Machine Learning im E-Commerce – Anwendungsfälle

Spürbar oder nicht: Maschinelles Lernen und KI-gestützte Prozesse sind heute allgegenwärtig und das wird sich auch in Zukunft nicht ändern. Im E-Commerce sind diese kaum noch wegzudenken. Wer hier nicht Schritt hält, verliert – Kunden und Umsatz. Ob Kundenwertbestimmung, Churn Prediction oder Berechnungen der Produktaffinität – Machine Learning ist der Schlüssel zu Customer Insights, durch die Unternehmen erfolgreicher sein können.

Potentiale von Machine Learning im E-Commerce

Diese sieben Beispiele zeigen Potentiale auf, die sich mit der Unterstützung von Machine Learning im E-Commerce umsetzen lassen:

Verbesserte Suche nach Produkten im Onlineshop

Der maschinelle Lernprozess sichert auf Dauer die Übereinstimmung zwischen der eigenen Vorstellung des im Suchfeld angegebenen Produktbegriffs und der tatsächlich ausgegebenen Produktvorschläge. Im Verlauf des maschinellen Lernprozesses werden die Suchergebnisse immer treffsicherer. Besonders Bilderkennung und Text-Mining tragen zur Erleichterung der Suche bei.

Recommendations, NBO, Cross- und Upselling

Produktvorschläge lassen sich mit der Unterstützung von maschinellem Lernen im Zeitverlauf und mit zunehmender Anzahl der gesammelten Daten auf den jeweiligen Kunden und seine Bedürfnisse anpassen. Durch Next Best Offers (NBO) sowie Cross- und Upselling-Produkte können Kaufanreize gesetzt werden. Erfahrungswerte zeigen, dass Newsletter mit kundenindividuellen Produktempfehlungen die aus dem Newsletter resultierenden Umsätze um etwa 11 Prozent steigern.

Personalisierung von Werbeinhalten

Im Zeitalter von Big Data hat sich kanalübergreifende Personalisierung zu einer der bedeutsamsten Marketing-Disziplinen entwickelt. Wir kennen das aus dem Alltag: Wenn wir die Aufmerksamkeit von jemandem möchten, gelingt dies am besten durch die direkte Ansprache. Noch besser funktioniert es, wenn wir die Zielperson mit Namen ansprechen. Im Marketing macht Machine Learning diese direkte und personalisierte Kundenansprache durch Kundensegmentierung und die zielgruppengerechte Ausspielung von Kampagnen möglich.

Folgende unmittelbar spürbaren Vorteile sind durch Personalisierung (as a Service) möglich:

• eine bis zu 60 Prozent höhere Conversion Rate
• ein deutlicher Anstieg des Umsatzes (z.B. durch NBO-Kampagnen)
• deutlich höhere Klickraten von Newslettern
• bessere Cross-Selling-Möglichkeiten
• Verringerung der Retourenquote

Optimierte Festsetzung von Preisen: Dynamic Pricing

Maschinelles Lernen erlaubt eine gezielte Anpassung der Preise an den Kunden, die Marktsituation und weitere branchenspezifische Faktoren. Mit dieser automatischen Optimierung können Gewinne maximiert und Wettbewerbsvorteile gesichert werden.

Verbesserung des Omni-Channel Marketings

Omni-Channel Marketing bietet potentiellen sowie bereits bestehenden Kunden ein einheitliches Markenerlebnis über verschiedene Kanäle hinweg, entlang der gesamten Customer Journey. Möglich ist dies durch Machine Learning: Durch die Speicherung vergangenheitsbezogener Daten und dem Lernen daraus, können personalisierte Inhalte automatisiert über verschiedene Kanäle hinweg ausgespielt werden.

Voraussage der zukünftigen Nachfrage & Prozessoptimierung in der Logistik

Maschinelles Lernen kann die bevorstehende Nachfrage prognostizieren und die voraussichtliche Lieferzeit optimieren. Letzteres gewährleistet dem Kunden eine exakte Information und erhöht die Zufriedenheit. Ein kostengünstiger Nebeneffekt: Auch Berechnungen von aktuellen und zukünftigen Lagerbeständen gehen auf diese Weise automatisiert und möglichst realitätsgetreu von der Hand.

Kundenservice attraktiver gestalten

Bei einer hohen Frequenz von Kundenanfragen kann maschinelles Lernen die damit zusammenhängenden menschlichen und prozessualen Aufwände enorm reduzieren. Machine Learning ermöglicht z.B. in Form von Chat-/Messenger-Bots und FAQ-Centern unmittelbar und automatisch auf Kundenanfragen zu reagieren. Durch textbasierte Analyseverfahren erkennt der Algorithmus Inhalte der Kundenkorrespondenz und weiß, welche Aktion diese erfordern.

Machine Learning im E-Commerce: Best Case der Umsetzung?

Je mehr sich der Algorithmus weiterentwickelt, desto intelligenter werden die daraus abgeleiteten Handlungen. Während die Konzeption von Kampagnen heute noch dem Menschen und seiner Kreativität vorbehalten ist, übernimmt die Marketing Automation den Rest: die Analyse des Kunden und die daraus abzuleitenden Maßnahmen.

Im E-Commerce hinterlassen Kunden ständig Daten – die oben genannten Beispiele geben daher nur einen kleinen Einblick in mögliche Anwendungsfälle. Personalisierte Produktangebote, individuelle Shopinhalte und auf die Interessen des Konsumenten angelehnte Werbebanner – Machine Learning ist längst fester Bestandteil unserer (Werbe-)Welt und wird diese auch in Zukunft maßgeblich mitgestalten.

Wie funktioniert eigentlich Machine Learning?

Machine Learning beschreibt die Idee aus Daten – ohne vorherige Programmierung – mit Hilfe von Algorithmen Wissen zu generieren. Sowohl Machine Learning als auch Deep Learning gehören zur Künstlichen Intelligenz (KI oder englisch: Artificial Intelligence, AI).

Drei verschiedene Arten von maschinellem Lernen bieten unterschiedliche Vorteile in der Marketingpraxis:

1. Unüberwachtes Lernen ermöglicht es bedeutsame Gesetzmäßigkeiten in vorhandenen Daten zu finden, bei denen noch keine Klassen vordefiniert sind. → Die praktische Anwendbarkeit lässt sich u.a. in der Visualisierung von Big Data (bzw. Dimensionsreduktion von großen Datenmengen) als auch Clusteranalyse in Form von Markt- und Kundensegmentierungen
2. Überwachtes Lernen: Basierend auf Trainingsdaten, die sowohl Eingangsparameter, wie auch das Ergebnis enthalten, wird ein statistisches Modell berechnet. Die spezifische Lernmethode ist demnach nicht vorprogrammiert. Das errechnete statistische Modell wird anschließend auf Testdaten angewendet. Dieser Vorgang liefert Erkenntnisse über die Güte des Modells. → Die praktische Anwendbarkeit lässt sich u.a. in der Churn Prediction, dem Predictive Targeting, der Umsatzvorhersage, der Nachfrageprognose und bei der Berechnung des Kundenwertes
3. Verstärkendes Lernen ermöglicht die Interaktion der Algorithmen mit der unmittelbaren Umwelt. Der Algorithmus wird auf Basis eines Trial-and-Error-Verfahrens trainiert. Dabei erhält das Modell Belohnungen für durchgeführte Aktionen. →  Die praktische Anwendbarkeit lässt sich u.a. beim autonomen Fahren, der Verkehrsteuerung und der Personalisierung von Werbeinhalten als auch Spiele-KI und Robotics finden.