Im E-Commerce fehlt es selten an Daten, es fehlt an einem stimmigen Bild davon. Der Shop weiß das eine, die Werbeplattform das andere, Lager und ERP etwas Drittes und das CRM noch eine weitere Fassung. Das Ergebnis ist, dass die wichtigsten Entscheidungen zu Sortiment, Marge und Akquisebudget oft aus dem Bauch getroffen werden statt aus Zahlen. Für Verantwortliche in Data, E-Commerce oder Growth ist die Folgerung einfach: E-Commerce-Analytics muss ein eigenständig gepflegtes Produkt sein und kein Haufen auseinanderlaufender Reports.
Aus unserer Erfahrung liegt das Schwierige nicht darin, ein Diagramm zu zeichnen, sondern darin, die Daten in einen Zustand zu bringen, in dem man dem Diagramm trauen kann. Dafür braucht es Menschen, die Shop-Ereignisse, Datenmodellierung und die Realität eines Onlinegeschäfts gleichzeitig verstehen. Auch wenn wir keine Referenz aus genau Ihrer Nische haben, stellen wir die Kompetenzen, um diese Analytics durchgängig zu bauen, vom Rohevent bis zur Prognose, als Team-Verstärkung oder dediziertes Team.
Warum sind E-Commerce-Daten so verstreut?
Weil jedes System gebaut wurde, um einen Betrieb zu führen, und nicht, um darüber zu berichten. Die E-Commerce-Plattform erfasst Bestellungen, weiß aber nichts über Werbekosten. Die Werbeplattform kennt Kosten je Klick, aber nicht, ob die Kundin den Artikel zurückgeschickt hat. Das Lager kennt Bestände, verbindet sie aber nicht mit der Marge. So erscheint derselbe Umsatz an vier Stellen verschieden.
Darüber liegt eine technische Schicht: unterschiedliche Definitionen von „Session”, „Konversion” und „Nutzer”, Ereignisse, die an Blockern und Browseränderungen verloren gehen, und Kundenkennungen, die sich über Geräte hinweg nicht zusammenführen lassen. Solange es keine abgestimmte Kennzahldefinition und keine Quelle der Wahrheit gibt, verteidigt jedes Team seine eigene Version der Zahlen. Unsere erste Aufgabe ist meist genau dieses Aufräumen, bevor es irgendein schönes Dashboard gibt.
Welche Commerce-Reports und Dashboards bauen wir am häufigsten?
Wir beginnen mit der Schicht, die die täglichen Entscheidungen des Teams wirklich ändert, und nicht mit eindrucksvollen, aber toten Bildschirmen:
- ein Dashboard zu Umsatz und Marge über die Zeit, aufgeteilt nach Kanal, Kategorie und Gerät,
- eine Akquise-Ansicht (Kosten, ROAS, CAC), gestellt gegen den echten Kundenwert und nicht nur gegen Klicks,
- einen Report zu Retouren und Reklamationen, denn in vielen Shops zehren genau sie die Marge auf,
- Alarme und Auffälligkeiten, die einen Einbruch der Konversionsrate oder einen Kostensprung melden, bevor ein Mensch es bemerkt.
Entscheidend ist, dass jedes Dashboard seine Kennzahlen nach einer gemeinsamen Definition berechnet. Deshalb halten wir Geschäftslogik in der Datenmodellierungsschicht und nicht eingebacken in ein einzelnes BI-Werkzeug, in dem niemand außer der Autorin sie nachvollziehen kann.
Wie sehen Event-Pipeline und Shop-Telemetrie aus?
Ein guter Report beginnt lange vor dem Diagramm, nämlich dort, wo Ereignisse erfasst werden. Wir entwerfen eine Telemetrieschicht, die festhält, was die Kundin tatsächlich tut: Produktansicht, Hinzufügen zum Warenkorb, Beginn des Checkouts, Kauf, Retoure. Dieser Ereignisstrom ist das Fundament für alles Weitere.
Technisch verdrahten wir das in eine Pipeline, die Ereignisse aus Frontend und Backend sammelt, gegen ein vereinbartes Schema prüft, in ein Data Warehouse oder einen Lake lädt und sie erst dort in analysefähige Modelle verwandelt. Wir bevorzugen einen ereignisbasierten, serverseitigen Ansatz, wo immer möglich, denn eine rein im Browser erfolgende Erfassung ist heute unzuverlässig. Das Ganze läuft unter CI/CD und Monitoring, damit ein kaputtes Tag oder eine Änderung im Shop nicht still und leise wochenlange Daten zerstört.
Wie führen Sie Funnel- und Kohortenanalysen, die wirklich weiterführen?
Eine Funnel-Analyse verdient ihren Platz erst, wenn sie zeigt, wo genau Sie Geld verlieren, und nicht nur, dass „die Konversionsrate gefallen ist”. Wir bauen Funnel, die sich zerlegen und über Segmente vergleichen lassen:
- Schritt für Schritt von der Landung über die Produktseite und den Warenkorb bis zur Zahlung,
- aufgeteilt nach Traffic-Quelle, Gerät und Kundensegment, denn ein mobiler Funnel aus einer Anzeige sieht ganz anders aus als ein Desktop-Funnel aus dem Newsletter,
- mit Kohortenanalyse, die zeigt, wie sich in einem Monat gewonnene Kunden in den folgenden Wochen verhalten,
- mit Bindung und Wiederkauf, nicht nur mit der ersten Konversion.
Es sind die Kohorten und die Bindung, die beantworten, ob Sie gesund wachsen oder nur Werbebudget in einen undichten Eimer gießen. Diese Ansichten verändern am häufigsten Entscheidungen darüber, wo sich Investieren lohnt.
Wie berichten Sie über Sortiment und Marge statt nur über Umsatz?
Der Umsatz kann steigen, während der Gewinn fällt, und ohne gute Reports bemerkt das niemand rechtzeitig. Deshalb bauen wir Sortimentsanalytik rund um Marge, Umschlag und Ertragskraft je Artikel und nicht rund um verkaufte Stückzahlen. Wir verbinden Verkaufsdaten mit Einkaufskosten, Logistikkosten und Retourenquoten, um das echte Ergebnis je Produkt und Kategorie zu zeigen.
Dieses Bild beantwortet die Fragen, die das Ergebnis wirklich bewegen: welche Produkte Geld verdienen und welche nur Traffic bringen; was im Lager liegt und Kapital bindet; wo eine Aktion den Absatz gehoben und wo sie schlicht Marge verschenkt hat. Ein Sortimentsreport ist gut, wenn Einkauf und Finanzen auf dieselben Zahlen schauen und dieselben Schlüsse daraus ziehen.
Wie prognostizieren Sie Nachfrage und Bestände mit ML?
Ist die Datenschicht in Ordnung, können Sie zur Nachfrageprognose aufsteigen. Modelle lernen aus Verkaufshistorie, Saisonalität, Aktionen und Trends, um die Nachfrage auf Produkt- und Standortebene vorherzusagen. Eine gute Prognose übersetzt sich direkt in Geld: weniger Fehlbestände bei Bestsellern und weniger Kapital, eingefroren in Ware, die sich nicht bewegt.
Unsere Kompetenz in AI und Daten umfasst den Bau solcher Modelle und, wichtiger noch, ihre Einbindung in einen echten Einkaufs- und Bestandsprozess. Wir achten auf das, was darüber entscheidet, ob ein Modell überhaupt angenommen wird:
- Horizont und Granularität der Prognose passend dazu, wie Sie tatsächlich bestellen,
- ehrliches Backtesting auf historischen Daten statt eindrucksvoller Kennzahlen ohne Substanz,
- klare Kommunikation der Unsicherheit, damit die Planung weiß, wann sie dem Modell trauen kann und wann nicht,
- laufende Überwachung der Prognosequalität, denn Markt und Sortiment ändern sich ständig.
Ein Modell behandeln wir als Teil eines Produkts, das gepflegt werden muss, und nicht als einmaliges Experiment in einem Notebook.
Wie bringen Sie Analytics mit Datenschutz und Einwilligung zusammen?
E-Commerce-Analytics muss heute in einer Welt echter Nutzereinwilligungen und verschwindender Third-Party-Cookies funktionieren. Aus unserer Erfahrung ist das kein Hindernis, sondern eine Frage guter Architektur. Wir stützen uns auf First-Party-Data und serverseitige Erfassung, die gegenüber Blockern robuster ist und ein vollständigeres Bild liefert als Browser-Tags allein. Zugleich respektieren wir die Entscheidungen der Nutzerinnen und tragen die Einwilligung durch die gesamte Pipeline, sodass Ereignisse ohne Einwilligung nicht dort landen, wo sie nicht hingehören.
In der Praxis heißt das, die Erfassungsschicht ab Tag eins mit Blick auf Datenschutz zu entwerfen: personenbezogene Daten minimieren, Kennungen pseudonymisieren und klare Aufbewahrungsregeln setzen. Gut entworfene Analytics ist zugleich konform und nützlich, und das ist unsere Ausgangslinie und nichts, was am Ende angeschraubt wird.
Welche Kompetenzen stellen wir für ein Analytics-Projekt bereit?
Wir stellen das Team passend zur konkreten Phase und zu den Besonderheiten des Shops zusammen, nicht „auf Vorrat”. Meist steigen unsere Spezialisten in Rollen ein wie:
- einen Data Engineer, der Event-Pipeline, Warehouse und Datenmodelle baut,
- eine Analystin oder BI-Engineer, die Dashboards entwirft und Kennzahldefinitionen mit dem Business abstimmt,
- einen Data Scientist oder ML Engineer für Nachfrageprognosen, Segmentierung und Empfehlungen,
- einen Datenarchitekten, der alles verbindet und auf Qualität und Compliance achtet.
Dahinter steht unsere echte Erfahrung in Big-Data- und AI-/Datenprojekten, einschließlich Lösungen auf Basis von LLMs und Vorhersagemodellen. So besetzen wir nicht einzelne „Hände für SQL”, sondern Rollen, die die ganze Kette vom Ereignis bis zur Entscheidung verantworten.
Wie machen wir das bei RITS?
Wir machen das als Nearshore-Partner aus Polen, der Kompetenzen dort ergänzt, wo sie fehlen, statt ein geschlossenes Fertigprodukt zu verkaufen:
- wir entwerfen die Datenschicht vom Rohevent bis zum geschäftstauglichen Modell, statt nur ein weiteres Werkzeug anzuschließen,
- wir stimmen Kennzahldefinitionen zwischen Marketing, Vertrieb und Finanzen ab, um den Streit über Zahlen zu beenden,
- wir prüfen die Kompetenzen vor dem Start und stellen das Team passend zur Projektphase und zum Stack des Kunden zusammen,
- wir arbeiten in einer nahen Zeitzone, sodass wir ohne lange Anlaufzeit an Ihren Terminen, Reviews und Releases teilnehmen.
Meist liefern wir das als Individualsoftware, gebaut von unserem Team, und dort, wo Köpfe schnell aufgestockt werden müssen, als Team-Verstärkung.
Womit fangen Sie beim Aufbau von E-Commerce-Analytics an?
Starten Sie mit einer Entscheidung, die heute aus dem Bauch fällt (etwa wie viel von einem Bestseller Sie bestellen oder wo Sie Werbebudget kürzen) und mit der Frage, welche Daten Sie dafür wirklich brauchen. Das bestimmt, welche Ereignisse Sie erfassen, wie Sie sie modellieren und welcher Report Verhalten ändern muss. Eine vertrauenswürdige Ansicht auszuliefern, die das Team tatsächlich nutzt, ist besser als zehn schöne Dashboards, denen niemand glaubt. Die Unterschiede zwischen den Kooperationsmodellen haben wir in unserem Artikel zu IT-Kooperationsmodellen beschrieben.
Sie bauen Verkaufs- und Verhaltensanalytik im E-Commerce? Sprechen wir darüber - wir stellen Team und Architektur passend zu Ihren Daten und Entscheidungen zusammen.