Warenkorbanalyse
Was ist eine Warenkorbanalyse?
Die Warenkorbanalyse untersucht, welche Produkte Kunden gemeinsam kaufen und wie sich Warenkörbe zusammensetzen. Sie nutzt Transaktionsdaten, um Produktbeziehungen, typische Kombinationen und Kaufmuster zu erkennen. Onlineshops verwenden die Ergebnisse unter anderem für Produktempfehlungen, Sortimentsplanung, Cross-Selling, Kampagnen und die Optimierung von Kategorie- und Produktseiten.
Die Warenkorbanalyse, englisch Market Basket Analysis, wertet abgeschlossene Bestellungen auf Produkt-, Kategorie- oder Markenebene aus. Im Mittelpunkt steht nicht nur der einzelne Artikel, sondern die Beziehung zwischen mehreren Positionen innerhalb derselben Transaktion. Ein Shop kann dadurch beispielsweise erkennen, ob Käufer einer Kaffeemaschine überdurchschnittlich häufig passende Filter oder Entkalker bestellen.
So funktioniert die Warenkorbanalyse
Eine Warenkorbanalyse beginnt mit strukturierten Transaktionsdaten. Jede Bestellung erhält eine eindeutige Kennung und wird mit den darin enthaltenen Produkten verknüpft. Ein Datensatz kann beispielsweise festhalten, dass Bestellung 101 die Artikel A, B und D enthält, während Bestellung 102 aus den Artikeln A und C besteht. Aus vielen solcher Datensätze lassen sich wiederkehrende Kombinationen ableiten.
Für belastbare Aussagen müssen Bestellungen vergleichbar sein. Stornierte Käufe, Testbestellungen, Retouren und fehlerhafte Produktkennungen können das Ergebnis verzerren. Auch der Analysezeitraum beeinflusst die Aussage: Eine Auswertung über wenige Aktionstage bildet möglicherweise nur eine Kampagne ab, während ein längerer Zeitraum saisonale und dauerhafte Muster sichtbar macht.
Kennzahlen der Warenkorbanalyse
Die drei gebräuchlichen Kennzahlen einer Warenkorbanalyse sind Support, Confidence und Lift. Support beschreibt, wie häufig eine Produktkombination in allen Bestellungen vorkommt. Confidence misst, wie oft Produkt B gekauft wird, wenn Produkt A im Warenkorb liegt. Lift vergleicht diese bedingte Wahrscheinlichkeit mit der allgemeinen Kaufwahrscheinlichkeit von Produkt B.
Support zeigt die Häufigkeit
Die Formel für den Support lautet: Anzahl der Bestellungen mit A und B geteilt durch die Gesamtzahl aller Bestellungen. Ein hoher Support kennzeichnet häufige Kombinationen, beweist aber noch keine besondere Beziehung. Zwei Topseller können oft gemeinsam auftreten, weil beide einzeln in vielen Bestellungen enthalten sind. Prüfe den Support deshalb zusammen mit Confidence und Lift.
Confidence misst die Kaufwahrscheinlichkeit
Die Formel für die Confidence lautet: Anzahl der Bestellungen mit A und B geteilt durch die Anzahl der Bestellungen mit A. Die Richtung zählt: Die Confidence von A zu B kann höher oder niedriger sein als die Confidence von B zu A. Zubehör wird beispielsweise häufig mit einem Hauptprodukt bestellt, während Käufer des Hauptprodukts nicht zwingend jedes Zubehör benötigen.
Lift bewertet die Produktbeziehung
Ein Lift von 1 bedeutet, dass zwei Produkte ungefähr so häufig gemeinsam gekauft werden, wie es statistisch zu erwarten wäre. Ein Wert über 1 weist auf eine positive Beziehung hin. Ein Wert unter 1 zeigt, dass die Kombination seltener vorkommt als erwartet. Ein hoher Lift bei sehr wenigen Bestellungen bleibt jedoch unsicher, weshalb Mindestmengen für die Auswertung festgelegt werden sollten.
Warenkorbanalyse im E-Commerce
Im E-Commerce liefert die Warenkorbanalyse konkrete Grundlagen für Cross-Selling und Produktempfehlungen. Erkennt ein Onlineshop eine stabile Beziehung zwischen einem Hauptprodukt und passendem Zubehör, kann das Zubehör auf der Produktdetailseite, im Warenkorb oder nach dem Kauf angeboten werden. Die Empfehlung sollte zur Nutzungssituation passen und darf nicht allein auf einer häufigen Kombination beruhen.
Die Warenkorbanalyse unterstützt außerdem die Sortiments- und Preisplanung. Häufig gemeinsam gekaufte Produkte können als Set angeboten, räumlich beziehungsweise digital näher zusammengeführt oder in gemeinsamen Kampagnen beworben werden. Für eine fundierte Entscheidung sollten Händler zusätzlich Deckungsbeitrag, Verfügbarkeit, Retourenquote und mögliche Rabatte berücksichtigen. Eine häufige Kombination ist nicht automatisch wirtschaftlich attraktiv.
| Anwendungsgebiet | Erkenntnis aus der Analyse | Mögliche Maßnahme |
|---|---|---|
| Produktempfehlungen | Artikel A wird häufig mit Artikel B gekauft | Artikel B als ergänzendes Produkt anzeigen |
| Sortimentsplanung | Eine Kombination tritt dauerhaft gemeinsam auf | Verfügbarkeit und Beschaffung gemeinsam planen |
| Produktsets | Mehrere Artikel erfüllen einen gemeinsamen Zweck | Set mit transparentem Gesamtpreis erstellen |
| Kampagnen | Bestimmte Kombinationen entstehen über einen Kanal | Anzeigen und Landingpages auf das Nutzungsszenario ausrichten |
| Content | Käufer benötigen ergänzende Produkte oder Informationen | Ratgeber, FAQs und interne Verlinkungen ausbauen |
Nutzen für SEO, SEA und GEO
Für SEO zeigt die Warenkorbanalyse, welche Produkte aus Kundensicht thematisch zusammengehören. Diese Beziehungen können die Informationsarchitektur eines Shops verbessern. Relevante Produkte lassen sich intern miteinander verlinken, Kategorien können nach realen Kaufmustern strukturiert werden und Ratgeber können vollständige Nutzungssituationen statt isolierter Keywords behandeln. Eine spezialisierte SEO-Strategie für Onlineshops verbindet solche Verkaufsdaten mit Suchanfragen und organischen Einstiegsseiten.
Für SEA hilft die Warenkorbanalyse bei der wirtschaftlichen Bewertung von Kampagnen. Ein beworbenes Produkt kann einen geringen direkten Deckungsbeitrag haben, aber regelmäßig profitable Zusatzkäufe auslösen. Die Kampagnenbewertung sollte deshalb neben dem Umsatz des Einstiegsprodukts auch den gesamten Bestellwert und die gemeinsam gekauften Artikel berücksichtigen. Weitere Ansätze liefert die Verbindung von SEO- und SEA-Daten im E-Commerce.
Für GEO, also Generative Engine Optimization, liefern Kaufkombinationen Hinweise auf vollständige Problemlösungen. Wenn Nutzer regelmäßig Produkt A zusammen mit B und C kaufen, kann daraus ein Content-Thema wie eine Einkaufsliste, eine Anwendungserklärung oder ein Produktvergleich entstehen. Solche Inhalte beantworten komplexe Fragen vollständiger und erhöhen die Chance, dass Google und KI-Systeme die Produktbeziehungen korrekt verstehen.
Abgrenzung zu ähnlichen Analysen
Der Unterschied zwischen Warenkorbanalyse und Warenkorbabbruchanalyse liegt im untersuchten Ereignis. Die Warenkorbanalyse betrachtet typischerweise abgeschlossene Transaktionen und die gemeinsam gekauften Produkte. Die Warenkorbabbruchanalyse untersucht dagegen Sitzungen, in denen Nutzer Artikel in den Warenkorb legen, aber keinen Kauf abschließen. Für die Optimierung der Usability und Kaufprozesse sind beide Perspektiven relevant, beantworten aber verschiedene Fragen.
Der Unterschied zwischen Warenkorbanalyse und Kundensegmentierung liegt in der Analyseeinheit. Die Warenkorbanalyse untersucht Produktkombinationen innerhalb von Bestellungen. Die Kundensegmentierung teilt Käufer anhand gemeinsamer Eigenschaften oder Verhaltensweisen in Gruppen ein. Beide Methoden lassen sich verbinden, um beispielsweise getrennte Produktbeziehungen für Neu- und Bestandskunden zu ermitteln.
Eine Produktaffinität bezeichnet die statistische Nähe zwischen Artikeln, Marken oder Kategorien. Die Warenkorbanalyse ist eine Methode, mit der sich diese Affinität aus Transaktionen ableiten lässt. Eine hohe Affinität erklärt jedoch keine Ursache. Zwei Artikel können gemeinsam gekauft werden, weil sie sich ergänzen, gleichzeitig beworben wurden oder während des Analysezeitraums rabattiert waren.
Typische Fehler bei der Auswertung
Der häufigste Denkfehler besteht darin, jede häufige Kombination als Cross-Selling-Chance zu behandeln. Eine hohe gemeinsame Kaufzahl kann allein durch die Popularität einzelner Produkte entstehen. Erst ein Lift über 1 liefert einen Hinweis darauf, dass die Kombination häufiger vorkommt als statistisch erwartet. Zusätzlich müssen Bestellmenge, Marge und fachliche Plausibilität geprüft werden.
Zu grobe Produktgruppen verdecken relevante Muster, während zu kleine Gruppen zufällige Beziehungen erzeugen können. Eine Analyse auf Kategorieebene zeigt beispielsweise, dass Schuhe und Pflegemittel gemeinsam gekauft werden. Eine zusätzliche Auswertung nach Material oder Schuhtyp kann offenlegen, welche Pflege tatsächlich passt. Die Granularität sollte deshalb nach dem konkreten Anwendungsfall gewählt werden.
Messbar ist der Nutzen einer Warenkorbanalyse über den durchschnittlichen Bestellwert, die Zahl der Artikel pro Bestellung, die Klickrate auf Empfehlungen, die Zusatzkaufquote, den Deckungsbeitrag und die Retourenquote. Ein A/B-Test vergleicht dafür eine bestehende Shopvariante mit einer Variante, die datenbasierte Empfehlungen enthält. Eine gute Auswertung betrachtet Umsatz und Profitabilität gemeinsam.
Häufige Fragen zur Warenkorbanalyse
Welche Daten benötigt eine Warenkorbanalyse?
Benötigt werden mindestens eine eindeutige Bestellnummer und die Produkte jeder abgeschlossenen Bestellung. Zusätzliche Angaben wie Kaufdatum, Kategorie, Preis, Absatzkanal und Kundengruppe ermöglichen genauere Auswertungen. Personenbezogene Kundendaten sind für eine grundlegende Produktanalyse nicht erforderlich.
Wie viele Bestellungen braucht man für eine Warenkorbanalyse?
Eine feste Mindestzahl gibt es nicht. Die erforderliche Datenmenge hängt von der Sortimentsgröße, der Kaufhäufigkeit und der gewünschten Detailtiefe ab. Produktregeln aus wenigen Transaktionen sollten nicht automatisiert ausgerollt werden, weil einzelne Bestellungen das Ergebnis stark beeinflussen können.
Wie oft sollte eine Warenkorbanalyse durchgeführt werden?
Onlineshops sollten die Analyse regelmäßig und zusätzlich nach größeren Kampagnen, Sortimentsänderungen oder saisonalen Phasen aktualisieren. Die Ergebnisse eines Weihnachtsgeschäfts lassen sich beispielsweise nicht ungeprüft auf das Frühjahr übertragen.
Kann eine Warenkorbanalyse Retouren berücksichtigen?
Ja. Retouren sollten in einer ergänzenden Auswertung berücksichtigt werden, weil eine häufig gekaufte Kombination wirtschaftlich unattraktiv sein kann, wenn einzelne Bestandteile oft zurückgesendet werden. Sinnvoll ist ein Vergleich von Brutto- und Nettowarenkörben.
Was ist ein guter Lift bei der Warenkorbanalyse?
Ein Lift über 1 weist auf eine positive statistische Beziehung hin. Ob die Beziehung nutzbar ist, hängt zusätzlich vom Support, der absoluten Zahl der Bestellungen, der Marge und der fachlichen Plausibilität ab. Ein sehr hoher Lift aus wenigen Käufen ist kein belastbarer Richtwert.
Kann man mit der Warenkorbanalyse Produktempfehlungen automatisieren?
Ja, Produktregeln können aus Transaktionsdaten automatisiert erzeugt werden. Vor dem Einsatz sollten unpassende Kombinationen, geringe Datenmengen, fehlende Verfügbarkeit und unwirtschaftliche Artikel ausgeschlossen werden. Die Wirkung der Empfehlungen lässt sich anschließend mit einem kontrollierten Test messen.
Wenn du Kaufdaten mit SEO, SEA und der Shopstruktur verbinden möchtest, bietet ein Potenzialcheck eine fachliche Grundlage für die nächsten Schritte.
Kostenlosen Potenzialcheck anfragen
Sie haben noch Fragen?
