Jenseits des Offensichtlichen: Kundenbewertungen mit Machine Based Learning und Human Analytics aufschlüsseln

Gehören Sie zu den Konsumenten, die ein Produkt online nur kaufen, wenn es mindestens eine bestimmte Anzahl an Bewertungen hat und nicht weniger als einen bestimmten Durchschnitt an Sternen? Oder gehören Sie zu der Spezies, die zögerlich wird, wenn ein Produkt sehr viele und sehr gute Produktbewertungen hat, weil Sie vermuten, dass da manipuliert wurde? Und wie steht es mit den Bewertungstexten? Lesen Sie sich immer und alle Erfahrungsberichte durch, bevor Sie eine Kaufentscheidung treffen? Oder hängt dies vielleicht auch von der Produktkategorie, dem Preis oder anderen Faktoren wie Interesse oder verfügbarer Zeit ab?Wenn Sie sich als Konsument hier wiederfinden, ticken Sie so wie viele andere Online-Käufer und stellen für die E-Commerce-Verantwortlichen der Anbieter von Produkten und Dienstleistungen auf Online-Marktplätzen eine große Herausforderung dar.

E-Commerce fordert Marktforschung

Die Marktforschung hat seit jeher das Ziel, den Konsumenten in all seinen Facetten zu verstehen und Ableitungen hinsichtlich seines zukünftigen Verhaltens zu treffen. Im E-Commerce gibt es dabei besondere Herausforderungen. So müssen die etablierten Verfahren auf neue und zum Teil sehr große Datenmengen angewendet werden oder diese Verfahren sind so anzupassen, dass sie den Anforderungen im dynamischen Umfeld Genüge leisten.

Analysen mit Mensch und Maschine

Diverse Lösungen von Ipsos ermöglichen den Produkt- und Dienstleistungsanbietern, auch in diesem herausfordernden Marktumfeld, das Konsumentenverhalten und deren Bedürfnisse sowie die Dynamiken auf den diversen Marktplätzen besser zu verstehen und somit Strategien zur effektiven Marktbearbeitung zu entwickeln. Neben den traditionellen Möglichkeiten der Primärforschung und auf Händlerdaten basierender E-Commerce Analytics kommt dem Bereich der sogenannten Product Intelligence (PI), also der Erhebung und Analyse von Produktbewertungen, dabei eine besondere Bedeutung zu.

Der gesamte Artikel ist in der Research&Results 4/2018 (S. 28f.) erschienen (siehe Download).