Warenkorbanalyse
Die Warenkorbanalyse untersucht, welche Produkte Kunden tendenziell gemeinsam in derselben Transaktion kaufen, um aussagekräftige Kaufmuster aufzudecken. Sie bildet die Grundlage für Entscheidungen über Produktbündelung, Cross-Selling, Ladenlayout und Merchandising, indem sie echte, datengestützte Beziehungen zwischen Produkten aufzeigt – statt angenommener.
Definition der Warenkorbanalyse
Die Warenkorbanalyse ist eine Technik zur Untersuchung von Transaktionsdaten, die identifiziert, welche Produkte Kunden tendenziell gemeinsam in derselben Bestellung kaufen. Der Name leitet sich vom physischen Einkaufskorb ab: Anstatt Produkte isoliert zu betrachten, analysiert die Warenkorbanalyse den vollständigen Inhalt jedes abgeschlossenen Kaufs, um wiederkehrende Co-Kaufmuster zu finden. Sie ist eine grundlegende Technik für Produktbündelung, „Häufig gemeinsam gekauft"-Empfehlungen und Merchandising-Entscheidungen, da sie Rätselraten darüber, welche Produkte gut zusammenpassen, durch Belege aus dem tatsächlichen Kundenverhalten ersetzt.
Wie die Warenkorbanalyse funktioniert
Die Warenkorbanalyse stützt sich auf drei zentrale statistische Kennzahlen, um zu bewerten, ob eine Paarung zwischen zwei Produkten bedeutsam ist. Der Support misst, wie oft ein bestimmtes Paar in allen Transaktionen vorkommt – wenn 50 von 1.000 Bestellungen sowohl Produkt A als auch Produkt B enthalten, beträgt der Support für dieses Paar 5 %. Die Konfidenz misst, wie oft der Kauf von Produkt A auch zum Kauf von Produkt B führt, berechnet als Anzahl der Transaktionen mit beiden Produkten geteilt durch die Anzahl der Transaktionen mit Produkt A allein – wenn 200 Bestellungen Produkt A enthalten und 50 davon auch Produkt B, beträgt die Konfidenz 25 %. Der Lift misst, ob dieser gemeinsame Kauf häufiger vorkommt, als rein zufällig zu erwarten wäre, berechnet durch den Vergleich der tatsächlichen Konfidenz mit dem, was die allgemeine Beliebtheit von Produkt B vorhersagen würde – ein Lift über 1 deutet auf eine echte positive Beziehung hin, während ein Lift nahe oder unter 1 darauf hindeutet, dass die Paarung zufällig oder sogar negativ assoziiert ist.
Ein durchgerechnetes Beispiel verdeutlicht dies. Angenommen, ein Shop hat 1.000 Bestellungen. Produkt A (eine Handyhülle) kommt in 200 davon vor. Produkt B (ein Displayschutz) kommt in 150 davon vor. Von den 200 Bestellungen mit Produkt A enthalten 60 auch Produkt B. Der Support für die Paarung beträgt 60 ÷ 1.000 = 6 %. Die Konfidenz beträgt 60 ÷ 200 = 30 %. Zur Berechnung des Lifts wird diese 30 %-Konfidenz mit der Basisbeliebtheit von Produkt B von 150 ÷ 1.000 = 15 % verglichen: Der Lift beträgt 30 % ÷ 15 % = 2,0. Das bedeutet, dass Kunden, die Produkt A kaufen, doppelt so häufig auch Produkt B kaufen wie ein zufälliger Kunde. Ein Lift von 2,0 mit angemessenem Support und angemessener Konfidenz ist ein starkes Indiz für ein Bündel oder eine Cross-Sell-Empfehlung, da die Beziehung sowohl statistisch bedeutsam als auch häufig genug ist, um darauf zu reagieren.
Ready to Monitor Your AI Visibility?
Track how AI chatbots mention your brand across ChatGPT, Perplexity, and other platforms.
Warum die Warenkorbanalyse für E-Commerce-Marken wichtig ist
Die Warenkorbanalyse ist wichtig, weil Merchandising-Entscheidungen ohne sie tendenziell auf Annahmen beruhen – Kategorienähe, Bauchgefühl oder das, was „vermutlich" gut zusammenpasst – und diese häufig nicht mit dem tatsächlichen Kundenverhalten übereinstimmen. Ein Shop könnte annehmen, dass zwei Produkte derselben Kategorie natürlicherweise zusammen verkauft werden, nur um durch die Warenkorbanalyse herauszufinden, dass Kunden eines dieser Produkte stattdessen mit etwas aus einer völlig anderen Kategorie kombinieren. Das Handeln auf Basis bestätigter Warenkorbanalyse-Ergebnisse anstatt angenommener Beziehungen führt in der Regel zu Bündeln und Cross-Sell-Empfehlungen, die besser konvertieren, weil sie Nachfragemuster widerspiegeln, die bereits stattfinden – und nicht Muster, die ein Merchandiser sich erhofft.
| Metrik | Was sie misst | Beispielinterpretation |
|---|---|---|
| Support | Häufigkeit der Paarung in allen Bestellungen | Niedriger Support kann auf zu wenig Daten für ein verlässliches Ergebnis hindeuten |
| Konfidenz | Wahrscheinlichkeit, dass B gekauft wird, wenn A gekauft wird | Hohe Konfidenz deutet auf eine starke gerichtete Beziehung hin |
| Lift | Ob die Paarung besser ist als der Zufall | Lift nahe 1 bedeutet keine echte Beziehung |
Warenkorbanalyse und KI-gesteuerter Handel
KI-gestützte Einkaufsassistenten wie ChatGPT Shopping und Perplexity Shopping beantworten zunehmend implizite „Was passt dazu"-Fragen, wenn sie einem Käufer beim Vergleichen oder Abschließen eines Kaufs helfen. Das bedeutet, dass die eigenen bestätigten Warenkorbanalyse-Ergebnisse einer Marke als Grundlage für die Erstellung genauer Bündel- und Empfehlungsangebote dienen können, die diese Assistenten eher an die Käufer weitergeben. Das Tool eshop_get_product_bundles von AmICited führt diese Analyse direkt anhand der tatsächlichen Bestellhistorie eines Shops durch und zeigt Paarungen an, die mit Support, Lift und Konfidenz bewertet werden. So kann ein Händler auf der Basis wirklich starker Beziehungen handeln – ob das Ziel nun die Erstellung eines Bündels, die Verbesserung von On-Site-Cross-Sell-Platzierungen oder einfach das bessere Verständnis der tatsächlichen Kaufstruktur des Katalogs ist.
Stay Updated on AI Visibility Trends
Get the latest insights on AI mentions, brand monitoring, and optimization strategies.
Best Practices für die Warenkorbanalyse
- Legen Sie einen Mindest-Support fest, bevor Sie eine Paarung als zuverlässig betrachten, da Paarungen mit geringem Volumen anfällig für Rauschen sind
- Priorisieren Sie den Lift neben der Konfidenz, da eine Paarung mit hoher Konfidenz dennoch wenig Aussagekraft haben kann, wenn der Lift nahe 1 liegt
- Führen Sie die Warenkorbanalyse regelmäßig erneut durch, da sich Kaufmuster mit Saisonalität, Aktionen und Katalogänderungen verschieben
- Segmentieren Sie die Warenkorbanalyse gegebenenfalls nach Kundentyp oder Kanal, da Neu- und Bestandskunden Produkte möglicherweise unterschiedlich kombinieren
- Nutzen Sie die Ergebnisse für Bündel, Cross-Sell-Platzierungen und sogar die Kategorieseitenstruktur – nicht nur für Werbeaktionen
Häufige Fehler bei der Warenkorbanalyse
Ein häufiger Fehler ist, allein auf Basis des Supports zu handeln, ohne den Lift zu prüfen. Dies kann Paarungen zwischen zwei schlichtweg beliebten Produkten hervorbringen, die tatsächlich keine echte Beziehung aufweisen – zwei Bestseller kommen allein durch Zufall in einer nennenswerten Anzahl von Bestellungen gemeinsam vor, daher ist der Lift unerlässlich, um diese Fehlalarme auszufiltern. Ein weiteres verbreitetes Problem ist die Durchführung der Warenkorbanalyse auf einer zu kleinen Datenmenge, etwa bei einem neu eingeführten Produkt mit nur einer Handvoll Bestellungen, und die Behandlung des resultierenden Paares als zuverlässig, obwohl es sich lediglich um ein Artefakt der geringen Stichprobengröße handelt – die Festlegung eines Mindestbestellschwellenwerts vor der Bewertung eines Ergebnisses vermeidet dies. Manche Unternehmen lassen ihre Warenkorbanalyse-Ergebnisse auch veralten, indem sie ein Bündel oder eine Empfehlung vor Jahren auf der Grundlage eines Musters erstellt haben, das mit der Weiterentwicklung des Katalogs und des Kundenstamms nicht mehr gültig ist – eine regelmäßige Wiederholung mit aktuellen Daten gleicht diese Abweichung aus. Jede Paarung mit hohem Lift als gleichermaßen umsetzbar zu betrachten, ist ein weiterer Fehler, da eine starke statistische Beziehung zwischen zwei margenschwachen, selten gesuchten Produkten möglicherweise nicht genug Wert für Merchandising-Maßnahmen bietet, selbst wenn die Zahlen sauber aussehen – Ergebnisse der Warenkorbanalyse sollten stets gegen den Geschäftswert abgewogen werden, nicht allein gegen die statistische Signifikanz.