Intelligente Warenvorselektion im Online-Handel für Mode und Schuhe

Intelligente Warenvorselektion im Online-Handel für
                     Mode und Schuhe
                       Seminararbeit – Innovationsforum, HU-Berlin

                          Patrick Bottelberger und Peter Hasenstab

                  Patrick.bottelberger@student.hu-berlin.de
                             peter@hasenstab.eu

            Ein Überangebot von Artikeln im Online-Handel mit Mode und Schuhen er-
        schwert die Suche und den Kauf für Kunden mit pragmatischer Einstellung
        beim Kleidungskauf. Die hier beschriebene Innovation soll den Kunden helfen,
        die große Zahl an Artikeln im Vorhinein entsprechend ihren Bedürfnissen zu
        reduzieren. Durch die elektronische Befragung einzelner Kunden und Auf-
        zeichnung des Kaufverhaltens, werden Kundensegmente mit Verfahren aus dem
        maschinellen Lernen erstellt, in die anschließend für eine intelligente Waren-
        vorselektion genutzt werden können. Dieser Dienst kann auf vielfältige Weise
        in ein Geschäftsmodell überführt werden.

1       Einleitung

   Computer gestützte Fashion Beratung ist ein Thema, welches nicht nur im B2C
Bereich immer mehr an Bedeutung gewinnt. In der Modewelt geht es meist darum, zu
wissen was morgen „angesagt“ sein wird und welche Trends sich durchsetzen bzw.
welche sterben. Dazu werden zunehmend Business-Intelligence-Systeme eingesetzt.
   Dieser Trend zur IT-Integration im Geschäftszweig Mode, wird von Fachleuten je-
doch kritisch beäugt. Die Vorhersage eines Trends könnte über den Aufstieg oder den
Untergang eines Modelabels entscheiden
   Für den Kunden herrsch auf diesem Markt ein Überangebot an Artikeln, das sich
auch im Online-Handel zeigt. Anders als die aufwendig gestalteten Filialen vieler
Modelabels oder Händler, können Kunden im Internet das Angebot nur auf Basis von
wenigen Dimensionen wie etwa Farbe, Größe, Kleidungsart und Marke einschränken.
Anschließend bleibt die Zahl der Artikel teilweise weiterhin unüberschaubar.
   Durch eine intelligente Warenvorselektion soll die Menge der Artikel auf eine An-
zahl reduziert werden, die eine neuartige intuitiv zu bedienende Benutzeroberfläche
ermöglicht. Dem Kunden soll wie in einer Filiale das Gefühl gegeben werden, durch
kompetente Mitarbeiter zu den richtigen Artikeln geführt zu werden. Der erste Schritt
zu diesem Ziel ist eine Vorselektion des Überangebots an Kleidungsstücken auf Basis
individueller Kundenbefragungen. Die Informationen aus diesen Befragungen werden
in einem Algorithmus verarbeitet, der dem Kunden eine Vorauswahl an Artikeln prä-
sentiert.

adfa, p. 1, 2011.
© Springer-Verlag Berlin Heidelberg 2011

Im Folgenden wird ein Überblick zu dem Thema gegeben. In Kapitel zwei wird die
Innovation beschrieben. Kapitel drei zeigt den Nutzen der Innovation. Ein Ausblick
auf das Geschäftsmodell wird in Kapitel 4 präsentiert.1

1.1     Fashionsegment
   Der Bereich Fashion ist aus dem E-Commerce nicht mehr weg zu denken. Gleich-
zeitig hat sich der E-Commerce für jeden Modehändler sowohl zu einer Gefahr wie
auch strategischen Option entwickelt. So hat 2011 auch H&M einen Webshop im
Angebot.
   Die entstandene Vielfalt der Angebote und die gewonnene Informationstransparenz
- etwa über Preise, Verfügbarkeit und Service - bringt große Vorteile für den Endkun-
den mit sich. Jedoch verursachen das wachsende Angebot und die große Vielfalt eine
Überforderung bei diversen Käufergruppen, auf welche später noch genauer einge-
gangen wird.

1.2     Herausforderung
   Das wachsende Angebot von Online Händlern im Fashion Bereich wird für End-
kunden zunehmend schwieriger zu überschauen. Filtermechanismen sollen hier oft
Abhilfe schaffen. Auch semantische Umschreibungen schwer objektiv klassifizierba-
rer Artikelgruppen können dem Endnutzer eines Webshops helfen, seine Kaufent-
scheidung zu treffen. Jedoch treten hier zwei Probleme auf. Zum einen vermindert
sich die Artikelmenge nur wenig und mühsam. Allein bei Zalando gibt es im Bereich
Herrenmode über 27.000 Artikel. Da ist etwa die Filterung nach Größe nur eine
schwache Eingrenzung.
   Zum anderen ist es eine große Herausforderung gerade im subjektiv emotionalen
Artikelfeld Mode, passende Filterkriterien zu finden. Überschneidungen sowie abwei-
chende nicht normierte Bezeichnungen machen dies zu einem fast unlösbaren Prob-
lem. Dennoch scheint diese Vorauswahl durch ein System oder die Kundenorientierte
Bezeichnung von Ware essentiell. So hat eine Studie der HU-Berlin über Konsumen-
ten Suchverhalten mit Semantischen Begriffen gezeigt, dass eine Kundentyp-
Orientierte Bezeichnung von Ware leichter Absatz findet, als eine rein auf objektiven
Kriterien basierende.

1.3     Zielgruppenfokus
   Für den Endkunden ist eine solche Vorauswahl also durchaus ausschlaggebend.
Dies äußert sich unter anderem durch die Bereitschaft auf der Zielplattform – dem
entsprechenden Webshop – Zeit mit der Suche nach dem gewünschten Produkt zu
verbringen. Bei unterschiedlichen Zielgruppen divergiert diese Bereitschaft stark. So
zeigen Männer im Durchschnitt weniger Bereitschaft, Zeit für die Online Recherche
der Warenangebote im Webshop aufzubringen. Dies führt zu einem durch Pragma-

1
    Kapitel 1 und 4; Peter Hasenstab. Kapitel 2 und 3; Patrick Bottelberger

tismus geprägten Suchansatz. Durch die – dem Überangebot verschuldet – ineffiziente
Suche, wird dieser Ansatz jedoch nicht befriedigt.
   Diesen hemmenden Faktor gilt es für speziell die männliche Zielgruppe zu ver-
mindern. Hierzu gibt es bereits diverse Ansätze, etwa vorschlagsorientierte Angebote.
Anhand vergangener Suchen, Käufe und Data Mining Analysen werden Profile er-
stellt auf deren Grundlage neue Angebote kombiniert werden, welche von Interesse
für den Kunden sein könnten. Die Hypothese hierbei wäre, dass der Kunde sich ver-
hält wie viele andere mit ähnlichem Suchverhalten. Gerade durch die bereits ange-
sprochene Semantische Vielfalt im Fashion-Bereich birgt dieser Ansatz ebenso
Schwierigkeiten. Auch das Verifizieren von Käufergruppen durch Preisselektion ist
durch die homogenen Preisspannen in heterogenen Artikelfeldern nicht sinnvoll.

    Um die angesprochenen Hürden zu nehmen ist es nötig, sich auf die Ebene des
Käufers zu begeben und dessen Bedürfnisse nach Beratung zu analysieren. Im Ein-
zelhandel gilt die Devise, dass Beratung entscheidend für eine nachhaltige Kunden-
bindung ist. Der Prozess der Kundenbetreuung verläuft hierbei über viele Branchen
hinweg sehr ähnlich. Der Kundentyp wird zunächst klassifiziert. Doch im Gegensatz
zu Online-Shops wird im Einzelhandel der Kunde befragt um eine qualitativere Klas-
sifizierung vorzunehmen. Zum einen da hier nicht die Möglichkeit besteht, Analysen
und Statistiken zum Kaufverhalten als Datengrundlage zu verwenden und zum ande-
ren, weil der Kunde wenig Aufwand hat, die Fragen zu beantworten.

   Kombiniert man diese zwei Ansätze der personifizierten Betreuung und der Data
Mining gestützten Analyse des Kauf- und Such-Verhaltens, erhält man ein völlig
neuen Ansatz Kunden zu betreuen und somit auch eine Möglichkeit ihnen den Zu-
gang zum Artikelsortiment zu erleichtern. Nun beziehen wir diesen Ansatz wieder auf
die Zielgruppe Männer und das Segment Mode.
   Für eine qualitative Filterung des Artikelsortiments benötigt man also zunächst ei-
nige Informationen des Kunden um ihn exakt klassifizieren zu können. Hier macht
man sich die gleiche Vorgehensweise wie im Einzelhandel zu Nutze und erhöht die
Bereitschaft der Informationsfreigabe durch die Erwartungshaltung an die fachliche
Beratung. So kann eine Online Abfrage von typspezifischen Daten dazu dienen im
Vorhinein Artikelgruppen auszuschließen. Dies wird realisiert durch einen Online-
Style Guide.

   Man vermittelt dem männlichen Kunden durch eine Web-Applikation oder ähnli-
ches, bei welcher er zu Beginn diverser persönliche Informationen angibt. Hierzu
zählen z.B. selbsteinschätzende Fragen über den Typ oder Vorlieben. Die Bereitschaft
dies zu tun besteht durch die Erwartung an eine Expertenmeinung. Im Hintergrund
werden nun Data Mining Muster und Algorithmen mit den Nutzer-Angaben vergli-
chen und zusammengeführt. Die Artikelstammdaten werden anschließend nach den
entstehenden Kriterien für ein personifiziertes Angebot durchsucht und ausselektiert.
   So kann innerhalb kürzester Zeit eine Modeberatung beim Online Shoppen erfol-
gen. Diese Beratung wird genutzt, um personifizierte Angebote zu finden und den
schnellen Suchansatz zu befriedigen.

1.4    Mitbewerber
    Der Ansatz kurze Suchzeiten zu bevorzugen und nicht in ein Stöbern zu verfallen
ist eine Voraussetzung für das Problem des Überangebots. Da dieses Verhalten vor-
wiegend bei Männern besteht, ist der Online-Style-Guide primär auf diese Zielgruppe
ausgerichtet. Der Ansatz der Style-Beratung Online wird bereits durch einen Deut-
schen Mitbewerber verwirklicht. ’Paul Secret’ ist ein Münchner Start-Up welches den
Anspruch der persönlichen Beratung sehr ernst genommen hat. Hier wird durch eine
professionelle persönliche Style Beratung und der Information anhand eines Fragebo-
gens ein Profil erstellt und man erhält durch einen persönlichen Telefonkontakt einen
Modevoschlag, welcher sofort über Paul Secret bestellbar ist. Die Ware wird dann
zusammengestellt und verschickt. Das Modesegment ist jedoch ausschließlich in der
gehobenen Klasse verfügbar und die persönliche Beratung ist zwar wie der Versand
kostenfrei, jedoch wird bei der Zusammenstellung noch eine Preisdifferenz für den
Service genutzt bzw. die Vorbestellung genutzt. Da Versand und Rücksendung kos-
tenfrei sind, trägt der Anbieter ein erhöhtes finanzielles Risiko. Da er die Ware even-
tuell nicht auf Kommissionsbasis kaufen kann. Auch ist das Konzept der persönlichen
Beratung nicht skalierbar. Die Berater für Paul Secret sind professionelle Style Gui-
des jedoch können diese nur jeweils eine fixe Anzahl von Anfragen bearbeiten.

    Nachdem bereits Mode Vorhersagen auf Business Intelligence Systemen basieren,
ist die Beratung also nicht mehr ausgeschlossen. Durch diesen hier vorgestellten in-
novativen Ansatz könnte ein System ähnlich wie Paul Secret für viele Online-Shops
für Herrenmode verfügbar sein.

2      Innovation

   Das Überangebot an Artikeln im Online-Handel führt zu ähnlichen listenorientier-
ten Warenpräsentationen in vielen Online-Shops. Kunden können das Angebot nur
auf Basis von wenigen Dimensionen wie etwa Farbe, Größe, Kleidungsart und Marke
einschränken. Anschließend bleibt die Zahl der Artikel teilweise weiterhin unüber-
schaubar. Das „Online-Shoppingerlebnis“ kostet den Benutzer viel Zeit und stellt sich
durch ständiges „scrollen“ und „weiter-klicken“ eintönig dar.
   Durch eine intelligente Warenvorselektion soll die Menge der Artikel auf eine An-
zahl reduziert werden, die eine neuartige intuitiv zu bedienende Benutzeroberfläche
ermöglicht. Diese Benutzeroberfläche soll durch spielerische und dynamische Ele-
mente ein innovatives „Online-Shoppingerlebnis“ bieten. Der Kunde kann dadurch
zum längeren Verweilen im Online-Shop und zum Cross- und Upselling angeregt
werden.
   Dieses innovative „Online-Shoppingerlebnis“ setzt sich aus drei Komponenten zu-
sammen: Jeder individuelle Kunde muss erstens durch Ausfüllen eines Fragebogens

Informationen preisgeben, die seine Einordnung in ein bestehendes Segment ermögli-
chen und Rückschlüsse auf den von ihm fokussierten Bedarf zulassen. Die zweite
Komponente ist die Segmentierung auf Basis von historischen Daten. Durch Verfah-
ren aus dem maschinellen Lernen werden Kunden und Produkte in Segmente einge-
teilt. Der dritte Baustein ist die Anwendung des „künstlich“ generierten Wissens.
Dabei wird ein neuer Kunde durch den von ihm ausgefüllten Fragebogen, in ein be-
stehendes Segment eingeteilt. Anschließend werden ihm die passenden Produkte für
sein Kundensegment angeboten. Durch die Anwendung werden wiederrum neue Da-
ten generiert, die eine ständige Verbesserung und Anpassung des maschinellen Ler-
nens ermöglichen. Alle drei Komponenten werden nachfolgend im Einzelnen be-
schrieben.
    Die beschriebene Dienstleistung wird Online-Versandhändlern als Web-Service
zur Verfügung gestellt. Die Daten über Kunden und Produkte bleiben somit in unserer
Datenbank und werden nur aggregiert an Geschäftspartner weitergegeben.

2.1      Kundenprofile
   Die Aufnahme von Kundenprofilen ist aus zwei Gründen wichtig: Erstens ist sie
die grundlegende Voraussetzung für die Erstellung eines Trainingsdatensatzes zur
ersten Segmentierung von Kunden- und Produktdaten; zweitens kann ein neuer Kun-
de nur einem bestehenden Segment zugeordnet werden, wenn Informationen über sein
Profil erfasst werden.
   Ein Kundenprofil besteht aus zwei Elementen: einem ausgefüllten Fragebogen zur
psychologischen und demografischen Einordnung des Kunden und aus der Kaufhisto-
rie des Kunden.

Fragebogen zur Einordnung des Kunden
  Der Fragebogen zur Einordnung des Kunden hat vier Bestandteile:
      (a) Selbsteinschätzung
      (b) Kleiderbestand
      (c) Fakten
      (d) Demografische Daten
      (e) Fokus
   Die Selbsteinschätzung des Kunden soll helfen, seinen derzeitigen aber auch ge-
wünschten Stil zu identifizieren. Hierzu können dem Kunden neben Fragen zur Mode
auch Fragen aus anderen Bereichen gestellt werden, die Rückschlüsse auf seinen Stil
oder einen Stil-Stereotypen schließen lassen; etwa Reiseziele, Automarken, Wohnge-
gend, Mobiliar, bevorzugter IT-Hersteller, Filme oder Musik.
   Fragen nach dem Kleiderbestand gehen in eine ähnliche Richtung wie die Selbst-
einschätzung, haben aber den bestehenden Inhalt des Kleiderschranks als Fakt. Eine
mögliche Frage ist „Welches der abgebildeten Kleidungsstücke findet sich am ehesten
in Ihrem Kleiderschrank?“.
   Zu den Fragen nach Fakten zählt die Auskunft über Kleidergröße, bevorzugte
Marken, Lieblingsfarben, Schnitt und Preissegment.

Demografische Daten wie das Alter, Beruf, Wohnort und Lebensverhältnisse wer-
den ebenfalls zur Einschätzung herangezogen.
   Zuletzt gilt es auch den Fokus des Kunden im Kaufprozess zu Erfassen. Dass Kun-
den sich umfassend einkleiden wollen ist eher die Ausnahme. Der Kunde soll daher
die Möglichkeit haben, ein bestimmtes Kleidungsteil, das er gerade am dringendsten
benötigt, anzugeben.

Kaufhistorie
   Eine weitere Datenquelle für die Bildung eines Kundenprofils sind die operativen
Datenbanken (OLTP) oder auch analytischen Datenbanken (OLAP) der Versandhänd-
ler. Hieraus können Daten über das Kaufverhalten von Kunden über deren gesamte
Beziehung zum Unternehmen extrahiert werden. Neben dem Kaufverhalten kann das
auch das Nutzungsverhalten der Website beinhalten.

2.2    Technische Umsetzung
   Für die technische Umsetzung der Innovation werden drei bewährte Technologien
eingesetzt. In einer Datenbank werden alle gesammelten Daten zu Kunden und Pro-
dukten verwaltet. Auf der Datenbank werden regelmäßig Clusteranalysen aus dem
maschinellen Lernen zur ständigen Segmentierung angewendet. Die Bereitstellung
der Informationen erfolgt über Web Services.

Datenbank
   Jeder über den Webservice angebundene Kunde leitet die Daten der Kunden, die
den Fragenbogen zur Profilerstellung ausgefüllt haben, an die Datenbank weiter.
Ebenso werden alle Daten über Produkte in der Datenbank hinterlegt. Die Ergebnisse
der Clusteranalyse werden als Metadaten abgespeichert, sodass Kunden und Produkte
mit entsprechenden Clustern in Verbindung gebracht werden können.
   Das Schema der Datenbank wird ähnlich dem Star-Schema von Data-Warehouses
aufgebaut, bei dem im Mittelpunkt eine Relation mit Fakten (z.B. Produkte) steht, die
durch Dimensionen (z.B. Farbe, Größe oder Stil) beschrieben werden. Jede Dimensi-
on ist ebenfalls durch eine Relation vertreten, die in Verbindung mit der Faktenrelati-
on steht.
   Eine so strukturierte Datenbank ermöglicht es, Aussagen über die Beziehung zwi-
schen Kunden und Produkten zu machen, genauso wie Aussagen über einzelnen Kun-
den oder Produkte. Mit anderen Worten, das Wissen in der Datenbank ermöglicht
sowohl die intelligente Warenvorselektion von Artikeln, als auch die Bereitstellung
von Informationen über Produkte und Kunden an dritte Unternehmen.

Clusteranalyse
   Für die Durchführung einer Clusteranalyse ist das Vorhandensein eines Trainings-
datensatzes obligatorisch. Es kann also kein Dienst angeboten werden, bevor nicht ein
Minimum an Daten bereitsteht, um den Clusteralgorithmus zu trainieren. Eine mögli-

che Vorgehensweise für die Erstellung, ist die Schaffung von Anreizen für Bestands-
kunden, den Fragebogen zur Profilerstellung auszufüllen. Bei dieser Vorgehensweise
kann eine repräsentative Untermenge oder eine spezielle Untermenge an Bestandkun-
den mit interessanter Kundenhistorie ausgewählt werden.
   Durch die Verknüpfung der Ergebnisse aus den Fragebogen mit der Kundenhisto-
rie entsteht die Trainingsmenge für die Clusteranalyse.
   Bevor die eigentliche Clusteranalyse durchgeführt werden kann, müssen die Daten
jedoch in eine geeignete Form gebracht werden. So enthalten die Ergebnisse der Fra-
gebogen etwa pro Zeile nur einen Kunden, während die Kundenhistorie eine Zeile pro
Transaktion eines Kunden speichert. Neben dieser strukturellen Anpassung müssen
die Daten auch hinsichtlich Format und Wertebereich angepasst werden. Schließlich
muss vor allem die Datenqualität hoch sein. Es müssen Regeln für den Umgang mit
fehlenden Werten, sowie mit Ausreißern und Extremwerten definiert werden.
   Sind die Daten zusammengeführt und bereinigt, muss die Auswahl von Feldern
vorgenommen werden, die in die Clusteranalyse eingehen. Dazu sind umfangreiche
Datenexplorationen notwendig, in denen Verteilungen der Daten, Korrelationen und
statistische Kennzahlen untersucht werden.
   Für Clusteranalysen stehen verschiedene Algorithmen zur Verfügung. Man unter-
scheidet zwischen partitionierenden und hierarchischen Verfahren. Ersteres versucht
durch Iteration des gesamten Verfahrens optimale Cluster zu finden, letzteres definiert
zunächst jedes Objekt als eigenes Cluster und bildet dann aus diesen schrittweise
immer größere Cluster (agglomeratives Verfahren). Beiden Verfahren gemein ist die
Suche nach Ähnlichkeitsstrukturen.
   Das gesamte Analyseverfahren ist nicht im Vorhinein zu automatisieren. Es ist da-
her ein zweistufiges Vorgehen für die Entwicklung vorzusehen. Zunächst wird in
einem Pilotprojekt eine manuelle Clusteranalyse durchgeführt. Darin wird vor allem
Erfahrung im Umgang mit den Daten, als auch mit den unterschiedlichen Algorith-
men gesammelt. Im zweiten Schritt wird dann aus den Erfahrungen ein standardisier-
ter Prozess abgeleitet, der in einem eigenen Algorithmus abgebildet wird. Nachfol-
gende Projekte können dann auf dieser Struktur aufsetzten, da sowohl Fragebogen als
auch Produktdaten standardisiert sind.

Web-Service
   Für die Kommunikation des hier beschriebenen Systems mit den Anwendungen
der Online-Versandhändler wird eine Web-Service-Architektur angewendet. So kön-
nen die Versandhändler den Dienst für die intelligente Warenvorselektion in ihr Onli-
ne-Angebot integrieren. Die Integration ist vorteilhaft, da die Auslagerung des Diens-
tes für den Kunden transparent ist und somit keine zwei Dienstleister während des
Einkaufs in Erscheinung treten. Jeder Online-Versandhändler kann den Dienst auf
seiner Website unterschiedlich einbinden und sich somit von Mitbewerbern differen-
zieren.
   Die Funktion des Dienstes bekommt als Parameter die Ergebnisse des Fragebo-
gens, den der Kunde ausgefüllt hat, sowie eine ID des Online-Versandhändlers, damit
keine Artikel angeboten werden, die nicht im Sortiment sind. Der Dienst verarbeitet

die Abfrage dann und gibt eine Liste der in Frage kommenden Produkte an den
Webshop zurück. Dieser kann dann die Produkte dem Kunden anbieten.

2.3   Anwendung auf neue Kunden
    Nach dem Aufbau eines ersten Datenbestands kann der Dienst für neue Kunden
angeboten werden. Der Kunde bekommt den Dienst auf der Website des Online-
Versandhändlers als Option angeboten. Entscheidet er sich dafür, muss er den Frage-
bogen ausfüllen. Anschließend wird der Webservice aufgerufen und der Kunde erhält
eine vorselektierte Auswahl aus dem Sortiment des Online-Versandhändlers. Seine
Daten werden in der Datenbank des Services gespeichert und für die Verbesserung
und Aktualisierung der Clusteranalyse verwendet.
    Die Reduktion der angebotenen Artikel eröffnet für den Online-Versandhändler
anschließend neue Möglichkeiten der Warenpräsentation. Unter der Annahme, dass
die Artikel bereits dem gewünschten Stil entsprechen und die Anzahl überschaubar
ist, lassen sich Webanwendungen implementieren, in denen der Benutzer dynamisch
und intuitiv komplette Outfits gestalten kann. Hier könnten zum Beispiel durch Bild-
kennung, farblich abgestimmte Kleidungsstücke direkt auf eine digitale Schaufenster-
puppe projektiert werden. Dieses Verfahren kann vor allem Cross- und Upselling-
Effekte verstärken.
    Eine vorselektierte Auswahl von Artikel könnte sich zudem für Anwendungen auf
Smartphones eignen. Da auf dem Display kein Platz für die Darstellung großer Listen
von Artikeln vorhanden ist, lassen sich spielerische Anwendungen realisieren. Zum
Beispiel wird dem Benutzer eine Folge von Artikel einzeln angezeigt, und er kann
über eine positive und negative Antwortmöglichkeit entscheiden, ob ihm der Artikel
gefällt. Oder er kann den Artikel direkt unter bestimmten Kriterien (Farbe, Schnitt
oder Stoff) positiv/negativ bewerten. Auch hierüber können Daten gesammelt werden,
die eine Verbesserung des Lernalgorithmus bewirken.

3     Nutzen

3.1   Endkunden
   Für die Gruppe von Endkunden, die den Kleiderkauf sehr pragmatisch angeht,
ergibt sich durch die Innovation zum einen eine Zeitersparnis, die sich messen lässt,
und zum anderen ein subjektives Gefühl schneller zur den wirklich interessanten Ar-
tikeln gekommen zu sein als über den konventionellen Weg des Suchens.
   Mit der Herausgabe von persönlichen Daten und der dafür erhaltenen Aufbereitung
eines personalisierten Angebots, ändert sich auch die Beziehung des Endkunden zum
Online-Versandhändler. War er zuvor nur ein anonymer Besucher der Website, ist er
jetzt ein wertvoller Kunde, der ein eigen für ihn definiertes Sortiment erhält.

3.2   Online-Versandhändler
   Durch die optimierte Aufbereitung der Warenpräsentation ergeben sich für den
Versandhändler Möglichkeiten im Bereich Cross- und Upselling. Ein Kunde der sich
für einen Stil-orientieren Einkauf entschieden hat, ist offener für ähnliche, bessere
oder ergänzende Angebote.
   Durch die Reduzierung der Suchzeiten im Online-Shop bei gleichzeitiger Eingren-
zung des Angebots, lässt sich auch die „Conversation-Rate“ verbessern. Mit der
„Conversation-Rate“ wird der Anteil von Käufern an Besuchern ausgedrückt.
   Im Wettbewerb kann die Innovation dem Online-Versandhändler auch helfen, sich
von Konkurrenten zu differenzieren.

3.3   Bekleidungshersteller und Modemarken
  Modemarken und Bekleidungshersteller, die den größten Teil ihres Geschäfts über
Zwischenhändler abwickeln, verfügen über nur wenige direkte Informationen zu ihren
Kunden. Mit der hier beschriebenen Datenbank können diese Informationen aber pro
Kleidungsstück, Marke oder Hersteller aggregiert werden.

4     Positionierung am Markt

   Die Idee kann auf verschiedene Art und Weise im Markt positioniert werden.
Hierbei hilft vor allem die Adaptivität der IT-Lösung. Da der Web-Service schnell
und einfach in jede Systemlandschaft integrierbar ist, entstehen auch verschiedene
Modelle der technischen Umsetzung. Eigenständige Websites, Frontend und Backend
Integration in Shopsysteme, Einzelhandelssupport durch mobile Anwendungen und
vieles mehr.

4.1   Alternativen Vielfalt
   Zum einen könnte man die Lösung als ’Software as a Service’ anbieten und von
den Nutzern im Business-Segment einen Anteil von daraufhin erfolgreichen Kauf-
Transaktionen erheben. Zum anderen ist die Einbindung in eine Shoplandschaft ohne
Barriere möglich, so dass die Lösung gelabelt werden und die anfallenden Daten nach
entsprechenden Geschäftsbedingungen weiterverwendet werden können.
   Weiter könnte man den Service über eine eigenständige Homepage anbieten und
die zusammengestellten Lösungen mit einem Preis- bzw. Servicevergleich Kunden-
orientiert darstellen. Die Werbung bzw. die Präsens der Händler könnte dann entspre-
chend vermarktet werden.
   Vor allem in diesem Anwendungsfall zeigt sich einer der Vorteile gegenüber Mit-
bewerbern. Der Kunde erhält ohne Latenz und völlig diskret personifizierte Angebote
und kann selbst entscheiden welche er auswählt. Statt auf einen Rückruf durch einen

Berater und die Bestellung über den Service angewiesen zu sein. Man hat somit keine
Händlerbindung und kann Preisunterschiede besser nutzen.

4.2    Realisierung
   Die Vielfältigkeit der Umsetzung birgt jedoch auch die Gefahr den Fokus zu ver-
lieren. Daher realisiert man die Idee zunächst eingeschränkt um eben mögliche Fol-
geprojekte fokussiert für Skalierungseffekte zu nutzen.

4.3    Eintrittsbarrieren
   Zu Beginn sind die Eintritts und Umsetzungsbarrieren zu betrachten. Hier sehen
wir vor allem das Bedürfnis nach Daten zum Nutzerverhalten, diese sind selbst mit
dem Einverständnis möglicher Partnerunternehmen aus Datenschutzgründen oftmals
nicht für externe Instanzen verfügbar. Ohne diese, sind jedoch eine Ausarbeitung und
vor allem die Verifizierung der Data Mining Algorithmen kaum möglich. Weiter ist
der Bekanntheitsgrad und somit die Nutzerzahl zunächst eingeschränkt und kann ohne
aufwendiges Marketing kaum exponentiell wachsen. Jedoch wäre dies nötig um die
Qualität der Ergebnisse nachhaltig zu verbessern und eigene Korrelationen zum Nut-
zerverhalten selbst beschreiben zu können.

4.4    Umsetzung
   Um die beschriebenen Herausforderungen forcieren zu können ist es nötig eine
strukturierte Strategie zu haben. Im Folgenden beschreiben wir eine mögliche Strate-
gie zur Umsetzung eines konkreten Handlungsansatzes.

   Pilotprojekt
   Zu Beginn der Umsetzung benötigt man einen Prototypen – neben der Vorarbeit
durch algorithmische Recherche und der Zusammenstellung möglicher Data Mining
Ansätze ist die Logik des Gesamtprozess zu implementieren. Mit dieser Umsetzung
ist es einfacher einen Partner aus dem E-Commerce Bereich für Männer Mode zu
finden um den Piloten exklusiv in dessen Umgebung auszubauen. Wichtig hierbei ist
rechtlich zu separieren, zwischen Geschäftslogik und Datengrundlage des Partners.
Die benötigten Daten zur Verifizierung der Prozesslogik und zum Erhalt der Klassifi-
zierungskriterien sind dann vorhanden. Innerhalb oder für die Belange des Unterneh-
mens können diese dann verwendet werden, um die Algorithmen zu verbessern. Den-
noch ist rechtlich hier zu klären in wie fern man gefundene Korrelationen weiterver-
wenden darf.
   Weiter ist durch dieses Pilotprojekt die Finanzierung gesichert um anschließend ei-
nen möglichen Ausbau voranzutreiben. Für das Pilotprojekt selbst gibt es Eintrittsbar-
rieren. Diese werden im folgenden Absatz beschrieben und eine mögliche Lösung
aufgezeigt.

Eintrittsbarrieren – im Pilotprojekt
   Die Partnerschaft zu einem E-Commerce Unternehmen einzugehen birgt diverse
Herausforderungen. Die erste und offensichtlichste ist, ein Partnerunternehmen zu
finden. Hier glauben wir an die Möglichkeiten und den Erfolg unserer Idee. Wider-
spiegeln könnte sich dies am Preismodell für den Pilot. So ist zum Beispiel eine
Grundfinanzierung des Unternehmens möglich, welche durch Anteilige Gewinnbetei-
ligung im Erfolgsfall ausgebaut werden kann. So minimiert man das Risiko des Part-
nerunternehmens und sichert die Finanzierung des eigenen Unternehmens.
   Eine andere Eintrittsbarriere für das Pilotprojekt ist die rechtliche Seite nach Ab-
schluss des Projekts. Da beiden Seiten einen Profit aus der Partnerschaft ziehen ist es
schwierig Forderungen aufzustellen. Die Möglichkeit einer Lizenzierung wäre gege-
ben, so bleibt dem eigenen Unternehmen genug Handlungsspielraum für den Ausbau
und Entwicklung.
   Die Während der Partnerschaft entstandenen Daten sind möglicherweise Eigentum
des Partners. Hier ist rechtlich zu klären ob diese anschließend weiter verwendbar
sind. Andernfalls sollte die Optimierung der Algorithmen entsprechend Datenunab-
hängig weiterverwendbar sein. Die Daten werden also lediglich für die Optimierung
gebraucht und das Resultat bleibt abstrakt und datenunabhängig.

Weiterentwicklung
   Nach der Pilotphase konnte der Erfolg der Idee bewiesen werden, zudem sind
Branchen-Abhängiges Know-How gewachsen. Damit ist es möglich Folgeprojekte zu
gewinnen, bei welchen der entstandene Dienst adaptiert werden kann. Auch sollte
man den Dienst eigenständig und unabhängig anbieten – etwa als Beratungs- und
Vergleichs-Portal. Durch Vermittlung sichert dies eine Grundfinanzierung und man
erhält sein eigenes Testfeld. Der Großteil des Umsatzes sollte aber aus den B2B Be-
ziehungen resultieren. Hier basiert das Geschäftsmodell auf Lizenzierung und Bera-
tungsleistung. Die Gewinnbeteiligung bezüglich exakter Vorschläge – welche dann
anschließend gekauft wurden – wäre eventuell lukrativer. Jedoch ist es unwahrschein-
lich, dass Unternehmen sich auf dieses Modell einlassen. Da der Zusammenhang
zwischen Vorschlag und Kaufentscheidung nur schwer beweisbar ist. Dennoch ist
eine Anpassung an den Umfang des Unternehmens enorm wichtig. So entsteht das
folgende Geschäftsmodell.

4.5    Geschäftsmodell
Direktgeschäft
   Da die Beweisbarkeit eines erfolgreichen Kaufabschluss schwierig ist und das Un-
ternehmen den Umfang dieser Quote zu Beginn schwer einschätzen kann, ist es einfa-
cher die Anfragenanzahl des Dienstes zu betrachten und diese ins Lizenzierungsmo-
dell mit einzuplanen. So ergibt sich eine monatliche Grundgebühr etwa für Hardware
und die Bereitstellung des Dienstes und eine zugriffszahlabhängige Lizenzierung.

Abbildung 1 - Geschäftsmodell style.me

Beratungsgeschäft
   Da während des Operativen Einsatzes des Service verwertbare Muster und Analy-
sen anfallen, welche weiter verwendet werden können ist eine weitere Teilsparte des
Geschäftsmodells das Beratungsgeschäft. Hier werden auf Anfrage Analysen zu be-
stimmten Korrelationen untersucht und so könnten etwa Mode-Trends erkannt werden
oder Suchverhalten analysiert werden. Dieses Beratungsgeschäft wäre dann Projekt-
basiert um das Preismodell flexibel zu halten.