Produktempfehlungssystem für eine Warenhauskette

Sie möchten Ihren Umsatz mit einem Produktempfehlungssystem steigern, wissen aber nicht wie? Dann hilft Ihnen dieser KI-Use Case weiter.

In diesem KI-Anwendungsbeispiel zeigen wir Ihnen, wie ein Produktempfehlungssystem – basierend auf maschinellem Lernen – dabei hilft, die passenden Produkte für jeden Kunden individuell zu finden.

Das Problem des klassischen Marketings 

Ein großer Kundenstamm im bedeutet nicht gleich ein hoher Umsatz. 

Stellen Sie sich folgendes vor:  

Eine Warenhauskette bedient ca. 500.000 Kunden. Im Sortiment des Warenhauses befinden sich aktuell etwa 10.000 Produkte. Das alleine macht eine Kombination von etwa 5 Milliarden Produkten und Kunden möglich. Wie soll ein geschulter Marketingmanager da den Überblick behalten? 

Ohne datenbasierte Unterstützung, ist das gar nicht mal so einfach. Hier sind die zwei Möglichkeiten:

Option 1: Häufig entscheidet man sich für den Weg der Top-Seller-Logik: das gleiche Angebot für alle Kunden. Nur leider wird dabei der Faktor der Individualität häufig nicht berücksichtigt. Der Kunde möchte nicht als Zahl, sondern als Mensch mit Bedürfnissen wahrgenommen werden.  

Option 2: Wie sieht das manuelle, personalisierte Marketing aus? Der Marketing Manager unterteilt die Kunden in mehrere Kundengruppen und erstellt mehrere Kampagnen. Dabei findet die Personalisierung per Hand statt. Dass hier sowohl ein zeitlicher Aufwand, als auch ein Effizienz-Verlust entsteht, ist bei dieser Vorgehensweise leider unvermeidbar. 

Daraus resultiert nicht selten: 

• Eine Informationsüberflutung für den Kunden 
• Das Umsatzpotential wird stark vernachlässigt 
• Die digitalisierten Wettbewerber ziehen an Ihnen vorbei 

Bei der Warenhauskette, welche wir unterstützen dürfen, lag genau dieser Fall vor:  

• Schlummernde Umsatzpotentiale 
• Unpassende Empfehlungen 
• Verlust der Effizienz  

Aber wie lässt sich dieses Problem vermeiden? Wie können die passenden Produkte aus x Möglichkeiten ausgewählt und dem richtigen Interessenten präsentiert werden? Und das im besten Falle in Echtzeit? 

Die Antwort: Ein Machine Learning basiertes Empfehlungssystem. 

 Verstärkung in Form des Produktempfehlungssystem

Um dieses Problem optimal zu lösen, entscheiden wir uns für die Entwicklung eines Recommender Systems. Ein KI-Produktempfehlungssystem, durch welches wir auf das Kaufverhalten der Kunden in der Zukunft schließen können.  

Die Daten, die wir hierzu benötigen, liegen zu Hauf vor und werden kaum verwendet. Dabei hinterlässt ein jeder Kunde beim Kauf Spuren – sowohl im Shop (POS) als auch Online – und diese nutzt unser System. Smartes Ranking in Echtzeit!

Das Empfehlungssystem filtert die komplexe Produktauswahl. So liegen am Ende wenige, aber für den Kunden relevante Produkte vor, die je nach Nutzerpräferenz sortiert sind.  

Folgende Parameter beeinflussen dabei die Filterung: 

• Relevanz: Menge der Objekte soll für Nutzer von Relevanz sein 
• Neuartigkeit: Neue Produktempfehlung, wenn vorgeschlagene Produkte keine Reaktion des Nutzers hervorrufen 
• Entdeckung: Ergebnisse sollen für Nutzer unbekannt, interessant und überraschend sein 
• Vielfalt: Produktvielfalt, auch wenn Nutzer sich nur für eine Kategorie interessiert zeigt  

Für das Warenhaus entscheiden wir uns für die Variante des Kollaborativen Empfehlungssystems. Hier ermitteln wir Ähnlichkeiten zwischen den einzelnen Nutzern. Dies geschieht, in dem die Präferenzen von Nutzer A mit einer Ähnlichkeitsmatrix der Objekte gewichtet wird. So berechnen wir in einem letzten Schritt eine Empfehlung, die wir wiederum dem Nutzer B vorschlagen. 

Je nach Präferenz des Unternehmens, wird diese Empfehlung in Form von zum Beispiel: “andere Nutzer interessierten sich auch für XY”, „X wird oft mit Y zusammengekauft“, angezeigt. 

Wie gehen wir hierbei vor?  

1. Zunächst sammeln wir Eingangsdaten für die Modellarchitektur und bereiten diese auf.
2. Anschließend aggregierten wir diese, filtern sie und bringen sie in eine Form, die der Algorithmus verarbeiten kann. 
3. Das Training der Modelle beginnt. 
4. Diese implementieren wir dann in die verschiedenen Kanäle (mit Berücksichtigung des individuellen Regelwerks des Unternehmens). 

Das Ziel immer vor Augen:  

• Den Kunden binden 
• Den Umsatz steigern
• Eine möglichst konsistente Kommunikation mit dem Nutzer

 

Wir haben es also am Ende nicht mehr mit Fragezeichen und Eventualitäten zu tun, sondern mit Fakten der Vergangenheit. Durch diese schließen wir auf die Zukunft. Produkte werden so in qualitativ relevanter Form für den Kunden auf den passenden Kanälen präsentiert. 

Das erwartet Sie nach dem Einsatz des Systems 

Das Ergebnis ist eine Umsatzsteigerung durch Produktempfehlungen. Oder anders: eine win- win- Situation für die Kunden und das Marketing-Team. Durch das Produktempfehlungssystem finden die Produkte den Weg zu dem passenden Nutzer und der Warenkorbwert wird um durchschnittlich 7% gesteigert. Kunden durchlaufen einen personalisierten und auf ihre Bedürfnisse zugeschnittenen Einkaufsprozess und besuchen die Website gerne wieder. 

Das Resultat nach dem Einsatz des Empfehlungsdienstes: 

• Hohe Kundenzufriedenheit 
• Steigerung der Klickrate um 12% 
• Steigerung des Warenkorbwertes um 7% 

Ein voll-automatisierter Prozess, der in Echtzeit agiert. Marketingstrategien die durch ihre Effizienz den Umsatz steigern und die Chance, Vorreiter auf dem digitalen Markt zu sein. 

Kam Ihnen das Problem bekannt vor oder interessieren Sie sich für unseren innovativen Lösungsansatz? Dann kontaktieren Sie uns gerne, oder schauen Sie auf unserer Lösungsseite vorbei. 

Wenn Sie uns kennenlernen möchten und weitere spannende Fakten rund um das Thema KI erfahren wollen, dann sind Sie auf unserem YouTube-Kanal genau richtig.