Die Antwort lautet: Empfehlungssysteme.

Die meisten Menschen sind nicht bereit oder in der Lage, ihre Präferenzen ausdrücklich zu äußern. Dieser Prozess erfordert zu viel Zeit, Engagement und Selbsterkenntnis. Außerdem verfügen die Plattformen oft nicht über eine ausreichend komplizierte Schnittstelle oder ein Formular für die Erfassung solch detaillierter Informationen.

Andererseits wären wir ständig von den riesigen Katalogen verfügbarer Produkte und Dienstleistungen überwältigt, wenn wir unsere Suche auf einfache Abfragen und Rankings stützen würden. Wenn Sie dieses eine Buch suchen, brauchen Sie nur diesen einen Titel. Wenn Sie jedoch andere ähnliche Bücher finden wollen, die Ihnen wahrscheinlich gefallen würden, müssen Sie auch deren Titel kennen (oder einen sehr guten Bibliothekar).

Um diese Probleme zu lösen, analysieren Empfehlungssysteme - bei denen es sich um Algorithmen der künstlichen Intelligenz handelt - unser Online-Verhalten durch unsere Interaktion mit verschiedenen Produkten und generieren personalisierte Empfehlungen, die uns helfen, neue Produkte, Inhalte oder Personen zu entdecken, die uns interessieren könnten.

Dank Empfehlungssystemen können E-Commerce-Websites uns Produkte vorschlagen, die uns gefallen könnten, Video-Streaming-Dienste können uns Filme und Fernsehserien anbieten, die unserem Geschmack entsprechen, und soziale Medien können uns helfen, neue Freunde und Verbindungen zu entdecken.

Auf Plattformen wie Amazon dienen sie dem Up-Selling und Cross-Selling. Sie können Bücher vorschlagen, die andere Personen mit ähnlichem Geschmack gekauft haben, oder kompatibles Zubehör für den Laptop anpreisen, der gerade in den Warenkorb gelegt wurde. Laut einer Aussage des CEO von Amazon aus dem Jahr 2006 stammen etwa 35 % des Umsatzes aus Querverkäufen. *

Während wir in physischen Geschäften effizient die Regale durchstöbern und nach Sonderangeboten, neuen Produkten oder einem Überraschungsgeschenk für unsere Liebsten Ausschau halten können, müssten wir in Online-Shops mit Zehntausenden von Produkten stundenlang durch flache Bilder scrollen. Daher wird die von Algorithmen gebotene Inspiration oft gerne angenommen.

Empfehlungssysteme verbessern das Kundenerlebnis erheblich, indem sie das Problem der Informationsflut verringern und gezieltere Angebote in ihre Reichweite bringen.

1. Sie steigern den Umsatz:

Die Förderung ergänzender und gezielterer Produkte regt das Engagement der Kunden an, erhöht die durchschnittlichen Ausgaben auf der Kaufreise, und die positive Erfahrung verbessert die Wahrscheinlichkeit der Kundenbindung (und folglich weiterer Käufe).

2. Die Datenanalyse erfolgt auch nach dem Kauf:

Historische Daten können analysiert werden, um vorherzusagen, welche Produkte oder Dienstleistungen in Zukunft eine höhere Nachfrage haben könnten. Dies ermöglicht die Optimierung des Bestands, verringert das Risiko unverkaufter Produkte und verbessert die Bestandsverwaltung.

Netflix beispielsweise gab in einem Blogbeitrag bekannt, dass „75 % dessen, was die Leute sich ansehen, auf irgendeine Art von Empfehlung zurückzuführen ist“, während die Autoren eines anderen Berichts den geschäftlichen Wert von Empfehlungs- und Personalisierungssystemen für Netflix auf mehr als 1 Milliarde US-Dollar pro Jahr schätzen, dank einer messbaren Steigerung des Nutzerengagements und eines Beitrags zur Verringerung der Kundenabwanderung im Laufe der Jahre. *

Ebenso teilte YouTube mit, dass 60 % der Klicks auf dem Startbildschirm auf die Empfehlungen entfallen. Ein Bericht über das Videoempfehlungssystem der Plattform zeigt einen Anstieg der Klickrate um über 200 %, wenn ein auf Co-Visitation basierender Algorithmus anstelle eines Ansatzes verwendet wird, der nur die am häufigsten angesehenen Elemente empfiehlt. *

Herstellen oder kaufen, das ist hier die Frage.

Heutzutage sind kommerzielle Empfehlungssysteme von der Stange cloudbasierte Dienste (SaaS). Sie sind für große, heterogene Produktkataloge optimiert, wie sie im elektronischen Handel üblich sind, und zeichnen sich durch attraktive Funktionen aus, wie die nahtlose Integration mit E-Commerce- und ERP-Software, KPI-Dashboards, Regel-Engines für Verkaufskampagnen, Unterstützung von A/B-Tests und vieles mehr. Eine Kaufentscheidung auf die Argumente einer Hochglanzbroschüre zu stützen, ist jedoch nur selten fehlerfrei.

Hier sind einige andere Entscheidungskriterien, die CTOs regelmäßig dazu veranlassen, auf Cloud-Dienste zu verzichten und stattdessen ein eigenes Empfehlungssystem zu entwickeln, bereitzustellen und zu betreiben:

Preismodell

Cloud-basierte Empfehlungsdienste werden erfolgsabhängig bepreist. Aufgrund einer umfassenden Nutzerverfolgung weiß das System, welche Käufe auf eine seiner Empfehlungen zurückgehen. Stellen Sie sich vor, das Preismodell ist so gestaltet, dass der Anbieter des Empfehlungsdienstes 15 % des zusätzlichen Nettoumsatzes für sich beansprucht. Das scheint ein gutes Geschäft zu sein, solange der Shop nicht allzu erfolgreich ist. Bei größeren Geschäften holen die kumulierten monatlichen Gebühren jedoch schnell die Investitionen für die Entwicklung und den Betrieb eines Empfehlungssystems ein.

Datenschutz

Für die meisten E-Commerce-Anwendungen ist es in der Regel keine große Sache, Daten über Benutzerinteraktionen an die Cloud zu senden, wo die Empfehlungsalgorithmen ausgeführt werden, und im Gegenzug eine Reihe von Artikeln zu erhalten, die auf der aktuellen Seite als Empfehlungen angezeigt werden. Einige Unternehmen sind jedoch zurückhaltender, man denke an Banken, Versicherungen, Apotheken, Erotikshops usw. Es hängt natürlich auch von der Art der Daten ab. Die Benutzer-ID zusammen mit den Seitenaufrufen scheint harmlos zu sein - Standortdaten oder Daten zu Kreditkartentransaktionen sind es nicht.

Omnichannel-Empfehlungen

Cloud-basierte Empfehlungsdienste sind für eine mühelose Integration mit Standard-E-Commerce-Software konzipiert, können aber kaum andere Kundenkontaktpunkte anregen. Im Sinne einer modernen Omnichannel-Marketingstrategie müssen hochwertige Empfehlungen jede Kundeninteraktion ergänzen, von Newslettern über Call-Center-Interaktionen bis hin zu personalisierten Printprodukten.

Einheitliche Produktkataloge

Bei Cloud-Diensten geht es um Standardisierung. Sie zielen auf die heterogenen Produktkataloge großer Einzelhändler ab und setzen daher Empfehlungsalgorithmen ein, die nur aus Kundeninteraktionsdaten lernen (z. B. Bewertungen, Käufe, Seitenaufrufe, Sitzungsdaten). Es werden keine Produktinformationen verwendet, da es zu wenige gemeinsame Merkmale zwischen den Produkten gibt. Solche Algorithmen im Stil der kollaborativen Filterung leiden bekanntermaßen stark unter dem „Kaltstart“-Problem: Sie können aufgrund fehlender Interaktionsdaten keine Empfehlungen für neue Benutzer oder neue Produkte aussprechen.

Das Problem des „Kaltstarts“ kann durch maßgeschneiderte Empfehlungsalgorithmen entschärft werden, die darauf trainiert sind, produktbezogene Attribute anstelle von Interaktionen zu nutzen. Bei homogenen Katalogen, wie sie z. B. auf Plattformen für den Autoverkauf, auf Immobilien-Websites, Kochrezept-Plattformen oder Online-Dating-Portalen zu finden sind, leisten speziell zugeschnittene Algorithmen oft viel bessere Arbeit als die von Cloud-Service-Anbietern.

Unstrukturierte Produktdaten

Die Ausgabe von Empfehlungen für Kataloge mit unstrukturierten Produktinformationen (Text, Bilder, Videos) übersteigt in der Regel den Rahmen von cloudbasierten Empfehlungsdiensten bei weitem. Mit Einbettungsmodellen, die auf Deep Learning basieren, können solche Daten jedoch genutzt werden, um homogene Merkmale selbst in heterogenen Produktkatalogen zu imitieren. Ähnlich wie bei der Google-Bildersuche, die semantisch ähnliche Bilder anzeigt wie das Bild, das Sie sich gerade ansehen. Für Betty Bossi haben wir zum Beispiel einen Rezept-zu-Rezept-Empfehlungsdienst entwickelt, der ähnliche Rezepte auf der Grundlage des Anleitungstextes und der Zutatenliste vorschlägt.

Katalogübergreifende Empfehlungen

Herkömmliche Empfehlungsalgorithmen berechnen Produktvorschläge auf der Grundlage desselben Katalogs, den sie auch zum Erlernen der Benutzerpräferenzen verwenden. Dies gilt jedoch nicht für alle Unternehmen. Nehmen wir das Beispiel einer Kochplattform, die Kunden durch ihre Rezepte anlockt und gleichzeitig Küchenzubehör oder spezielle Zutaten empfiehlt und verkauft. Rechnerisch werden also die Präferenzen der Nutzer aus den Interaktionen mit den Rezepten gelernt, um Produktempfehlungen aus einem anderen Katalog auszusprechen. Solche Geschäftsanforderungen sind einfach zu speziell, als dass sie von einem standardisierten Cloud-Dienst erfüllt werden könnten.

Jenseits von E-Commerce

Verlassen wir den angestammten Anwendungsfall des elektronischen Einzelhandels, tauchen spezifischere Bedürfnisse auf, die zwangsläufig eine gewisse Anpassung der Empfehlungssysteme erfordern. Die Empfehlung von Behandlungen für Patienten, bei denen eine bestimmte Krankheit diagnostiziert wurde, erfordert beispielsweise Transparenz. In diesem Fall müssen Empfehlungsalgorithmen immer in der Lage sein zu erklären, warum eine bestimmte Therapie einer anderen vorgezogen wird, um Verbindlichkeiten zu vermeiden.

Ein weiteres Beispiel: In einem Online-Buchladen kann jeder Artikel viele Male verkauft werden, und mit jeder Transaktion kann man mehr über die Art von Kunden erfahren, die von diesem Produkt angezogen werden, und die Empfehlungen verbessern. Original-Kunstwerke oder NFTs sind jedoch einmalig und können nach dem Verkauf nicht erneut vorgeschlagen werden. Die Vorliebe eines Nutzers für ein Gemälde überträgt sich nicht zwangsläufig auf andere Gemälde, selbst wenn sie vom selben Künstler stammen. Technisch gesehen haben wir es in diesen Fällen also mit einem Kaltstartproblem bei jedem Artikel im Katalog zu tun. Auch dieses Problem kann nur durch maßgeschneiderte Empfehlungsalgorithmen gelöst werden, die neben den Interaktionen auch andere Daten nutzen können.

Klingt ein cloudbasiertes Empfehlungssystem wie das richtige für Sie?

Artificialy kann Sie bei der Integration von Drittanbieterdiensten unterstützen, aber wir können auch eine grosse Anzahl verschiedener hochmoderner Empfehlungsalgorithmen und Parametrisierungen an Ihren Daten evaluieren, um sicherzustellen, dass die Leistungswerte Ihres bevorzugten Empfehlungssystemanbieters konkurrenzfähig sind. Wir sind stolz darauf, über ein Team von Ingenieuren zu verfügen, das viele der führenden Schweizer E-Commerce-Unternehmen während dieses Prozesses begleitet und beraten hat.

Oder denken Sie, dass Ihr Unternehmen von einer maßgeschneiderten Lösung profitieren könnte?

Nun, Sie haben Glück! Seit fast 10 Jahren entwickeln die Mitarbeiter von Artificialy bereichsspezifische Empfehlungstechnologien für verschiedene Unternehmen und Branchen, deren Bedürfnisse nicht durch standardisierte Cloud-Dienste abgedeckt werden konnten.

* Die in diesem Artikel berichteten Daten sind ausführlicher zu finden in: D. Jannach, M. Jugovac. Measuring the Business Value of Recommender Systems. ACM Transactions on Management Information Systems, Vol.10, №4, Article 1. Dezember 2019.