Dieser Artikel gibt Ihnen Tipps, wie Sie Antworten aus einer Umfrage unter E-Commerce-Shoppern zum Rückgabeprozess analysieren können. Dabei kommen die neuesten AI-Umfrageanalysetools zum Einsatz, sodass Sie verstehen, was Ihre Kunden wirklich denken, und sofort auf ihr Feedback reagieren können.
Die richtigen Tools zur Analyse von E-Commerce-Shopper-Umfragedaten wählen
Der beste Ansatz und die beste Ausrüstung zur Analyse Ihrer Umfrage zum Rückgabeprozess hängen davon ab, welche Art von Daten Sie in Ihren Antworten haben. Es ist wichtig, Ihre Methode auf die Struktur Ihrer Umfrage abzustimmen:
Quantitative Daten: Zahlen sind hier Ihr Freund – zum Beispiel, um zu zählen, wie viele Befragte eine bestimmte Option gewählt oder einen bestimmten Net Promoter Score angegeben haben. Sie können diese Zählungen schnell mit Standardwerkzeugen wie Excel oder Google Sheets für Umfragefragen-Aufschlüsselungen durchführen und Muster schnell erkennen.
Qualitative Daten: Wenn Sie es mit offenen Antworten, detaillierten Geschichten oder vielschichtigen Folgeantworten zu tun haben, ist es praktisch unmöglich (und sehr langsam), sie alle selbst zu lesen. Hier kommt die KI ins Spiel, denn diese Antworten verdienen es, von Tools erforscht zu werden, die dafür gemacht sind, Bedeutung in großem Maßstab zu extrahieren.
Es gibt zwei Hauptansätze für die Ausrüstung im Umgang mit qualitativen Antworten:
ChatGPT oder ein ähnliches GPT-Tool für die KI-Analyse
Sie können exportierte Umfragedaten in ChatGPT einfügen und über die Ergebnisse sprechen, indem Sie nach Themen fragen oder zusammenfassen, was Ihre E-Commerce-Käufer über Rückgaben gesagt haben.
Diese Methode ist nicht ideal, besonders bei größeren Umfragen – die Vorbereitung und der Kontext sind begrenzt. Das Formatieren der Daten für GPT, das Einfügen aller Daten und der Umgang mit Kontextgrenzen können schnell mühsam werden, und Sie müssen die Analyse möglicherweise schrittweise anleiten.
All-in-One-Tool wie Specific
Specific ist eine KI-Plattform, die speziell für die konversationelle Umfrageanalyse entwickelt wurde.
Datenerhebung ist intelligenter: Wenn Sie Ihre E-Commerce-Shopper-Umfrage in Specific erstellen, stellt sie automatisch Folgefragen und macht damit die Rohdaten reichhaltiger und umsetzbarer. Erfahren Sie mehr über automatische KI-Folgefragen.
KI-gestützte Analyse ist sofortig: Sobald die Umfrageantworten vorliegen, fasst die Plattform die Antworten zusammen, findet zentrale Themen und organisiert Erkenntnisse – Sie benötigen keine Tabellenkalkulationen oder manuelles Sortieren.
Konversationelles Verständnis: Sie können mit der KI über Ihre Umfrageantworten sprechen und benutzerdefinierte Zusammenfassungen anfordern, fast wie ChatGPT, aber optimiert für Umfragedaten. Zudem können Sie verwalten, was kontextuell an die KI gesendet wird, um die Analyse fokussiert und relevant zu halten.
Wenn Sie Ihre eigene konversationelle KI-Umfrage für E-Commerce-Shopper zum Rückgabeprozess erstellen möchten, können Sie mit einem vorgefertigten Generator loslegen und die Ergebnisse an einem Ort analysieren.
Nützliche Aufforderungen zur Analyse von E-Commerce-Shopper-Umfrageantworten zum Rückgabeprozess
Intelligente Aufforderungen sind der beste Weg, um qualitative Datenhaufen in echtes Verständnis zu verwandeln. So holen Sie das Beste aus der KI-Analyse heraus (egal, ob Sie ChatGPT, ein anderes GPT oder ein eigens entwickeltes Tool wie Specific verwenden):
Kernideen prompten: Dies wirkt Wunder, um die wichtigsten Themen oder wiederkehrenden Motive in großen Returns-Prozess-Datensätzen zu extrahieren. Versuchen Sie dies:
Ihre Aufgabe ist es, Kernideen fett (4-5 Wörter pro Kernidee) + bis zu 2 Sätze lange Erklärungen zu extrahieren.
Anforderungen an die Ausgabe:
- Verzichten Sie auf unnötige Details
- Geben Sie an, wie viele Personen spezifische Kernidee erwähnt haben (verwenden Sie Zahlen, keine Wörter), am meisten erwähnte an erster Stelle
- keine Vorschläge
- keine Hinweise
Beispielausgabe:
1. **Kernidee Text:** Erklärungstext
2. **Kernidee Text:** Erklärungstext
3. **Kernidee Text:** Erklärungstext
Mehr Kontext ergibt bessere Ergebnisse. Je mehr Details Sie der KI über Ihre Umfrage und Ihre Ziele geben, desto präziser ist die Analyse. Zum Beispiel:
Hier ist der Kontext: Wir haben 250 E-Commerce-Kunden befragt, nachdem sie einen Rückgabe- oder Erstattungsprozess auf unserer Bekleidungsseite abgeschlossen hatten. Ziel ist es, Schmerzpunkte und Verbesserungsmöglichkeiten im Post-Kauf-Erlebnis herauszufinden, insbesondere in Bezug auf Rückgabegeschwindigkeit, Kommunikation und Verpackung.
Sobald Sie das erste Set von Themen oder Ideen haben, können Sie tiefer bohren:
Zur Vertiefung auffordern: „Erzählen Sie mir mehr über [z.B. Rückversand-Schmerzpunkte]“ — Dies bringt die KI dazu, mit mehr Details oder Beispielen aus Ihren Daten zu zoomen.
Auf spezifisches Thema eingehen: „Hat jemand über Verpackung gesprochen?“ — Zum Beispiel, um ein vermutetes Problem schnell zu validieren oder zu sehen, ob Ihr Rückgabeerlebnis auffällt. Fügen Sie „Zitate einfügen“ hinzu, wenn Sie wörtliches Kundenfeedback wünschen.
Für Personas auffordern: Um Ihr Publikum in Typen zu teilen: „Basierend auf den Umfrageantworten identifizieren und beschreiben Sie eine Liste von unterscheidbaren Personas – ähnlich wie „Personas“ im Produktmanagement verwendet werden. Für jede Persona fassen Sie ihre Hauptmerkmale, Motivationen, Ziele und relevante Zitate oder Muster zusammen, die in den Gesprächen beobachtet wurden.“
Für Schmerzpunkte und Herausforderungen auffordern: „Analysieren Sie die Umfrageantworten und listen Sie die häufigsten Schmerzpunkte, Frustrationen oder Herausforderungen auf, die erwähnt wurden. Fassen Sie jede zusammen und notieren Sie Muster oder Häufigkeit des Auftretens.“
Für Sentimentanalyse auffordern: „Bewerten Sie das allgemeine Sentiment, das in den Umfrageantworten ausgedrückt wird (z.B. positiv, negativ, neutral). Heben Sie wichtige Phrasen oder Feedback hervor, die zu jeder Sentimentkategorie beitragen.“
All diese Aufforderungen können in Specifics KI-gestützter Antwortanalyse verwendet oder direkt in ChatGPT eingefügt werden, wenn Sie Dinge manuell erledigen.
Wie Specific qualitative Umfragedaten nach Fragetyp analysiert
Specific ist so konzipiert, dass es die Struktur Ihrer E-Commerce-Umfrage nutzt, um Ergebnisse für Sie zu organisieren — und die Analyse variiert je nach Fragetyp:
Offene Fragen: Sie erhalten eine klare Zusammenfassung aller Antworten und aller zugehörigen Folgeantworten zum Rückgabeprozess. Hier treten tiefe Erfahrungen, Vorschläge oder Schmerzpunkte hervor — entscheidend, da Rückgaben im E-Commerce die Gewinne beeinflussen können (die durchschnittlichen Rückgaberaten im E-Commerce steigen 2024 auf 16,9 % und belaufen sich auf insgesamt 743 Milliarden USD an zurückgegebenen Verkäufen [1]).
Wahlmöglichkeiten mit Folgefragen: Jede Antwort (wie „was war Ihre Rückgabemethode?“) erhält ihre eigene Zusammenfassung aller Rückmeldungen und Erfahrungen, die mit dieser Wahl verbunden sind. Sie können sehen, wie sich Käufer, die sich für die Rückgabe im Geschäft entschieden haben, von denen unterscheiden, die Artikel zurückgesandt haben.
NPS-Fragen: Fragen zum Net Promoter Score im Rückgabeprozess werden nach den Kategorien Promoter, Passive und Detractors aufgeschlüsselt, sodass Sie sofort vergleichen können, was Loyalität fördert oder Unzufriedenheit in jeder Gruppe verurs acht. Hohe Rückgabekosten sind schmerzhaft – Rückgaben können zwischen 20 % und 65 % der ursprünglichen Kosten der verkauften Waren [4] kosten – daher ist es unerlässlich, die Ursachen zu erkennen.
Wenn Sie ChatGPT verwenden, sind diese Aufschlüsselungen möglich, aber Sie müssen mehr Vorbereitungsarbeit und Dokumentenmanagement erledigen, um dieselbe Klarheit zu erreichen.
Wie man mit KI-Kontextgrößenbeschränkungen in der Umfrageanalyse umgeht
Selbst die besten KI-Modelle haben Grenzen – es gibt nur so viele Daten, die Sie in einen einzelnen Prompt einfügen können. Für E-Commerce-Shopper-Umfragen, die Dutzende oder Hunderte von Antworten über Rückgaben enthalten, stoßen Sie wahrscheinlich auf eine Kontextsgrößenwand. Um dies zu handhaben, haben Sie zwei robuste Optionen (beide in Specific eingebaut):
Filtern: Fokussieren Sie die Analyse, indem Sie Gespräche filtern, in denen Shopper auf bestimmte Rückgabenprozessfragen geantwortet oder bestimmte Optionen gewählt haben. Dies ermöglicht es Ihnen, die KI nur zu bitten, z.B. Personen zu analysieren, die einen Artikel in den letzten 30 Tagen zurückgegeben haben oder die kostenlosen Versand genutzt haben.
Zuschneiden: Fokussieren Sie die KI nur auf ausgewählte Umfragefragen. Wenn Ihre Umfrage offene „Schmerzpunkt“-Fragen und spezifische „Rückgabegeschwindigkeit“-Skalenfragen hatte, können Sie die Daten für die KI-Analyse auf diese Themen zuschneiden, um Längenbeschränkungen zu umgehen und fokussiertere Einblicke zu erhalten.
Specific vereinfacht dies für die direkte Nutzung in der Analyse-Chat-Benutzeroberfläche, aber Sie könnten es auch manuell replizieren, indem Sie exportierte Daten für kleinere KI-Prompts in ChatGPT sortieren und segmentieren.
Kollaborative Funktionen zur Analyse von E-Commerce-Shopper-Umfrageantworten
Es ist leicht, sich in den Details zu verlieren, wenn ein Team versucht, Dutzende von Kundenantworten zum E-Commerce-Rückgabeprozess zu analysieren, insbesondere wenn Meinungen, Folgefragen und Aktionspunkte sich häufen.
Analyse durch Konversation mit KI: Auf Specific können Sie und Ihr Team Feedback einfach durch den Dialog mit der KI über Ergebnisse analysieren; Sie müssen nichts exportieren oder importieren, und der Chat bleibt kontextualisiert.
Parallele, filterbare Chats: Teammitglieder können mehrere, unabhängige Analyse-Chats eröffnen, die sich auf verschiedene Bereiche konzentrieren (wie Rückgabegeschwindigkeit, Verpackungsbeschwerden oder Betrugserkennung). Jeder Chat kann benutzerdefinierte Filter haben, und es ist leicht zu sehen, wer welchen Thread besitzt oder gestartet hat.
Eindeutige Zuordnung für Teamarbeit: Die Zusammenarbeit wird noch sauberer mit Avataren, die den Absender für jede Frage und Antwort im KI-Chat zeigen – so wissen Sie immer, wer spezifische Einblicke in Rückgabeschmerzpunkte angefordert hat und wer Folgefragen zu beispielsweise kostenlosem Versand oder Neuverpackung gestellt hat.
Diese Funktionen sind darauf zugeschnitten, Teams dabei zu helfen, schneller und mit weniger Missverständnissen zu arbeiten, sodass Verbesserungen im Rückgabeprozess – die deutliche geschäftliche Auswirkungen haben, da 92 % der Verbraucher eher erneut kaufen, wenn Rückgaben einfach sind [6] – mit Vertrauen und Unterstützung aller Beteiligten umgesetzt werden können.
Erstellen Sie jetzt Ihre E-Commerce-Shopper-Umfrage zum Rückgabeprozess
Beginnen Sie damit, Antworten auf die Fragen zu erhalten, die für Ihr Unternehmen wirklich wichtig sind. Erstellen Sie in wenigen Minuten eine Umfrage, erfassen Sie umsetzbares Kundenfeedback zu Ihrem Rückgabeprozess und nutzen Sie die KI-gestützte Analyse, um datengesteuerte Verbesserungen ohne manuellen Aufwand vorzunehmen.