Weil datenbasiert besser ist: Ranking im E-Commerce

Was für Google-Suchergebnisse gilt, gilt auch im Onlineshop: Die relevanten Produkte gehören nach oben. Die Position auf der Liste beeinflusst dessen Click-Through-Rate (CTR). Wir bei dmf stellen immer wieder fest, dass das Ranking im Shop noch oft dem Zufall überlassen wird. Dadurch werden Chancen direkt verschenkt. Shop-Betreiber:innen sollten ihre Kategorieseiten so sortieren, dass die bestmöglichen Angebote für User:innen oben stehen. Wichtig dafür: ein passendes Ranking. 

Pragmatisch für den Anfang: Die manuelle Sortierung 

Gut gemacht, erscheint die manuelle Sortierung der Produkte zu Beginn die beste Wahl. Die Erfahrung der Category Manager in der Produktpflege ermöglicht zunächst ein passables Ranking. Doch schon, wenn viele hundert Produkte im Shop sind und die Sortimente sich häufig ändern, stößt der manuelle Ansatz an seine Grenzen. Insbesondere dann, wenn das Ranking auch persönliche Präferenzen der User:innen berücksichtigt. 

Messbarkeit entscheidend

Wenn tragfähige Resultate erzielt werden sollen – Resultate, die nachweisbar die User Experience und die Conversion Rate verbessern – dann kommen Shop-Betreiber:innen um ein datenbasiertes Ranking nicht herum. Jetzt braucht es einen analytischen und rückkoppelnden Prozess, der zu einer kontinuierlichen Optimierung des Rankings führt.

Für ein datengetriebenes Ranking eignen sich unserer Erfahrung nach zwei Ansätze: das Data Driven Ranking und das Predictive Ranking. 

Kriterien zählen: Das Data Driven Ranking

Data Driven Ranking ist ein formelbasierter Ansatz. Die Reihenfolge der Produkte in einer Kategorie ergibt sich nicht aufgrund einer manuellen Festlegung. Hier zählen harte Fakten. Dafür werden Kriterien definiert, die ein Produkt unter dem Aspekt der “Attraktivität” beschreiben. Und zwar aus beiden Perspektiven: der der User:innen sowie der Perspektive der Shop-Betreiber:innen. Wie die beiden Perspektiven in den Kriterien gewichtet werden, entscheiden die Ziele der Händler:innen. Im Extremfall kann die Entscheidung auch lauten, ausschließlich die User:innen in den Fokus zu rücken. 

Diese 7 Kriterien eignen sich in der Regel gut für die Entwicklung eines Rankings:

  1. Verkaufszahlen
  2. CTR
  3. Marge
  4. Datenqualität (sind Bilder und Beschreibung so gut, dass User kaufen wollen)
  5. Lieferfähigkeit
  6. Anzahl der Tage im Katalog (wie neu ist ein Produkt)
  7. Lagerkapazität (ggf. soll das Lager geräumt werden) 

Die Kriterien sind zu gewichten und in eine Reihenfolge zu bringen. Sind die Verkaufszahlen wichtiger als die Marge? Wie wichtig ist die Neuheit des Produktes? Zu jedem Produkt werden kontinuierlich die entsprechenden Daten erfasst. Diese Daten werden, unter Berücksichtigung der Gewichtung der Kriterien, ausgewertet. Am Ende steht ein errechneter Score-Wert, der sich aus der Erwartungshaltung der User:innen und Händler:innen ergibt und für eine passende Sortierung der Produkte sorgt.

Ins Ranking einfließen sollten auch Markt- und Produktentwicklungen. Möglicherweise beeinflusst eine neue politische Gesetzgebung das Kaufverhalten? Bei Saisonware macht es Sinn, die Verkaufszahlen über den Zeitverlauf degressiv zu behandeln. Kommt ein Produkt Update ins Sortiment, so muss die Vorgängerversion automatisch nach unten sortiert werden. 

Machine Learning: Das Predictive Ranking

Bei der sogenannten Predictive Intelligence geht es darum, große Datenmengen systematisch auszuwerten, um darin Zusammenhänge und Muster zu erkennen. Durch Auswertung historischer und aktueller Daten erschafft die prädiktive Analyse ein Vorhersagemodell für künftige Wahrscheinlichkeiten. 

Das heißt für unser Ranking: Es ist lernfähig. Daten zu einzelnen Kriterien werden nicht nur regelmäßig aufgenommen, sondern unterstützen einen maschinellen Lernprozess. User:innen-Aktionen werden erkannt, eingeordnet, geclustert, in Beziehung gesetzt. Das jeweils erkannte Muster wird automatisch im Ranking berücksichtigt. 

Insbesondere keyword-basierte Suchanfragen werden so “zerlegt”, dass sie maschinell gelesen und ausgewertet werden können. Nehmen wir an, User:innen suchen nach “Jack Wolfskin Jacke blau”. Dann wird die Anfrage zerlegt in:

“Jack Wolfskin”=Marke

“Blau”=Farbe

Die Suche nach “Jacke” wird damit durch die Filter “Marke” und “Farbe” ergänzt. So lassen sich User:innen-Präferenzen, beispielsweise in puncto Farbe oder Marke erkennen und für das Ranking im Shop berücksichtigen. Auf diese Weise können Händler:innen ihr Ranking laufend an den User:innen-Präferenzen spiegeln und optimieren.

Mit Hilfe dieser smarten Ranking-Ansätze zeigen Händler:innen im Shop genau die Produkte zuerst, die ihre Kund:innen am meisten wertschätzen. Ein klares Plus in Richtung Kaufwahrscheinlichkeit.