Machine Learning ist für Plattformen und große Onlinehändler inzwischen so etwas wie ein Zauberwort. Viel Magie scheint hinter dem intelligenten Umgang mit den Datenmengen zu stecken. Doch die Zutaten des Zaubertranks sind durchaus profan, werden erschwinglicher und damit das Bild vom Handel massiv verändern.

Was genau steckt eigentlich hinter dem maschinellen Lernen, das als Buzzword Big Data abgelöst hat? Im Grunde ist es letztlich nämlich nur Big Data auf Steroiden.  

Grundproblem von Big Data war schließlich nie das Sammeln von Daten, sondern immer die Kunst, diese richtig zu interpretieren. Machine Learning verspricht dabei nicht weniger, als dass künstliche Systeme uns diese Arbeit abnehmen und aus den Daten eigene Modelle und Vorhersagen entwickeln. Kern ist dabei ein Algorithmus der Verhalten analysiert, daraus mit Hilfe künstlicher Intelligenz Prognosen ableitet, die überprüft und dann gegebenenfalls Anpassungen vornimmt.

Vorhersagen über den Einkauf von Morgen

Kompliziert?

Ein Beispiel: Der Curated Shopping-Anbieter StitchFix bietet Frauen fünf Kleidungsstücke in einer Box an. Bei der Zusammenstellung nutzt StitchFix persönliche Angaben, aber auch Informationen von sozialen Medien oder das Wetter. Je nach Art der Retouren wird der Inhalt weiterer Boxen individuell angepasst. Je länger die Kundin das Angebot nutzt, desto besser kann sich StitchFix auf den individuellen Geschmack einstellen. Wie der aussieht, das knobelt die Maschine aus.  Besser gesagt: Der Algorithmus modelliert ein Bild des Kunden, prüft eigenhändig neue Thesen  – immer mehr ohne menschliche Intervention.  

Machine Learning kann also helfen, dass ein Webshop eine bessere personalisierte Kundenerfahrung bietet. Weil die Analysen und Vorhersagen passendere Artikel vorschlagen oder die Webseite anhand der bisherigen Customer Journey optimieren.

Einsatzgebiete im Onlinehandel sind daher unter anderem:

  • Verbesserte  und zielgenauere Marketing-Kampagnen, beispielsweise in der Newsletter-Werbung
  • Bessere Produktempfehlungen beim Einkauf
  • Vorschläge für effizientere Servicemaßnahmen im Kundencenter, was insbesondere Omnichannel-Anbietern künftig die Arbeit erleichtern wird  
  • Prognosen über das weitere Kundenverhalten. Beispielsweise in dem Kunden identifiziert werden, die erst mit Coupons oder Rabatten zum Kauf bewegt werden können  
  • Ein insgesamt besseres Verständnis der  Customer Journey. Wer weiß, wann und warum er welche Kunden verlieren wird, kann mit Maßnahmen gegensteuern oder einfach zuschauen, weil das System die nötigen Hebel aus aussichtslos erachtet  
  • Bilderkennung bei der Produktsuche
  • Betrugsprävention
  • Geringere Hürden bei der Internationalisierung, weil die künstliche Intelligenz die maschinelle Übersetzung schlauer macht, in dem sie Verhaltensmuster und statistische Daten berücksichtigt

Das alles wird in Echtzeit berechnet  und verlangt daher natürlich nach mächtig viel Rechenleistung.  

Treiber der Entwicklung im Handel sind daher neben den Softwaren-Anbietern die üblichen Verdächtigen: Amazon, eBay, wo man vollmundig erklärt, wie eBay’s Technologie für maschinelles Lernen Grenzen einreißt, Zalando, Google oder auch Otto im Verbund mit der Software-Tochter Blue Yonder.

Eher spielerisch zeigt künftige Möglichkeiten das Projekt „Muze“ von Zalando und Google auf. Auf der Online-Plattform www.projectmuze.com  kann man persönliche Vorlieben angeben und wird dann mit einem personalisierten Mode-Entwurf belohnt. Kaufen kann man das Design aber noch nicht. Project Muze basiert auf Googles Open-Source-Plattform TensorFlow, nutzt ein neuronales Netzwerk und arbeitet mit Informationen aus dem Google Fashion Trends Report und Zalandos Expertise im Mode-Trend-Bereich.

Project Muze

Der britische Onlinehändler Ocado nutzt die Open-Source-Plattform TensorFlow beispielsweise bereits im Kundenservice. Die Maschine sortiert die Kundenfragen und lernt dabei, wie sie die Anfragen für den Mitarbeiter im Call Center immer besser strukturiert.  

Machine Learning verbessert bei eBay die Suche

Konkret zeigt sich Machine Learning bei eBay bei einem der zentralen Elemente im Online-Shop - der Suche: Der Online-Marktplatz schafft mithilfe von Algorithmen zum Maschinellen Lernen ein neues und innovatives Sucherlebnis auf der Plattform.
„Bei eBay wenden wir Techniken des maschinellen Lernens an, um einzelne Angebote einem konkreten Produkt zuzuordnen, Preise zu prognostizieren und Artikel zu kategorisieren“, sagt Selcuk Kopru, einer der Wissenschaftler, der daran arbeitet, maschinelles Lernen in die eBay-Suche zu integrieren. „Wir nutzen sie auch für die Zuordnung von Attributen, um die richtigen Namen für Browse Nodes zu generieren, Produktbewertungen zu filtern und für vieles mehr. Maschinelles Lernen hilft uns dabei, die Relevanz für die Käufer bei der Suche und der Navigation zu optimieren.“

Maschinelles Lernen macht bei eBay auch den „Best Match“ genauer. Dazu analysiert ein Algorithmus alle verfügbaren Daten wie die Beliebtheit eines Artikels, den potentiellen Wert für den Käufer bis hin zu den Servicebedingungen wie dem Rückgabegerecht. Das Ergebnis: mehr relevante Angebote, aber auch wenige irrelevante Deals.

Werkzeuge ohne große Vorkenntnisse nutzbar

Für große Cloud-Anbieter wie Amazon, Google oder Microsoft ist es angesichts des wachsenden Interesses an Machine Learning ein lohnendes Geschäft, den Marketing- und E-Commerce-Spezialisten Werkzeuge bereitzustellen, mit denen diese entsprechende Anwendungen nutzen können. So wirbt beispielsweise Amazon damit, dass sein Angebot "Machine Learning" über die Amazon Web Services auch in einer IT mit geringen Vorkenntnissen leicht einsetzbar sei, ohne dass die Anwender komplexe Algorithmen oder die Technologie erlernen müssen. Trotzdem soll der Service unter anderem bei der Erkennung von betrügerischen Einzelhandelstransaktionen und der vorausschauenden Personalisierung von Inhalten helfen. Google erklärt zudem im Video, wie leicht so ein bisschen Code zu programmieren ist.

Machine Learning Recipes


Je mehr sich Händler, diese Chancen zu eigen machen, desto mehr wird sich das Bild des Handels wandeln. Händler können bei Preis, Produkt, Logistik, Marketing, Vertriebskanal und Service voneinander völlig losgelöste und atomisierte Strategien fahren, von denen sie mit einer hohen Wahrscheinlichkeit wissen, sie funktionieren auch.

Machine Learning erhöht damit trotz aller Investitionskosten die Effizienz. Der Zauberkasten weiß, welche Kunden einen höheren Einsatz lohnen. Das hat übrigens auch Auswirkungen auf schon jetzt weit verbreitete Elemente wie Predictive Analytics. Diese Modelle, die sich noch auf eine überschaubare Anzahl von Parametern stützen, werden künftig noch genauere und weitreichendere Prognosen abgeben können.  

Das wiederum hat auch Auswirkungen auf das Verhalten der Kunden. Die werden sich weniger denn je mit einem Einkaufserlebnis von der Stange zufrieden geben, desto weiter die technologischen Innovationen im Handel voranschreiten.

Natürlich ist Machine Learning nicht allmächtig und es wird noch ein wenig dauern, bis die Rechensysteme und Chatbots uns besser kennen, als wir uns selbst.
Hilft beim Shoppen: der Chatbot von eBay. Er soll ständig dazulernen und immer bessere Empfehlungen abgeben
© eBay
Hilft beim Shoppen: der Chatbot von eBay. Er soll ständig dazulernen und immer bessere Empfehlungen abgeben

Aber in einer nicht allzu fernen Zukunft könnten Apples Siri oder die Amazon-Software Alexa bereits einen ziemlich guten Tipp abgeben, was wir gerade von unserem digitalen Assistenten wollen. Weil sie genau das gerade durch unsere Eingaben und ihre eigenen Fehler lernen. Sie lernen zudem aus Verhaltensweisen, die zunächst einmal gar nichts oder nicht direkt mit unserem Shoppingverhalten zu tun haben müssen.

Probleme bleiben. Ein Dauerthema: Welche Metriken und Daten gilt es innerhalb des Systems wie zu gewichten? Die Komplexität kann immer wieder ein Schnippchen schlagen. Eindrücklich schildert das ein Blog-Beitrag von Julie Zhuo, Facebooks VP Product Design: „Metrics Versus Experience“.
Aber das sind Luxusprobleme, die manch ein Händler erst einmal gerne hätte.  

Player

Digitale Quasselstrippen - interessante Chatbot-Gründungen


Steffen Teske, Zendesk
Marketing

Chatbots und Messenger: Was man von erfolgreichen Vorbildern lernen kann


Salesforce Einstein integriert Künstliche Intelligenz in die Salesforce-Plattform
© Salesforce
Trends

Dreamforce 2016 - Diese 3 Tech-Träume erwarten den Onlinehandel


Felix Kuehl, Head of Sales D-A-CH am Berliner Standort von ChannelAdvisor
Technologie

Data Driven E-Commerce: Die Masse erfolgreich bändigen