Big Data im Modehandel – Wettbewerbsvorteil oder imageschädigend?

Big Data in der Mode

Big Data ist das Buzzword dieses Jahrzehnts. Doch welche Möglichkeiten ergeben sich durch die Sammlung und Analyse von Informationen und lohnt sich der Aufwand in die technische Analyse für Händler in der Modebranche? Diese Chancen und Risiken sollten Sie bei der Optimierung Ihres Kaufprozesses beachten.

Haben sich früher Unternehmen mit besonders effizienten Produktionsanlagen oder außergewöhnlichen Verpackungen vom Wettbewerb abgegrenzt, ist heute die Ressource Information der entscheidende Wettbewerbsvorteil. Durch die Sammlung und Auswertung der Daten aus Kaufprozessen, GPS Profilen und Verhalten in sozialen Medien, können Unternehmen unsere Bedürfnisse erkennen, bevor wir uns selber darüber bewusst sind. Gerade in der Modebranche ergeben sich daraus vielversprechende Handlungsmöglichkeiten: Trends können gezielt vorhergesagt werden, die Kundenansprache kann individualisiert werden und hohe Retourenquoten können vermieden werden. So erfolgsversprechend, wie sich dies alles anhört, so überraschender ist das Ergebnis einer Studie der Universität Potsdam aus dem Jahr 2015: Diese ergab, dass nur ca. 25 % der befragten Handelsunternehmen die Datenauswertung für zukunftsorientierte Bereiche wie Vertrieb und Marketing verwenden. Warum ist das so? Einer der Hauptgründe ist sicherlich die fehlende Akzeptanz der Kunden. Die Auswertung von Bewegungsprofilen und Meinungen in Chats und Foren ist für viele Nutzer ein Eingriff in die Privatsphäre und führt dazu, dass sie sich von ihrer Lieblingsmarke ausgespäht führen. Ein weiterer entscheidender Grund für die fehlende Präsenz von Big Data in Marketing und Vertrieb ist, dass die Auswertung von Datenmengen in Big Data Größenordnungen so komplex ist, dass oft eigene Programme zur Strukturierung der Auswertungssoftware benötigt werden. In den Marketingabteilungen der meisten Modeunternehmen fehlt jedoch aktuell noch das Know-how diese Programme zu bedienen und die Daten rechtzeitig aufzubereiten, um sie in Kommunikationsmaßnahmen umsetzen zu können.

Im Modehandel ist Big Data zu einem festen Begriff geworden. Beim Gespräch mit Branchenkollegen rühmt sich so gut wie jeder damit „nun auch Big Data zu betreiben“. Eine Definition von Big Data im Modehandel fällt den meisten jedoch immer noch schwer. Das liegt vor allem daran, dass das Konzept der Kundenanalyse für gezielte Zielgruppenansprache nicht neu ist. Schon seit vielen Jahren werten Unternehmen das Kaufverhalten ihrer Kunden aus und versuchen über Kundenkarten mehr Informationen ihrer Zielgruppen zu erhalten. Was jedoch früher oft eine unspezifische Aussendung von manuell erstellten Newslettern an eine grob selektierte Zielgruppe war, kann mit Hilfe von Big Data im Modehandel eine individuelle und zielgesteuerte Kommunikation für jeden einzelnen Kunden werden. Durch die Erschließung neuer Datenquellen – beispielsweise über Internet of Things – entsteht eine Datenmenge, die in ihrer Größe herkömmliche Datenverarbeitungsmöglichkeiten übersteigt. Durch Big Data Lösungen können unstrukturierte Daten aus internen und externen Quellen in Echtzeit strukturiert und analysiert werden. Für den Modehandel bedeutet das, dass Informationen aus dem Online Shop, Bewegungsprofile im Netz und auf der Straße, Kassendaten & Laufwege der Kunden im Laden sowie Meinungen und Verhalten in sozialen Medien gesammelt werden und zu einem detaillierten Profil jedes Menschen mit Kontakt zur Marke verarbeitet werden können. Gerade für den Online Handel bietet Big Data nie zuvor gekannte Möglichkeiten: Kannte die Verkäuferin im Tante-Emma-Laden schon seit jeher jeden Kunden persönlich und wusste bestens über seine Kaufgewohnheiten und Wünsche Bescheid, kann nun auch der digitale Handel auf Kundenbedürfnisse und Präferenzen zu Marken und Trends schließen. Einige der wichtigsten Chancen und Risiken, die sich mit Big Data während dem Kaufprozess eines Modehändlers ergeben, werden im Folgenden erläutert.

Die erste Einsatzmöglichkeit von Big Data im Modehandel ist der erste Touchpoint der Zielgruppen mit der Marke. Über individuelle Ansprache wird der Kunde auf die Produkte aufmerksam gemacht und in den Laden bzw. den Online Shop gelotst. Big Data ermöglicht es im Rahmen von Pretargeting gezielt Produkte zu empfehlen, die wir noch nicht kennen – uns aber entsprechend unseres Nutzerprofils und den Einkäufen von Kunden mit ähnlichem Nutzerprofil gefallen werden. Über eine Sentiment-Analyse können Modehändler auf unsere Haltung gegenüber ihrer Marke schließen. Dafür wird automatisiert und in Echtzeit von uns erstellter bzw. konsumierter Content in Social Media ausgewertet und zu einem Stimmungstrend zusammengefügt. Die GPS-Daten unserer Smartphones können genutzt werden um uns über Push-Benachrichtigungen mit personalisierten Gutscheinen in die Läden zu locken, während wir uns gerade eine Ecke weiter beim Samstagsshopping befinden. Der britische Lebensmittelhändler Tesco nutzt diese Kommunikationsform aktuell um Kunden im Stau per SMS auf den nächstgelegenen Tesco-Supermarkt hinzuweisen. Diese gezielte Kommunikation führt zu einer höheren Preisbereitschaft und Markenbindung der Kunden, die sich durch die individuelle Werbung verstanden und besser betreut fühlen. Grundlage für eine erfolgreiche Kommunikation mit Big Data im Modehandel ist jedoch absolute Transparenz bei der Datengewinnung. Oft sind sich die Konsumenten nicht bewusst, dass laufend Informationen über ihr Verhalten gesammelt werden. Um zu verhindern, dass personalisierte Kommunikation das Markenimage negativ beeinflusst, sollte stets darauf geachtet werden die Kunden aufzuklären, woher die Daten kommen und ihnen die Möglichkeit zu geben den Grad der Informationsweitergabe kontrollieren zu können.

Während des Kaufprozesses können Modehändler mit Hilfe von Big Data ihre Sortiments- und Preisgestaltung sowohl online als auch offline optimieren. Gerade im Online Bereich können Echtzeit-Analysen zu Klickraten und Seitenaufrufen des eigenen Online Shops ausgewertet werden und zusammen mit unserem allgemeinen Surfverhalten für eine individuelle Darstellung des Online Shops genutzt werden. In der Praxis bedeutet das, dass uns nur die Produkte angezeigt werden, die für uns relevant sind oder nach Echtzeitanalysen von Best-Selling-Produkten der Wettbewerber aktuell im Trend sind. Diese personalisierte Darstellung kann dann je nach Klickverhalten im Shop weiter angepasst werden, um möglichst schnell das vermeintlich perfekte Produkt für uns zu präsentieren. Diese flexible Sortimentsgestaltung durch Big Data im Modehandel ist jedoch nicht nur ausschließlich dem E-Commerce vorbehalten. Auch stationäre Modehändler können durch Nutzung des Bildmaterials von Überwachungskameras und Transpondern in Einkaufswägen unsere Laufwege analysieren und so die optimalen Verkaufsflächen für die neuen Kollektionen finden. Doch wollen wir diese Vorbestimmtheit überhaupt? Ist der Reiz am Sommerschlussverkauf nicht gerade die Suche nach dem perfekten Schnäppchen? Und das Durchforsten dutzender Online Shops der eigentliche Spaß bei der Suche nach den Traumstiefeln? Diese emotionale Komponente in der Modewelt sollten Händler bei der Optimierung ihrer Produktpräsentation nicht unterschätzen und genau abwägen, wann Big Data Analysen geschäftsfördernd sind und wann sie die unvergleichliche Beziehung der Kunden zur Mode stören.

Während die Möglichkeiten von Big Data im Modehandel für die Sortimentsgestaltung aufgrund gesetzlicher Beschränkungen und Datenschutzrichtlinien aktuell noch Zukunftsmusik sind, ist eine individuelle Preisgestaltung anhand von Informationen unseres Standortes, Gerätes oder unserer bisherigen Käufe längst bei vielen Mode E-Commerce Händlern Standard. Real-Time Preismonitoring des Wettbewerbs ermöglicht es den aktuell besten Preis für ein Produkt zu ermitteln und diesen mit dem Einsatz von Dynamic Pricing automatisiert im E-Shop anzupassen. Möglich wäre auch eine dauerhafte Überwachung von äußeren Einflüssen auf Kaufentscheidungen, die beispielsweise eingesetzt werden können, um bei Regen die Preise für Regenjacken über ein digitales Preisschild zu erhöhen. Mithilfe von Predictive Applications kann dies noch erweitert werden und die individuelle Preisbereitschaft jedes Kunden ausgemacht werden. 2015 hatte der Online Riese Amazon Schlagzeilen gemacht, da die Preise der angebotenen Produkte am Valentinstag um bis zu 240 Prozent schwankten. Beschwerden von Verbraucherschützern haben nun dazu geführt, dass die europäischen Wettbewerbsminister laut einem Bericht der Tagesschau über ein gesetzliches Verbot von standortabhängigen Preisen diskutieren.

Für den Modehandel ist gerade die Phase nach dem Kauf ein entscheidender Erfolgsfaktor. Retourenquoten von über 40 % sind in der Branche keine Seltenheit. „Schaut man sich dazu die entstehenden Kosten und einen Wertverlust von häufig mehr als 20 Prozent für retournierte Artikel an, wird schnell klar, dass Rücksendungen zu den größten Renditekillern im Online-Handel gehören“, sagt E-Commerce-Experte Alexander Köhler. Präventive Retourenvermeidung mithilfe von Big Data Technologien kann daher entscheidend zum Unternehmenserfolg beitragen. Text Mining Technologien erkennen mittels Machine Learning Retourenmuster in Produktbewertungen und Social Media Kommentaren. Dabei werden Produktbewertungen aus dem eigenen Online Shop, aus Bewertungsplattformen oder sozialen Netzwerken nach retourenrelevanten Wörtern gefiltert. Diese Schlagworte wie „Farbe nicht wie abgebildet“ oder „Größenangaben falsch“ werden thematisch gruppiert, um auf einen möglichen Fehler in der Produktbeschreibung schließen zu können. Um zukünftig Retouren aus den analysierten Gründen zu vermeiden, werden die Produktbeschreibungen automatisiert angepasst bzw. Produkte bei häufigen Beschwerden vorübergehend aus dem Sortiment genommen. Dies kann sogar so weit personalisiert werden, dass wir aufgrund unseres Datenprofils individuelle Produktbeschreibungen angezeigt bekommen mit Hinweisen in welcher Größe wir diese Hose für unsere Körpermaße bestellen müssen.

In der Vergangenheit konnten unstrukturierten Daten wie Kommentare in Social Media, Bilder von fehlerhaften Produkten oder einzelne negative Aspekte in einem langen, allgemeinen Bewertungstext nicht in repräsentativer Menge und in so kurzer Zeit ausgewertet werden. Oft mussten diese Analysen manuell durch Personal bearbeitet werden, was dazu geführt hat, dass nicht schnell genug auf negative Resonanzen reagiert werden konnte, um hohe Retourenquoten zu vermeiden. Aktuell stoßen Big Data Lösungen im Modehandel an dieser Stelle noch an ihre Grenzen, da nicht jedes Retourenmuster erkannt werden kann. Ironische Aussagen zu einem Produkt können beispielsweise nicht als Kritik wahrgenommen werden und fehlerhafte Aussagen können nicht ausgefiltert werden. Da die wahrgenommene Qualität von Kleidungsstücken oft sehr subjektiv ist, entstehen Schlussfolgerungen, die nicht der allgemeinen Meinung der Kunden entsprechen. Diese sogenannten Scheinkorrelationen können rein zufällig entstehen, indem beispielsweise zwei Kunden zeitgleich einen Pullover wegen falscher Größe reklamieren. Das System verbucht dies dann, ohne festzuhalten, dass der Pullover bei Kunde 1 zu klein und bei Kunde 2 zu groß ausgefallen ist. Diese Zusammenhänge müssen für ein effektives Retourenmanagement komplexer abgebildet werden und verlangen sehr aufwendige Prozesse. Beim Einsatz von Big Data im Modehandel zur Retourenvermeidung sollte daher immer im Vorfeld geprüft werden, ob die Menge der Retouren den kosten- und zeitintensiven Einsatz dieser Methoden rechtfertigt.

Die gezeigten Chancen haben gezeigt, dass Big Data dem Modehandel zahlreiche Ansatzpunkte liefert, um Prozesse zu optimieren, Kosten zu sparen und die Kunden gezielter anzusprechen. Doch auch Big Data hat Grenzen und es erfordert einen genauen Fokus auf die Funktionen, die für das eigene Geschäftsmodell den meisten Nutzen mit minimalstem Aufwand bringen. Gerade bei kleinen Unternehmen hält sich der budgetäre und zeitliche Aufwand für die Implementierung einer Big Data Lösung im Modehandel oft nicht die Waage mit den Vorteilen, die diese Systeme mit sich bringen. Oft sind die Systeme so komplex, dass eigene Systeme benötigt werden, um die gesammelten Informationen zu steuern und aufeinander abzustimmen. Bei vielen Modehändlern fehlt hier aktuell noch das Know-how und die Ressourcen, um dies in ihrem Unternehmen umzusetzen. Um das Image des Unternehmens nicht zu gefährden, muss im Vorfeld individuell geprüft werden, ob den Zielgruppen eine personalisierte Ansprache einen Mehrwert bietet und zu jedem Zeitpunkt transparent über den Grad der Datensammlung kommuniziert werden. Letztendlich darf ein entscheidender Aspekt nicht außer Acht gelassen werden: Big Data im Modehandel liefert „nur“ die Informationen – eine erfolgreiche Marketingstrategie entsteht aber erst wenn diese Informationen in individuelle Kampagnen übersetzt werden. Ist dies aber der Fall kann Big Data anhand der vorgestellten Möglichkeiten den entscheidenden Wettbewerbsvorteil bringen, den es braucht, um sich im Haifischbecken der Modehändler behaupten zu können.

Geschrieben von Gastautorin Lisa Duschek (Master Medienmanagement)

 

Literatur

Absatzwirtschaft (2016): Dynamic Pricing: Verspielt Amazon das Vertrauen seiner Kunden? http://www.absatzwirtschaft.de/dynamic-pricing-verspielt-amazon-das-vertrauen-seiner-kunden-75271/, zuletzt geprüft am 29.11.2016.

Burmann, Christoph; Kleine-Kalmer, Barbara; Hemmann, Frank (2014): Vermittlung von Markenerlebnissen durch die Nutzung von Big Data. In: Mark Rev St. Gallen 2014 (1), S. 56–67.

Carina Kontio (2013): Renditekiller Retouren. Auch Zalando hat sich die Finger verbrannt. In: Handelsblatt, 31.07.2013. http://www.handelsblatt.com/unternehmen/handel-konsumgueter/ renditekiller-retouren-auch-zalando-hat-sich-finger-verbrannt/8572908-3.html, zuletzt geprüft am 01.12.2016.

Grüger, Olag (2015): Big Data für Webshops. In: Torsten Schwarz (Hrsg.): Big Data im Marketing: Chancen und Möglichkeiten für eine effektive Kundenansprache, Freiburg.

Hünermann, Ralph (2015): Optimierung digitaler Touchpoints. In: Torsten Schwarz (Hg.): Big Data im Marketing: Chancen und Möglichkeiten für eine effektive Kundenansprache, Freiburg.

KPMG (2016): Big Data im Handel. https://klardenker.kpmg.de/verstehen/aktuell/big-data-im-handel/, zuletzt geprüft am 03.11.2016.

Müncheberg, Horst (2015): Passende Inhalte an die richtigen Empfänger. In: Torsten Schwarz (Hg.): Big Data im Marketing: Chancen und Möglichkeiten für eine effektive Kundenansprache, Freiburg.

Rudolph, Thomas (2014): Big Data — Chancen und Gefahren. In: Mark Rev St. Gallen 2014 (1), S. 1.

Rudolph, Thomas; Linzmajer, Marc (2014): Big Data im Handel. In: Mark Rev St. Gallen 2014 (1), S. 12–25.

SAS (2016): Studie zeigt: Handel schöpft Big-Data-Potenziale nicht aus. http://www.sas.com/de_de /news/press-releases/2015/November/pm151126.html, zuletzt geprüft am 03.11.2016.

Seufert, Andreas (2016): Die Digitalisierung als Herausforderung für Unternehmen: Status Quo, Chancen und Herausforderungen im Umfeld BI & Big Data. In: Daniel Fasel und Andreas Meier (Hrsg.): Big Data. Grundlagen, Systeme und Nutzungspotenziale.

Tagesschau.de (2016): Geoblocking beim Onlinehandel diskutiert. http://www.tagesschau.de/ wirtschaft/geoblocking-onlinekaeufe-101.html, zuletzt geprüft am 29.11.2016.

Walsh, Gianfranco; Möhring, Michael (2014): Retourenvermeidung im E-Commerce — Kann Big Data helfen? In: Mark Rev St. Gallen 2014 (1), S. 68–78.