Zielen Sie auf den >>“Long Tail“ und vergrößern Sie ihn zusätzlich!
Long-Tail ist eine Theorie, die der US-amerikanische Journalist und Chefredakteur des Wired Magazine Chris Anderson 2004 vorstellte[1], nach der ein Anbieter im Internet durch eine große Anzahl an Nischenprodukten Gewinn machen kann (Zitat WIKI).
Seine These: Die Zukunft insbesondere der Medien- und Unterhaltungsindustrie liege in der breiten Befeuerung von Nischenmärkten, während die Konzentration auf Mainstream und Megaseller eine Strategie von gestern sei. Möglich und profitabel, so Anderson, wird diese Entwicklung durch das Internet und die damit verbundenen Technologien(Zitat Spiegel.de).
Shopsysteme bieten in der Regel nur eine statische Datenbank-Abfrage.
Der User kann zwar über mehrere Suchfilter das Ergebnis eingrenzen,
dies ist aber komplett abhängig von der Qualität der Suchbegriffe.
So kommt es öfter als gedacht zu falschen oder gar leeren Resultaten,
obwohl ein Treffer bei ‘ungefährer’ Auswertung der Suche durchaus
möglich gewesen wäre.
Bei Produkten, die üblicherweise über eine genaue Typenbezeichnung oder einen eindeutigen Namen gesucht werden, ist solch ein Ergebnis nicht problematisch. Anders verhält es sich aber mit Bereichen, die eher geschmacklich definiert sind, wie z.B. Musik.
Internet-Shops oder Musikdownloadportale können nur erfolgreich sein, wenn sie neben
‘harten’ Suchergebnissen auch ein ‘Streu’-Resultat in Richtung der Kunden-Wünsche anbieten.
Diese zweite Ebene muss ihrer Natur nach dynamisch sein, d.h. sie sollte einer ständigen, leichten Veränderung unterworfen werden. Dadurch kann der Kunde auf verwandte oder Nischen-Produkte hingewiesen werden, von denen er bisher nichts wusste oder die er längst wieder vergessen hatte.
Solch eine dynamische Suche funktioniert nur, wenn ihr ein dynamisches Bewertungssystem zugrunde liegt. Sucht ein Kunde beispielsweise nach Musik-Titeln aus dem Genre ‘Rock’, sollten alle Titel der Basisdatenbank mit diesem Genre nun eine kundenspezifisch höhere Bewertung als die anderen erhalten. So kann man ihm einerseits konkrete Suchergebnisse in einer Auswahlliste, andererseits aber zusätzlich in einem dynamischen Fenster nach und nach andere Titel der Datenbank zeigen, die zwar hauptsächlich dem Genre Rock zugeordnet sind, aber auch aus verwandten Gebieten stammen. Je weiter ‘entfernt’, desto seltener natürlich.
Schränkt der Kunde seine Suche weiter ein, so werden nach demselben Muster auch diese Kriterien bewertet, was bei der statischen Auswahlliste zu ständig kleineren Mengen führt, im dynamischen ‘Empfehlungsfenster’ aber nur zu einer ‘Betonung’ der Titel, die den Suchkriterien am nächsten kommen.
Durch dieses Verfahren bekommt der Kunde ‘automatisch’ fachkundige Beratung, ohne Zigtausende von unsortierten Titeln durchhören zu müssen, um vielleicht auf einen Song seines Geschmacks zu treffen.
Ähnlich verhält es sich mit Systemen, in denen das „Kauf“- oder Nutzerverhalten anderer protokolliert wird (z.B.Amazon: User die dies kauften, kauften auch…) , welche dann grundsätzlich nur Ergebnisse des Massengeschmacks an den Kunden weitergeben. Nischengeschmack wird normalerweise selten oder gar nicht bedient.
Hier kann eine dynamisch Anzeige von Ergebnissen aus mehrheitlich massentauglichen aber in der Anzeigemischung auch durchsetzt von Nischenprodukten eine erhebliche Verkaufssteigerung bedeuten.
Durch den Einsatz der Moodmixer-Technologie als Webservice zur Generierung ihrer „Dynamischen Angebote“ lässt sich automatisert ein viel größerer Kundenbereich ansprechen und diesem einen größeren Anteil des Gesamtangebots präsentieren.
