Wichtige Kennzahlen für erfolgreichen eCommerce (II): Umsatzarten, KUR, Retourenquote, Kunden-Kennzahlen, Wiederkaufrate

Business Intelligence… wovon reden wir hier eigentlich!? Ein Ratgeber in 6 Episoden.

Business Intelligence. Simples Bullshit-Bingo oder ein Begriff mit Substanz? Geht mich das was an oder hab ich den Begriff bis morgen eh schon wieder aus meinem Vokabular gestrichen? Oft gehört, doch nie erklärt? So oder so – Business Intelligence ist sicherlich ein Begriff, der in vielen Köpfen Fragen offenlässt.

Abhilfe schafft dieser Ratgeber in Form von sechs aufeinanderfolgenden Blogartikeln – basierend auf unserer umfassenden BI-zentrierten Beratungs- und Entwicklungstätigkeit im Online-Sektor. Für alle, die es genauer wissen wollen. Und speziell für Online-Händler.

 

EPISODENVERZEICHNIS

Episode 1: Was nützt Business Intelligence? Brauch ich das auch?

Episode 2: BI-Grundlagen – Kennzahlen und KPIs

Episode 3: Wichtige Kennzahlen für erfolgreichen eCommerce (I): Traffic, Average Session Duration, Conversion Rate, Average Order Value

Episode 4: Wichtige Kennzahlen für erfolgreichen eCommerce (II): Umsatzarten, KUR, Retourenquote, Kunden-Kennzahlen, Wiederkaufrate

Episode 5: Wichtige Kennzahlen für erfolgreichen eCommerce (III): Das große Customer Lifetime Value-Special

Episode 6: 5 Goldene Regeln für Ihr BI-Projekt – Ein Fazit

 

…und weiter geht’s mit unseren Erläuterungen zu den wichtigsten Kennzahlen für erfolgreichen eCommerce:

5. Umsatz

  • Datenquelle: ERP-System/Shop-System
  • Einheit: Euro
  • Berechnung: Menge · erzielter Preis
  • Verantwortung: Marketing
  • Wichtigste Fragestellung: Welche Umsatzarten gibt es und wie sind diese genau definiert?

Fragen Sie fünf Mitarbeiter aus verschiedenen Abteilungen nach ihrer Definition von Umsatz – es werden unterschiedliche Erklärungen zum Vorschein kommen. Und alle sind richtig. Das Problem ist nur, dass eine unternehmensweite Vergleichbarkeit nicht gegeben ist. Und gerade diese ist wichtig bei ganzheitlichen, also abteilungsübergreifenden Analysen. Sonst enden Ihre Meetings nicht mit Handlungsempfehlungen in Richtung Kunde, sondern in Richtung IT-Abteilung. Wichtig ist demnach eine genaue Definition der verschiedenen Umsatzarten. In unseren bisherigen Projekten haben allein die Definitions-Workshops schon zwei Tage gedauert, bis sich alle einig waren und es einen Konsens hinsichtlich der verschiedenen Umsatzarten gab:

  • Nachfrage-Umsatz
  • Storno-Umsatz
  • Brutto-Umsatz
  • Retouren-Umsatz
  • Netto-Umsatz

Mit dem Präfix „Brutto“ und „Netto“ ist hier nicht die Mehrwertsteuer gemeint. Alle Umsatz-Kennzahlen werden in der Regel ohne MwSt. ausgewiesen (ebenso beim Brutto-Umsatz).

Hier die drei meist wichtigsten Umsatz-Definitionen:

Nachfrage-Umsatz: Der Nachfrage-Umsatz beinhaltet alle möglichen Umsätze vor Stornos, technischen Problemen, Lagerdifferenzen, Zahlungsausfällen etc. Er bezieht sich also auf den insgesamt möglichen Umsatz, der in allen Kanälen nachgefragt wurde.

Brutto-Umsatz (auch: Liefer-Umsatz): Welcher Umsatz verlässt das Lager und geht zum Kunden? Nach Abzug der möglichen Lagerdifferenzen, System- oder Kundenfehler ist dies der sogenannte Brutto-Umsatz.

Netto-Umsatz: Zieht man vom Brutto-Umsatz den Retouren-Umsatz ab, erhält man den Netto-Umsatz, also jenen Umsatz, der wirklich beim Kunden verbleibt. Um z. B. den Erfolg von Marketing-Aktionen zu bewerten, müssen alle genannten Umsatzarten zum Bestelldatum berechnet werden.

Die obigen Ausführungen scheinen einfach umsetzbar zu sein. Beim Aufbau eines Data Warehouses werden Sie aber schnell feststellen, dass z. B. Ihre Warenwirtschafts-Software so manche technische Herausforderung für die korrekte Berechnung der Umsätze bereithält: Zahlarten, Orderpositionsstatus, historisierte Preise, Rabatte, Gutscheine. Auch hier müssen die Umsatzarten mit der Mannschaft genau definiert werden!

Doch letztendlich macht’s BI auch hier wieder einfacher, übersichtlicher, transparenter: Ein eCommerce Data Warehouse kann, sobald einmal aufgebaut, alle Umsatzarten nach allen Kanälen (Filiale, Katalog, Online, Outbound) filtern sowie sie nach den verschiedenen Datumsfiltern anzeigen lassen – zum Bestell-, Faktura- und Lieferdatum.

6. Kosten-Umsatz-Relation (KUR)

  • Datenquelle: ERP-System/Shop-System
  • Einheit: Prozent
  • Berechnung: Total Cost Per Order (CPO) / Gesamt-Umsatz (vor und nach Retouren)
  • Verantwortung               : Marketing
  • Wichtigste Fragestellung: Welche KUR vor und nach Retouren erziele ich je Kanal, um ggf. schlecht funktionierende Kanäle gleich abzuschalten?

Kurzfristig zeigt die KUR je Kanal an, ob das eingesetzte Budget im richtigen Verhältnis zum Umsatz (vor und nach Retouren!) steht. Die KUR-Berechnung einer Marketing-Kampagne zum Beispiel sollte nicht früher als nach 30 Tagen erfolgen. Auf diese Weise stellen Sie sicher, dass auch wirklich alle Kunden berücksichtigt werden. Langfristig sollte für die Berechnung der KUR nicht nur die total CPO, sondern auch weitere indirekte Akquisekosten hinzugerechnet werden. Wenn Sie z. B. ein teures SEO- oder Social-Media-Team unterhalten, hat dies sicherlich auch einen Einfluss auf die KUR. Die resultierenden Kostensätze müssen Sie „nur“ berechnen und in Ihr Data Warehouse integrieren.

7. Retourenquote (nach Menge und Wert)

  • Datenquelle: ERP-System/Shop-System
  • Einheit: Prozentsatz
  • Berechnung: (Retournierte Menge · erzielter Preis) / (Bestellte Menge · erzielter Preis)
  • Verantwortung: Marketing/Einkauf
  • Wichtigste Fragestellung: Welche Kanäle/Kunden/Produkte liefern die höchsten Retourenquoten und warum?

Der Teufel retourniert Prada. Egal, was sie im Internet verkaufen, der Kunde hat das Recht, es zurückzuschicken (außer bei verderblichen Lebensmitteln). Retouren sind der Kostentreiber, bei dem es sich lohnt, täglich an seiner Optimierung zu arbeiten: Von besseren Fotos und Texten über virtuelle Ankleideräume bis hin zur Online-Kanal-Analyse, die Ihnen sagt, aus welchem Kanal die Viel-Retournierer (wichtig: Definieren Sie genau, was das ist!) kommen. Vielleicht ist der Kanal dann doch nicht mehr so attraktiv wie Sie anfangs glaubten, als Sie „nur“ den Nachfrage-Umsatz betrachteten.

Die Retourenquote zu minimieren hat unter Umständen mehr positive Effekte als z. B. die Erhöhung des Traffics: Zufriedenere Kunden, höhere Wiederkaufraten, steigender Deckungsbeitrag.

Einer unserer Kunden hat mit Hilfe unserer BI-Lösung alle 100%-Retournierer identifiziert, diese kontaktiert und erfragt, was man verbessern könnte, um seine Retourenquote zu minimieren. Das Ergebnis dieser ungewöhnlichen Maßnahme (bisher hat dies noch keiner unserer Kunden getan) konnte er wiederum über die BI-Lösung auswerten: 50% der identifizierten Kunden haben entweder gar nicht mehr bestellt (also auch keine Retouren-Kosten verursacht) oder haben weniger bis gar nicht mehr retourniert.

8. Kunden-Kennzahlen

  • Datenquelle: ERP-System/Shop-System
  • Einheit: Je nach Kennzahl – häufig Anzahl von Personen
  • Berechnung: Je nach Kennzahl
  • Verantwortung               : CRM/Marketing
  • Wichtigste Fragestellung: Wie viele Neukunden aus der gewünschten Kundengruppe konnten aus welchem Kanal bzw. aus welcher Online-Marketingaktion generiert und in Bestandskunden überführt werden? Was zeichnet einzelne Kundensegmente aus?

Man kann die Kennzahlen alle einzeln ausweisen, trennen sollte man sie jedoch nicht. Auch hier bringt eine ganzheitliche Analyse den Vorteil: Wie viele Erstbesteller sind auch wirklich Neukunden und dann Bestandskunden geworden?

Anzahl Erstbesteller: Ein Erstbesteller ist jemand, der zum ersten Mal bestellt.

Anzahl Neukunden: Neukunden sind Erstbesteller, die einen positiven Netto-Umsatz haben. So weit, so einfach.

Anzahl Bestandskunden: Ähnlich wie die Frage nach der genauen Definition der Umsätze verhält es sich mit der einfachen Frage „Wie ist ein Bestandkunde definiert?“. Also – wie oft, in welchem Zeitraum, in welcher Höhe muss ein Kunde bestellen, um bei Ihnen ein Bestandskunde zu sein?

Sind die Basics definiert und in Ihrem Dashboard täglich verfügbar, sollten Sie sich Gedanken über weitere Kundensegmente machen: Was sind die Top- (z. B. Null-Retournierer) oder Flop-Kunden (z. B. 100%-Retournierer)? Welche Kunden müssen reaktiviert werden und vor allem wie (Newsletter, Anruf, Gutschein)? Die Antworten finden Sie in Ihrem Data Warehouse!

Des Weiteren können natürlich auch andere, bereits vorgestellte Kennzahlen auf Kundendimension bzw. Kundensegmentdimension heruntergebrochen werden. Ein AOV pro Kundensegment z. B. kann wichtige Informationen zur effizienten, differenzierten Kundenbetreuung liefern, genau wie auch eine Retourenquote, eine Average Session Duration oder eine Conversion Rate pro Kundensegment.

Eine weitere wichtige Kunden-Kennzahl besteht zudem in der Interpurchase Time. Die Interpurchase Time zeigt an, mit welchem zeitlichen Abstand die Kunden in meinem Onlineshop kaufen – die Dauer also, während derer sie zwischen den Käufen inaktiv sind. Habe ich diesbezüglich durch Tracking und Analyse wertvolle Informationen gewonnen, ermöglicht mir das ein Prognostizieren künftiger Inaktivitätszeiten meiner Kunden – Prognosewerte, die ich beispielsweise in die Entwicklung optimierter Marketingstrategien einfließen lassen kann.

9. Wiederkaufrate

  • Datenquelle: ERP-System/Shop-System
  • Einheit: Prozent
  • Berechnung: (Anzahl Bestandskunden Periode X + 1) / (Anzahl Neukunden + Bestandskunden Periode X)
  • Wichtigste Fragestellung: Wie gut funktioniert mein Geschäftsmodell? Bekomme ich überhaupt „bessere“ Kunden in den Shop?

In der Flut von Online-Shops und Werbebudgets ist es eine Leistung, schon einen Neukunden zu gewinnen! Je nach Höhe der Investition in die Akquise der Kunden (u. a. abhängig vom Akquise-Kanal) kann es sein, dass ein positiver Deckungsbeitrag erst nach mehrmaligen abgeschlossenen Bestellungen (Wiederkauf) erzielt wird.

Weiter geht’s in Episode 5 unserer BI-Blogserie mit dem großen Customer Lifetime Value (CLV) Special!

 

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Anne Golombek

Anne Golombek Hello, I am Anne – as a Marketer with a background in literary studies, I am the woman for everything written in the minubo team. I love text, language and new, exciting content – have fun with our blog all about Business Intelligence, eCommerce and… data, data, data.