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 dieser Case Study zeigen wir Ihnen, wie wir für eine führende Warenhauskette ein auf maschinellem Lernen basierendes Produktempfehlungssystem entwickelt haben, das dabei hilft, für jeden Kunden individuell die passenden Produkte zu finden.
Wie kann man Produkte empfehlen, die für den Nutzer am relevantesten sind?
Unser Kunde, eine führende Warenhauskette mit mehr als 500.000 Kunden und über 10.000 Produkten, beauftragte uns mit einer KI-Lösung zur Implementierung eines Produktempfehlungssystem. Für eine gute User Experience ist personalisierter Content auf der Website von großer Bedeutung. Unser Kunde möchte daher den eigenen Online-Shop um personalisierte Produktempfehlungen erweitern.
Vor diesen Herausforderungen stand unser Kunde
Mangelnde Individualität
Viele Unternehmen arbeiten nach der Top-Seller-Logik und bieten allen Kunden das gleiche Angebot. Diese Methode ignoriert die individuellen Bedürfnisse der Kunden, die sich als Individuen wahrgenommen fühlen wollen. Dies führt zu geringer Kundenbindung und unzufriedenen Kunden.
Manuelle Personalisierung
Manuelles Marketing teilt Kunden in Gruppen ein und erstellt individuelle Kampagnen. Dieser Prozess ist zeitaufwändig und ineffizient. Manuelle Personalisierung ist arbeitsintensiv und oft ungenau, was zu Effizienzverlusten führt.
Umsatz- und Effizienzverlust
Suboptimale Marketingstrategien führen zu Informationsüberflutung und schränken das Umsatzpotenzial ein. Kunden erhalten oft unpassende Empfehlungen, was zu verpassten Umsatzchancen führt. Digitalisierte Wettbewerber, die datenbasiertes Marketing einsetzen, überholen diese Unternehmen.
Um dieses Problem optimal zu lösen, haben wir uns für die Entwicklung eines Recommender Systems entschieden. Ein KI-Produktempfehlungssystem, mit dem wir das zukünftige Kaufverhalten der Kunden vorhersagen können.
Die Daten, die wir dafür benötigen, sind im Überfluss vorhanden und werden kaum genutzt. Dabei hinterlässt jeder Kunde beim Einkauf – sowohl am POS als auch online – Spuren, die unser System nutzt. Intelligentes 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.
Wie gehen wir dabei vor?
1.
Zuerst sammeln wir die Eingangsdaten für die Modellarchitektur und bereiten sie auf.
Anschließend werden die Daten aggregiert, gefiltert und in eine Form gebracht, die der Algorithmus verarbeiten kann.
2.
Für das Warenhaus entscheiden wir uns für die Variante des Kollaborativen Empfehlungssystems.
3.
Dann haben wir die Empfehlungen in die verschiedenen Kanäle implementiert (unter Berücksichtigung des individuellen Regelwerks des Unternehmens).
KI-Produktempfehlungssystem als Filter für Empfehlungen
Für unseren Kunden wählen wir die Variante des kollaborativen Empfehlungssystems. Hier werden Ähnlichkeiten zwischen den einzelnen Nutzern ermittelt. Dies geschieht, indem die Präferenzen von Nutzer A mit einer Ähnlichkeitsmatrix der Objekte gewichtet werden. 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 z.B. “andere Benutzer interessierten sich auch für XY”, „X wird oft zusammen mit Y gekauft“ angezeigt.
Folgende Parameter beeinflussen die Filterung:
- Relevanz: Anzahl der Objekte, die für den Nutzer relevant sind
- Neuheit: Neue Produktempfehlung, wenn vorgeschlagene Produkte keine Reaktion des Nutzers hervorrufen
- Entdeckung: Ergebnisse sollen für den Nutzer unbekannt, interessant und überraschend sein
- Vielfalt: Produktvielfalt, auch wenn der Nutzer nur an einer Kategorie interessiert ist
Das Ergebnis des Recommender Systems
Das Ergebnis ist eine Umsatzsteigerung durch Produktempfehlungen. Oder anders ausgedrückt: Eine Win-Win-Situation für Kunden und Marketing-Team. Durch das Produktempfehlungssystem finden die Produkte den Weg zum passenden Nutzer und der Warenkorbwert steigt um durchschnittlich 7%. Die Kunden durchlaufen einen personalisierten und auf ihre Bedürfnisse zugeschnittenen Einkaufsprozess und besuchen die Website gerne wieder.
Welche Probleme konnten durch eine KI-gestützte Empfehlung vermieden werden?
- Unzufriedene Kunden, die alle die gleichen Produkte empfohlen bekommen
- Zu hohe Personalkosten durch manuelle Prozesse
- Frustrierte Mitarbeiter durch ineffiziente Planung
Sie haben Fragen zum Thema Produktempfehlungssystem? Dann melden Sie sich! Wenn Sie sich für weitere spannende Fakten rund um das Thema KI interessieren, schauen sie auch gerne bei unseren Leistungen vorbei.
Auch Sie möchten Ihren Kunden immer die passenden Empfehlungen machen? Das unterstützen wir! Kontaktieren Sie uns doch gerne.
Ihr Ansprechpartner
Ob und wie künstliche Intelligenz Ihnen weiterhelfen kann, können Sie in einem ersten, unverbindlichen Gespräch mit uns herausfinden.
In diesem Gespräch erfahren Sie:
- Wie Ihr Use-Case technisch am besten umgesetzt werden kann
- Wie wir maximal sicher mit Ihren Kundendaten umgehen
- Wie lange wir für die Umsetzung benötigen und wie ein konkreter Projektplan aussehen könnte