KI im E-Commerce: erfolgreiche Anwendung und Beispiele

Künstliche Intelligenz (KI) im E-Commerce

Der Einsatz von Künstlicher Intelligenz (KI) im E-Commerce kann Ihnen helfen, den Umsatz zu steigern sowie die Kundenbedürfnisse vorherzusagen und auf diese proaktiv, personalisiert einzugehen. In diesem Artikel stelle ich erfolgreiche Anwendungen von KI im E-Commerce aus der Praxis vor.

Künstliche Intelligenz (KI) im E-Commerce wird seit Jahren erfolgreich eingesetzt; führende Handelsunternehmen und E-Commerce-Plattformen setzen aus gutem Grund darauf. Auf der anderen Seite stehen, besonders in Deutschland viele Unternehmen ganz am Anfang mit dem Einsatz von künstlicher Intelligenz und maschinellem Lernen. Sie wissen häufig nicht so richtig wie sie starten sollen.

In diesem Artikel zeigen wir auf, wie führende E-Commerce-Unternehmen heute vom Künstlicher Intelligenz im E-Commerce profitieren und stelle dabei 8 Beispiele aus der Praxis vor, die erfolgreiche Unternehmen heute schon einsetzen.

Anwendungsbeispiele für künstliche Intelligenz im E-Commerce

Der Customer Lifetime Value

Der Customer Lifetime Value (CLV), alternativ auch als LTV abgekürzt, ist ein Kundenwert, der für die Zukunft ermittelt wird. Der CLV wird durch den Einsatz von künstlicher Intelligenz bzw. durch den Einsatz maschineller Lernmethoden u.a. auf der Basis der Datensätze aus der Vergangenheit (Kaufhistorie) errechnet.

Kundenwert steigern
Steigerung des Kundenwerts entlang des kompletten Kundenlebenszyklus

Früher stand der Customer Lifetime Value stark in der Kritik, da es kaum möglich war, valide Prognosen abzugeben. Inzwischen sind die Methoden allerdings so ausgereift, dass die Vorhersagen wertvolle Erkenntnisse bieten können. Im E-Commerce wird ein CLV häufig für die strategische Segmententwicklung und Marketingsteuerung genutzt. Fragen wie:

  • Wie verhalten sich die wertvollsten Kunden?
  • Welcher Kunde bekommt welches Angebot?
  • Welcher Kunde bekommt welchen Rabatt?
  • Welches Werbemittel wird eingesetzt?

lassen sich mit dem Customer Lifetime Value gut beantworten und helfen dabei, Kundensegmente gezielt zu entwickeln. Der CLV ist eine extrem wichtige Kennzahl für jedes E-Commerce-Unternehmen, da er dabei hilft, Marketingbudgets gezielt einzusetzen und mehr Umsatz zu generieren.

Mehr über das Thema „Customer Lifetime Value“ lesen.

Den Kaufzyklus vorhersagen

Das Datum für den nächsten Einkauf jedes einzelnen Kunden vorherzusagen, ist ein weiterer interessanter Anwendungsfall der künstlichen Intelligenz im E-Commerce. Was würden Sie machen, wenn Sie für alle Kunden wüssten, wann der nächste Kaufzeitpunkt ist? Würden Sie dann Ihre Marketingkommunikation darauf abstimmen, um einige Tage vorher zu reagieren und den Kunden damit zu aktivieren?

Die Prognose des nächsten Kaufzeitpunktes basiert auf den historischen Verhaltensdaten Ihrer Kunden. Dies sind insbesondere die Kaufhistorie und möglicherweise auch das Klickverhalten. Anders als bei klassischen RFM-Segmentierungen, die Kunden nach Kaufhäufigkeit unterscheiden und für eine Prognose nicht ausreichen, wird hier ein Machine-Learning-Modell trainiert, welches den nächsten Kaufzeitpunkt vorhersagt.

KI im E-Commerce
Customer Analytics Dashboard mit verschiedenen Scores.

Die Verwendung von maschinellem Lernen erlauben es den Unternehmen, eine große Anzahl Daten für eine möglichst genaue Vorhersage des nächsten Kaufzeitpunkts zu nutzen.

Durch die Vorhersage des nächsten Kaufzeitpunkt pro Kund, sind Sie nicht mehr auf ungenaue Mittelwerte angewiesen. Gerade im E-Commerce eröffnet dieser Ansatz den Unternehmen die Möglichkeit, proaktiv und personalisiert auf Kundenerwartungen und auch -anforderungen einzugehen.

Mehr über das Thema „nächster Kaufzeitpunkt pro Kunde“ lesen.

Modellierung der Kaufabsicht

Ein neuer Begriff im Marketing ist die Propensity-Modellierung (vom englischen Wort „propensity“: Neigung, Tendenz). Gemeint ist die Neigung des Users oder des Kunden dazu, eine beliebige Aktion auszuführen, beispielsweise einen Kauf, einen Warenkorbabbruch oder eine Anmeldung für den Newsletter.

Die Möglichkeiten sind fast unendlich. Häufig wird bei dieser Art der Modellierung auch von Affinitätsmodellen gesprochen – wie affin ist eine Person oder ein Kunde, etwas in der Zukunft zu tun?

Der entscheidende Unterschied zu einfachen Produktempfehlungssystemen ist hier, dass oft der Zeitpunkt eine große Rolle für die Vorhersage spielt. Ein Empfehlungssystem ist aber in der Regel nicht darauf trainiert, eine Vorhersage der Kundenbedürfnisse für einen definierten Zeitraum zu treffen.

Vielmehr liefert es eine Reihenfolge der relevanten Produkte. Dagegen kann ein Affinitätsmodell oder ein Propensity-Modell vorhersagen, wie hoch die Neigung eines einzelnen Kunden ist, ein bestimmtes Produkt z.B. innerhalb des nächsten Monats zu kaufen.

Sie wollen weitere Informationen zu maschinellem Lernen und KI?

Erhalten Sie tiefe Einblicke wie Sie mit künstlicher Intelligenz und maschinellem Lernen Ihr Marketing optimieren können, sowie Zugang zu exklusiven Whitepapern und praktischen Anleitungen.

Mit der Anmeldung zu unserem Newsletter stimmst du unserer Datenschutzerklärung zu.

Vorhersage der Kundenabwanderung

„Churn“ ist der englische Begriff für die Abwanderung der Kunden. Die Abwanderung kann aktiv erfolgen, etwa durch eine Vertragskündigung, oder passiv, z.B. durch ausbleibende Bestellungen. Die sogenannte Churn Prediction druch künstliche Intelligenz, sagt die Wahrscheinlichkeit von Kündigungen oder Abwanderung ihrer Kunden voraus. Sie können dann entsprechend frühzeitig, proaktiv und personalisiert reagieren, um die Abwanderung zu verhindern.

Da die Akquise eines Neukunden aus betriebswirtschftlicher Sicht um einiges teurer ist als der Verkauf an einen Bestandskunden, ist es für Unternehmen essentiell, die Abwanderung und die Gründe für die Abwanderung vorhersagen zu können.

Im E-Commerce, wo es oft keine Veträge gibt, die seitens der Kunden gekündigt werden können, ist Churn Prediction daher auch besonders interessant. Die Transaktionsdaten sind eine wichtige Datenquelle für die KI, um das Kundenverhalten zu verstehen und so auch die Abwanderung vorherzusagen.

Die E-Commerce-Unternehmen können dann beispielsweise durch frühzeitige Aktivierungskampagnen mit entsprechenden Angeboten und Gutscheinen reagieren, um eine Abwanderung zu verhindern.

Intelligente Produktempfehlungen

Personalisierte Produktempfehlungen kennen wir alle, oder? Amazon, Netflix, Spotify – all diese Unternehmen investieren viel Geld in die Entwicklung ihrer Empfehlungssysteme. Auch deutsche Unternehmen wie Zalando und AboutYou arbeiten erfolgreich damit. Doch wie werden personalisierte Produktempfehlungen berechnet?

Um die richtigen Produkte aus oft tausenden Kombinationen für die Kunden zu finden, müssen große Mengen von Daten aggregiert und in Algorithmen verarbeitet werden. Früher waren es einfache Systeme, die nur Interaktionen wie Klicks oder Käufe betrachtet haben, inzwischen sind die Empfehlungssysteme (Englisch: Recommender Systems) deutlich ausgereifter.

Die heute auf Deep Learning basierenden Systeme nutzen zusätzlich zu den Interaktionen weitere Daten wie Kundeninformationen oder Produktbeschreibungen. Je nach Geschäftsmodell müssen diese Systeme natürlich angepasst werden.

Übrigens: Auch mit wenigen Produkten ist Personalisierung im E-Commerce sinnvoll. Viele Versicherungen und Telkos nutzen heute schon Algorithmen, um jedem Kunden personalisiert ein Vertragsangebot zu machen.

Mehr über das Thema „Empfehlungssysteme“ lesen.

Zielorientierte Kundensegmentierung

Um Streuverluste zu minimieren und Kampagnen bei den richtigen Kunden zu platzieren, benötigen Unternehmen eine intelligente Kundensegmentierung.

Eine Kundensegmentierung im E-Commerce ist eine Aufteilung der Kundenbasis anhand ein- oder mehrdimensionaler Informationen in verschiedene Kundengruppen. In der Regel verfolgt man damit ein bestimmtes Ziel, wie zum Beispiel für einen Kauf, für eine Anmeldung oder für eine Terminvereinbarung relevante Kunden zu ermitteln.

Als Datengrundlage eignen sich hier Datenquellen wie Webtracking, die CRM-Datenbank und die Kaufhistorie. Am Ende der Kundensegmentierung steht die Unterteilung der gesamten Kundenbasis eines Unternehmens in im Bezug auf die jeweiligen Segmentierungsziele möglichst homogene Zielgruppen.

Konkret bedeutet es, dass jedes Kundensegment durch hohe Ähnlichkeit innerhalb des Segments definiert ist, während verschiedene Kundensegmente untereinander möglichst unterschiedlich sein sollen. Im E-Commerce lässt sich eine Zielgruppensegmentierung für Bestandskunden sehr gut anfertigen, da hier eine große Datenbasis vorhanden ist. Aber auch Nicht-Käufer, Sessions, Cookies oder Leads lassen sich segmentieren.

Die nächste Warenkorbgröße vorhersagen

Wissen Sie, wie sich jeder einzelne Kunde entwickelt? Und wie groß der Warenkorb beim nächsten Einkauf wohl sein wird?

Oft versuchen Unternehmen, den Kunden zu früh und zu schnell in einen Upsell-Pfad zu leiten, was Angebote für zu teure Produkte zur Folge haben kann. Durch den Einsatz von KI kann man diesen Fehler vermeiden.

Wie wir bereits gesehen haben, können wir mit einem Empfehlungssystem oder einem Affinitätsmodell ermitteln, was der Kunde als Nächstes kauft. Damit und auf der Basis der Kaufhistorie des Kunden lassen sich mit KI nun auch Vorhersagen über die Menge und die Preise der zukünftigen Käufe treffen.

Retouren-Optimierung im E-Commerce

Die Retouren-Optimierung ist ein weiterer spannender Anwendungsfall für KI im E-Commerce. Retourenquoten von bis zu 50% sind keine Seltenheit, besonders im Handel sind sie ein großes Problem. Wie klingt es, mit KI Retouren senken und hohe Kosten vermeiden zu können?

Für die KI-unterstützte Retouren-Optimierung werden als Datengrundlage vornehmlich Transaktions- und Kundendaten sowie zwei KI-Modelle benötigt:

  • Eine Vorhersage der Retoure-Wahrscheinlichkeit pro Kunde (oder Retouremenge pro Bestellung),
  • Eine CLV-Vorhersage für die nächsten 12 Monate.

Aus diesen zwei Modellen kann man ermitteln, welche Kunden aus einer Marketingkampagne ausgeschlossen werden müssen, da die Kundenbeziehung durch den hohen Retourewert einfach nicht mehr profitabel ist.

Natürlich ist hier Vorsicht geboten, da möglicherweise Umsätze nicht realisiert werden können. Auf der anderen Seite können Unternehmen hier viel Geld sparen, sowohl im Marketing als auch in der Logistik.

Fazit: KI und der nachhaltige Erfolg

Die Analysen von großen Datenmengen und kundenindividuelle Prognosen erlauben es den Unternehmen schon heute, selbst eine große Kundenbasis mit all ihren unterschiedlichen Wünschen und Erwartungen erfolgreich mit Kampagnen und Produkten bedienen zu können.

Gerade in Zeiten von grundsätzlich niedriger Kundenloyalität kann Künstliche Intelligenz im E-Commerce – von der Modellierung der Kaufabsicht bis hin zum personalisierten und retourenoptimierten Einkaufserlebnis eingesetzt – die Kundenzufriedenheit steigern und dem Unternehmen eine nachhaltigere Profitabilität sichern.

Ihr Kontakt: Laurenz Wuttke

Unternehmen sitzen auf einem ungenutzten Berg von Kundendaten. Wir von datasolut entwickeln KI, die Ihr Marketing optimiert. Damit Sie dem richtigen Kunden zur richtigen Zeit das richtige Angebot machen können.

Laurenz Wuttke

Auch interessant für Sie

Laurenz Wuttke datasolut Gmbh
Ich freue mich, wenn Sie sich zu unserem Newsletter anmelden.

Jetzt zum Newsletter anmelden!

Den datasolut Blog abonnieren und Expertentipps zu Marketingoptimierung mit künstlicher Intelligenz erhalten.

  • Spannende Interviews
  • Interessante Case Studies
  • Bewährte Praxistipps

Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.