Advertisement

Wirtschaftsinformatik & Management

, Volume 5, Issue 2, pp 48–56 | Cite as

Big Data — neue Möglichkeiten im E-Commerce

  • Gianfranco Walsh
  • Christian Koot
  • Rainer Schmidt
  • Michael Möhring
Schwerpunkt Artikel
  • 618 Downloads

Big Data steht für einen Technologiesprung, der die Verarbeitung größerer Volumina betrieblicher Daten hoher Strukturvarianz mit deutlich höherer Geschwindigkeit ermöglicht. Durch Big Data entstehen neue Chancen im E-Commerce besonders dort, wo die Auswertung von Daten bisher an Grenzen stieß. Ein Beispiel hierfür ist das Retourenmanagement, das bei schlechter Konzeption den betriebswirtschaftlichen Erfolg von E-Commerce-Aktivitäten leicht gefährden kann. Eine Vielzahl von Faktoren beeinflusst die Neigung von Kunden, eine Warenrücksendung durchzuführen. Kunden mit hoher Retourenneigung zu identifizieren und mögliche Auslöser für eine Retoure zu erkennen, sind wichtige Aufgaben im Retourenmanagment, die mithilfe von Big Data leichter zu bewältigen sind.

Das E-Commerce-Geschäft stellt für viele Unternehmen ein wichtiges wirtschaftliches Standbein dar. Dabei werden materielle und elektronische Waren sowie Dienstleistungen von Unternehmen unter Nutzung von Informationstechnologien Kunden...

Links und Literatur

  1. [1]
    Kollmann, T. (2011) E-Business: Grundlagen elektronischer Geschäftsprozesse in der Net Economy. 4. Aufl. Gabler, Wiesbaden, S. 16CrossRefGoogle Scholar
  2. [2]
    BITKOM (2013), E-Commerce — Umsatz. https://www.bitkom.org/de/markt_statistik/64038_68456.aspx (Abrufdatum: 10.02.2013)
  3. [3]
    Der Handel — Das Wirtschaftsmagazin für den Einzelhandel (2012) E-Commerce-Umsatz erstmals mehr als 20 Milliarden Euro. http://www.derhandel.de/news/technikpages/E-Commerce-E-Commerce-Umsatz-erstmals-mehr-als-20-Milliarden-Euro-8293.html (Abrufdatum: 10.02.2013)Google Scholar
  4. [4]
    Heise resale (2013) E-Commerce: 2012 erstmals 1 Billion US-Dollar Umsatz weltweit http://www.heise.de/resale/meldung/E-Commerce-2012-erstmals-1-Billion- US-Dollar-Umsatz-weltweit-1798751.html (Abrufdatum 10.02.2013)
  5. [5]
    Bughin, J., Chui, M., Manyika, M. (2010) Clouds, big data, and smart assets: Ten tech-enabled business trends to watch. in: McKinsey Quarterly, Vol. 56 (2010), S. 1–14Google Scholar
  6. [6]
    Bange, C., Grosser, T. (2012) Big Data — BI der nächsten Generation, in: Computerwoche Online, http://www.computerwoche.de/software/bi-ecm/2505617/ (Abrufdatum: 11.11.2012)
  7. [7]
    Zikopoulos, P.C., Eaton, C. (2012) Understanding Big Data: Analytics for Enterprise Class Hadoop and Streaming Data. Mcgraw-Hill ProfessionalGoogle Scholar
  8. [8]
    Schmidt, R. (2012). Social Data for Product Innovation, Marketing and Customer Relations. Workshop on Business Process Management and Social Software (BPMS2), 2012, Tallin, EstoniaGoogle Scholar
  9. [9]
    Hummeltenberg, W. (2012) Business Intelligence. in: K. Kurbel et al. (Hrsg.) Enzyklopädie der Wirtschaftsinformatik. 4. Aufl. München, 26.9.2012. 2012, Online im Internet: http://www.enzyklopaedie-der-wirtschaftsinformatik.de (Abrufdatum: 11.11.2012)
  10. [10]
    Chen, H., Chiang, R.H.L., V.C. Storey (2012) Business intelligence and analytics: From big data to big impact, in: MIS Quarterly, Vol. 36 (2012), No. 4, S. 1165–1188Google Scholar
  11. [11]
    Koot, C; Möhring, M., Schmidt, R., Rössle, M. (2013) Customer Lifetime Value mit Big Data: Neue Möglichkeiten zum systematischen Controlling von Kundenbeziehungen, in: CFO aktuell — Zeitschrift für Controlling & Finance. 7 (2013), Nr. 1; S. 13–15Google Scholar
  12. [12]
    Mell, P., Grance, T. (2009) The NIST Definition of Cloud Computing. http://csrc.nist.gov/groups/SNS/cloud-computing/ (Abrufdatum: 06.01.2011)
  13. [13]
    Plattner, H. & Zeier, A. (2011) In-memory data management: an inflection point for enterprise applications, Springer.CrossRefGoogle Scholar
  14. [14]
    SAP Deutschland AG & Co. KG (2012): In-Memory Computing, SAP HANA, Online im Internet: http://www.sap.com/germany/solutions/technology/in-memory-computing-platform/index.epx (Abrufdatum: 23.01.2013)
  15. [15]
    White, T. (2012) Hadoop — The Definitive Guide. 3. Aufl. O‘Reilly, Sebastopol (Kalifornien)Google Scholar
  16. [16]
    Dean, J., Ghemawat, S., (2008) MapReduce: Simplified data processing on large clusters. Communications of the ACM, 51(1), S. 107–113CrossRefGoogle Scholar
  17. [17]
    McAfee, A., Brynjolfsson, E. (2012) Big data: the management revolution in: Harvard business review, Vol. 90 (2012), No. 10, S. 60–68Google Scholar
  18. [18]
    Möhring, M., Schmidt, R.; Wolfrum, N., Kammerer M., Maier, S., Höritz, S. (2013) How big data transforms the IT-depratment to a strategic weapon, in: Proceedings of the IADIS International Conference Information Systems 2013, Lisbon, S. 323—326Google Scholar
  19. [19]
    Foscht, T., Swoboda, B. (2004) Käuferverhalten: Grundlagen — Perspektiven — Anwendungen, WiesbadenGoogle Scholar
  20. [20]
    BITKOM (2012), Big Data im Praxiseinsatz — Szenarien, Beispiele, Effekte, 2012, Online im Internet: http://www.bitkom.org/files/documents/BITKOM_LF_big_data_2012_online%281%29.pdf (Abrufdatum: 10.02.2013)
  21. [21]
    Wirtschaftswoche (2013) Online-Händler schlagen gegen Retouren zurück — Deutsche erliegen dem Rückschick-Wahn. Wirtschaftwoche Online. http://www.wiwo.de/unternehmen/dienstleister/online-haendler-schlagen-gegen-retouren-zurueck-deutsche-erliegen-dem-rueckschick-wahn/7589790.html (Abrufdatum: 21.01.2013)
  22. [22]
    Shulman, J. D., Coughlan, A. T., Savaskan, R. C. (2010) Optimal Reverse Channel Structure for Consumer Product Returns. Marketing Sciencen 29 (6), S. 1071–1085CrossRefGoogle Scholar
  23. [23]
    Pur S.; Stahl E., Wittmann M., Wittmann G., Weinfurter S. (2013) Retourenmanagement im Online-Handel — Das Beste daraus machen. http://www.ibi.de/files/Retourenmanagement-im-Online-Handel_-_Das-Beste-daraus-machen.pdf (Abrufdatum:11.02.2013)
  24. [24]
    Blueyonder (oj) Kundenreferenz — Wie Otto mit Blue Yonder Prognosen seine Retourenquoten senkt. http://www.blue-yonder.com/downloads/121018_success_otto_de_web.pdf (Abrufdatum: 10.02.2013)
  25. [25]
    Computerwoche (2012) Wie Otto die Retourenquote verringert. http://www.computerwoche.de/a/wie-otto-die-retourenquote-verringert,1236376 (Abrufdatum: 10.02.2013)
  26. [27]
    Bollier, D., Firestone, C.M. (2010) The promise and peril of big data, Aspen Institute, Communications and Society ProgramGoogle Scholar
  27. [26]
    Kim, J., Forsythe, S. (2008) Adoption of virtual try-on technology for online apparel shopping. Journal of interactive Marketing 22(2), 45–59CrossRefGoogle Scholar

Copyright information

© Springer Fachmedien Wiesbaden 2013

Authors and Affiliations

  • Gianfranco Walsh
    • 1
  • Christian Koot
    • 2
  • Rainer Schmidt
    • 2
  • Michael Möhring
    • 2
  1. 1.GlasgowUK
  2. 2.WiesbadenDeutschland

Personalised recommendations