Schon in anderen Projekten setzen wir erfolgreich „Recommender Systeme“ (Was ist das?) ein. Auf Basis von Interaktionsdaten der Nutzer, einem ständig per Schnittstelle aktualisierten Produktkatalog, mithilfe von Machine Learning und künstlicher Intelligenz werden passende Empfehlungen für jeden Nutzer individuell erzeugt.
Bereits im Einsatz ist ein Recommender-System im Telexa-Projekt, über das wir schon vor Kurzem berichtet haben: https://www.complex-it.de/das-neue-distributivportal-hero-portal-de-der-herweck-ag-ist-da/.
Dort sorgt nun eine personalisierte und fehlertolerante Suche von Recombee dafür, dass die Mobilfunkhändler immer das passende Angebot möglichst schnell finden können und für sie irrelevanter Inhalt nicht aufhält.
Seit ein paar Wochen ist ein weiterer Einsatzort dazugekommen. Bei Kunzmann. Und damit beschäftigt sich auch diese Beitragsreihe, in der wir Ihnen zeigen wollen, dass die Zeit reif ist, im Bereich Productplacement, Listing und im KI-unterstützten Vertrieb mit unserer Hilfe neu zu denken.
Im Automobil-Segment ist Kunzmann regional und überregional stark vertreten und mit mehreren tausend Platz-1-Platzierungen in den SERPS (Was sind SERPS?) einer der bestplatzierten E-Commerce-Shops für Tuning-, Interior-, Originalteile und Reifen und Räder für die Marken Mercedes Benz, Volkswagen, Smart und Audi im DACH-Bereich.
Um die Integration in diesem neuen Segment evaluieren und testen zu können, wurde zu Beginn ein neuer Use Case gefunden. Dieser betrifft nur einen Teil des Shop Traffics. Damit sind unsere Messungen in dieser wichtigen Phase sehr akkurat und wir müssen diese nicht gegen bestehende Metriken vergleichen.
Es werden nach dem Add-To-Cart -Prinzip Produktempfehlungen ausgespielt, die zu weiteren Käufen animieren. Die Engine liefert dabei auf Basis von uns definierter Business Rules Niedrigpreisartikel und preisunabhängig warenkorbergänzende Artikel, die auf den Nutzer zugeschnitten sind.
Das in den Kreisen bekannte Cold-Start-Problem (Was ist das?) haben wir aufgrund der hohen Interaktionszahlen bereits nach vier Wochen überwunden. Im Anschluss waren die Ergebnisse überraschend gut. Nach einigen Anpassungen an den Business Rules können wir von einer Erhöhung der Warenkorbmenge um ~8 % sprechen. Ein voller Erfolg.
Wenige Wochen später wurde dann bereits der zweite Anwendungsfall etabliert. Vollständig KI-gesteuerte Empfehlungen in jeder Produktliste des Shops. In einem „Empfohlen für Sie“-Bereich spielt die Recommender Engine Empfehlungen für Produkte aus, welche aus der Kategorie stammen, lieferbar sind, zum Interaktionsverhalten und dem daraus abschätzbaren Kaufverhalten des Besuchers passen.
Dem Responsive-Ansatz entsprechend, liefern wir unterschiedliche Mengen aus, um so dem mobilen Nutzer zu viele Interaktionen zu sparen. Mobile werden weniger Empfehlungen ausgespielt als auf einem Desktop-Gerät. Tests und Messungen werden zeigen, ob dieses Verhalten den Nutzern auch entspricht oder ob hier noch Anpassungen notwendig sind. Im Rahmen unseres BML-Zyklus (Build-Measure-Learn) werden wir regelmäßig Änderungen vornehmen.
Messbare Erfolge sehen wir in den nächsten Tagen. Bereits am ersten Tag erzeugte die Integration schon messbaren Business Value für Kunzmann.
Weitere Möglichkeiten und Integrationen folgen im nächsten Beitrag dieser Reihe.
Übrigens: Wer mehr zur Funktionsweise der von uns eingesetzten Recommender Engine erfahren will, kann sich diese Artikel anschauen.
- https://medium.com/recombee-blog/machine-learning-for-recommender-systems-part-1-algorithms-evaluation-and-cold-start-6f696683d0ed
- https://medium.com/recombee-blog/machine-learning-for-recommender-systems-part-2-deep-recommendation-sequence-prediction-automl-f134bc79d66b