Denn Machine Learning unterstützt dabei, bereits vorhandene Daten optimal zu nutzen, etwa um das Kundenverhalten effektiv zu analysieren oder die User Experience zu verbessern. Wie? Durch inkrementelles Lernen aus Daten.So können unterschiedliche Arten von verborgenen Mustern erkannt– und somit komplexe Probleme gelöst werden. Die Einsatzmöglichkeiten sind natürlich enorm, gleichzeitig ist vor dem Hintergrund der individuellen Situation, beispielsweise der Businessziele und der technologischen Ausgangslage, nicht alles gleichermaßen sinnvoll.
Die Theorie: Wo ist maschinelles Lernen überhaupt sinnvoll?
Das Marktforschungs- und Beratungsinstitut Gartner bewertet in seinem „AI Use Case Prism For Digital Commerce“ verschiedene Anwendungsbereiche, in denen KI (und damit auch ML) im E-Commerce unterstützen kann, indem es das Verhältnis von resultierendem Geschäftswert und technischer Umsetzbarkeit betrachtet.
Im Kontext von Suche und Machine Learning sind daraus die folgenden Anwendungsbereiche relevant:
• Preisoptimierung
• Keywordsuche
• Produktempfehlung
• Optimierung User Interface
• Kundensegmentierung
• Optimierung der Produktgruppen
• Personalisierte Angebote
Auffällig ist, dass viele davon laut Gartner in einem Bereich mit relativ hohem Business Value bei hoher technischer Umsetzbarkeit liegen – und damit sehr vielversprechend sind.Betrachtet man diese Anwendungsbereiche zudem vor dem Hintergrund der vier Phasen des Sales Funnels (Awareness/Aufmerksamkeit, Evaluation/Bewertung, Purchase/Kauf, Postpurchase/nach dem Kauf), wird zudem deutlich: ML in der Suche ist vor allem während der Bewertungs- und Kaufphase relevant, kann also ganz entscheidend dabei unterstützen, dass ein Kunde sich für einen Kauf entscheidet.
Für Onlinehändler lohnt es sich also, den eigenen Shop mit einer optimalen Suchfunktion auszustatten.
Die Praxis: Wo lässt sich die Suche mit ML optimieren?
Tracking: Die Grundlage für den Einsatz von ML in der Suche ist natürlich, dass die Benutzerinteraktionen verfolgt und aufgezeichnet werden. ML-Algorithmen verwenden diese Daten dann, um die Suchergebnisse anzureichern.
Kontinuierliches Lernen: Über die Interaktionen der Kunden mit dem System lassen sich Rückschlüsse auf ihre Beziehung zu Produkten, Kategorien, Marken oder Händlern treffen. Solche Interaktionen können beispielsweise Suchanfragen oder Käufe sein. Sie zeigen, was für Kunden besonders interessant ist.
Anreichern von Produktdaten: Die Trackingdaten können außerdem verwendet werden, um zu analysieren, welche Suchanfragen zu einem Kauf führen. Beispielsweise können Ansichtszahlen oder Verkaufsinformationen berechnet und damit die Produktdaten angereichert werden.
Intelligente Indexierung von Daten: Im Optimalfall kann ein Indexer Text analysieren und Sprache und Begriffe automatisch erkennen (Named-Entity-Erkennung, NER). Entsprechend geschulte, überwachte Lernmodelle können zudem Dokumente bei der Indexierung automatisch klassifizieren. Auch Bilder können mithilfe von ML/KI automatisch mit Anmerkungen versehen werden.
Empfehlungen: Mit den vom Tracker gesammelten Daten können verschiedene Empfehlungsmodelle erlernt werden, beispielsweise personalisierte Produktempfehlungen an Kunden mit sogenannten kollaborativen Empfehlungen („Kunden, die Produkt A gekauft haben, haben auch Produkt B gekauft“) zu geben.
Die Kundenbedürfnisse besser verstehen
Für langfristigen Geschäftserfolg müssen die Funktionen eines Shops sich nach den Bedürfnissen der Kunden richten. Eine Suchfunktion, die an den passenden Stellen ML einsetzt, ist für Onlineshops ein wichtiges Werkzeug, um die Kunden und ihre Bedürfnisse besser zu verstehen. Zugleich macht ihre Qualität einen entscheidenden Teil der User Experience aus.
Nun verfügt nicht jedes Shopsystem automatisch über eine leistungsstarke Suchlösung – das heißt aber nicht, dass Betreiber von Onlineshops ihr komplettes System umstellen oder sich mit der integrierten Suche zufriedengeben müssen.
Wer sich auf dem Markt umschaut, wird sicher auch schnell eine passende externe Suchlösung und/oder ergänzende AI-Applikationen finden, die die eigenen Anforderungen erfüllt und sich mit dem bestehenden Shopsystem integrieren lässt – und so zu Kundenzufriedenheit, Kundenbindung und Umsatzsteigerung beträgt.
Ehemaliger etailment Experte
Steven Bailey verfügt über eine langjährige Expertise in der digitalen Transformation internationaler Unternehmen und der Entwicklung ihrer Business- und IT-Visionen. Als Chief Strategy Officer verantwortet er bei AOE das Business Development und die Kundenberatung im Bereich Digitalisierungs- und Omnichannel-E-Commerce-Strategien. Die von ihm betreuten Kunden umfassen die gesamte Branchen-Bandbreite – von Groß- und Einzelhandel über Aviation, Automotive und Industrie bis zu Life Science und Telco.
Alle Beiträge