Christmas shoppers behaviour differs in online shop industry

The closer Christmas is coming, the more people shop online. We don’t share a secret telling you that Christmas is the most lucrative time of the year. We asked how many additional visitors and revenue online shops really generate during the Christmas season.

Traffic increase for all branches

Our Akanoo Data Insights tool provides relevant benchmarks for online retailers to evaluate the performance of their shops and enables us, to dive deep into the Christmas season and the performances of different branches. A comparison of the yearly average with the figures of December clearly shows that many online shops have a significantly higher amount of shop visitors. On average, online shops show a traffic increase of 123.0%.

Thus, a closer look at different industries like fashion, DIY and consumer goods shows that the traffic increase differs between the different portfolios. In the fashion segment the traffic amount climbs up by 97.1 %. DIY shops show a rise of 112.2% in visits. Compared to fashion and DIY can shops increase their visits with consumer goods by remarkable additional 169.4% visitors.

Conversion increase differs massively

While higher traffic is often going with weaker conversion rates, the additional Christmas traffic shows even a higher conversion rate. On average, the conversion rate increases by 15.4 % during the Christmas season. Comparing fashion, DIY and consumption we recognize the following: Fashion online shops create 4% more conversions in the Christmas season. Shops which offer consumer goods show an increase of 8%. DIY shops are one of the segments which realise double-digit growth of 14.3 % in conversions.

Our benchmark shows the enormous potential for online shops to generate additional revenue. In order to make the best use of the Christmas traffic, it is necessary to evaluate permanently the shop performance and to compare it to industry and product benchmarks.

We support you in identifying the best optimisation areas for your online shop. Contact us today.


Akanoo shares expert knowledge on the bevh blog


Starting the 12th September 2016 we publish exclusive insights about online shopper behaviour on the German E-Commerce Association (bevh) blog. Every Wednesday you find a new episode which provides you the latest approaches to increase your online shop revenue. In a series of four articles you receive answers for the following questions:

  • Which devices do customer use to purchase? – The answer my friend is here.
  • How influences the entry page buying decisions? – Will be published on 21st September.
  • What is the impact of on-site search on conversion rates? – Will be published on 28th September.
  • How to reduce cart abandonment during the checkout process? – Will be published on 5th October.

We are pleased to share our proven expert knowledge on the bevh blog and help online shops gaining a deeper understanding of their online shopper behaviour. If you need more information how to increase your conversion rate with online shopper analysis, get in contact now!  

Lift analysis – A data scientist’s secret weapon

Whenever I read articles about data science I feel like there is some important aspect missing: evaluating the performance and quality of a machine learning model.

There is always a neat problem at hand that gets solved and the process of data acquisition, handling and model creation is discussed, but the evaluation aspect too often is very brief. But I truly believe it’s the most important fact, when building a new model. Consequently, the first post on this blog will deal with a pretty useful evaluation technique: lift analysis.

Machine learning covers a wide variety of problems like regression and clustering. Lift analysis, however, is used for classification tasks. Therefore, the remainder of this article will concentrate on these kind of models.

The reason behind lift charts

When evaluating machine learning models there is a plethora of possible metrics to assess performance. There are things like accuracy, precision-recall, ROC curve and so on. All of them can be useful, but they can also be misleading or don’t answer the question at hand very well.

Accuracy1 for example might be a useful metric for balanced classes (that is, each label has about the same number of occurrences), but it’s totally misleading for imbalanced classes. Problem is: data scientists have to deal with imbalanced classes all the time, e.g. when predicting if a user will buy something in an online shop. If only 2 out of 100 customers buy anyway, it’s easy for the model to predict everyone as not buying and it still would achieve an accuracy of 98%! That’s absolutely not useful, when trying to assess the model’s quality.

Of course, other metrics like precision and recall give you important information about your model as well. But I want to dig a bit deeper into another valuable evaluation technique, generally referred to as lift analysis.

To illustrate the idea, we’ll consider a simple churn model: we want to predict if a customer of an online service will cancel its subscription or not. This is a binary classification problem: the user either cancels the subscription (churn=1) or keeps it (churn=0).

The basic idea of lift analysis is as follows:

  1. group data based on the predicted churn probability (value between 0.0 and 1.0). Typically, you look at deciles, so you’d have 10 groups: 0.0 – 0.1, 0.1 – 0.2, …, 0.9 – 1.0
  2. calculate the true churn rate per group. That is, you count how many people in each group churned and divide this by the total number of customers per group.

Why is this useful?

The purpose of our model is to estimate how likely it is that a customer will cancel its subscription. This means our predicted (churn) probability should be directly proportional to the true churn probability, i.e. a high predicted score should correlate with a high actual churn rate. Vice versa, if the model predicts that a customer won’t churn, then we want to be sure that it’s really unlikely that this customer will churn.

But as always, a picture is worth thousand words. So let’s see how an ideal lift chart would look like:

Here you can see that the churn rate in the rightmost bucket is highest, just as expected. For scores below 0.5, the actual churn rate in the buckets is almost zero. You can use this lift chart to verify that your model is doing what you expect from it.

Let’s say there would be a spike in the lower scored groups; then you know right away that your model has some flaw, it doesn’t reflect the reality properly. Because if it would, then the true churn rate can only decrease with decreasing score. Of course, lift analysis can help you only that far. It’s up to you to identify the cause of this problem and to fix it, if necessary2. After improving the model, you just can come back to the lift chart and see if the quality improved.

Additionally, I drew a black line for the hypothetical average churn rate (20%). This is useful to define a targeting threshold: scores below the threshold will be set to 0, scores above to 1. In our example, you might want to try to keep customers from cancelling their subscription by giving them a discount. Then you would target all users with a score between 0.8 and 1.0, because this is the range where the churn rates are higher than the average churn rate. You don’t want to pour money down the drain for customers, who have a below-average churn probability.

But what is lift exactly?

Until now, we only looked at nice charts. But usually you’re interested in the lift score as well. The definition is pretty simple:


rate in our situation refers to the churn rate, but might as well be a conversion rate, response rate etc.

Looking back at our example chart, the highest group would have a lift of 0.97 / 0.2 = 4.85 and the second highest group of 1.8. That means, if you only target users with a score higher than 0.9, you can expect to catch nearly five times more churning users than you would by targeting the same number of people randomly.


Just like every other evaluation metric lift charts aren’t an one-off solution. But they help you get a better picture of the overall performance of your model. You can quickly spot flaws, if the slope of the lift chart is not monotonic. Additionally, it helps you to set a threshold, which users are worth targeting. Last but not least, you have a estimate how much better you can target users compared to random targeting.

I hope this first blog post gave you some new insights or you enjoyed it as a refresher. If you have any questions or feedback, just leave a comment or shoot me a tweet.

  1. Ratio of correctly labeled observations to total number of observations.
  2. There might be cases where this does not matter, e.g. when your main goal is to target everyone who churns, but it doesn’t matter, if you also target some people who won’t churn.

(First published on

Cart Abandonment Can Cost You More Than 50% Of Your Online Shop Revenue

Online shoppers often add items to the basket without buying them.

Online shoppers generally add items to the shopping cart within a short time after having arrived on the shop website. Nonetheless many of them leave the shop without buying. Among some of our clients more than 50 % of the visitors start their visit with a full basket. They have obviously stopped the purchase before. This is a remarkably high amount and much revenue lost if they never complete their purchase.

Other online shops experience an even worse situation. The Research Institute Baymard has collected shopping cart abandonment case studies since 2006. The result: The average cart abandonment rate is close to 70 %. The interesting questions are: Why do online shoppers abandon carts? And what can I do as a retailer to prevent it?

The 10 Most Common Reasons For Shopping Cart

A Many reasons for cart abandoned have been identified. A list of the top reasons was recently published as part of the UPS Pulse of the Online Shopper study. In cooperation with the internet analytics company comScore UPS interviewed 5,000 online shoppers and discovered the 10 most common reasons for abandoned carts:

  1. Shipping costs made the total purchase costs more than expected (56%)
  2. My order value wasn’t large enough to qualify for free shipping (45%)
  3. I was not ready to purchase, but wanted to get an idea of the total cost with delivery for comparison (44%)
  4. I was not ready to purchase, but wanted to save the cart for later (43%)
  5. The item was out of stock (42%)
  6. Shipping and handling costs were listed too late during the checkout process (34%)
  7. I needed the product within a certain time frame and the shipping options offered didn’t meet my requirements (28%)
  8. I didn’t want to register/create an account just to make a purchase (27%)
  9. The estimated shipping time was too long for the amount I was willing to pay (26%)
  10. My preferred payment (i.e. bank transfer, debit card, PayPal, Google Checkout) was not offered. (24%)

Solutions For Shopping Cart Abandonment

Let’s have a closer look at the results and what you can do about it. We find four main categories to explain abandonment. The good news is, three categories can be easily dealt with by optimizing your ordering process:  

  • Check-out

The first optimization area is the check-out process. The surveyed customers complained about hidden costs. Create a transparent checkout process and list all accruing charges directly at the beginning. The online shoppers shouldn’t get annoyed by unpleasant surprises at the end of the purchase process.

Another pain point was the obligation to create an account. Offer the possibility to buy your products without an account and make the purchase process as comfortable as possible.

  • Delivery

Online shoppers frequently mentioned the importance of a quick and comfortable shipping process. Guarantee the direct availability of your products and offer the most common shipping options.

Make sure to communicate the guaranteed shipping date and available options prominently on your site. Your potential customers have to find this information at a glance.

  • Pricing

Pricing is an important factor, when it comes to the final check-out. Especially, high shipping costs keep a lot of online shoppers from buying. Offer free shipping or keep the shipping costs as low as possible.

Card Abandonment in the areas of check-out, delivery and pricing can be tackled relatively easy. But there is still one category left, that needs more consideration.

  • Buying Intention

A lot of the interviewed online shoppers mentioned, that they haven’t been ready to buy. They just browsed the shop to look for more information about the product or the shipping. This means these online shoppers are an enormous chance to boost your sales. In general, they are interested in your product and services but they do need a very personal interaction to make sure that they will turn into customers.

Identify And Persuade Relevant Online Shopper

All you need to do is convince them that you have the products for their needs. Easier said than done. How can you identify the promising customer group? And what do you have to do to persuade them? In general, there are two ways to attract them.

The first one is to contact them after they have already left the online shop. A lot of companies try to address their online shop visitors via retargeting. They mark every visitor with a special cookie and show them online ads on other website or on social media. Another solutions is to address them by e-mail. If your visitors have created an account or signed up for an newsletter, it is possible to address them with personalized mailings afterwards.

Personalized campaigns can help you to persuade undecided online shoppers.

The second solutions is to address online shoppers directly on the online shop while they are seeking for relevant information. It is possible to distinguish between buyers and non-buyers by using an algorithm, called Random Forest. In this way, you can show personalized campaigns only to users, who would not have bought otherwise.

For example, the interviewed people mentioned, they had been looking for the total costs and shipping fees. Why not offering them a voucher for free shipping or a product discount? A lot people mentioned that they just want to learn about the products but necessarily purchase them at your particular shop. Why not highlight additional benefits of purchasing at your shop or offering them free give-a-ways, if they order the product directly?

To sum it up: shopping cart abandonment is a huge problem for online shops, but you can do something about it. It’s your turn. Start optimizing your online shop today and boost your revenue. The following checklist, will help you reach your goal.

Checklist: 6 tips to avoid shopping cart abandonment

If you need help with running personalized campaigns on your online shop, get in contact now. Akanoo engages online-shop visitors with effective campaigns, while they are still surfing the shop site. Unhappy visitors and abandoned carts are avoided and revenues increased.

What Is Data Mining?

child with binoculars

What is Data Mining? And what is Predictive Behavioral Targeting again? With all the technical terms in the field of onsite user analysis you can easily lose track of what’s going on. That’s why, we tried to define the terms for you and set the record straight.

How can you define Data Mining?

Data Mining is a generic term for different types of data analysis. Data Mining experts discover hidden relationships in large amounts of data that are useful for companies or research institutions. The main difference in comparison to other data analysis techniques is that Data Mining doesn’t presuppose an assumption beforehand. The assumptions will be developed during the analysis process, known as KDD (Knowledge Discovery in Databases). Data Mining is only a small part of the whole analysis process.

Data Mining in eCommerce

Why is Data Mining important for online shops?

Data Mining is often applied to shopping cart analysis in eCommerce. Retail companies are using a special Data Mining technique called Pattern Mining to find relations within the customer’s shopping habits like: 50% of our customers, who bought a scarf, also bought gloves. These recurring sequences are called frequent patterns and are used for product recommendations („Customers Who Bought This Item Also Bought“).

If you combine the Pattern Mining technique with statistical data like surveys or demographic data and use your findings to predict future behavior, you call this Predictive Behavioral Targeting. Akanoo applies Predictive Behavioral Targeting to avoid abandoned carts. We are looking for behavior sequences that are occurring again and again. This could be a specific order of product sites or patterns in date and time of the visits. As soon as we have discovered frequent patterns, we use them in combination with available demographic data to predict the probability of intentions such as “will not convert”, “will not add second product to basket”, etc.

To cut a long story short: Data Mining is an important data analysis technique to extract valuable, hidden information from large data sets. It is particularly help in digital marketing and assists transaction-based websites in maximizing their profits.

Do you like to maximize your profit with Predictive Behavioral Targeting? Contact us now!

Big Data ist mehr als ein Buzzword

Bei Akanoo prognostizieren wir das Verhalten von Website-Besuchern um die Wahrscheinlichkeit ihres Handelns vorherzusagen. Aus den Spuren bisheriger Besucher und den gegenwärtigen Eigenschaften und Verhalten aktueller Besucher sagt Akanoo in Echtzeit ihre nächsten Schritte voraus. So wird die Reise der Besucher durch Online-Shops aufgewertet. Akanoo erkennt verlässlich die Besucher, die sehr wahrscheinlich nicht kaufen werden, um diese gezielt mir relevanten Anreizen anzusprechen. Wir nutzen dabei Methoden, die oft nur mit dem abstrakten Begriff Big Data beschrieben werden. 


Aber können Sie sich etwas darunter vorstellen, wenn Ihnen jemand sagt er nutze Big Data? Uns fällt das schwer, weil der Begriff sehr abstrakt und daher wenig präzise ist. Wir verwenden komplexe statistische Schätzverfahren, die sehr große Datensätze vergangener Besucherströme nutzen um verlässliche Prognosen zu produzieren. Damit das Anwendungsfeld Big Data greifbarer wird, möchten wir zwei spannende und konkrete Anwendungen beschreiben, die ähnliche Methoden nutzen um damit bemerkenswerte Ergebnisse zu erzielen.

1.       Google unterstützt den Kampf gegen Menschenhandel

Google hat in den letzten Jahren viele Initiativen mit technologischem Know-How ausgestattet. Der Google Person Finder hilft Menschen nach Naturkatastrophen wieder zusammen zu führen. Google Flu- oder Denque-Trends zeigen Erste Perspektiven, wie Gesundheitsorganisationen bei der logistischen Versorgung von Epedemien durch die schnelle Aggregation verteilter Daten profitieren können. Nun unterstüzt Google die  Hilfsorganisationen Polaris, LaStrada und Liberty Asia beim Aufbau des Global Human Trafficking Hotline Network (GHTHN). Das Netzwerk ist eine globale Anlaufstelle für Opfer von Menschenhandel. So melden sich Opfer bei örtlichen Hilfsorganisationen, aber diese greifen auf die Informationen des GHTHN zurück. Dies ermöglicht lokalen Hilfsorganisationen, den spezifischen Kontext des Opfers besser zu adressieren,  denn mit jeder Information des potentiellen Opfers liefert das System automatisch kontext-bezogene Hinweise und Empfehlungen für die lokalen Hotline Mitarbeiter.  So konnte zum Beispiel  die Zeit reduziert wesentlich  werden, bis ein  Opfer mit einem Muttersprachler sprechen konnte oder direkte Hilfe geschickt werden konnte. Die Datenmenge und analytische Leistung des Systems bei zwei wichtigen Aufgaben im Kampf gegen den Menschenhandel.  Zum Einen ermöglicht die zentrale Aggregation von Hilferufen und Reaktionen, erfolgreiche Tipps und Hinweise schnell über viele Hilfsorganisationen zu verbreiten. So kann jede Organisation jederzeit mit State-of-the-Art Methoden arbeiten. Zum Anderen können durch die zentralisierte Aggregation von Hilferufen aktuelle Brennpunkte lokalisiert werden. Diese Informationen nutzen Regierungsorganisationen um Logistik und Hintermänner im Menschenhandel ausfindig zu machen

2.       Mathe mit Maschinen lernen

Ich erinnere mich ungern an meine Vorlesungen der Wirtschaftsmathematik zurück. So eindrucksvoll Frau Professor Moosmüller auch versuchte uns  um kurz nach 8 mit Matrizen-Operationen wachzurütteln, so sehr war sie zum Scheitern verurteilt. Die eine Hälfte der Zuhörer schlief noch und die andere Hälfte verstand an ganz unterschiedlichen Stellen wenig bis gar nichts. Zusätzlich sind heute viele Universitäten vor das Problem gestellt, dass insbesondere Einführungsveranstaltungen von so vielen Studenten besucht werden müssen, dass diese in keinem Hörsaal gleichzeitig untergebracht werden können.  Diesem Problem hat sich die Universität Arizona im letzten Jahr gemeinsam mit dem New Yorker StartUp Knewton angenommen. Die Uni setzt für alle mathematischen Einführungsveranstaltungen Lehrsoftware ein, die das individuelle Lernniveau und Pensum der Studenten berücksichtigt. Mit jeder Lektion lernt die Software über das Lernen ihres Benutzers und stellt so insbesondere an den Stellen zusätzliche Hilfen und Aufgaben bereit, an denen es hapert. Außerdem muss sich kein Student mehr um 8 in den Hörsaal quälen. Die Studenten können die Knewton Software nutzen wie und wann sie möchten. So können begabte Studenten ihren Schein in wenigen intensiven Lerntagen abholen und andere Studenten absolvieren die Lektionen wie gewöhnlich über ein volles Semester. Mittlerweile unterrichtet die Universität Arizona 7600 Studenten mit verhaltensbasierter Lernsoftware in drei Einführungsveranstaltungen  für Mathematik.

22 Prozent mehr Business Value durch intelligente Priorisierung

Als wir vor 3 Monaten unsere interne Organisation von Grund auf neu strukturiert haben, wussten wir noch nicht genau, wo uns SCRUM und Prozess-Management hinführen. Nun haben wir die ersten Zahlen und Bilder.

Immer Freitags sammeln wir Aufgaben für die nächste Woche, nachdem wir die Experimente vom Canvas aktualisiert haben
Immer Freitags sammeln wir Aufgaben für die nächste Woche, nachdem wir Rückschlüsse aus aktuellen Experimenten erlangt haben.

Business Value ist ein Indikator für die Wertigkeit und Wichtigkeit von Aufgaben, damit sie dem Ziel eines profitablen und erfolgreichen Unternehmens beitragen. Indem wir jeder Aufgabe einen Business Value zuordnen können wir alle Aufgaben intelligent priorisieren.

Den Business Value normalisieren wir bei der Aufgabenverteilung so, dass pro Stunde im Schnitt 12.5 Punkte vergeben werden, so dass an einem Arbeitstag im Mittel 100 Punkte abgearbeitet werden können. Dieses Vorgehen nutzen wir in allen Aufgebenfeldern auch außerhalb der Technologieentwicklung und Programmierung.

Alle Aufgaben werden mit Business Value und einer Zeitschätzung versehen. Die Aufgaben werden zuerst gemacht, die den höchsten Business Value pro Zeiteinheit liefern. Wenn es logisch nicht anders geht, sortieren wir etwas um.
Alle Aufgaben bekommen einen Business Value und eine Zeitschätzung. Die Aufgaben werden zuerst angegangen, die den höchsten Business Value pro Zeiteinheit liefern. 

Priorisierung der Aufgaben

Am wichtigsten ist das Sortieren der Aufgaben nach Business Value pro Zeitschätzung. Damit werden die Aufgaben zuerst erledigt, die zu jedem Zeitpunkt kritisch für das Maximieren des Unternehmenserfolg sind. Wenn mal eine Aufgabe wegen niedrigerer Priorität nicht geschafft wird, kann Ihre Priorität je nach Wichtigkeit bei der nächsten Aufgabenverteilung steigen, dass sie automatisch nach oben rutscht. Ist die Aufgabe hingegen weiterhin unwichtig, wird sie einfach am Boden der Prioritätsliste bleiben.

Durch diese einfache Priorisierung unserer Aufgaben erreichen wir nun im Schnitt 22 Prozent mehr Business Value pro Woche.

Anschließend zeigt unser Prozess-Management-Tool die Effizienz der Tasks. Also zum Beispiel wie gut geplant wurde und wie viel Business Value pro Zeit geschaffen wurde. Im Idealfall fällt diese Kurve monoton ab.
Anschließend zeigt unser Prozess-Management-Tool die Effizienz der Tasks. Also zum Beispiel wie gut geplant wurde und wie viel Business Value pro Zeit geschaffen wurde. Im Idealfall fällt diese Kurve monoton ab.

Was hat das mit Prozess-Management zu tun? Viele unserer Aufgaben sind wiederkehrend wie beispielsweise in der Kommunikation und dem Vertrieb.  So können wir die Bewertung nach Wichtigkeit mit dem Ausgang einer Aufgabe anreichern um unsere Prozesse kontinuierlich effizienter zu gestalten.

Produkte an Enthusiasten verkaufen – SheCommerce

Verhalten sich alle Shopbesucher gleich? – Das war die Frage, die am Montag den 01.07.2013  in den Hallen von CoreMedia beantwortet werden sollte.

Der UXRoundtable HH hat eingeladen und mit Peer-Uli May einen Fachmann aus der Praxis als Referenten gewinnen können. Aber zurück zur Eingangsfrage: Der E-Commerce hat laut bvh im vergangen Jahr 2012 erneut einen neuen Umsatzrekord in Deutschland feiern können.

Umsatz E-Commerce
Umsatzzahlen des E-Commerce 2011 vs. 2012

Die Verteilung nach Geschlechtern ist hierbei sehr unterschiedlich. Auf Seiten der Multichannel-Anbieter kaufen 66% Frauen ein. Auf den Angeboten der Pure Player, also derer, die Waren ausschließlich über das Internet vertreiben, sind es hingegen nur 42% Frauen. Als Gründe wurden unterschiedliche Phänomene genannt. Als einer der Kaufentscheidungsprozess nach Barletta:

Um Frauen besser anzusprechen und sie zu Käufern zu machen, müssen Händler genau dieser psychologische Unterscheidung Tribut zollen, indem sie die Seite anpassen. Als Beispiel für ein Angebot im Netz, das eher Frauen anspricht, hält immer wieder Pinterest her. Auch diesmal wurde es wieder ins Feld geführt und Beispiele kuratierender Shopping-Sites als Konsequenz dieser Entwicklung genannt. Als starkes Beispiel für eine Umsetzung wurde Rakuten genannt, die weg wollen vom Produktautomaten-Ansatz des E-Commerce hin zu einer befüllten, zum Stöbern einladenden Ladenzeile.

Das klassische versus Rakuten-Modell des Online-Handles

Nach Abschluss des Vortrags gab es noch eine ausführliche Diskussion über die Zukunft des E-Commerce. Als entscheidend für die zukünftige Entwicklung von E-Commerce-Angeboten wurden an das Endgerät angepasste Auftritte und die Darstellung von Emotionen genannt. Einigkeit herrschte auch darüber, dass eine individuelle Ansprache der Kunden und ein besserer Customer-Support in Zukunft entscheidend ist.


Tabelle der wichtigsten und häufigsten Online-Marketing-Maßnahmen

Wir sammeln gerade die Aktivitäten, die man rund um eine App, einen Blog oder eine Dienstleistung durchführen kann, damit man mehr Sales oder Besucher erreicht:

Tabelle der wichtigsten und häufigsten Online-Marketing-Maßnahmen bearbeiten

Mit Akanoo wird man dann diese Aktivitäten erfassen, ihren Erfolg den Kosten gegenüberstellen und dann die richtigen Maßnahmen finden können.

Das Ergebnis stellen wir bald hier vor.