In diesem Blogbeitrag geht es um die Amazon FBA (Fullfillment by Amazon) Optimierung mit Python. Genauer gesagt wird ein Webscraper entwickelt und anschließend mit den Daten der dieser liefert, eine Datenanalyse durchgeführt.
Diese Datenanalyse nutzen wir für das Consulting unseres Kunden als Basis und zur Entscheidungsfindung.
Inhalte dieser Seite
Die Ausgangssituation
Unser Kunde möchte sein Amazon FBA Geschäft auf’s nächste Level befördern. Ein Jahresumsatz von über hunderttausend Euro ist bereits 2021 erzielt worden.
Durch die Optimierung möchte der Kunde seinen Umsatz fürs Jahr 2022 verdoppeln.
Analyse des IST-Angebots des Kunden
Unser Kunde vertreibt Premium Tape in verschiedenen Versionen für Duralabel Drucker. Diese Printer werden in der Industrie für hochwertige Labelprints verwendet. Im folgenden Video kann man sich ein Bild von der Ware des Kunden machen.
Es gilt zu beachten, dass der Drucker selbst nicht verkauft wird, sondern lediglich das dafür benötigte Druckmaterial.
Informationen vom Kunden
Als Kerninformationen vom Kunden haben wir eine Produktübersicht erhalten. In dieser Produktübersicht geht der Verkaufspreis, der Listenverkaufspreis und weitere Informationen zu den Produkten hervor.
In diesem Schritt der Analyse ist uns aufgefallen, dass der Kunde für insgesamt 30 Drucker Produkte zur Verfügung hat. Es ist dementsprechend damit zu rechnen, dass die Lagergebühren zu optimieren sind.
Hochrechnungen zu einzelnen Produkten
Mit den Daten vom Kunde lassen sich Hochrechnungen mit dem Kalkulationsverfahren umsetzen. So sind wir bereits ohne die Hilfe von Python auf interessante Ergebnisse gekommen.
Kostensparpotentiale erkennen
Mit den vom Kunden erhaltenen Daten haben wir Kostensparpotentiale von mehreren Cent pro Stück aufdecken können. Durch die entsprechenden Hochrechnungen wurde ein Sparpotential von knapp zehntausend Euro jährlich erkannt.
Webscraping – Informationen zu jeder Bestellung
In diesem Part wird Python verwendet. Da die Bestellungen nicht so extrahierbar sind, wie wir sie zur weiteren Analyse brauchen, müssen wir einen Webscraper programmieren.
Leider kann man auf die Daten auch nicht über eine API zugreifen, was den Aufwand im Endeffekt enorm verkleinert hätte.
Das Amazon Seller Portal scrapen
Da das Amazon Seller Portal etwas komplizierter im Sinne vom Seitenaufbau ist und mehrere Loginschritte benötigt werden, nehmen wir Selenium zur Hilfe. Selenium ist ein automatisierter Browser.
Die ersten Vorbereitungsschritte
Alle diese Felder sind die relevanten, die man aus jeder Bestellung ziehen muss.
Aus dem Amazon Seller Portal muss der Scraper nun jede einzelne Bestellung durchgehen und relevante Daten welche im ersten Screenshot markiert sind abspeichern. Insgesamt geht er durch 1414 Bestellungen.
Die Daten werden in kompakten json-Format gespeichert womit man gut weiterarbeiten kann.
Amazon Webscraper Einblicke
Die Ergebnisse
Durch den Einsatz des individuellen Webscraper für Amazon Seller, konnten weitere interessante Einblicke gewonnen werden. Da solche Auswertungen standardmäßig nicht möglich sind, können wir nun mit den Daten weiterarbeiten.
Wie man in der Bestellübersicht sieht, sind 6 Druckertypen die Cashcows des Unternehmens.
Lagerkosten können dementsprechend optimiert werden. In Zukunft werden Bestände der Druckertypen, die weniger als 50 Bestellungen p.a. haben massiv gesenkt. Weitere Analysen folgen.
Fazit Amazon FBA Optimierung mit Python
Wie man sieht ist Python ein nützliches Werkzeug und für sämtliche Optimierungen essentiell. Für diesen Kunden haben wir es für Datenanalyse und Webscraping verwendet um anhand eigener Auswertungen wichtige Entscheidungen für das Unternehmen zu treffen.
Unsere Amazon FBA Consulting Rolle haben wir zu 100% gemeistert. Weitere Insights der Casestudy erhalten Sie von uns auf Anfrage.
Sollten Sie auf der Suche nach einer Amazon FBA Optimierung sein, zögern Sie nicht uns zu kontaktieren.
