Wie KI-gestützte Produktsuche den Umsatz steigern kann

Die passenden Informationen genau zur richtigen Zeit bereitstellen: Die Suche ist, was Kunden und Produkte zusammenbringt. Damit trägt sie einen entscheidenden Teil zur Customer Experience eines Webshops bei. Je besser die Suche, desto zufriedener die Kunden – und das wirkt sich letztlich natürlich auch auf die Umsätze aus. Etailment-Experte Steven Bailey erklärt, was genau eine gute Suche ausmacht und welche Rolle künstliche Intelligenz (KI) und maschinelles Lernen (ML) hier spielen können.

Diesen Artikel teilen

• Facebook
• Twitter
• LinkedIn
• Xing
• WhatsApp
• Email

Aufgabe der Suche ist es, die Kunden so schnell und einfach wie möglich auf die Seiten zu bringen, die sie interessieren – oder interessieren könnten. Damit sie das kann, muss sie auf verschiedene Informationen unterschiedlicher Quellen zugreifen und diese auswerten können.

Zum einen sind das natürlich die Produktinformationen oder andere Daten aus dem Onlineshop. Zum anderen sind das aber Daten, die aus dem Nutzerverhalten resultieren. Und hier kommt KI in Form von ML ins Spiel.

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.

MEHR ZUM THEMA: