Seit OpenAI im November 2022 seine eigene Form der generativen KI – ChatGPT – auf den Markt gebracht hat, wird überall auf der Welt unaufhörlich über die beeindruckenden Fähigkeiten dieser Technologie gesprochen. Besonders faszinierend ist, zu sehen, wie einfach man nach der Interaktion mit diesem Bot, der aus Deep-Learning-Algorithmen zur Verarbeitung der natürlichen Sprache besteht, Ergebnisse erhalten kann.

Selbst Google zog schnell nach und startete ein neues und experimentelles Projekt, Bard, um seine eigene Suche zu revolutionieren. Durch die Nutzung der Leistung generativer KI und der Kapazität großer Sprachmodelle versucht Google, neue Maßstäbe für seinen Suchprozess zu setzen.

Angesichts des rasanten Wachstums dieses technologischen Fortschritts in den letzten Monaten ist es an der Zeit, über generative KI im Zusammenhang mit A/B-Tests und Experimenten zu sprechen.

Ob du neugierig bist, wie sich KI auf deine Experimente auswirkt, oder ob du dich inspirieren lassen möchtest … wir werden über einige unserer Ideen zur Nutzung von KI für A/B-Tests, Personalisierung und Optimierung der Conversion Rates diskutieren.

Diese Inhalte erwarten dich in diesem Blogartikel:

Was ist generative KI?

10 generative KI-Anwendungen für A/B-Tests
1. Homepage optimieren
2. Ergebnisse der Experimente analysieren
3. Optimierungshindernisse empfehlen
4. Kundenrezensionen
5. Chatbots
6. Übersetzung
7. Google Adwords
8. Personalisierung
9. Produktbeschreibungen
10. Nutzerverhalten vorhersagen

Ist generative KI eine Quelle für Wettbewerbsvorteile bei A/B-Tests?

Fazit: Generative KI für A/B-Tests verwenden

Was ist generative KI?

Generative KI ist ein Typ der künstlichen Intelligenz, bei der die Programmierung nicht begrenzt ist, und die daher neue Inhalte generieren kann (siehe ChatGPT). Statt sich an einem bestimmten, bereits vorhandenen Datensatz zu orientieren, lernt die generative KI aus der Indizierung umfangreicher Daten, legt dabei gleichzeitig den Fokus auf Muster und nutzt Deep-Learning-Techniken sowie neuronale Netzwerke, um auf Grundlage des Erlernten wie vom Menschen gemachte Inhalte zu erstellen.

Die Art und Weise, wie Algorithmen Ideen erfassen, ähnelt der Art und Weise, wie Menschen sich von früheren Erfahrungen inspirieren lassen, um etwas Einzigartiges zu schaffen. Aufgrund der großen Datenmengen, die zum Aufbau von Lernfähigkeiten der generativen KI verwendet werden, ist sie in der Lage, ähnlich qualitativ hochwertige Antworten wie die eines Menschen zu geben.

Allerdings müssen einige Bedenken adressiert werden:

• Verzerrte Informationen: Künstliche Intelligenz ist nur so gut wie die Datensätze, mit denen KI trainiert wird. Wenn also die zum Training verwendeten Daten verzerrt sind, können „Ideen“ entwickelt werden, die ebenso verzerrt oder fehlerhaft sind.
• Verbreitung von Fehlinformationen: Es gibt viele Bedenken in puncto Ethik der generativen KI und der Weitergabe von Informationen, die direkt aus der KI stammen. Am besten sollten alle von der KI erstellten Inhalte überprüft werden, um die Verbreitung falscher oder irreführender Informationen zu vermeiden.
• Eigentum am Inhalt: Da mit KI generierte Inhalte nicht von einem Menschen erstellt werden, kannst du – ethisch gesehen – auf diese Inhalte den Anspruch stellen, es sei deine eigene Idee? In gleicher Weise könnte dieselbe Idee auch woanders mit einem ähnlichen Prompt generiert werden. Hier stellt sich die Frage von Urheberschaft und Eigentum.
• Daten und Datenschutz: Datenschutz ist immer ein wichtiges Thema. Mit den neuen Möglichkeiten der künstlichen Intelligenz wird der Umgang mit Daten noch schwieriger. Es ist immer am besten, die Verwendung sensibler Informationen mit jeder Form von generativer KI zu vermeiden.

Wenn diese Einschränkungen beachtet werden, hat generative KI das Potenzial, Prozesse zu rationalisieren und unsere Arbeitsweise zu revolutionieren – so wie es die Technologie in der Vergangenheit immer gemacht hat.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

10 generative KI-Anwendungen für A/B-Tests

In der Welt der A/B-Tests sind wir sehr daran interessiert, wie man diese technologischen Durchbrüche für Experimente nutzen kann. Wir haben ein Brainstorming zu einigen Ansätzen durchgeführt, um den Prozess der Revolutionierung digitaler Kundenerlebnisse zu überarbeiten und letztendlich Zeit und Ressourcen zu sparen.

Wie jeder andere auch, haben wir uns gefragt, wie generative KI die Welt des Experimentierens sowie unsere Kunden beeinflussen könnte. Hier einige Ideen, konkrete und abstrakte, wie künstliche Intelligenz unserer Branche helfen könnte:

DISCLAIMER: Vergewissere dich vor dem Hochladen von Daten auf eine KI-Plattform, dass du die Datenschutz- und Sicherheitspraktiken verstanden hast. KI-Modelle bemühen sich zwar um die Einhaltung von Datenschutzstandards, aber das Risiko von Datenlecks besteht immer. Schütze immer deine vertraulichen Informationen. 

1. Homepage optimieren

Deine Homepage ist wahrscheinlich das Erste, was deine Besucher sehen. Deshalb ist Optimierung der Schlüssel, um deinen Mitbewerbern einen Schritt voraus zu sein. Wenn du einen schnellen Vergleich der Inhalte deiner Homepage mit denen deiner Mitbewerber ziehen möchtest, kannst du diese Informationen in die generative KI einspeisen und ihr so die Basis für das Verständnis bieten. Sobald deine KI mit Informationen über deine Mitbewerber gefüttert wurde, kannst du eine Liste der Best Practices anfordern, um neue Tests für deine eigene Website durchzuführen.

2.  Ergebnisse der Experimente analysieren

Berichte und Analysen sind äußerst wichtig, wenn du in deiner Roadmap zum Experimentieren vorankommen möchtest. Sie sind aber auch sehr zeitintensiv. Durch das Erheben einer Zusammenfassung der Testprotokolle kann generative KI dabei helfen, wichtige Erkenntnisse hervorzuheben, deine Ergebnisse zusammenzufassen und möglicherweise sogar zukünftige Schritte vorzuschlagen. Im Idealfall kannst du sowohl deine A/B-Test-Hypothese als auch die Ergebnisse eingeben, um deinen Denkprozess und deine Organisation zu zeigen. Nachdem die KI diesen spezifischen Denkprozess und die gewünschten Ergebnisse erkannt hat, kann sie bei der Erstellung neuer Testhypothesen oder Vorschläge helfen.

3. Optimierungshindernisse empfehlen

Generative KI kann dir helfen, Prioritäten im Rahmen deiner Bemühungen zu setzen und die wichtigsten Hindernisse für deine Conversion Rate zu identifizieren. Durch das Hochladen nicht sensibler Leistungsdaten deiner Website, die du auf deinen Analyseplattformen gesammelt hast, kann KI den nötigen Einblick in deine Leistung erhalten. Ganz gleich, ob die KI dir vorschlägt, deine Title-Tags zu aktualisieren oder die Bilder auf deiner Homepage zu komprimieren, sie kann schnell erkennen, wo die größten Einbrüche zu verzeichnen sind, und dir Bereiche zur Optimierung vorschlagen.

4. Kundenrezensionen

User Feedback ist deine eigene Fundgrube für Optimierungsvorschläge. Einer der großen Vorteile der KI, die wir bereits kennen, ist, dass sie große Datenmengen schnell verstehen und zusammenfassen kann. Durch das Hochladen von Kundenrezensionen, Umfragen und anderem Kundenfeedback in die Datenbank kann die generative KI dir dabei helfen, detaillierte Zusammenfassungen der Pain Points, Vorlieben und Zufriedenheit deiner User zu erstellen. Je detaillierter deine Bewertungen sind, desto besser wird die Analyse ausfallen.

5. Chatbots

Chatbots sind ein beliebtes Mittel, um mit Website-Besuchern zu kommunizieren. Da die generative KI ein umfangreiches Sprachmodell ist, kann sie schnell Konversationsskripte, Prompts und Antworten generieren, um deine Zeit für Brainstorming zu reduzieren. Du kannst KI auch nutzen, um von deinem Chatbot bereits geführte Gespräche zu filtern und zu analysieren, und dann feststellen, ob es Lücken in der Konversation oder Verbesserungsmöglichkeiten bei der Interaktion mit Kunden gibt.

6. Übersetzung

Sprachbarrieren können eine Marke mit Niederlassungen in mehreren Regionen einschränken. Ganz gleich, ob du Übersetzungen für deine Chatbots, CTAs oder längere Texte brauchst, generative KI kann für Übersetzungen in Echtzeit sorgen und Zeit sparen, um deine Inhalte in allen von deiner Marke betroffenen Regionen zugänglich zu machen.

7. Google Adwords

Beschleunige Brainstorming-Sitzungen, indem du mit generativer KI mit verschiedenen Textvarianten experimentierst. Auf der Grundlage der von dir gegebenen Prompts kann KI eine Reihe von Ideen für zielgerichtete Keywords und für die Erstellung von Texten mit einem bestimmten Tonfall zur Verwendung mit Google Adwords liefern. Achtung: Kontrolliere unbedingt alle vorgeschlagenen Keywords, um ihre Intention zu überprüfen. 

8. Personalisierung

Personalisierter Inhalt kann mit künstlicher Intelligenz schnell skaliert werden, um Varianten derselben Botschaften zu erstellen. Wenn du Texte, Empfehlungen, Produktvorschläge und andere Botschaften auf der Grundlage früherer Nutzerinteraktionen und demografischer Daten der Verbraucher anpasst, kannst du das Engagement deiner digitalen Kunden erheblich steigern.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

9. Produktbeschreibungen

Die beste Formulierung zu finden, um zu beschreiben, warum dein Produkt es wert ist, gekauft zu werden, kann zu einer Herausforderung werden. Mit generativer KI kannst du bei deinen Produktbeschreibungen ehrgeiziger werden und verschiedene Textvarianten testen, um herauszufinden, welche Version für deine Besucher am vielversprechendsten ist.

10. Nutzerverhalten vorhersagen

Auf Grundlage historischer Daten aus dem Nutzerverhalten kann die generative KI das Verhalten vorhersagen und so dazu beitragen, dass du die nächsten A/B-Tests antizipieren kannst. Die Anpassung deiner Tests an Muster und Trends in der Interaktion der User kann dir helfen, bessere Experimente durchzuführen. Wichtig ist zu beachten, dass die Vorhersagen auf Muster beschränkt sind, die durch frühere gesammelte und hochgeladene Kundendaten interpretiert werden. Generative KI ist besser, wenn sie als Werkzeug und Hilfe bei der Entscheidungsfindung eingesetzt wird, als wenn sie die alleinige Entscheidungskraft ist.

Die umfassende Nutzung von künstlicher Intelligenz ist ein neues und sich rasant entwickelndes Thema in der Tech-Welt. Wenn du KI in Zukunft nutzen möchtest, musst du dich mit ihren Möglichkeiten vertraut machen.

Vergiss nicht, die von KI generierten Fakten und Informationen zu überprüfen, genauso wie die Daten sorgfältig zu kontrollieren, bevor du sie hochlädst. Generative KI in Verbindung mit deinen internen Experten und Teamressourcen kann zur Verbesserung der Ideenfindung und Effizienz beitragen. Die Qualität des Outputs generativer KI kann jedoch nur so gut sein wie das, was du hineinsteckst.

Ist generative KI eine Quelle für Wettbewerbsvorteile bei A/B-Tests?

Die gute Nachricht ist, dass diese Technologie für jeden zugänglich ist – von großen Branchenführern wie Google bis hin zu Start-ups mit begrenztem Budget. Die nicht ganz so gute Nachricht ist jedoch, dass sie für jeden zugänglich ist. Mit anderen Worten: Generative KI ist nicht unbedingt eine Quelle für Wettbewerbsvorteile.

Eine Technologie allein schafft noch keinen Mehrwert für ein Unternehmen. Vielmehr sind es die Menschen, die für einen Mehrwert sorgen, und die diese Technologie zusammen mit ihrem eigenen branchenspezifischen Wissen, ihren Erfahrungen, ihren Fähigkeiten zur Datenerfassung und -interpretation sowie ihrem Verständnis der Kundenbedürfnisse und -probleme einsetzen.

Wir wollen hier nicht behaupten, dass generative KI ein Ersatz für von Menschen entwickelte Ideen ist, aber diese Technologie kann definitiv dazu verwendet werden, deine bereits vorhandenen Fähigkeiten zu ergänzen und auszubauen.

Fazit: Generative KI für A/B-Tests verwenden

Ob im Bildungswesen, in der Werbung oder in der Codierung – alle Branchen beginnen, die Auswirkungen dieser neuen Softwareentwicklungen zu erkennen. Die Nutzung von „großen Sprachmodellen“ wird immer beliebter, da diese Algorithmen Ideen generieren, lange Textformen zusammenfassen, Einblicke geben und sogar in Echtzeit übersetzen können.

Richtiges Experimentieren und A/B-Testen sind das A und O, um dein Publikum anzusprechen, können aber viel Zeit und Ressourcen in Anspruch nehmen, um erfolgreich zu sein. Wenn generative KI dir Möglichkeiten bietet, Zeit zu sparen und deine Prozesse zu rationalisieren, ist es vielleicht an der Zeit sie einzusetzen, auch wenn sie eine nicht mehr ganz geheime Waffe ist. In der heutigen wettbewerbsintensiven digitalen Umgebung sollte die kontinuierliche Verbesserung deiner Online-Präsenz ganz oben auf deiner Agenda stehen.

Möchtest du mit der Optimierung deiner Website beginnen? AB Tasty ist eine erstklassige Plattform zur Optimierung der User Experience, mit der du für bessere digitale Erlebnisse sorgen kannst – und zwar schnell. Von Experimenten bis hin zur Personalisierung kann diese Lösung dir helfen, deine Zielgruppe zu aktivieren und zu engagieren, um deine Conversions zu steigern.

Der Beitrag Wie generative KI deine Experimentation Roadmap verbessern kann erschien zuerst auf abtasty.

Diese Inhalte erwarten dich in diesem Blogartikel:

Was ist im E-Commerce Stand heute bereits möglich?

Wie sieht der KI-gestützte Dialog der „Zukunft“ aus?
#1 ChatGPT
#2 Voice Search
#3 Augmented Reality
#4 Kurzvideos
#5 Live Shopping

Fazit: KI-gestützte Personalisierung als Erfolgsfaktor für den E-Commerce der Zukunft

Was ist im E-Commerce Stand heute bereits möglich?

Wenn wir zunächst einmal darauf schauen, was im E-Commerce bereits heute alles möglich ist, zeigt sich, dass ein persönlicher 1:1-Dialog dank Personalisierung schon heute auch digital umsetzbar ist. Die KI-gestützte 1:1-Personalisierung ist aus technologischer Sicht schon längst Status Quo und bei vielen Online Shops auch bereits im Einsatz, jedoch gibt es hier an einigen Stellen auch noch ungenutztes Potenzial.

Ähnlich wie im stationären Handel lernt der digitale Verkäufer aus dem 1:1-Dialog die Präferenzen des Kunden kennen. Dabei kann jede Session als 1:1-Dialog verstanden werden, der Aufschluss auf die individuellen Präferenzen gibt. Hierfür gilt es, alle Reaktionen zu verarbeiten, um den jeweiligen Kunden bestmöglich kennenzulernen.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Ohne den Einsatz von KI ist dabei insbesondere eine 1:1-Personalisierung nicht möglich. Durch den intensiven Einsatz verschiedener Machine-Learning-Verfahren gelingt es im digitalen Handel, nach dem Vorbild eines guten Fachverkäufers, gezielt auf jeden einzelnen Kunden einzugehen und dessen Bedürfnisse zu berücksichtigen. Wichtig dabei: Das Ganze muss natürlich vollständig DSGVO-konform ablaufen.

Wie sieht der KI-gestützte Dialog der „Zukunft“ aus?

Täglich lesen wir über technologische Neuerungen, die sich gefühlt in einer rasenden Geschwindigkeit verbreiten. Es lohnt sich also, einen Blick darauf zu werfen, welchen Einfluss diese Neuerungen in der Zukunft auf den Online-Dialog haben werden.

Wir sind der Meinung, dass die Online-Beratung aufgrund der vielfältigen technologischen Möglichkeiten zukünftig eine bessere Beratungsqualität liefern kann als der stationäre Handel. Um dir zu erklären, warum wir überzeugt davon sind, schauen wir mit einer visionären Sicht auf fünf technologische Entwicklungen und veranschaulichen dir, wie der digitale Dialog der Zukunft aussehen kann.

#1 ChatGPT

ChatGPT ist momentan in aller Munde. Dabei handelt es sich um einen Prototypen eines Chatbots, also eines textbasierten Dialogsystems als Benutzerschnittstelle, das auf maschinellem Lernen beruht. Die Algorithmen, die hierfür zum Einsatz kommen, heißen Generative Pretrained Transformers.

Heute schon können Nutzer mit ChatGPT in einen Dialog zu nahezu jedem erdenklichen Thema treten. Das Tool beantwortet Fragen oder schreibt Texte, die dann als Grundlage für weitere Anfragen dienen können. Dabei kommen Deep-Learning-Modelle und neuronale Netze zum Einsatz. Auch hier haben wir also die Schlagworte Dialog und maschinelles Lernen – wie auch schon bei der KI-gestützten Personalisierung. Doch was bedeutet das für die Zukunft?

E-Commerce-Zukunft

In Bezug auf KI-gestützte Personalisierung lässt sich sagen, dass diese in der Zukunft voraussichtlich anders programmiert wird. Es wird zu einem Paradigmenwechsel in Sachen Programmierung kommen. Während man heute Code schreibt, werden Entwickler in Zukunft ein System wie ChatGPT nutzen, um den Code physikalisch schreiben zu lassen.

Um dabei zum gewünschten Ergebnis zu kommen, müssen Entwickler jedoch in der Lage sein, dem Programm in der richtigen Weise zu sagen, was es programmieren soll. Hierfür braucht es Experten im Bereich Prompt Design. Prompts sind die kurzen Befehle oder Fragen, die an Systeme wie ChatGPT gesendet werden, um eine Antwort zu generieren. Die Qualität des Prompts ist dabei entscheidend für die Qualität der Antwort. Es gilt den Prompt also entsprechend zu designen, um dem Programm in einer übergeordneten, natursprachlichen Form mitzuteilen, was das Ziel ist. Hierzu wird es Spezialisten für den E-Commerce und andere Branchen geben. Elementar dabei ist langjährige Erfahrung und die Basis im Detail zu kennen.

Durch Systeme wie ChatGPT ist ein sehr persönlicher Kundendialog denkbar, der noch individueller gestaltet werden kann, als dies im stationären Handel möglich ist. Schauen wir uns hierfür ein Beispiel an:

Ein User schreibt mit einem System wie ChatGPT im Online Shop. Seine Anfrage könnte z. B. lauten: „Ich suche ein passendes Hemd zu meiner dunkelblauen Chino“. Als Antwort könnte er dann folgendes erhalten: „Halte die Hose kurz vor die Kamera. Welchen Stil soll das Hemd haben? Business oder Casual?“ Antwort des Kunden: „Casual!“ Der Chatbot antwortet daraufhin „Ich zeige dir mal eine Auswahl an Casual Hemden, die in deiner Größe verfügbar sind. Klicke auf das Hemd, das dir am besten gefällt“. Dabei werden über den Chat Empfehlungen als Link mit Bildern angezeigt. Der Nutzer kann sich die verschiedenen Produkte anschauen und entsprechend anklicken, was ihm besonders gefällt. Der Shopkunde kann hier noch tiefer ins Detail gehen und das System beispielsweise fragen: „Gibt es das Hemd auch mit Button-Down-Kragen?“ Anschließend erhält er eine neue Auswahl an passenden Artikeln.

Um diese Auswahl an Empfehlungen zu zeigen, werden KI-gestützte Personalisierungswidgets, die ja heute bereits eingesetzt werden, an das Chat-System angebunden. Support und Verkaufsberatung werden somit nicht mehr voneinander getrennt werden. Dazu werden eigene Programme speziell für diesen Zweck entwickelt werden. Das wird also der neue Verkaufsberater der Zukunft sein.

Gehen wir nun noch einen Schritt weiter.

#2 Voice Search

Sprachassistenten auf dem Telefon, in Smart-Home-Anwendungen oder im TV gibt es zwar schon lange. Die Technologien haben sich über die Jahre aber immer weiter verbessert. Die User Experience wurde so für Konsumenten immer komfortabler, so dass sie sich in Sachen Informationsgewinnung an die Voice Search gewöhnt haben. Auf diese Weise hat die Voice Search auch in den E-Commerce Einzug gehalten. Und dieser Trend wird die E-Commerce-Landschaft nachhaltig prägen.

Denn Online-Händler müssen sich des veränderten Suchverhaltens bewusst werden, damit sie diesem bei künftigen Verkäufen gerecht werden können. In den kommenden Jahren werden sich immer mehr Nutzer mit dieser Technologie anfreunden und daran gewöhnen, Produkte per Voice Search zu shoppen. Produkte über Smart Speaker zu bestellen, wird Verbrauchern ein schnelleres, barrierefreies und komfortables Einkaufserlebnis ermöglichen.

Noch arbeitet die Technologie nicht perfekt: Faktoren wie beispielsweise Sprachen, Akzente oder kulturell unterschiedliches Nutzungsverhalten lassen das Ganze zu einer komplexen Herausforderung werden. Doch schon in diesem frühen Stadium ist absehbar, dass Voice Search in den nächsten Jahren zum Standard wird. Wer als E-Commerce-Händler seinen Kunden das Shoppingerlebnis nicht unnötig erschweren möchte, muss die Sprachtechnologie in seinen Auftritt integrieren.

E-Commerce-Zukunft

Schauen wir uns auch hier ein Beispiel an, wie das Ganze dann in der Zukunft aussehen könnte:

Eine Kundin teilt dem System per Spracheingabe mit, dass sie eine passende Bluse zu ihrer Hose sucht. Auch hier wird sie aufgefordert, die Hose kurz vor die Kamera zu halten. Zudem wird sie vom System gefragt, welchen Stil die Bluse haben soll. Nachdem die Kundin den gewünschten Stil, nämlich gemustert, geäußert hat, erhält auch sie eine Auswahl an passenden Produkten in ihrer Größe. Diese werden auch in diesem Beispiel als Empfehlungen auf dem Screen eingeblendet, sodass die Kundin sich die vorgeschlagenen Produkte direkt anschauen und darauf reagieren kann. Die Kundin kann das System nun wissen lassen, welche Blusen ihr gefallen und welche Eigenschaften sie sich noch im Detail vorstellt.

Online Shopper werden also nicht mehr mit einem Chat-System schreiben müssen, sondern können einfach die Voice-Search-Funktion nutzen, um die gewünschten Eingaben zu machen. Das vereinfacht die Usability nochmal enorm und der E-Commerce kommt dem persönlichen Verkaufsgespräch noch ein Stück näher. D. h. der Kunde spricht quasi direkt mit dem System, wie mit einem Verkäufer im stationären Handel.

Gehen wir aber nochmal einen Schritt weiter.

#3 Augmented Reality

Nehmen wir nun noch eine visuelle Schnittstelle sowie zusätzliche Technologien, wie z. B. das Rendern künstlicher Bilder in Echtzeit dazu, erhalten wir einen noch personalisierteren und gezielteren Kundendialog im Online Shop.

E-Commerce-Zukunft

Denkbar ist hier, dass Kunden im Dialog nicht nur mitteilen, was sie gerne haben wollen, sondern dass sie sich die passenden Optionen auch direkt visuell anschauen können. Indem sie eine VR-Brille anschließen, könnten sie z. B. auf der Suche nach einer Couch im Handumdrehen ein oder mehrere stilistisch passende Sofas in die Lücke im eigenen Wohnraum projizieren lassen. Somit wird das eigene Wohnzimmer zum Verkaufsraum. In der Zukunft kann das Ganze sogar noch einen Schritt weiter gehen:

Der Nutzer kann per Voice Search ganz einfach weitere Anweisungen geben wie beispielsweise „Kannst du mal das Schlafsofa aufklappen?“ Eine mögliche Antwort des Systems kann dann lauten: „Ich kann das Sofa nicht aufklappen, ein Tisch steht im Weg. Soll ich den Tisch ausblenden?“

Indem das System die Person und deren Umgebung sieht, kann es ausgehend vom Erscheinungsbild passende Empfehlungen abgeben. Diese können dabei ganz unterschiedliche Anwendungsfälle abdecken: Ob Möbel passend zur restlichen Einrichtung eines Zimmers, passende Accessoires zu einem Kleidungsstück oder Zubehör zu einem Gerät, das der Nutzer in die Kamera hält – es gibt zahlreiche Möglichkeiten. Auch Empfehlungen abgestimmt auf den eigenen Hautton, die Figur und den Style eines Kunden sind möglich.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Hier kommt nun auch Personalisierung noch einmal deutlicher ins Spiel. Denn der „digitale Verkäufer“ kennt den Kunden, seine bisherigen Einkäufe und persönlichen Vorlieben, sodass er passend dazu Vorschläge machen kann, ohne aufdringlich zu sein.

#4 Kurzvideos

Doch nicht nur im Bereich der Beratung wird sich einiges ändern, auch im Hinblick auf Inspiration sind Entwicklungen zu erwarten. Kurzvideos mit Shopping-Empfehlungen sieht man inzwischen auf allen möglichen Plattformen. Der Vorreiter hierfür ist natürlich TikTok, doch auch in anderen sozialen Medien sind diese Formate kaum mehr wegzudenken. Auch YouTube hat TikTok ähnliche Funktionen und sogar Facebook zeigt Kurzvideos zu Outfits und Ähnlichem.

E-Commerce-Zukunft

Auch hier ist in Zukunft einiges denkbar. So können sich die KI-gestützten Empfehlungen verändern – je nach persönlichem Profil des Kunden wird das Kurzvideo in Echtzeit erzeugt und gerendert. D. h. im Shop werden in einem ersten Schritt pregenerierte Videos angezeigt. Hierfür werden einzelne Sequenzen des Videos aus vorgefertigten Video-Schnipseln als Empfehlung zusammengesetzt. Die zweite Stufe wäre dann die komplette Generierung des Videos: Der Kunde sieht sich selbst, wie er mit dem Outfit aussieht. Empfehlungen werden also nicht nur in Form von Widgets im Shop angezeigt, sondern können auch als Kurzvideos eingeblendet werden.

So spannend und cool das vielleicht klingen mag, hat die Sache aber auch Nachteile: Das Ganze ist extrem ressourcenintensiv (Stichwort Rechnerressourcen). Betrachtet man z. B. ChatGPT zeigt sich, dass 50 Anfragen ca. 1 L Wasser kosten.¹ Auch der CO2-Abdruck ist negativ, es wird viel Rechenleistung benötigt und die Kosten sind derzeit noch hoch. Außerdem muss man Subservices einbinden, die ebenfalls Geld kosten. Doch es entsteht schon jetzt ein neuer Markt für Render-Services, diese Unternehmen werden aus dem Boden sprießen.

Gehen wir auch hier noch einen Schritt weiter!

#5 Live Shopping

Auch das Live Shopping, als Trend der letzten Jahre, kann bzw. wird sich massiv verändern – nämlich dann, wenn jeder Influencer auf jeden einzelnen Kunden eingehen kann. Aber wie soll das gehen?

Influencer stellen heute einer Gruppe an Kunden bestimmte Produkte vor, welche über einen Link direkt geshoppt werden können. Man könnte es somit als das moderne Home Shopping TV bezeichnen.

Das Forbes Magazine bezifferte die globalen Umsätze dieser neuen Industrie bereits 2019 auf 60 Milliarden US-Dollar pro Jahr, wobei sich Transaktionen im Wert von weniger als einer Milliarde US-Dollar allein auf dem amerikanischen Markt abspielten.²

E-Commerce-Zukunft

Werfen wir auch hier einen Blick in die Zukunft: Denkbar ist, dass der Influencer durch das System in Echtzeit „generiert“ werden kann. Influencer werden somit zum Avatar und das Publikum merkt dabei nicht, dass es sich nicht um eine reale Person handelt. Dem Ganzen muss der Influencer natürlich zustimmen.

Mithilfe dieser Technologie könnten parallel verschiedene Live-Shopping-Videos gezeigt werden. Die Influencer arbeiten somit nicht mehr selbst, ihre Avatare werden speziell trainierte Systeme sein, die den Influencer vollständig simulieren können. Die Live-Shopping-Videos können dadurch individuell auf den einzelnen Kunden abgestimmt werden, sodass sich dieser persönlich vom Influencer beraten fühlt, der quasi 1:1 auf ihn eingeht. Wir befinden uns hier jedoch noch ganz am Anfang des Wandels.

Schon jetzt sollten E-Commerce-Manager bei ihrem Live-Video-Angebot darauf achten, bestimmte Videos nur an Kunden zu empfehlen, die sich nach dem Klick- und Kaufverhalten auch für das jeweilige Produkt oder Thema interessieren.

Fazit: KI-gestützte Personalisierung als Erfolgsfaktor für den E-Commerce der Zukunft

Mit einer 1:1-Personalisierung kommen wir der Qualität einer persönlichen Beratung und Inspiration im stationären Handel immer näher. Bereits heute ist dank KI-gestützter Personalisierung auch digital ein persönlicher Dialog möglich. In Verbindung mit neuen Technologien wie ChatGPT, Voice Search, Augmented Reality, Kurzvideos oder Live Shopping erreicht der Kundendialog in der Zukunft jedoch noch mal eine ganz andere, neue Dimension. Die Online-Beratung kann die Qualität der Beratung und Inspiration des stationären Handels damit sogar übertreffen! Der stationäre Handel muss sich also etwas überlegen, um Kunden in den Store zu bekommen, sie optimal zu beraten und sie zu unterhalten, um mit dem E-Commerce der Zukunft Schritt zu halten.

Quellen: ¹ t3n, ² Forbes

Du möchtest mehr zum Thema Personalisierung im E-Commerce erfahren?

Dann lade dir jetzt das passende E-Book herunter!

Der Beitrag E-Commerce der Zukunft: Welchen Einfluss KI-gestützte Personalisierung nehmen wird erschien zuerst auf abtasty.

 

Diese Inhalte erwarten dich in diesem Blogartikel:

Was sind Cookies?

Alternative zu Cookies: Die Web Storage API
Local Storage: dauerhafte Speicherung von Daten
Session Storage: sitzungsbezogene, temporäre Speicherung

Cookies vs. Session Storage vs. Local Storage: Das sind die Unterschiede

Local Storage vs. Cookies: Welche Variante eignet sich wann?

Local Storage vs. Cookies: Was DSGVO & TTDSG dazu sagen

Fazit: Local Storage vs. Cookies – nutze ihr Potenzial voll aus

Häufige Fragen zu Local Storage vs. Cookies

 

Was sind Cookies?

Bei Cookies handelt es sich um kleine Datenpakete, die Computerprogramme untereinander austauschen. Dazu legt etwa ein besuchter Online Shop auf dem Rechner der Kunden eine Datei ab, in der für die Nutzung der Website benötigte Informationen gespeichert werden, beispielsweise Log-in-Daten oder die Artikel im Warenkorb. Bei jedem https-Request (z. B. Anfrage des Browsers an den Webserver) werden die Inhalte des Cookies an den Server übertragen.

Ein Cookie speichert verschiedene, unter anderem personenbezogene Daten, beispielsweise:

• eine eindeutige Nummerierung des Cookies
• individuelle Einstellungen (z. B. gewählte Sprache, Einstufung als B2B- oder B2C-Kunde)
• Anzahl der Besuche der Website
• eingegebene Daten (z. B. Name, E-Mail-Adresse)

Cookies helfen, den Aufenthalt im Online Shop angenehmer zu gestalten: So bleibt etwa der bereits angelegte Warenkorb erhalten, wenn die Kunden die Seite zwischendurch versehentlich schließen oder die Seite in einem zusätzlichen Browser-Tab ein zweites Mal laden. Cookies sind zudem die Basis für die Nutzung von Big Data im E-Commerce.

Hinweis: Bei AP Tasty werden für die Personalisierung grundsätzlich immer pseudonymisierte Daten genutzt, um den Datenschutz hinsichtlich Cookies sicherzustellen. So werden bspw. Daten wie das Klick- und Kaufverhalten pseudonymisiert erfasst, sodass personenbezogene Daten nicht mehr einer spezifischen betroffenen Person zugeordnet werden können. Das heißt, die Daten, die einer Person zuordenbar sind, werden für die Personalisierung nicht genutzt.

 

---

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

---

 

Die Vorteile von Cookies im Überblick:

• je nach Browser und Version circa 150 bis 180 Cookies pro Domain speicherbar
• automatischer Versand der Inhalte an den Server bei jedem https-Request
• Auslagerung von Daten, die nicht unbedingt auf dem Server vorgehalten werden müssen

Alternative zu Cookies: Die Web Storage API

Die Web Storage API enthält Objekte, die die von einer Website benötigten Daten für die Optimierung des Nutzererlebnisses im Browser zwischenspeichern. So kann der Server direkt darauf zugreifen. In der Folge ist es nicht erforderlich, mit jedem https-Request die Daten zu übermitteln. Je nach Browser bietet die Web Storage API rund 5 bis 10 Megabyte Speicherkapazität.

Die Vorteile der Web Storage API im Überblick:

• größere Speicherkapazität als Cookies
• kein Ablaufdatum der Datenspeicherung (Löschung ist nicht einfach möglich)
• optimal für schnelle Abfragen
• besonders einfach zu implementieren
• von allen gängigen Browsern unterstützt
• Einsatz im Offline-Modus möglich

Die Web Storage API unterscheidet zwei Objekte: Session Storage und Local Storage, die vor allem im Hinblick auf ihre Gültigkeitsdauer variieren.

Local Storage: dauerhafte Speicherung von Daten

Im Local Storage des Browsers gespeicherte Daten besitzen grundsätzlich kein Ablaufdatum. Dies bedeutet: Schließen Kunden den geöffneten Tab ihres Browsers oder die gesamte Software, bleiben die Daten weiterhin erhalten. So „merkt“ sich eine Website beispielsweise dauerhaft, welche Spracheinstellung Besucher vorgenommen haben. Die Daten im Local Storage sind unabhängig vom aktuellen Browser-Tab verfügbar, also auch, wenn der Nutzer den Online Shop in mehreren Tabs öffnet.

Session Storage: sitzungsbezogene, temporäre Speicherung

Im Session Storage gespeicherte Daten stehen lediglich für die Dauer der aktuellen Sitzung zur Verfügung. Wird der Tab oder der Browser geschlossen, löscht sich der Speicher automatisch. Dies empfiehlt sich etwa für Log-in-Daten, die nicht dauerhaft gespeichert werden sollen.

Cookies vs. Session Storage vs. Local Storage: Das sind die Unterschiede

Der direkte Vergleich zwischen Cookies, Session Storage und Local Storage bringt einige Unterschiede hervor:

• Dateigröße: Cookies können maximal 4.096 Bytes groß sein, während Local Storage und Session Storage jeweils rund 5 Megabyte, je nach Browser sogar 10 Megabyte aufnehmen können.
• Performance: Grundsätzlich eignen sich Local und Session Storage für schnelle Abfragen besser als Cookies. Je mehr komplexe Daten der Speicher jedoch enthält, desto geringer ist die Performance bei Abfragen.
• Aufwand: Der Aufwand für die Implementierung ist bei Local Storage und Session Storage deutlich geringer als bei Cookies. Dies hängt mit dem komplexen Aufbau von Cookies zusammen, die eine Art von Datenbank darstellen.
• Übermittlung der Daten: Im Local und im Session Storage werden Daten im Browser gespeichert. Der Server greift direkt auf diese lokal gespeicherten Daten zu. Eine Übermittlung erfolgt nicht automatisch, sondern muss implementiert werden. Cookies liegen ebenfalls lokal auf dem Rechner des Website-Besuchers. Allerdings werden die Daten bei jedem Seitenaufruf neu an den Server gesendet.
• Speicherdauer: Daten, die im Session Storage gespeichert werden, werden beim Schließen des Tabs/Browsers gelöscht. Cookies sind zwar mit einem Ablaufdatum versehen, eine dauerhafte Speicherung ist aber durch das Setzen eines entsprechend späten Termins möglich. Der Local Storage dagegen bleibt stets erhalten, bis er vom User gelöscht wird. Zudem gibt es Session Cookies, die wie der Session Storage automatisch nach Ende der Sitzung gelöscht werden.

 

---

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

---

Local Storage vs. Cookies: Welche Variante eignet sich wann?

Ob du Session Storage, Local Storage oder Cookies für die Nutzung deiner E-Commerce-Technologien den Vorrang gibst, hängt davon ab, was du wie speichern möchtest. Die folgenden Best Practices zeigen den jeweils passenden Einsatz:

• Benötigst du einen größeren Speicherplatz, nutzt du am besten Local Storage. Bei geringeren Datenmengen eignen sich beide Varianten.
• Sollen die gespeicherten Daten nicht ablaufen, ist ebenfalls der Local Storage die erste Wahl. Für eine sitzungsbezogene Ablauffrist bieten sich Session Cookies ebenso wie der Session Storage an.

Local Storage vs. Cookies: Was DSGVO & TTDSG dazu sagen

Im Hinblick auf die DSGVO ist der Local Storage den Cookies vorzuziehen. Der Grund dafür ist einfach: Die in Cookies gespeicherten Daten werden bei jedem Request an den Server gesendet. Somit verlassen personenbezogene Informationen den Rechner der Kunden. Bei Local und Session Storage bleiben die Informationen lokal auf dem Rechner gespeichert. Es werden keine personenbezogenen Daten übermittelt, sondern diese direkt im Browser verarbeitet.

Wer sich mit KI und Datenschutz beschäftigt, weiß, dass die Besucher eines Online Shops aktiv in die Verarbeitung ihrer personenbezogenen Daten einwilligen müssen. Das regelt die DSGVO in Verbindung mit einem Urteil des Europäischen Gerichtshofs (EuGH) vom 1. Oktober 2019.¹ Infolgedessen musst du ein Cookie-Banner setzen und die Erlaubnis deiner Kunden einholen, ehe du Cookies setzt.

Neben der DSGVO mischt aber inzwischen auch das im Dezember 2021 in Kraft getretene „Gesetz über den Datenschutz und den Schutz der Privatsphäre in der Telekommunikation und bei Telemedien“ (TTDSG) mit. § 25 Abs. 1 TTDSG konkretisiert, dass die Pflicht zur Einholung der Erlaubnis nicht nur Cookies betrifft. Vielen Betreibern ist noch nicht klar, dass sie auch für die Nutzung des Local und Session Storage das Einverständnis der Besucher benötigen.²

Fazit: Local Storage vs. Cookies – nutze ihr Potenzial voll aus

Der Vergleich zwischen Local Storage und Cookies zeigt, dass beide Varianten ihre Stärken und Schwächen haben. Entscheide dich deshalb bewusst je nach Einsatzzweck und nutze ihre Vorteile voll aus. Das eine muss das andere übrigens nicht ausschließen: Je nach Bedarf kannst du problemlos beide Möglichkeiten miteinander kombinieren.

Quellen: ¹ WBS Law, ² Cortina Consult

 

Häufige Fragen zu Local Storage vs. Cookies

Was sind Cookies?

Bei Cookies handelt es sich um Datenpakete, die zwischen Server und Client ausgetauscht werden. Sie speichern etwa persönliche Einstellungen oder den Inhalt eines Warenkorbs lokal auf dem Rechner der Kunden.

Wie unterscheiden sich Local Storage und Session Storage?

Beide sind Teil der Web Storage API und stellen eine Alternative zu Cookies dar. Sie unterscheiden sich durch die Dauer der Speicherung: Der Session Storage wird nach Ende einer Sitzung gelöscht, die Daten im Local Storage bleiben dauerhaft erhalten.

Welche Vorteile haben Cookies?

Cookies senden die enthaltenen Daten automatisch bei jedem Request an den Server. Dafür benötigen sie allerdings mehr Traffic.

Welche Vorteile hat die Web Storage API?

Im Vergleich zu Cookies bieten Local Storage und Session Storage eine größere Speicherkapazität und sind besonders einfach zu implementieren. Außerdem benötigen sie weniger Netzwerktraffic.

Sind Cookies und Local Storage sicher?

Da der Local Storage keine Daten an den Server übermittelt, gilt er verglichen mit Cookies als sicherer. Für beide Varianten ist jedoch nach DSGVO und TTDSG die Erlaubnis der User für die Erhebung und Verarbeitung von personenbezogenen Informationen erforderlich.

 

Du möchtest wissen, wie du eine KI-basierte Wissensbasis erstellen kannst?

Sieh dir unsere Webinar-Aufzeichnung zum Thema an.

Der Beitrag Local Storage vs. Cookies: Die wichtigsten Unterschiede auf einen Blick erschien zuerst auf abtasty.

Diese Inhalte erwarten dich in diesem Blogartikel:

Relevante Empfehlungen durch Personalisierung
Personalisierung erfordert Dialog
Dialog-basierte KI
Verschiedene Möglichkeiten des Dialogs

Klassische Empfehlungssysteme (statisch)
Kollaborative Empfehlungssysteme
Inhaltsbasierte Empfehlungssysteme

Kontextsensitive Empfehlungssysteme (dynamisch)
Multiple Empfehlungskontexte
Einzelne Empfehlungskontexte

Hybride Empfehlungssysteme

Auswahl des richtigen Empfehlungssystems
Empfehlungsstrategie und Personalisierungsart sind kontextabhängig
Expertenwissen als Voraussetzung

Fazit: Gezielte Kombination verschiedener Empfehlungssysteme

Relevante Empfehlungen durch Personalisierung

Empfehlungen erreichen dann eine hohe Aufmerksamkeit und Wirkung, wenn sie für den Kunden, der diese sieht, relevant sind. Diese Relevanz erreichst du, indem die präsentierten Empfehlungen die jeweiligen Präferenzen deiner Kunden individuell berücksichtigen – also mithilfe von Personalisierung. Dabei ist zu beachten, dass die Personalisierungsart, je nach genutztem Empfehlungssystem und verwendeter Empfehlungsstrategie variiert.

Personalisierung erfordert Dialog

Personalisierung ist ein sehr vielschichtiger Begriff und kann an verschiedenen Touchpoints eingesetzt und mithilfe unterschiedlicher Systeme realisiert werden. In diesem Blogartikel betrachten wir die Personalisierung in Form von relevanten Empfehlungen über Empfehlungssysteme.

Personalisierung bedeutet, dem Shopkunden Ergebnisse (in unserem Fall Produktempfehlungen) zu präsentieren, die seinen Wünschen und Vorstellungen möglichst nahekommen. Hierfür benötigt man zunächst Daten zum Klick- und Kaufverhalten des Nutzers. Diese Daten können über einen Dialog mit dem Shopkunden erfasst werden, der durch die Interaktionen des Nutzers im Online Shop zustande kommt.

Die Daten des Klick- und Kaufverhaltens der Shopkunden fließen gemeinsam mit den Produktdaten und dem Expertenwissen in einer Wissensbasis zusammen. In dieser werden alle Daten mittels Verfahren künstlicher Intelligenz verarbeitet und ausgewertet. Somit können die Daten (Klick- und Kaufverhalten etc.) mithilfe von zielgerichteten Analysen von Experten (Data Mining) zunächst zu Informationen und mithilfe von Algorithmen (Reinforcement Learning) schließlich zu Wissen verarbeitet werden. Dieses Wissen wird letztendlich genutzt, um dem Shopkunden relevante Empfehlungen auszuspielen.

Dialog-basierte KI

Um dem Kunden die gewünschten Ergebnisse zu liefern, muss ein Algorithmus also erst einmal in der Lage sein, herauszufinden, was der Shopkunde beabsichtigt. Wir benutzen für solche Verfahren den Begriff Dialog-basierte KI. Dabei spielt die sogenannte Response Engine, die über Sensoren das Klick- und Kaufverhalten der Shopkunden erfasst und analysiert eine entscheidende Rolle. Sie übernimmt die Aufgabe, aus dem Dialog mit einem Kunden im Online Shop sein Ziel und seine Interessen herauszuarbeiten.

Verschiedene Möglichkeiten des Dialogs

Es gibt viele Möglichkeiten, einen solchen Dialog zu führen.

Wir unterscheiden u. a. Dialog in Form von

• Reaktionen: Während sich ein Shopkunde durch einen Online Shop bewegt, kann es zu zahlreichen Reaktionen kommen. Anhand der Reaktionen eines Nutzers auf präsentierten Content (z. B. Klicks, Produktauswahl, Käufe) kannst du herausfinden, was er will. Im nächsten Schritt kann der zu präsentierende Content an den jeweiligen Kunden entsprechend angepasst werden.

• Sprache: Wir denken bei „Dialog“ natürlich sofort an Sprache. Aber ein auf Sprache basierter Dialog zwischen Mensch und Maschine hat auch seine Tücken, wie vielleicht jeder „Alexa“-Nutzer aus eigener Erfahrung weiß. Sprachlicher Input von einem Shopkunden kommt beispielsweise durch die Eingabe von Suchbegriffen zustande. Somit kann man den Dialog in Form von Sprache für ein personalisiertes Suchsystem nutzen. Dabei kann eine Produktsuche als personalisiertes Suchsystem begriffen werden, das von sprachlichem Input getriggert wird.

Im Folgenden konzentrieren wir uns v. a. auf die Reaktionen der Shopkunden, die für das Generieren relevanter Empfehlungen von großer Bedeutung sind.

Es stellt sich nun die Frage: Wie können Shopbetreiber den Dialog mit ihren Kunden nutzen, um passende Empfehlungen im Online Shop auszuspielen? Hierfür können verschiedene Empfehlungssysteme eingesetzt werden. Auf einige gehen wir im Folgenden näher ein.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Klassische Empfehlungssysteme (statisch)

Um Empfehlungen zu generieren ist ein Empfehlungssystem erforderlich. Im E-Commerce unterscheidet man verschiedene Empfehlungssysteme. Diese werden vor allem danach unterschieden, welche Verfahren und Datengrundlage sie zur Bestimmung der Empfehlungsmenge nutzen. So gibt es beispielsweise die beiden klassischen Varianten: das inhaltsbasierte und das kollaborative System. Darüber hinaus können Empfehlungssysteme auch weitere Aspekte mit einbeziehen wie z. B. demografische Daten, den zeitlichen Verlauf oder den Kontext. Wir betrachten zunächst die beiden „klassischen“ Empfehlungssysteme.

Kollaborative Empfehlungssysteme

Das kollaborative Empfehlungssystem bezieht sich auf Shopkunden mit einem ähnlichen Klick- und Kaufverhalten. Das bedeutet, dass dieses System das Klick- und Kaufverhalten verschiedener Kunden auf Ähnlichkeit analysiert und auf Basis dessen passende Empfehlungen berechnet. Für Empfehlungen, die über ein System dieser Art generiert werden, ist z. B. eine Überschrift im Stil von „Kunden, die sich für dieses Produkt interessiert haben, haben sich auch für folgende Produkte interessiert“ denkbar. Zeigen Shopkunden mit einem ähnlichen Verhalten beispielsweise ein großes Interesse an einem bestimmten Produkt, wird dieses vom System weiterempfohlen. Algorithmen, die Produktlisten gemäß dieses Ansatzes liefern, nennt man auch Collaborative Filtering Algorithmen.

Dieses Verfahren, das unter anderem von Amazon genutzt wird, ist das Verfahren der Wahl, wenn bezüglich eines Kunden wenig oder keine Personalisierungsinformation vorhanden oder der Produktkatalog eher spärlich mit Produkteigenschaften angereichert ist. Collaborative Filtering ist auch heute in modifizierter Form einer der Grundpfeiler von personalisierten Empfehlungskontexten.

Vorteil

Der Vorteil dieses Empfehlungssystems besteht darin, dass die Beziehungen zwischen Nutzern und Artikeln aufgedeckt werden können, die nicht explizit aus den Produkteigenschaften hervorgehen. Außerdem kannst du dem Shopkunden mithilfe von Collaborative Filtering auch Produkte anzeigen, die von seiner bisherigen Präferenz abweichen, aber ebenfalls für ihn interessant sein könnten. Dadurch kannst du also einen Überraschungseffekt kreieren.

Nachteil

Ein Nachteil des kollaborativen Empfehlungssystems ist jedoch das sogenannte „Kaltstartproblem“, das vor allem bei neuen Nutzern und Produkten auftritt. Für Empfehlungssysteme dieser Art ist es erforderlich, dass eine Menge an Shopkunden mit ihrem jeweiligen Klick- und Kaufverhalten vorhanden ist. Mangelt es jedoch an Reaktionen bezüglich neuer Kunden oder Produkte, lassen sich nur schwer ähnliche Objekte finden.

Inhaltsbasierte Empfehlungssysteme

Das inhaltsbasierte Empfehlungssystem arbeitet nicht auf Basis von Benutzern mit ähnlichem Klick- und Kaufverhalten, sondern nutzt Ähnlichkeiten zwischen Produkten als Grundlage. Hierfür spielt neben den Produktattributen auch das Klick- und Kaufverhalten des einzelnen Shopkunden eine entscheidende Rolle. Inhaltsbasierte Empfehlungssysteme empfehlen also Artikel, die eine Ähnlichkeit zu Produkten haben, mit denen ein Shopkunde bereits interagiert (die er z. B. angesehen, gekauft oder nach denen er gesucht) hat. Um Empfehlungen dieser Art zu berechnen, ist eine Inhaltsanalyse erforderlich, um die Ähnlichkeit zwischen Objekten bestimmen zu können. Eine mögliche Überschrift für Empfehlungen dieser Art könnte beispielsweise lauten: „Ähnliche Produkte von deiner Lieblingsmarke“.

Vorteil

Das inhaltsbasierte Empfehlungssystem hat sowohl Vor- als auch Nachteile aufzuweisen. Ein wesentlicher Vorteil im Vergleich zu kollaborativen Empfehlungssystemen besteht beispielsweise darin, dass inhaltsbasierte Empfehlungssysteme auch Artikel empfehlen können, für die bisher noch keine Klicks oder Käufe vorliegen. Dies wirkt dem sogenannten „Kaltstartproblem“ entgegen, das vor allem bei neuen Produkten auftritt.

Nachteil

Als Nachteil dieses Empfehlungssystems kann man eine Überspezialisierung aufführen. Überraschende Artikel bleiben aus, wenn die Produktempfehlungen nur auf den Präferenzen des einzelnen Kunden beruhen.

Erinnern wir uns noch mal zurück an das genannte Beispiel „Ähnliche Produkte von deiner Lieblingsmarke“, zeigt sich ein weiteres Problem dieser Empfehlungssysteme. Denn möglicherweise möchte der Kunde lieber Produkte sehen, die seine Lieblingsfarbe haben. Hier wird deutlich, dass ein weiterer Aspekt nicht zu vernachlässigen ist: Der Kontext. Man müsste einem Kunden also eigentlich eine Vielzahl von Empfehlungen in einer Vielzahl von Empfehlungskontexten präsentieren und hoffen, dass der ein oder andere Empfehlungskontext das Interesse des Kunden weckt.

Kontextsensitive Empfehlungssysteme (dynamisch)

Die Entwicklung bezüglich Personalisierung zeigt, dass es nicht nur dahin geht, dem Shopkunden den gewünschten Content auszuspielen. Nutzer erwarten zunehmend, Inhalte präsentiert im „richtigen“, d. h. dem von ihnen erwarteten Kontext. Dies stellt eine Herausforderung an Personalisierungsservices dar.

Um Kunden nun relevante Empfehlungen im richtigen Empfehlungskontext präsentieren zu können, sind neben statischen Informationen (wie z. B. Artikelähnlichkeiten) auch dynamische Informationen erforderlich, da sich Kontexte dynamisch verändern. Sogenannte kontextsensitive Empfehlungssysteme verarbeiten diese Informationen. Der Kontext ist dabei ein weiterer Input für das Empfehlungssystem, der vermittelt, was der Kunde gerade macht und wo ihm Empfehlungen angezeigt werden. Die dynamischen kontextsensitiven Informationen sowie deren Zusammenhänge steigern die Qualität der Empfehlungen maßgeblich.

Multiple Empfehlungskontexte

Um Kunden passende Empfehlungen im richtigen Empfehlungskontext ausspielen zu können, müsste man ihnen eigentlich eine Vielzahl von Empfehlungen in einer Vielzahl von Empfehlungskontexten präsentieren. Damit Shopbetreiber ihren Kunden eine Vielzahl verschiedener Empfehlungskontexte präsentieren können, wäre es vorteilhaft, wenn sich der Online Shop in Aufbau und Gestaltung grundsätzlich ändert. Gewohnt sind Nutzer einen solchen Aufbau beispielsweise von Video-on-Demand-Plattformen wie Netflix oder YouTube.

Multiple Empfehlungskontexte auf einer Shopseite

Auch im E-Commerce kann dieses Prinzip der multiplen Kontexte umgesetzt werden, indem Shopbetreiber in einem persönlichen Stream und damit auf einer Shopseite für jeden Kunden individuelle Empfehlungen in verschiedenen Empfehlungskontexten (z. B. Artikel der Lieblingsmarke, des Lieblingsstyles, der Lieblingsfarbe, der Lieblingskategorie etc.) ausspielen.

Multiple Empfehlungskontexte für Unterhaltung und Kundentreue

Das heißt, der Kontext, in dem ein Kunden die verschiedenen Empfehlungen in seinem persönlichen Stream sieht, ist folgender: Der Kunde hat bereits gekauft und befindet sich nun in der Phase der Kundentreue mit dem Bedürfnis nach Unterhaltung. Da er somit schon mehrere Phasen der Customer Journey durchlaufen hat, sind bereits verschiedenste Interaktionen an den einzelnen Touchpoints auf seiner Reise durch den Online Shop zustande gekommen. Aus dem Verhalten des Shopkunden konnte also bereits Wissen über seine individuellen Präferenzen erworben werden.

Somit ist es nun möglich, ihm in seinem persönlichen Stream eine Vielzahl von Empfehlungen in multiplen Empfehlungskontexten auszuspielen, die auf seine individuellen Präferenzen abgestimmt sind. Der Stream umfasst darüber hinaus auch interaktive Elemente und bietet insgesamt eine Mischung aus Inspiration, Interaktion und Service, die für Unterhaltung sorgt. Dadurch kehren Kunden gerne selbständig in den Online Shop zurück, wodurch die Kundentreue sowie die Wiederkaufrate gesteigert wird.

Einzelne Empfehlungskontexte

Oft hat man aber in der Praxis bei Online Shops nur den Raum, einzelne Empfehlungskontexte anzuzeigen. Hier ist es daher besonders wichtig, sich die Frage zu stellen, welche Bedürfnisse der Kunde im jeweiligen Kontext hat und mit welcher Empfehlungsstrategie man diese bestmöglich erfüllen kann. Um zu verdeutlichen, wie entscheidend der Kontext für das Ausspielen passender Empfehlungen ist, betrachten wir die zwei folgenden Szenarien:

Kontext 1: Produktdetailseite

Ein Shopkunde sieht sich auf einer Produktdetailseite ein Produkt (in unserem Beispiel einen Topf) an. Hier lässt sich als Kontext erkennen, dass der Shopkunde aktuell auf Informationssuche ist und vermutlich einen Topf kaufen möchte. Um den Shopkunden in diesem Kontext bestmöglich zu unterstützen, das für ihn passende Produkt zu finden, kannst du ihm unterhalb der Produktinformationen in einem Recommendation Widget Empfehlungen in Form von ähnlichen Produkten anzeigen.

Kontext 2: Warenkorblayer

Eine andere Situation ist es, wenn ein Shopkunde ein Produkt, in unserem Beispiel ein Fahrrad, in den Warenkorb legt und sich anschließend ein Cart Layer mit Empfehlungen öffnet. Hier haben wir einen ganz anderen Kontext: Der Kunde ist schon einen Schritt weiter und steht kurz vor dem Kaufabschluss. Er ist dabei, ein Fahrrad zu kaufen und hat dieses bereits in den Warenkorb gelegt. In diesem Kontext solltest du keinesfalls ähnliche Produkte anzeigen, um den Kunden in seiner Entscheidung nicht zu verunsichern. Um zu vermeiden, dass sich der Shopkunde in dieser Phase also noch umentscheidet, solltest du ihm stattdessen Produkte präsentieren, die oft zu dem Produkt im Warenkorb dazu gekauft werden. Diese sogenannten Cross-Selling-Empfehlungen inspirieren deine Kunden und steigern den Warenkorbwert.

Kompromisse für einzelne Empfehlungskontexte

Können also z. B. auf einer Produktdetailseite nur ein bis zwei Empfehlungskontexte präsentiert werden, muss man einen bestmöglichen Kompromiss wählen. Ein Beispiel hierfür wäre: „Ähnliche Produkte, die dir auch gefallen könnten“. Dabei ist es wichtig, den Begriff „ähnlich“ wirklich ernst zu nehmen. Denn damit erhöht sich signifikant auch die Qualität der Empfehlungen. „Ähnlich“ bedeutet hier, Produkte mit ähnlichen Eigenschaften, wie das vom Shopkunden im Detail betrachtete Produkt, bewertet nach den persönlichen Präferenzen des Kunden.

Beispiel: Zeigt ein Kunde ein besonderes Interesse für schwarze Artikel, werden andere schwarze Artikel als sehr ähnlich angesehen. Ohne diese Information über das Kundenverhalten hätte die Produktfarbe für die Empfehlungen eher keine große Rolle gespielt.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Hybride Empfehlungssysteme

Je nach Kontext kann es erforderlich sein, die so erzeugten Empfehlungen mit durch Collaborative Filtering erzeugten Empfehlungen intelligent zu mischen oder zu modulieren. Werden unterschiedliche Empfehlungssysteme und -komponenten miteinander kombiniert, nennt man dies hybride Empfehlungssysteme. Diese sorgen für bessere Ergebnisse und beheben die Schwächen einzelner Systeme. Durch die Kombination des inhaltsbasierten und kollaborativen Empfehlungssystems kann man beispielsweise das Kaltstartproblem des kollaborativen Systems minimieren. So können schneller relevante Empfehlungen für Shopkunden generiert werden und die Empfehlungsqualität wird gesteigert.

Das bedeutet, dass man wirklich passende Empfehlungen, je nach Empfehlungskontext nicht mit einem universalen Algorithmus erzeugen kann, sondern das dynamische Verschalten von einer ganzen Reihe intelligenter Grundalgorithmen erfordern. Voraussetzung hierfür sind einerseits ein modulares Softwaresystem, das diese Grundalgorithmen zueinander kompatibel bereitstellt und andererseits Experten, die in der Lage sind, solche dynamischen Architekturen zu konfigurieren und zu parametrisieren.

Auswahl des richtigen Empfehlungssystems

Wir haben nun gesehen, dass es ganz verschiedene Empfehlungssysteme gibt, die mit unterschiedlichen Verfahren arbeiten und verschiedene Datengrundlagen nutzen. Abschließend stellt sich die Frage, welches denn nun das „richtige“ System zum Generieren passender Empfehlungen ist.

Empfehlungsstrategie und Personalisierungsart sind kontextabhängig

Diese Frage lässt sich nicht so einfach pauschal beantworten. Denn welches Empfehlungssystem das Richtige ist, hängt von verschiedenen Faktoren ab. Die Entwicklung des E-Commerce zeigt: Ursprünglich statische Strukturen werden zunehmend dynamisch und neben der Produkt- oder Content-Auswahl gewinnt der Kontext, in dem die Auswahl präsentiert wird, zunehmend an Bedeutung. Je nach dem in welcher Phase der Customer Journey sich ein Kunde also gerade befindet und je nach Kontext, in dem er Empfehlungen sieht, ist eine andere Empfehlungsstrategie, Personalisierungsart und damit der Einsatz unterschiedlicher Empfehlungssysteme sinnvoll.

Expertenwissen als Voraussetzung

Um personalisierte Empfehlungen dynamisch im passenden Kontext auszuspielen, erfordert es eine Softwarearchitektur, die kontextabhängig verschiedenste Algorithmen dynamisch zusammenschalten kann. Um diese Architekturen zu konfigurieren benötigt es aber vor allem Expertenwissen. Denn Experten können die Anforderungern der einzelnen Touchpoints identifizieren und daraufhin je nach Kontext das passende Empfehlungssystem und die Personalisierungsart auswählen. Somit können Empfehlungen generiert werden, die individuell auf den Kontext und die Präferenzen der Shopkunden abgestimmt sind.

Fazit: Gezielte Kombination verschiedener Empfehlungssysteme

Es gibt verschiedene Empfehlungssysteme, die jeweils Vor- und Nachteile aufweisen. Die Entwicklung des E-Commerce zeigt: Dynamische Strukturen werden immer wichtiger und Shopkunden erwarten Produktempfehlungen in einem passenden Kontext. Um dieser Entwicklung gerecht zu werden, können je nach Kontext verschiedene Verfahren von Empfehlungssystemen gezielt miteinander kombiniert werden. Da diese hybriden Systeme sehr komplex sind, ist Expertenwissen erfolgsentscheidend. Denn dadurch lassen sich dynamische Architekturen gestalten und somit personalisierte Produktempfehlungen generieren, die nicht nur auf die Präferenzen, sondern auch individuell auf die Customer-Journey-Phase und den Kontext, in dem sich der jeweilige Shopkunde befindet, abgestimmt sind. Diese Maßschneiderung im Online Shop macht den Unterschied und entscheidet darüber, wie gut die präsentierten Empfehlungen sind, was sich wiederum positiv auf die Höhe des Warenkorbwerts auswirkt.

Der Beitrag Verschiedene Empfehlungssysteme im E-Commerce erschien zuerst auf abtasty.

Diese Inhalte erwarten dich in diesem Blogartikel:

Was ist Supervised Learning?
Wie funktioniert überwachtes Lernen?
Wann wird Supervised Learning eingesetzt?
Vorteile des KI-Modells
Herausforderungen in Bezug auf Supervised Learning
Andere Formen des Machine Learning
Fazit: Supervised Learning bietet Online Shops großes Potenzial
Häufige Fragen zu Supervised Learning

Was ist Supervised Learning?

Supervised Learning heißt „Überwachtes Lernen“ und bezeichnet einen Ansatz zur Formung künstlicher Intelligenz (KI). Wie bei jeder Form des Machine Learning muss die KI mittels Algorithmen und statistischen Modellen trainiert werden, um aus einem bestimmten Datenset relevante Schlussfolgerungen zu ziehen. Neben dem Supervised Learning wird beim Machine Learning in Semi-Supervised Learning, Unsupervised Learning und Reinforcement Learning unterschieden. Alle diese Formen dienen dazu, neue Produkte, Prozesse und Services zu entwickeln oder sie zu verbessern.

Wie funktioniert überwachtes Lernen?

Beim Supervised Learning trainieren Datenwissenschaftler einen Computer-Algorithmus und überwachen ihn während des Lernens. Sie versorgen ihn zunächst mit einer Vielzahl an Input-Daten, die jeweils ein Label für den erforderlichen Output tragen. Das Ergebnis ist also vorher bekannt. Der Algorithmus wird so lange trainiert, bis er die zugrunde liegenden Muster und Beziehungen zwischen Input und Output sicher erkennen kann.

---

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

---

Dann durchläuft die Maschine eine Testphase mit Input-Daten ohne offensichtliches Label. Hier trifft sie selbst eine Entscheidung, welcher Output der richtige ist und vergleicht ihr Ergebnis mit demjenigen, das die Entwickler vorgegeben haben. Die Differenzen bzw. konkreten Vorhersagen werden für die Optimierung in der nächsten Lernphase genutzt. Die so gemessene Genauigkeit des Algorithmus zeigt also auf, wie gut dieser bereits gelernt hat und was im praktischen Einsatz zu erwarten ist. Das Ziel: Der Algorithmus soll möglichst passgenauen Output liefern, wenn er nach der Testphase mit unbekannten Daten ohne Label gefüttert wird.

 

Wann wird Supervised Learning eingesetzt?

Diese Form der künstlichen Intelligenz wird bereits für zahlreiche Anwendungsfälle im E-Commerce eingesetzt. Sie eignet sich dabei insbesondere für Klassifikationen und Regressionsanalysen:

• Klassifikationen: Das Ziel ist hier diskret, das heißt abzählbar. Beispiele hierfür sind, dass die KI bestimmt, in welche Kategorie ein Blogbeitrag gehört, welche E-Mails als Spam und Nicht-Spam eingestuft werden oder ob Kundenfeedback positiv oder negativ ist.
• Regressionsanalysen: Hier ist das Ziel dagegen reell. Beispiele sind die Voraussage des Umsatzvolumens für ein zukünftiges Datum oder die Bestimmung des Verkaufspreises von Immobilien in Abhängigkeit von der Postleitzahl.

 

Vorteile des KI-Modells

Supervised Learning hilft dabei, reale Probleme zu lösen, wie die Erkennung von Kreditkartenbetrug oder die Filterung von Spam, indem verschiedene Prozesse automatisiert werden. Das spart langfristig Zeit und Geld.

Auf der Grundlage früherer Erfahrungen kann die Maschine zukünftige Entwicklungen vorhersagen. Bei Spam erkennt sie beispielsweise bestimmte Wörter, die im E-Mail-Text, im Betreff oder in der Absenderadresse vorkommen. Das Trainieren der KI hilft dabei, eine genaue Vorstellung von den zu bewertenden Objektklassen zu erhalten. Langfristig kann so das zeitaufwendige Bewerten und Klassifizieren großer Datensätze automatisiert und vereinheitlicht werden. Eine gut trainierte KI übertrifft dabei die Performance eines menschlichen Bearbeiters und gibt damit nicht nur personelle Ressourcen frei, sondern reduziert auch die Fehleranfälligkeit.

 

Herausforderungen in Bezug auf Supervised Learning

Damit die Maschine Zusammenhänge verlässlich erkennt, müssen die Daten gut aufbereitet sein.  Denn fehlerhafte Daten oder eine unzureichende Aufbereitung dieser stellen eine große Herausforderung dar. Unsupervised Learning „kompensiert“ das dadurch, dass ein Mensch die Ergebnisse interpretiert, die Parameter adjustiert und neu berechnet. Da dies aber vorrangig manuell geschieht, zieht das einen hohen Zeit- und Kostenaufwand nach sich. Probleme in den Daten bzw. eine fehlende Aufbereitung dieser ist jedoch nicht nur eine Herausforderung für Supervised Learning, sondern auch für alle anderen Lernverfahren. Deep Learning kann dieses Problem in Teilen durch extrem viel Rechenzeit und Datenmenge kompensieren aber auch bei diesem Verfahren helfen gut aufbereitete Daten natürlich. Hier greift das Prinzip „Garbage In – Garbage Out“, denn der Output hängt maßgeblich von den hinein gegebenen Daten ab.

Gibt es Dopplungen, fehlende Inhalte oder fehlende Verknüpfungen im Datensatz, weiß die KI nichts damit anzufangen. Gleiches gilt, wenn sich die Testdaten vom Trainingsdatensatz unterscheiden. Die Maschine darf nämlich nicht zu genau auf die Trainingsdaten angelernt sein. Sonst tritt der Effekt des sogenannten Overfitting ein: Nur, wenn ein Daten-Input exakt mit den vorgegebenen Variablen übereinstimmt, kann er in die entsprechende Kategorie eingeordnet werden. Auch mit dieser Herausforderung ist nicht ausschließlich das Supervised Learning konfrontiert. So ist auch Deep Learning nicht gefeit vor diesem Effekt.

Des Weiteren sind vielfältige Daten wichtig, damit die Maschine möglichst viele unterschiedliche Szenarien bewerten kann. Wenn sie beispielsweise lernen soll, Menschen und Tiere auf Bildern zu unterscheiden, sollten als Tiere nicht nur Hunde, sondern auch Giraffen, Elefanten oder Gorillas zu sehen sein. Die Datenwissenschaftler benötigen also genügend Wissen über die verschiedenen Objektklassen, um sie für die KI klar herauszuheben.

Das Reinforcement Learning ist ebenfalls von den genannten Problemen betroffen, aufgrund der Art des Lernens teilweise sogar noch um ein Vielfaches stärker.

 

Andere Formen des Machine Learning

Neben dem Supervised Learning gibt es wie erwähnt drei weitere Formen des Machine Learning: Unsupervised Learning, Semi-Supervised Learning und Reinforcement Learning.

Beim Unsupervised Learning erhält die Maschine Daten, die zuvor nicht mit einem Label versehen wurden. Die KI soll selbst herausfinden, welche Muster und Ähnlichkeiten zwischen den Daten bestehen. Hierfür benötigt sie eine ausreichend große Anzahl an Daten – viel mehr als beim Supervised Learning –, um diese verlässlich clustern und logische Schlussfolgerungen ziehen zu können.

Ein Beispiel für den Einsatz dieser Form der künstlichen Intelligenz ist die Bildung von Segmenten zur Zielgruppenanalyse. Diese kann wiederum genutzt werden, um personalisierte Inhalte für verschiedene Segmente auszuspielen.

Das Semi-Supervised Learning ist eine Mischform zwischen beiden. Während des Trainings erhält die Maschine Datensätze sowohl mit Label als auch solche ohne. Diese Form des Machine Learning eignet sich in Fällen, in denen nicht ausreichend qualitative Daten mit Label zur Verfügung stehen. Ein typisches Anwendungsbeispiel ist die Gesichtserkennung. Es genügt, eine bestimmte Person auf einigen Bildern zu taggen, damit die KI selbstständig andere Bilder findet, auf denen diese Person abgebildet ist.

---

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

---

 

Beim Modell des Reinforcement Learning – auf Deutsch „Verstärkendes Lernen“ – nutzen die Datenwissenschaftler Belohnungen und Bestrafungen, um der künstlichen Intelligenz ein bestimmtes Verhalten beizubringen. Der Algorithmus erlernt durch Ausprobieren selbstständig eine Strategie mit dem Ziel, die Belohnungen zu maximieren. Ursprünglich zum Erlernen von Brettspielen eingesetzt, optimiert das verstärkende Lernen heutzutage zahlreiche Prozesse im E-Commerce. Wenn du mehr über Reinforcement Learning erfahren möchtest, lies gerne unsere Blogartikel-Reihe zum Reinforcement-Learning-Prozess.

 

Fazit: Supervised Learning bietet Online Shops großes Potenzial

Künstliche Intelligenz kannst du auf vielfältige Weise in deinem Online Shop anwenden, um deine Kunden für deine Marke zu begeistern und höhere Umsätze zu generieren. Für den jeweiligen Anwendungsfall ist es notwendig, das passende KI-Modell auszuwählen. Supervised Learning verfügt über großes Potenzial, die Prozesse und Produkte in deinem Online Shop zu optimieren. Nutze KI, um deine E-Mails im Kundenservice zu filtern, deinen Kunden personalisierte Inhalte anzubieten oder Prognosen über zukünftige Umsätze zu erhalten.

 

Häufige Fragen zu Supervised Learning

Wie definiert man Supervised Learning?

Supervised Learning ist eine Form des Machine Learning und wird mit „Überwachtes Lernen“ übersetzt. Datenwissenschaftler trainieren dabei eine Maschine, Zusammenhänge zwischen Daten zu erkennen und daraus Schlussfolgerungen zu ziehen. Das Ergebnis ist dabei jeweils im Vorhinein bekannt, sodass die KI durch den Abgleich zwischen Rechenergebnis und Vorgabe lernen kann, besser zu werden. Beispiel: das Herausfiltern von Spam aus eintreffenden E-Mails.

Wie funktioniert Supervised Learning?

Beim Supervised Learning wird ein Computer-Algorithmus zunächst mit vorbereiteten Datensets trainiert. Jeder Input trägt ein Label für den erforderlichen Output (Ergebnis). Anschließend durchläuft das KI-Modell eine Testphase mit weiteren Daten, bis der Output möglichst genau den erforderlichen Ergebnissen entspricht.

Welche Vorteile hat Supervised Learning?

Diese Form künstlicher Intelligenz eignet sich besonders für Klassifikationen und Regressionsanalysen, also der Suche nach leicht nachvollziehbaren Zusammenhängen zwischen Variablen. Sie hilft dabei, reale Aufgabenstellungen wie die Kategorisierung von Blogartikeln oder das Erkennen von Kreditkartenbetrug zu lösen.

Welchen Herausforderungen sieht sich das Supervised Learning gegenüber?

Das Trainieren der künstlichen Intelligenz ist mit einem hohen manuellen Aufwand und viel Zeit verbunden. Die Daten müssen gut aufbereitet, vielfältig und in ihren Zusammenhängen klar definiert sein.

Wie unterscheidet sich Supervised Learning von Semi-Supervised und Unsupervised Learning?

Beim Supervised Learning wird der Algorithmus mit gekennzeichneten Daten gefüttert, damit die künstliche Intelligenz die Muster in den Datensätzen erkennt. Beim Unsupervised Learning tragen die Daten kein Label. Die KI muss also selbst Zusammenhänge zwischen den einzelnen Variablen herstellen. Semi-Supervised Learning vereint beide Formen: Ein Teil der Daten trägt ein Label, der Rest nicht.

 

Du möchtest mehr über Reinforcement Learning im E-Commerce erfahren?

Dann hol dir unser E-Book zum Thema!

Der Beitrag Supervised Learning: So funktioniert das KI-Modell erschien zuerst auf abtasty.

 

Diese Inhalte erwarten dich in diesem Blogartikel:

Machine Learning im E-Commerce: Definition und Ziele

Wie funktioniert Machine Learning?

Welche Arten von maschinellem Lernen gibt es?

Was ist der Unterschied zwischen Machine Learning und Deep Learning?

Machine Learning im E-Commerce nutzen: Anwendungsbeispiele zeigen das große Potential
Management von Angebot und Nachfrage
Churn Management
Fraud Detection
Verbesserte Kundenbetreuung
Website- und Produktsuche
Personalisierung

Vorteile beim Einsatz von Machine Learning im E-Commerce
Smartere Entscheidungen auf Basis größerer Datenmengen
Erfolgreichere Marketingkampagnen
Höhere Konversionsraten
Höherer ROI durch höhere Effizienz

Fazit: Machine Learning im E-Commerce ist eine leistungsstarke Technologie

 

Machine Learning im E-Commerce: Definition und Ziele

Beim Machine Learning generiert ein künstliches System wertvolles Wissen, indem es aus Beispielen lernt und diese verallgemeinert. Die Entwickler geben dem Computer nicht mehr strikt vor, was er tun soll. Stattdessen zeigen sie ihm die notwendigen Daten und der Computer findet es selbst heraus.

Das System gewinnt Erkenntnisse also ähnlich wie ein Mensch: Es „macht Erfahrungen“ und leitet davon ein sinnvolles Verhalten ab. Mit Machine Learning kann dabei nur gelernt werden, was in den Daten vorkommt.

---

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

---

Machine Learning ist ein Teilbereich von Künstlicher Intelligenz (KI) bzw. Artificial Intelligence (AI). Zur Abgrenzung sprechen Fachleute bei „echter künstlicher Intelligenz“ außerdem von Artificial General Intelligence (AGI).

Wie funktioniert Machine Learning?

Wie genau der Prozess abläuft, hängt auch von der angewendeten Art des Machine Learnings ab. Der Grundsatz ist jedoch, dass Entwickler die KI bzw. das Machine-Learning-Modell durch Daten trainieren. Der Algorithmus analysiert diese also und zieht daraus Schlüsse. Die Modelle bestehen dabei aus Parametern, die auf neue Daten angewendet werden, um eine Prognose wie „Was macht der Kunde als Nächstes?“ zu erstellen.

Damit „die Maschine lernt“, muss die KI jede Menge Daten zu beliebigen Ereignissen auswerten. Hier ein Beispiel:

Ein Ad Content wird ausgespielt. Die KI nimmt mit einer Wahrscheinlichkeit von 50 % an, dass auf das Ad geklickt wird. Wird auf das Ad geklickt, so verwendet die KI diese Information statt der bisherigen Annahme und berechnet, dass dieses Ad in Zukunft mit einer Wahrscheinlichkeit von 100 % geklickt wird. Sie spielt ein weiteres Mal das Ad aus. Diesmal wird es nicht geklickt, die Wahrscheinlichkeit auf einen künftigen Klick sinkt auf 50 %. So setzt sich der Lernprozess fort und nähert sich fortwährend der Realität an.

In die Berechnung der Wahrscheinlichkeit für das Eintreten des Ereignisses „Klick“ gehen jedoch auch noch weitere Parameter ein, wie z. B. der Kanal, die Tageszeit, der Browser, die Geographie usw. Die Maschine lernt aus der Vergangenheit und prognostiziert die Zukunft anhand von Wahrscheinlichkeiten. Selbstlernende Algorithmen können diese Daten und das Ergebnis der Prognose also benutzen, um sich selbst weiter zu verbessern.

Welche Arten von maschinellem Lernen gibt es?

Beim maschinellen Lernen unterscheiden Entwickler zwischen vier Arten:

• Supervised Learning: Die KI erhält ein Trainingsset an Daten und die Information, wonach sie suchen soll bzw. das Ziel, welches zu lernen ist. Das Ergebnis liefern die Entwickler also mit und geben damit den Erfolg, nicht jedoch den Weg vor.
• Unsupervised Learning: Die KI erhält keine klaren Zielwerte und versucht, eigenständig Muster zu erkennen.
• Semi-supervised Learning: Semi-supervised Learning bewegt sich zwischen den beiden ersten Arten. Die KI erhält teils Basisdaten mit den passenden Ergebnissen, teils Basisdaten ohne diese Ergebnisse. Es wird z. B. verwendet, wenn die Zielinformation aus Supervised Learning nur teuer zu bestimmen ist. Das kann beispielsweise der Fall sein, wenn ein Mensch gebraucht wird, um bei jedem Beispiel den wahren Wert  (z. B. „Was ist das Objekt auf dem Bild?“) zu bestimmen.
• Reinforcement Learning: Die KI gelangt durch Ausprobieren an ihr Ziel und wird für richtige Entscheidungen „belohnt“.

Was ist der Unterschied zwischen Machine Learning und Deep Learning?

Deep Learning ist eine Unterform des maschinellen Lernens. In ihr werden sogenannte neuronale Netze verwendet. Durch sie können Systeme auch dann Entscheidungen treffen, wenn Probleme und Daten sehr komplex sind. Deep Learning lässt sich mit den Lernarten von Machine Learning kombinieren. Entwickler sprechen beispielsweise bei der gleichzeitigen Nutzung von neuronalen Netzen und Reinforcement Learning von „Deep Reinforcement Learning“. Dies wird z. B. bei AlphaGo oder der Entwicklung von Robotern und selbstfahrenden Autos eingesetzt.

Machine Learning im E-Commerce nutzen: Anwendungsbeispiele zeigen das große Potential

Maschinelles Lernen ist im E-Commerce bereits angekommen und wird durch die Weiterentwicklung dieser und ähnlicher E-Commerce-Technologien immer wichtiger. Schon heute überzeugen die Einsatzmöglichkeiten, die wir dir im Folgenden näher vorstellen.

Management von Angebot und Nachfrage

Algorithmen können Phasen und Zielgruppen erkennen, in denen die Nachfrage besonders hoch ist. Das ermöglicht Unternehmen beispielsweise Preisoptimierungen oder effiziente Lagerhaltung. Ein sehr klassisches Beispiel hierfür ist die Flugpreisgestaltung, bei der Algorithmen in Echtzeit die perfekte Balance zwischen Auslastung und Preis finden.

Churn Management

Wer mit seinen Kunden langfristige Verträge abschließt, profitiert im Churn Management besonders deutlich durch KI. Das Churn Management beschäftigt sich damit, Kundenabwanderungen zu vermeiden. Algorithmen machen heute beispielsweise bei Energieversorgern oder Telekommunikationsunternehmen Aussagen zu Kündigungs- und Abschlusswahrscheinlichkeiten und unterstützen den Kundenservice mit passenden Angeboten für jeden Kunden – und das zum vielversprechendsten Zeitpunkt.

Fraud Detection

Betrugsversuche ähneln sich. Algorithmen können Daten deutlich schneller verarbeiten und diese Muster auch in gegenwärtigen Prozessen erkennen. Wenn ein Abschluss auffällig ist, geben sie eine Warnmeldung heraus und stoppen den Versuch rechtzeitig.

Verbesserte Kundenbetreuung

Auch im Kundenservice bereichert Machine Learning den E-Commerce. Denn Unternehmen kennen einzelne Kunden besser, wenn sie Ähnlichkeiten zu anderen aufweisen und diese erkannt werden. Sie wissen so, wann es erfolgversprechend und serviceorientiert ist, sie proaktiv mit Angeboten anzusprechen. Außerdem ermöglicht KI neue Wege des Supports und unterstützt Kunden beim Self Service über Chatbots oder virtuelle Assistenten.

Website- und Produktsuche

Suchbegriffe von Kunden und die Daten der dazu passenden Produkte stimmen nicht immer überein. Maschinelles Lernen unterstützt Online Shops dabei, ihre Suchfunktion so zu optimieren, dass Kunden die gesuchten Artikel dennoch finden. Eine solche intelligente Suchfunktion führt Shopkunden schnell und einfach zum gewünschten Produkt und senkt dadurch die Absprungrate. Auch Suchmaschinen wie Google nutzen diese Technologie und entwickeln sie stetig weiter, um bessere Suchergebnisse anzuzeigen.

 

Personalisierung

Durch auf Machine Learning basierender KI-Software für Online Shops können Unternehmen ihre Kunden und sogar Erstbesucher deutlich besser verstehen. Das ermöglicht ihnen, speziell auf jeden einzelnen User abgestimmte Produkte und Content anzubieten. Diese Personalisierung führt wiederum zu einer höheren Konversionsrate und somit zu einer Umsatzsteigerung.

Vorteile beim Einsatz von Machine Learning im E-Commerce

Machine Learning hat bedeutende Stärken gegenüber der „manuellen“ Datenverarbeitung. Denn es ist schneller, genauer und skalierbar. Noch dazu ist es ungemein effizient. Dadurch erweist sich Machine Learning im E-Commerce immer mehr als unverzichtbare Technologie.

Smartere Entscheidungen auf Basis größerer Datenmengen

Wer viel weiß, findet bessere Lösungen. Deswegen ist Big Data im E-Commerce so wichtig geworden. Doch niemand kann eine riesige Datenbasis so gut verarbeiten wie ein selbstlernender Algorithmus. Für das menschliche Gehirn ist eine ähnliche Leistung unmöglich.

Noch dazu begeht eine sorgfältig konstruierte Künstliche Intelligenz nicht die gleichen Denkfehler wie Menschen. Der Grund: Weil sie Daten nicht anhand von Vorwissen falsch gewichtet, kennt sie keine kognitive Verzerrung. Die sorgfältige Konstruktion ist dabei ganz entscheidend.

Erfolgreichere Marketingkampagnen

Nicht zufällig sind viele der erfolgreichen neuen Marketingmethoden datengestützt und dadurch deutlich effizienter als herkömmliche Werbemaßnahmen. Denn die Möglichkeiten einer genauen Kundenansprache sind begrenzt, wenn sie nicht durch Machine Learning unterstützt werden. Interessenten und Bestandskunden im richtigen Moment mit für sie überzeugenden Argumenten anzusprechen, ist fast unmöglich. Durch Hypertargeting können Marketer hingegen Kampagnen für nahezu jeden Kunden maßschneidern, ohne enorm viel Zeit zu investieren.

Beispiel: Es soll eine Markenkampagne über die Suche umgesetzt werden, d. h. in den Suchergebnissen soll eine bestimmte Marke (z. B. Tommy Jeans) gepusht werden. Neben dem Pushen der Marke ermöglicht Personalisierung hier zusätzlich, die Präferenzen der suchenden Kundin (Lieblingsfarbe, reduzierte Artikel, richtige Größe) zu berücksichtigen. Die Kundin erhält somit nur relevante Artikel, dennoch passend zur laufenden Marketing-Kampagne.

 

Höhere Konversionsraten

Die Entwicklung vom Interessenten zum Käufer ist zeitintensiv und störanfällig. Mit Machine Learning können Online Shops diesen Weg zielgerichteter gestalten, indem der Kunde die Produkte leichter findet, wenn er sie sucht. Passende Inhalte binden ihn außerdem an das Unternehmen und selbst der Preis kann auf ihn zugeschnitten werden. Setzt er die Erkenntnisse um, die er durch KI gewinnt, liefert ein Online Shop viele Kaufargumente und umgeht Fehler, die einen Kauf verhindern.

---

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

---

Höherer ROI durch höhere Effizienz

Machine Learning unterstützt Unternehmen durch die Automatisierung von Routine-Aufgaben sowie bei der Erstellung von genauen Prognosen. Dadurch erhöht sich die Effizienz in vielen Bereichen. KIs entlasten Kundenservice und Vertrieb, liefern der Logistik Fakten für ihre Planung und verbessern den Ertrag von Marketingkampagnen.

Fazit: Machine Learning im E-Commerce ist eine leistungsstarke Technologie

Machine Learning ermöglicht Algorithmen, aus Daten zu lernen und daraus die richtigen Schlüsse zu ziehen. Die Technologie unterstützt Unternehmen, effizienter und kundenorientierter zu arbeiten. Gerade im Online-Handel sind ihre Vorteile und Stärken enorm, da dort durch die Kundeninteraktion große Datenmengen zur Verfügung stehen.

 

Du möchtest mehr darüber wissen, wie du Wissen und KI für dich nutzt?
Sieh dir unserer Webinar-Aufzeichnung an!

Der Beitrag Machine Learning im E-Commerce: Wenn Algorithmen aus Daten lernen erschien zuerst auf abtasty.

Diese Inhalte erwarten dich in diesem Blogartikel:

Definition: Was ist Deep Learning im E-Commerce?

Deep Learning vs. Machine Learning: KI schlägt Kopf

Einsatz von Deep Learning im E-Commerce: Beispiele aus der Praxis
Optimierung der Suchergebnisse
Automatisierte Ermittlung des optimalen Preises
Vermeidung von Kundenabwanderungen
Erkennung von Betrugsfällen
Unterstützung bei der Kundenbetreuung
Personalisierung im E-Commerce

Potenzial: Welche Vorteile liefert Deep Learning im E-Commerce?

Fazit: Deep Learning im E-Commerce erfolgreich einsetzen

Häufige Fragen zu Deep Learning im E-Commerce

Definition: Was ist Deep Learning im E-Commerce?

Deep Learning beschäftigt sich wie auch das übergeordnete Thema Machine Learning mit den Lernprozessen künstlicher Intelligenz. Es basiert auf sogenannten neuronalen Netzen. Diese sind ähnlich aufgebaut wie das Gehirn: Sie bestehen aus verschiedenen Schichten, den Eingangs-, Zwischen- und Ausgangsneuronen, die das künstliche Gehirn miteinander verknüpft. Je umfangreicher dieses Neuronensystem ist, desto komplexere Sachverhalte kann der Deep-Learning-Algorithmus verarbeiten.

Um die Definition von Deep Learning besser zu verstehen, hilft ein Blick darauf, wie Menschen lernen. Sie erfassen alle Details einer Situation und wägen ab, ehe sie eine Entscheidung treffen. Anschließend hinterfragen sie ihre Entscheidung: War sie nicht korrekt, erfolgt eine Korrektur und der Mensch lernt daraus. War sie in Ordnung, bestätigt dies die erste Auswahl.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Nach demselben Prinzip funktioniert Deep Learning: Die Maschine trifft eigenständig Entscheidungen und hinterfragt diese. Deep Learning ist also in der Lage, sich selbstständig weiterzuentwickeln und aus Fehlern ebenso wie aus Erfolgen zu lernen.

Deep Learning vs. Machine Learning: KI schlägt Kopf

Deep Learning und Machine Learning eint, dass beide die künstliche Intelligenz für Unternehmen in der E-Commerce-Technologie nutzbar machen. Doch trotz der gemeinsamen Basis gibt es einen wesentlichen Unterschied:

• Beim Machine Learning muss der Mensch in den Lernprozess eingreifen. Er unterstützt bei der Datenanalyse und macht Vorgaben für den Entscheidungsprozess.
• Beim Deep Learning hat der Mensch lediglich die Aufgabe, die Datenbasis zur Verfügung zu stellen. Die Maschine analysiert alle Informationen eigenständig, leitet daraus eine Prognose ab, trifft eine Entscheidung und lernt aus dem Ergebnis. Der Mensch muss in den Lernprozess der selbstlernenden Algorithmen nicht eingreifen. Die Kehrseite ist allerdings, dass für Deep Learning extrem mehr Daten benötigt werden.

Beispiel: Das Modell soll lernen, ob es sich um einen Apfel oder eine Banane handelt und bekommt hierfür Bilder von beiden Objekten zum Lernen. Beim Machine Learning kann hier ein Mensch als Features beispielsweise Farbe und Form vorgeben, um das Problem bereits ganz gut zu lösen. Beim Deep Learning wird das Bild, d. h. alle Pixel als Input reingegeben. Beim Output gibt das Netzwerk ein Signal ab, ob es glaubt, dass es eher ein Apfel oder eine Banane ist. Dann bekommt es das Feedback, ob die Vorhersage stimmt. Basierend darauf werden die Parameter des Netzwerks in mehreren Stufen angepasst. Dieser Prozess wiederholt sich so lange, bis das Modell keine besseren Vorhersagen mehr machen kann bzw. die Parameter nicht mehr angepasst werden.

 

 

Übrigens: Nach dem Prinzip „Trial and Error“ lernt die Maschine beim Reinforcement Learning. Sie verfügt zunächst nicht über die notwendigen Informationen, um Entscheidungen zu treffen, sondern muss sich diese selbst erarbeiten.

Einsatz von Deep Learning im E-Commerce: Beispiele aus der Praxis

Die künstliche Intelligenz ist keine Zukunftsmusik – sie wird bereits heute erfolgreich in der E-Commerce Data Science eingesetzt. Die folgenden Beispiele für Deep Learning zeigen, wie du das eigenständige maschinelle Lernen im Online-Handel einsetzen kannst.

Optimierung der Suchergebnisse

Deep Learning kann die Ergebnisse einer Suche optimieren. Die Maschine bewertet anhand des Nutzerverhaltens, ob der User das gewünschte Produkt gefunden hat. Ist dies nicht der Fall, bezieht sie die Erkenntnisse in die intelligente Suche ein, um die Ausgabe der richtigen Produkte dadurch sukzessive zu verbessern.

Automatisierte Ermittlung des optimalen Preises

Produktpreise sind im E-Commerce längst nicht mehr starr, sondern bedürfen der täglichen Anpassung. Diese Veränderungen für Tausende oder Millionen Produkte vorzunehmen, ist für den Menschen allerdings nicht machbar. Deep Learning ermöglicht Dynamic Pricing, indem es die Auswirkungen einer Preissteigerung oder -senkung selbstständig bewertet und daraus Rückschlüsse für zukünftige Entscheidungen zieht. Du kannst die Preisfindung dabei an verschiedenen Aspekten ausrichten:

• Angebot und Nachfrage: Je höher die Nachfrage nach einem Artikel ist und je weniger Wettbewerber ihn anbieten, umso teurer wird er.
• Wettbewerb: Sinken die Preise im Wettbewerb, erfolgen auch im eigenen Online Shop Anpassungen.
• Kosten: Die Preisermittlung beruht auf den entstandenen Kosten, sodass die Margen stabil bleiben.

Vermeidung von Kundenabwanderungen

Absprünge während der Produktsuche oder des Checkouts kosten im E-Commerce bares Geld. Die künstliche Intelligenz unterstützt Online-Händler dabei, potenzielle Käufer bei der Stange zu halten. Drohen Nutzer, den Kaufprozess abzubrechen, kann die Maschine binnen Sekundenbruchteilen ein individuelles Angebot einblenden, das zum Bleiben animiert. So kannst du mithilfe des Churn Managements also die Absprungrate senken und die Conversion Rate steigern.

Erkennung von Betrugsfällen

Schäden durch Betrugsfälle können enorme Ausmaße annehmen – neben teuren Rückbuchungen entsteht im schlimmsten Fall ein irreparabler Schaden für das Unternehmensimage. Deep Learning kann lernen, aus einer riesigen Menge von Transaktionen die eine zu finden, die Anomalien aufweist und betrügerische Absichten vermuten lässt. Somit ist KI in der Lage, Betrugsfälle zu verhindern.

Unterstützung bei der Kundenbetreuung

Deep Learning kann im E-Commerce außerdem den Kundenservice revolutionieren. Denn dank Deep Learning kommunizieren Chatbots in einer natürlichen Sprache mit den Kunden, identifizieren und interpretieren deren Probleme und geben ihnen qualifizierte Lösungen an die Hand. Durch Befragung der Kunden („Konnten wir Ihr Problem lösen?“) lernt die Maschine, ob ihr Lösungsvorschlag korrekt war oder der Nachjustierung bedarf. Sie gibt keine Textbausteine mehr aus, sondern antwortet eigenständig und individuell.

Personalisierung im E-Commerce

Mithilfe von Deep-Learning-Methoden finden Online-Händler zudem heraus, welche Aktionen Käufer als Nächstes planen. Auf Basis der angesehenen Produkte, der Verweildauer sowie des Nutzerverhaltens kann die künstliche Intelligenz personalisierte Inhalte ausgeben, etwa um passende Alternativen anzuzeigen, weitere Produkte zu empfehlen oder die Kaufentscheidung zu unterstützen.

 

---

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

---

Potenzial: Welche Vorteile liefert Deep Learning im E-Commerce?

Deep Learning entfaltet im E-Commerce zahlreiche Vorteile:

• Höhere Umsätze: Personalisierte Angebote, optimierte Suchergebnisse und Preise sowie eine individuelle Kundenbetreuung – Deep Learning legt den Grundstein für eine bessere Vertrauensbasis und in der Folge höhere Umsätze.
• Relevantere Marketingkampagnen: Mithilfe von Deep-Learning-Methoden kannst du Marketingkampagnen noch persönlicher für jeden Kunden gestalten. Die Streuverluste lassen sich dadurch deutlich reduzieren, ein effektiveres Marketing ist möglich.
• Innerbetriebliche Effizienz: Zeitraubende Arbeiten wie Kundenservice oder Prognosen lassen sich dank intelligenter E-Commerce Data Science automatisieren und somit effizienter gestalten. Das setzt Kapazitäten für strategische Aufgaben frei.
• Besser informierte Entscheidungen: Deep Learning ermöglicht im E-Commerce durchdachte Entscheidungen auf der Basis von Fakten und Erfahrungswerten – dank Real Time Analytics sogar in Echtzeit. KI kann Unternehmenserfolg planen, statt ihn nur zu prognostizieren.

Fazit: Deep Learning im E-Commerce erfolgreich einsetzen

Mit Deep Learning verbesserst du die Customer Journey für deine Kunden, gestaltest ein personalisiertes Einkaufserlebnis, revolutionierst deinen Kundenservice und beugst Betrugsfällen vor. Somit kannst du deine Umsätze steigern, deine Marketingkampagnen optimieren und die Abläufe im Betrieb effizienter gestalten.

 

Häufige Fragen zu Deep Learning im E-Commerce

Was ist Deep Learning?

Deep Learning ist ein Teilbereich des Machine Learning, das mit riesigen Datenmengen arbeitet. Charakteristisch ist, dass sich die künstliche Intelligenz beim Deep Learning eigenständig und ohne Zutun des Menschen weiterentwickelt.

Wie unterscheiden sich Deep Learning und Machine Learning?

Beim klassischen maschinellen Lernen muss der Mensch Regeln hinterlegen, um der Maschine Entscheidungen zu ermöglichen. Ein Deep-Learning-Algorithmus trifft eigenständig Entscheidungen – es ist also kein menschlicher Einfluss notwendig.

Was sind neuronale Netze?

Neuronale Netze sind die Basis für die intelligenten Entscheidungen von Deep Learning. Sie sind künstlich aufgebaut, aber ähnlich vernetzt wie die Neuronen im menschlichen Gehirn.

Warum ist Deep Learning im E-Commerce so wichtig?

Im E-Commerce stehen Unmengen an Daten zur Verfügung, die du zur Optimierung von Umsätzen einsetzen kannst. Deep Learning ermöglicht es Unternehmen, dieses Potenzial effizient zu nutzen.

Welche typischen Anwendungsfälle von Deep Learning gibt es?

Im E-Commerce gibt es zahlreiche Anwendungsfelder, beispielsweise um mehr Personalisierung im E-Commerce zu erreichen, Betrugsfällen vorzubeugen, Kunden noch besser zu betreuen oder die Ergebnisse einer Produktsuche im Online Shop treffsicherer zu gestalten.

Du willst mit KI so richtig durchstarten?
Hol dir jetzt unseren Ratgeber zu Reinforcement Learning im E-Commerce!

Der Beitrag Deep Learning im E-Commerce: Die KI lernt eigenständig dazu erschien zuerst auf abtasty.

 

Diese Inhalte erwarten dich in diesem Blogartikel:

Was ist Künstliche Intelligenz?

Methoden und Ziele der KI

Arten von Künstlicher Intelligenz: Schwache KI vs. starke KI

Maschinelles Lernen vs. Deep Learning vs. Reinforcement Learning

Anwendungen der Künstlichen Intelligenz

11 Möglichkeiten für den Einsatz von KI im E-Commerce
1. Sprachassistenten
2. Visuelle Suche
3. Digitale Beratung
4. Personalisierung
5. Vorhersage von Verkäufen
6. Optimierung der Preisgestaltung und Lagerhaltung
7.  Filtern gefälschter Bewertungen
8. Smarte Suche
9. Retargeting potenzieller Kunden
10. Verbessern der Cybersecurity
11. Bewertung von Leads

Fazit: Künstliche Intelligenz revolutioniert die Welt, in der wir leben

 

Was ist Künstliche Intelligenz?

Noch heute streiten Forscher über eine wissenschaftliche Definition von „Intelligenz“. Klar ist, dass dieser Begriff die kognitive Leistungsfähigkeit beschreiben soll und vom lateinischen „intellegere“ für „verstehen, erkennen, einsehen“ abstammt.¹

Die Schwierigkeiten der Bestimmung von Intelligenz beeinflussen auch die Definition der KI (Künstliche Intelligenz). Die Gemeinsamkeit ist jedoch: KI beschreibt den Versuch, erfolgreiche Entscheidungsstrukturen des Menschen nachzubilden, sodass Probleme automatisiert gelöst werden können.

 

Methoden und Ziele der KI

In der KI-Forschung gibt es viele unterschiedliche Herangehensweisen. In den letzten Jahren zeigt sich jedoch immer stärker, dass maschinelles Lernen oder Machine Learning und seine Unterarten sehr leistungsfähig sind.

Beim maschinellen Lernen soll das System aus einer Datenmenge allgemeine Regeln und Muster ableiten. Es lernt also nicht auswendig, sondern verallgemeinert seine Erfahrungen. Möglich wird das durch Algorithmen. Ziel ist es, dass das System auch neue Situationen bewerten und lösen kann. Hierunter fallen beispielsweise auch das Natural Language Processing, durch das Systeme die komplexe menschliche Sprache besser verstehen und verarbeiten können sollen.

Welche Ziele KI verfolgt, hängt nicht zuletzt davon ab, in welchem Bereich sie entwickelt wird. In der Forschung ist heute noch immer eines der primären Ziele, Intelligenz, Kreativität und Lernen besser zu verstehen. In der Wirtschaft steht dagegen das Lösen von praktischen Problemen im Vordergrund. KI wird hier oftmals eingesetzt, um Abläufe effizienter zu gestalten und Prozesse zu automatisieren.

---

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

---

 

Arten von Künstlicher Intelligenz: Schwache KI vs. starke KI

Die Forschung im Bereich der KI unterscheidet in ihrer Zielsetzung zwischen schwacher und starker KI. Die starke KI – auch Artificial General Intelligence genannt – ist bislang nicht annähernd umsetzbar. Sie beschreibt den Fall, dass eine Künstliche Intelligenz schwierige Aufgaben auf dem gleichen Niveau wie ein Mensch erfüllen kann. Das bedeutet, dass sie Aufgaben selbst erkennen kann, sich das Wissen zur Lösung eigenständig erarbeitet sowie Probleme auch auf neue und kreative Art löst.

Die per KI Definition schwache Künstliche Intelligenz kann hingegen nicht im universellen Sinne lernen, ist nicht kreativ und bewältigt vor allem klar definierte Aufgaben nach einer festgelegten Methode. Ihr Ziel sind eher die Automatisierung und das Controlling von Prozessen.

Ein spannendes Gedankenexperiment zur Unterscheidung zwischen starker und schwacher KI ist das “Chinesische Zimmer”, welches ebenfalls zeigt, wie schwer es ist, KI zu definieren.

Maschinelles Lernen vs. Deep Learning vs. Reinforcement Learning

Beim maschinellen Lernen baut ein künstliches System über Algorithmen ein statistisches Modell auf, das auf Trainingsdaten wie Beispielen beruht. Diese Beispiele kann es durch Muster und Grundsätze verallgemeinern und dann auf dieser Grundlage auch unbekannte Daten beurteilen.

Deep Learning ist eine Form von Machine Learning und verfolgt die Lernart „Instructional Learning“. Die Besonderheit ist, dass hierbei sogenannte künstliche neuronale Netze zum Einsatz kommen, die über mehrere Schichten in der Lage sind, komplexe Probleme zu lösen und auch unstrukturierte Daten zu verarbeiten. Es eignet sich dementsprechend bei großen Datensätzen, ist jedoch auch zeitaufwändig und benötigt leistungsstarke Computer.

Das Reinforcement Learning beschreibt eine andere Lernart, bei der richtiges Verhalten durch „Belohnungen“ verstärkt wird, was auch unter dem Begriff “verstärkendes Lernen” bekannt ist. Bei dieser Methode erlernt der Agent eigenständig durch eine Art Belohnungsfunktion eine passende Strategie. Die Synthese aus Deep Learning und Reinforcement Learning ist Deep Reinforcement Learning.

Anwendungen der Künstlichen Intelligenz

Längst ist die KI im Alltag angekommen, oftmals unbemerkt. Nicht mehr wegzudenken sind Suchmaschinen, die mithilfe von Künstlicher Intelligenz versuchen, die besten Suchergebnisse für einen bestimmten Nutzer zur Verfügung zu stellen. Wenn Facebook deine Feeds mit Beiträgen anreichert, YouTube oder Netflix dir Videos empfehlen oder Spotify eine Playlist nur für dich zusammenstellt, basiert diese Personalisierung ebenfalls auf KI.

KIs kommen oft im Rahmen einer sehr hohen Spezialisierung zum Einsatz. Sie können dabei automatisiert Diagnosen stellen, Kreditkartenbetrug entlarven oder Aktienmärkte analysieren. Die Anwendungen sind heute schon nahezu unendlich.

11 Möglichkeiten für den Einsatz von KI im E-Commerce

Bei uns fester Bestandteil jeder KI Definition: Sie hebt E-Commerce auf ein neues Niveau. Einige wichtige KI-Beispiele mit großem Zukunftspotenzial im E-Commerce stellen wir dir im Folgenden vor:

1. Sprachassistenten

Target oder Walmart ermöglichen im Rahmen des Voice Commerce sprachgesteuerte Einkäufe, die sie anschließend an Kunden liefern. Auch in Deutschland sollen künftig bis zu 30 Prozent der E-Commerce-Umsätze über Sprachassistenten wie Siri oder Alexa getätigt werden.² Für Kunden ist das einerseits ein bequemes Angebot. Online-Händler profitieren andererseits von der Möglichkeit, technische Hürden zu minimieren und Kunden auf einem weiteren Kanal ansprechen zu können. Hieraus ergeben sich ebenfalls zusätzliche Cross- und Upselling-Gelegenheiten, zumal Sprachassistenten viel über ihre Nutzer wissen.

2. Visuelle Suche

Künstliche Intelligenz kann Inhalte auf Bildern erkennen und somit visuelle Merkmale zur Suche nutzen. Kunden können beispielsweise eigene Fotos vom Smartphone oder Bilder aus dem Internet verwenden. Die KI ermittelt ähnliche Bilder aus dem eigenen Sortiment und geht dabei deutlich über sprachlich ausdrückbare Attribute wie Farben und Formen hinaus. Das Ergebnis ist eine deutlich bessere User Experience und bessere Konversionsraten, weil Kunden leichter finden, was sie suchen.

3. Digitale Beratung

Chatbots als Möglichkeit für digitale Beratung können nach einer Lernphase häufige und einfache Fragen eigenständig beantworten. Für Kunden hat das den großen Vorteil, dass sie rund um die Uhr schnell Antworten auf ihre Fragen erhalten. Unternehmen können hingegen mit Chatbots ihren Kundenservice entlasten. Automatisierte Vorschläge für Antworten helfen ebenfalls dabei, einen schnellen und effizienten Support zu bieten und unterstützen so menschliche Mitarbeiter.

Einen Schritt weiter gehen Online-Produktberater, die Kunden nutzen können, um für sie passende Produkte zu finden. Dabei ähnelt der intuitive Produktberater einem Fachverkäufer im stationären Handel. Er nimmt den Bedarf des Online Shoppers auf und wählt das passende Produkt dazu aus. Klick für Klick erhält der Shopkunde über einen visuellen und interaktiven Dialog eine genauere Auswahl an passenden Produkten, bis er das richtige gefunden hat.

4. Personalisierung

Die KI kann Kunden anhand von bereits getätigten Käufen oder Interaktionen passende Inhalte oder Produkte präsentieren, die sie mit einer großen Wahrscheinlichkeit begeistern. Dies kann an unterschiedlichen Touchpoints, sowohl im als auch außerhalb des Shops erfolgen. So können beispielsweise personalisierte Suchergebnisse ausgespielt oder personalisierte Beratung geboten werden. Darüber hinaus kannst du Shopkunden personalisierte Empfehlungen auf verschiedenen Shopseiten (auf der Startseite, Produktdetailseite oder wie im nachfolgenden Beispiel im Warenkorblayer) sowie in personalisierten E-Mails anzeigen.

Durch KI-Software erhöhen Online Shops die Conversion Rate und stärken somit die Kundenbindung. Ein Personalisierungshighlight stellt der Shopping Stream dar – eine 1:1 personalisierte Shopseite, die es jedem Kunden ermöglicht, in seine ganz individuelle Produkt- und Markenwelt einzutauchen und stets neue Impulse zu erhalten. Diese relevanten Shopping News in Echtzeit veranlassen deine Shopkunden zum regelmäßigen Besuch im Online Shop, wodurch du die Wiederkaufrate sowie den Customer Lifetime Value steigern kannst.

5. Vorhersage von Verkäufen

Mithilfe von KI können außerdem Vorhersagen zu Verkäufen gemacht werden. Dies lässt sich beispielsweise nutzen, um E-Mailings zu einer bestimmten Produkt-Neuerscheinung nur an die Kunden zu versenden, die dieses Produkt überhaupt interessieren wird. Dadurch können Kunden vor offiziellem Erscheinen auf einen für sie interessanten Artikel aufmerksam gemacht werden.

---

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

---

Beispiel: Ex Libris versendet 90 Tage im Voraus E-Mailings zu Buch-Neuerscheinungen. Das spannende an den E-Mailings von Ex Libris ist dabei die Selektion der Empfänger. Denn diese werden über KI-Verfahren vollautomatisiert ermittelt und an das E-Mail-Versandsystem gesendet. Die KI berechnet genau, welche Kunden potentiell Interesse an der Buch-Neuerscheinung haben könnten und nur an diese Kunden wird das E-Mailing schließlich versendet.

6. Optimierung der Preisgestaltung und Lagerhaltung

Auf Basis von Informationen wie Betriebskosten, Kundenumfragen, Demografie und psychologischen Daten ist KI heute dank des maschinellen Lernens in der Lage, centgenau den Preis zu ermitteln, mit dem sich die Unternehmensziele am besten erreichen lassen.

KI bietet Shopbetreibern außerdem die Möglichkeit, inzwischen immer genauer zu ermitteln, welche Ware in einem bestimmten Zeitraum wie oft verkauft wird. Dadurch können Unternehmen ihre Lagerhaltung genauer planen und ihr Kapital gezielt einsetzen. Darüber hinaus verhindern sie Lieferengpässe und steigern die Kundenzufriedenheit.

7.  Filtern gefälschter Bewertungen

KIs wie Fakespot können gefälschte Bewertungen erkennen und filtern. Sie dienen hauptsächlich dem Verbraucherschutz, können jedoch auch von Marktplätzen genutzt werden, die beispielsweise minderwertige Waren aus dem Sortiment filtern möchten.

8. Smarte Suche

Die smarte Suche funktioniert nicht mehr nur über bloße Suchbegriffe, sondern sie versteht Texte inzwischen semantisch. Das gilt sowohl für die Suchanfragen selbst als auch für das Erkennen von Inhalten auf der Website. Somit kann sie Nutzern den Inhalt präsentieren, der am besten zu ihrer Suchanfrage passt. Dadurch erhält beispielsweise eine Kundin, die nach “kleid uni langarm” sucht, genau zu dieser Suchanfrage passende Ergebnisse.

Zudem kann eine intelligente Suchfunktion schon bereits beim Tippen sinnvolle Ergänzungsvorschläge mit entsprechenden Vorschaubildern unterbreiten und so die Suche erleichtern.

9. Retargeting potenzieller Kunden

Egal ob Google Ads, Social Media Advertising oder Display Banner: Manchmal erreicht die Werbung potenzielle Kunden nicht zum richtigen Zeitpunkt. Mit KI können Nutzer gezielt noch einmal angesprochen werden, die für das Angebot empfänglich sind.

10. Verbessern der Cybersecurity

KI wird des Weiteren immer wichtiger, um Bedrohungen schnell zu erkennen und Cyberangriffe abzuwehren. Sie helfen schon heute dabei, Spam-Mails oder Malware zu erkennen. Indem sie Muster in Angriffen erkennen, können sie diese deutlich schneller registrieren. In Zukunft ist außerdem eine einfachere Identifizierung von Angreifern und die Authentifizierung von berechtigten Nutzern möglich.

11. Bewertung von Leads

Die automatisierte Bewertung von Leads anhand des Verhaltens ermöglicht dem Vertrieb, gezielt Interessenten zu kontaktieren, die mit einer hohen Wahrscheinlichkeit für einen Abschluss bereit sind.

Fazit: Künstliche Intelligenz revolutioniert die Welt, in der wir leben

Auch wenn eine KI Definition nicht leicht gelingt, ist klar: Künstliche Intelligenz ist bereits fester Bestandteil in unserem Alltag und wird ihn zukünftig noch stärker prägen. Einer der Orte des Wandels wird der E-Commerce sein, denn schon heute gibt es leistungsstarke Technologien, die die Performance verbessern können.

Quellen: ¹ Wikipedia, ² FHWS

 

 

Lade dir unser E-Book über Produktempfehlungen durch Reinforcement Learning herunter, um mehr über KI zu erfahren.

 

Der Beitrag KI Definition und 11 Einsatzmöglichkeiten im E-Commerce erschien zuerst auf abtasty.

 

Diese Inhalte erwarten dich in diesem Blogartikel:

Wieso eine KI-Software für deinen Online Shop wichtig ist

Wie du eine KI-Software in deinen Online Shop integrierst

Wie du über eine KI-Software mit deinen Online Shoppern kommunizierst

Best Practices: Diese Shops haben eine KI-Software erfolgreich im Einsatz
Wie Outletcity Metzingen über 5 % mehr Umsatz pro Session erreichte
Wie Ex Libris 10-fach höheren Produkt-E-Mail-Umsatz im Online Shop über KI-gestützte E-Mailings erzeugte

Fazit: Optimierte KPIs und digitale Einkaufserlebnisse dank KI-Software

 

Künstliche Intelligenz im E-Commerce? Eines der Hype-Themen schlechthin – doch viele Händler tun sich schwer mit konkreten Ansätzen, die messbaren Erfolg erzielen. Outletcity Metzingen und der Schweizer Online-Buchhändler Ex Libris machen vor, wie es geht: Das Mode-Unternehmen erhöhte den Umsatz pro Session mithilfe einer KI-Software um über 5 % und Ex Libris steigerte seinen Produkt-E-Mail-Umsatz über KI-gestützte E-Mailings um das Zehnfache – und das bei voller Berücksichtigung der DSGVO und der Privatsphäre jedes Online Shoppers.

 

Wieso eine KI-Software für deinen Online Shop wichtig ist

Um diese Frage zu beantworten, werfen wir einen Blick in den stationären Handel. Im Vergleich zum Online-Handel finden wir dort:

• beschränkte Öffnungszeiten,
• einen räumlich begrenzten Verkaufsraum und
• ein kleines Sortiment.

Das sind Einschränkungen, mit denen du als Online-Händler nicht in Berührung kommst. Der stationäre Händler hat dafür die Möglichkeit, eine 1:1-Kommunikation mit den Kunden aufzubauen und sie persönlich sowie individuell zu bedienen – zumindest vor der Corona-Pandemie. Bei wiederkehrenden Kunden können die Mitarbeiter vor Ort auf ihre Erfahrung zurückgreifen und somit auf besondere Bedürfnisse und Wünsche eingehen. Diese persönliche Verbindung ist nach wie vor einer der wesentlichen Erfolgsfaktoren des stationären Handels. Bei der Masse an Online Shoppern im E-Commerce kaum denkbar – bis heute! Denn eine KI-Software macht es möglich, auch im Netz eine 1:1-Kommunikation mit nahezu jedem einzelnen Kunden herzustellen.

---

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zum epoq Newsletter an. Jetzt anmelden!

---

Laut eines Artikels des ecommerce magazins lohnt sich der Einsatz von künstlicher Intelligenz in verschiedener Hinsicht. So wird KI laut Gartner (Anbieter für Marktforschungsergebnisse und Analysen) den größten Einfluss auf alle Aspekte des Handels haben. Im Artikel heißt es „Die Analysten prognostizieren, dass die Mehrheit der Unternehmen, die KI für den digitalen Handel einsetzen, bis 2023 eine mindestens 25-prozentige Verbesserung der Kundenzufriedenheit, des Umsatzes oder der Kostenreduzierung erreichen wird.“¹

 

Wie du eine KI-Software in deinen Online Shop integrierst

Damit du persönlich mit jedem Online Shopper kommunizieren kannst, musst du zunächst eine Wissensbasis für deinen Online Shop aufbauen und die beteiligten Algorithmen auf die Schulbank schicken. Diese Wissensbasis füllst du zuerst mit deinem Erfahrungsschatz und deinem Produktkatalog. Dabei gilt der Grundsatz: Je mehr strukturierte Information, desto besser.
Tipps, wie du deine Produktdaten optimieren kannst, sodass sie zum Umsatzbooster werden, erfährst du im Blogartikel Produktdaten – Umsatzbooster für deinen Online Shop.

Danach beginnt der Lernprozess zum Verhalten der Besucher und Kunden deines Online Shops. Hierfür wird dein Online Shop ganz simpel mit einem einzeiligen Code-Snippet an die Wissensbasis angedockt. Anschließend fließen alle Informationen zum Klick- und Kaufverhalten jedes einzelnen Online Shoppers in die Wissensbasis ein, werden von den Algorithmen verarbeitet und fließen wieder in deinen Online Shop zurück.

Über moderne KI-Verfahren wie Reinforcement Learning optimieren sich die Algorithmen schließlich selbstlernend in einem Closed-Loop-Prozess und kommunizieren zunehmend personalisierter mit deinen Kunden. Mithilfe dieser Technologie machst du KI für deinen Online Shop greifbar.

Beispiel: Eine Kundin besucht einen Online Shop und navigiert zur Kategorieseite „Blusen“, auf der sie über die Facettennavigation die Auswahl auf rosa und unifarbene Blusen eingrenzt. Da ihr eine rosa Bluse besonders gut gefällt, klickt sie diese an. Durch das Verhalten (Filtereingrenzung, Klicks etc.) der Kundin im Online Shop lernen die Algorithmen, dass die Kundin potentiell Interesse an rosafarbenen Blusen hat. Dieses Wissen kann zum Beispiel beim Ausspielen von Empfehlungen genutzt werden. Gelangt die Kundin nun beispielsweise auf eine Produktdetailseite, können ihr dort entsprechend ihrer persönlichen Präferenzen rosafarbene Blusen als Empfehlungen angezeigt werden.
In einem nächsten Schritt könnten die Algorithmen durch weitere Aktionen wie Klicks/Auswahl zum Beispiel noch die Größe der Kundin lernen. Somit können sich die intelligenten Algorithmen selbstlernend immer weiterentwickeln, wodurch die Kommunikation zunehmend personalisierter gestaltet werden kann.

Wie du über eine KI-Software mit deinen Online Shoppern kommunizierst

Hinter einer KI-Software steht die Wissensbasis mit ihren komplexen Algorithmen, die in Echtzeit-Software-Services (SaaS) im Online Shop agieren. Sie sorgen für die 1:1-Kommunikation zwischen Kunde und Online Shop – davon profitieren verschiedene Stationen der Customer Journey.

Du kannst zum Beispiel:

• deine Suchfunktion nutzen, um durch KI die Interpretation von Attributen zu ermöglichen (Semantik) und dadurch eine nahezu individuelle Ergebnisliste auszugeben.
• deinen Produktberater mit dem Klick- und Kaufverhalten deiner Online Shopper anreichern und somit ein individuelles Produktranking ermöglichen.
• deine Empfehlungen nutzen, um über KI jedem Online Shopper individuelle Zusatzprodukte und Angebote auszuspielen.
• in einem personalisierten Shoppingbereich für jeden einzelnen Kunden mithilfe der KI-Software genau die Inhalte bereitstellen, die den persönlichen Präferenzen eines jeden Kunden entsprechen.
• KI in deine E-Mails einfließen lassen und jedem Online Shopper nur die Inhalte ausspielen, die für ihn potentiell interessant sind.

 

Du kommunizierst somit über die gleichen Shop-Funktionalitäten wie bisher, allerdings in intelligenter Form. Dadurch schaffst du in vielen Fällen eine 1:1-Kommunikation wie im stationären Handel, die für Shoppingerlebnisse sorgt und dir einen höheren Umsatz bringt.

Beispiel: Im Online Shop von fahrrad.de kommen zum Beispiel KI-gestützte Empfehlungen auf der Startseite zum Einsatz. Besucht ein Kunde den Shop zum ersten Mal und hat somit noch keine Historie, werden ihm auf der Startseite zwei Empfehlungswidgets mit Topsellern und Neuheiten angezeigt. Bewegt sich der Kunde anschließend im Shop, klickt sich z. B. durch verschiedene Kategorien oder sieht sich bestimmte Produkte an, wird dieses Klick- und Kaufverhalten erfasst und verarbeitet. Der Kunde besitzt nun eine Historie, die zur Ausspielung von personalisierten Empfehlungen genutzt werden kann. Navigiert unser Beispiel-Kunde jetzt erneut auf die Startseite von fahrrad.de wird ihm nun noch ein drittes Empfehlungswidget mit „persönlichen Empfehlungen“ angezeigt, die seinen gelernten Präferenzen entsprechen.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zum epoq Newsletter an. Jetzt anmelden!

Wie Ex Libris 10-fach höheren Produkt-E-Mail-Umsatz im Online Shop über KI-gestützte E-Mailings erzeugte

Um Kunden 90 Tage im Voraus über eine Buch-Neuerscheinung zu informieren, entwickelte Ex Libris den Wunsch der Entwicklung und Umsetzung eines KI-gestützten Prozesses. Es sollten nur Empfänger über ein E-Mailing angeschrieben werden, die potentiell Interesse an dem neu erscheinenden Buch haben. Diese KI-gestützte Berechnung wurde über personalisierte E-Mails automatisiert umgesetzt. Der Produkt-E-Mail-Umsatz stieg dabei um das 10-fache an. Für diese Umsetzung gab es sogar den E-Mail-Award 2018. Alle weiteren Infos kannst du in der Case Study Steigerung des E-Commerce-Umsatzes nachlesen.

Der Beitrag Wie du mit einer KI-Software die Verkaufszahlen deines Online Shops steigern kannst erschien zuerst auf abtasty.

Diese Inhalte erwarten dich in diesem Blogartikel:

Was ist Big Data?

Was ist Big Data im E-Commerce?
Wie es mit den gesammelten Daten weitergeht
Worin die Herausforderung im E-Commerce besteht

Use Cases zu Big Data im E-Commerce
Use Case 1: Reduktion der Klick- und Kaufdaten für die Ausspielung von Empfehlungen
Use Case 2: Automatische Produktidentifizierung aus vorhanden Informationen
Use Case 3: Extraktion von Farbwerten für die Lokalisierung ähnlicher Produkte

Fazit: Big Data ist gut, Smart Data ist besser

Was ist Big Data?

Der Begriff Big Data hat zwei Bedeutungen, die auch für Big Data im E-Commerce gelten. Auf der einen Seite beschreibt der Begriff die riesige Menge an Daten, die vielen Unternehmen und Nutzern inzwischen zur Verfügung steht. Auf der anderen Seite bezeichnet Big Data die Methoden und Technologien, die benutzt werden, um einen Nutzen aus dieser Fülle an Daten zu generieren.

Das V-Modell von Dough Laney definiert für Big Data folgende Eigenschaften:

• Volume: beschreibt die Größe der Datensätze. Facebook verfügt z. B. über die Daten seiner über 2 Mrd. Nutzer.¹
• Velocity: bezeichnet die Geschwindigkeit, in welcher neue Daten hinzukommen oder sich ändern. Auf YouTube werden z. B. jede Minute 400 Stunden Videomaterial hochgeladen.²
• Variety: bezieht sich auf die unterschiedlichen und oft nicht strukturierten Daten, wie es z. B. bei einer E-Mail der Fall ist. Diese hat einen strukturierten Header mit Absender und Betreff. Der Body ist aber unstrukturiert.³

Dass der Begriff seit einigen Jahren vermehrt benutzt wird, hat verschiedene Gründe. Einerseits haben Unternehmen heutzutage die Möglichkeit viel mehr Daten über ihre Nutzer zu erhalten als in der Vergangenheit. Gerade durch Smartphones, die vermehrte Nutzung von mobilem Internet und die verschiedenen Analysetools, hat sich die Menge an verfügbaren Daten um ein Vielfaches vergrößert.

Andererseits sind die Speichermöglichkeiten durch Clouds und die Verarbeitung dieser Daten durch immer schneller rechnende Computer besser geworden.

Da sich Big Data des Weiteren auch über künstliche Intelligenz (KI) verarbeiten lässt, haben die jüngsten Fortschritte der KI und die damit verbundene Begeisterung das Thema Big Data im E-Commerce zusätzlich angefeuert.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Was ist Big Data im E-Commerce?

Big Data beschreibt alle Daten, die ein Unternehmen sammeln kann, um Erkenntnisse für das zukünftige Handeln im Unternehmen zu gewinnen. Big Data im E-Commerce stellt alle Daten dar, die den digitalen Handel betreffen und im Rahmen des Online-Shoppings gesammelt werden. Dies können z. B. gesammelte Daten aus dem Shopsystem, dem Warenwirtschaftssystem und dem Klick- und Kaufverhalten im Online Shop sein.

Wie es mit den gesammelten Daten weitergeht

Wenn du als Betreiber eines Online Shops nun eine riesige Menge an Daten zur Verfügung hast, fragst du dich bestimmt, wie du einen Nutzen daraus gewinnen sollst. Ganz zu Recht, denn die große Ansammlung an Daten liefert zunächst noch keine Informationen. Die Kunst besteht nun darin, diese Daten effektiv zu verarbeiten und Muster und Korrelationen zu erkennen, die nützliche Informationen für deinen Online Shop liefern können. Dieses Verfahren nennt man Data Mining.

Um diese Informationen zu gewinnen, werden aus Big Data im E-Commerce, Smart Data extrahiert. Smart Data sind nützliche Daten für bestimmten Anwendungsfälle im E-Commerce. Es findet somit eine zielgerichtete Analyse der großen Datenmengen statt.

Dadurch entsteht auch der Fokus auf das Wesentliche und zufällige Korrelationen werden nicht fälschlicherweise als Muster interpretiert. Ein Zitat von Stefan Jähnichen, FZI Forschungszentrum Informatik und Leiter der Smart-Data-Begleitforschung, beschreibt Smart Data sehr treffend: „Big Data ist also eine Art Rohstoff, den es aufzubereiten gilt, damit er zu Smart Data veredelt werden und sein gesamtes wirtschaftliches Potenzial entfalten kann“.⁴

Worin die Herausforderung im E-Commerce besteht

Somit besteht die Herausforderung im E-Commerce darin, den „Rohstoff“ Big Data im Hinblick auf bestimmte Use Cases zu Smart Data zu verarbeiten, damit Aktionen im Online Shop zugunsten der Online Shopper und Shopbetreiber durchgeführt werden können. Deshalb wird neben dem Data Mining ein weiteres Verfahren eingesetzt: Machine Learning. Machine Learning stellt die Verfahren zum Bauen von künstliche Intelligenz bereit, um die zur Verfügung stehende Datenmengen weiterzuverarbeiten und Aktionen im Online Shop durchzuführen.

Zusammengefasst kann gesagt werden, dass Data Mining zielgerichtete Analysen durchführt und eine geeignete Datenmenge für Machine Learning bereitstellt. Diese wird anschließend weiterverarbeitet und führt zu Aktionen im Online Shop. 

Use Cases zu Big Data im E-Commerce

Damit du dir Smart Data besser vorstellen kannst, haben wir drei Use Cases für dich zusammengestellt. Diese beschreiben, wie du aus Big Data über Data Mining und Machine Learning Smart Data extrahieren und weiterverarbeiten kannst und welcher Vorteil damit verbunden ist:

Use Case 1: Reduktion der Klick- und Kaufdaten für die Ausspielung von Empfehlungen

Wenn ein Online Shopper mit einer Webseite interagiert, produziert er extrem viele Daten. Jeder Klick, jede Mausbewegung und jeder Scroll kann aufgezeichnet werden. Hierbei sprechen wir von Big Data. Für die Berechnung von Empfehlungen reicht jedoch eine Teilmenge von Daten aus, wie z. B.:

• Welche Links wurden geklickt,
• welche Artikel wurden in den Warenkorb gelegt und
• wie lange hielt der Kunde sich wo auf.

Eine erste Reduktion findet also bereits bei der Aufzeichnung der Daten statt. Die zweite Reduktion wird dann beim Berechnen des Modells durchgeführt, wie z. B.:

• Welche Informationen helfen beim aktuellen Online Shop,
• für den aktuellen Kunden und
• für das aktuelle Problem am meisten.

Diese kontextbezogenen Informationen stellen Smart Data dar.

Möchtest du mehr Infos zu dieser Use Case? Dann empfehlen wir dir unseren Blogartikel: Reinforcement-Learning-Prozess: Wie du mit Real Time Analytics die Kaufwahrscheinlichkeit erhöhst (Teil 2).

Use Case 2: Automatische Produktidentifizierung aus vorhanden Informationen

Dein Produktkatalog enthält Informationen wie Titel, Kategorie und Beschreibung, die ein real existierendes Produkt aus einer Folge von Wörtern und Produkt-IDs beschreiben. Bis zu diesem Punkt reden wir von Big Data. Wenn ein Algorithmus aber aus diesen Daten ein aktuelles Produkt extrahiert, sprechen wir von Smart Data. Erst wenn der Algorithmus das Produkt als solches erkennt, kann er es in eine korrekte Beziehung zu anderen Produkten setzen (Semantik). Ein Beispiel:

Big Data

Titel: Phase Eight Leto Floral Dress

Kategorie: Damen-Kleider/Weitere Kleider

Beschreibung: Dieses Jersey-Kleid präsentiert sich mit kontrastfarbenen Blumendrucken, die für ein helles und modernes Finish sorgen. Ein Twist-Detail an der Taille erzeugt eine schmeichelhafte Silhouette, die in einer leicht asymmetrischen Form unter dem Knie endet.

Smart Data

Kleid -> Jersey-Kleid

So kann z. B. erkannt werden, ob ein Produkt ein Oberteil oder ein Unterteil ist. Das ist wichtig, um Outfit-Empfehlungen im Online Shop auszuspielen. Durch diese Smart-Data-Extraktion konnten wir z. B. eine zweistellige Umsatzsteigerung für einen unserer Kunden erzielen.

Bleibe up to date in Sachen Customer Experience Optimization: Melde dich zu unserem Newsletter an. Jetzt anmelden!

Use Case 3: Extraktion von Farbwerten für die Lokalisierung ähnlicher Produkte

Wenn ein Online Shop z. B. 200.000 Bilddateien besitzt, dann spricht man in diesem Fall von Big Data. Wenn du nun aus den 200.000 Bilddateien, die Farben und ihre Farbanteile für einen bestimmten Zweck extrahierst, dann entsprechen die Farbwerte Smart Data. Daraus resultiert der Vorteil, dass du direkt mit den Farbwerten arbeiten kannst, um ähnliche Produkte in deinem Online Shop zu finden, statt nur mit den sehr groben sprachlichen Farbwerten wie „blau“.

Fazit: Big Data ist gut, Smart Data ist besser

Big Data ist wichtig für den unternehmerischen Erfolg. Das können wir festhalten. Jedoch ist die Extraktion von Smart Data ein wichtiger Erfolgsfaktor, wie die Use Cases für Big Data im E-Commerce gezeigt haben. Dadurch kannst du die gesammelten Daten erst für bestimmte Anwendungsfälle nutzbar machen. Wichtige Verfahren hierfür sind Data Mining und Machine Learning.

Quellen: ¹ Rising Media Ltd., AllFacebook.de  ² Statista  ³ Gesellschaft für Informatik e. V (GI) ⁴ Smart-Data-Begleitforschung, c/o LoeschHundLiepold Kommunikation GmbH, Newsletter, Ausgabe 1, August 2015

Der Beitrag Big Data im E-Commerce – das solltest du wissen erschien zuerst auf abtasty.