Das Ergebnis sind Assoziationsregeln bzw. die Wahrscheinlichkeit mit der zwei oder mehr Produkte zusammen gekauft werden. Doch wie funktioniert das jetzt genau? Schauen wir uns dazu ein Beispiel an:

Ein weihnachtliches Beispiel

Als Basis benötigt man eine Datenbank mit Transaktionsdaten wie sie z. B. von vielen POS Systemen erstellt wird. Achtung, dabei sollten saisonale Änderungen im Kaufverhalten immer mitberücksichtigt werden. So wird im Einzelhandel Speiseeis eher im Sommer als im Winter verkauft. Bei Aussagen über das Kaufverhalten im Weihnachtsgeschäft ist es daher wichtig auf Daten der vergangenen Weihnachtsgeschäfte zurückgreifen. Bei der tabellarischen Darstellung von Transaktionsdaten, sind die Produkte in den Spalten und die Transaktionen in den Zeilen anzuführen.

Die Nummer „1“ in der Produktspalte gibt an, dass dieses Produkt gekauft wurde, während eine „0“ bedeutet, dass dieses Produkt in der betrachteten Transaktionszeile nicht im Warenkorb gelandet ist. So wurden beispielsweise in der „1. Transaktion“ (siehe Tabelle) nur der große Milka-Weihnachtsmann und die Lindt Weihnachtsbaumbehang Mischung 300g gekauft.

Lexikon der Warenkorbanalyse

Bevor wir mit der Berechnung fortfahren bedarf es der Definition einiger Termini: Als „Item“ werden bei der Warenkorbanalyse die jeweiligen Produkte in den Spalten der Tabelle bezeichnet. Ein „Itemset“ ist die Kombination von einzelnen Items (z. B. der Milka-Weihnachtsmann groß (X) und die Lindt Weihnachtsbaumbehang Mischung 300g (Y)).

Ein Beispiel für eine „Regel“ wäre: Wenn der Milka-Weihnachtsmann groß gekauft wird, wird auch die Lindt Weihnachtsbaumbehang Mischung 300g gekauft (Formell: X -> Y). Der „Support“ für ein Itemset bezieht sich auf den prozentualen Anteil, den diese spezifische Kombination an allen Transaktionen hat. Zum Beispiel supp(X, Y) = 0,75, da diese Produkte in 3 von 4 Transaktionen enthalten sind. „Confidence“ gibt an, wie vertrauenswürdig eine Regel ist. So würde der Ausdruck Conf (X->Y) = supp(XUY)/supp(X) = 0,75 / 0,75 = 1 bedeuten, dass in allen Fällen, in denen ein Milka-Weihnachtsmann groß gekauft wurde, auch die Lindt Weihnachtsbaumbehang Mischung 300g gekauft wurde (Kaluža, 2016, S.88 – 92).

Berechnungsschritte

Für die Berechnungen können wir WEKA benutzen, ein Open Source Tool das an der Universität von Waikato in Neuseeland entwickelt wurde und durch Plugins erweiterbar ist. Das hier verwendete Plugin ist das apriori-Plugin, welches über den Menüpunkt „Tools -> Package manager“ installiert wird (siehe unten Abbildung 1).

Der apriori Algorithmus dient dazu, große Datensets schneller zu verarbeiten. Dabei werden zuerst Itemsets mit wenigen Items erstellt, die in den Daten häufig vorkommen. Diese werden in Folge durch Kombination erweitert, während jene Itemsets mit sehr geringem Vorkommen ausgeschlossen werden (Kaluža, 2016, S. 92).

Die verwendeten Daten befinden sich in der Datei apriori_data_big.csv. Als Vorbereitung wurden die Datenwerte „1“ durch einen Buchstaben z. B. „s“ ersetzt, da das Programm nicht mit numerischen Daten arbeiten kann. Alle „0“ wurden durch ein Leerzeichen ersetzt, um nur jene Fälle in den Itemsets zu haben, in denen auch gekauft wurde (es soll ja darüber eine Aussage gemacht werden, welche Produkte zusammen gekauft werden). Mithilfe eines Klicks auf „Explorer“ öffnet sich das Analysefenster in dem die Datei geladen werden kann (siehe Abbildung 2).

Mittels eines Klicks auf „Associate“ wir der apriori-Algorithmus auswählt und durch den Klick auf den Startbutton dann die Regeln errechnet (siehe Abbildung 3).

Wie aus Abbildung 3 ersichtlich werden die 10 besten Regeln ausgegeben. Bei Betrachtung dieser Ergebnisse fällt auf, dass ein starker Zusammenhang zwischen dem großen Milka-Weihnachtsmann und der Lindt Weihnachtsbaumbehang Mischung 300 g existiert. So zeigt Regel 7, dass diese in 96 % der Fällen zusammen gekauft werden und es auch häufige Kombinationen mit anderen Produkten gibt.

Basierend auf diesem Wissen können nun Marketingmaßnahmen abgeleitet werden. Beispielsweise könnten diese Produkte am POS gemeinsam präsentieren oder als Warenpakte mit einer Rabattaktion beworben werden. Dies ist nur eines von vielen Beispielen dafür, wie das Marketing von der Datenanalyse profitiert.

Wir wünschen ein frohes und erfolgreiches Fest!

Kaluža, B. (2016). Machine Learning in Java. Birmingham: Packt Publishing Ltd.