Wir setzen unsere Reihe fort und berichten heute über einen weiteren Meilenstein auf dem Weg zur Personalisierung des Surf- und Einkaufserlebnisses beim Autohaus Kunzmann und ihrem angeschlossenen Onlineshop (www.kunzmann.shop).
In Teil 1 dieser Reihe haben wir gezeigt, wie schnell mit einem solchen KI gestützten System gute Erfolge erzielt werden können, mit welchen Problemen man zu kämpfen hat und mit welchen kleinen Kniffen man diese recht gut umgehen oder mit ihnen umgehen kann.
Denn eines ist klar: Keine Personalisierungssoftware ist so gut, dass man einfach nur einen Knopf drückt, und alles passiert von allein oder wird selbstständig integriert. Business-Know-How und tiefe Kenntnisse über Business Prozesse des Betreibers sind absolut notwendig für jeden der hier beschriebenen Schritte.
Personalisierung auf 90 % aller Content-Seiten
Das war das Ziel für den zweiten Abschnitt der Integration von Recombee, dem Recommender-System-Dienstleister unserer Wahl in diesem Projekt.
Das Portal von Kunzmann besteht zu einem großen Teil aus CMS-Seiten. Diese CMS-Seiten setzen sich aus einer Auswahl von vielen Modulen zusammen, die der Betreiber frei platzieren und konfigurieren kann.
Einige dieser Module platzieren Texte oder Bilder auf der Seite. Andere Module können aber auch Fahrzeuge oder Produkte auf den Portalseiten ausspielen.
Diese Produktmodule sind nun mit einer Option zur Personalisierung ausgestattet.
Diese steuert, ob die Produkte wie bisher „nur“ aus der Shopdatenbank geladen werden oder ob nun die Produkt-IDs und deren Anzeigereihenfolge vom Recommender-System geladen und die Produktdaten im Anschluss aus der Shopdatenbank ergänzt werden.
Durch diese Kombination konnte die Erweiterung vollständig im laufenden Betrieb eingeführt werden, denn bestehende Funktionalitäten wurden nicht verändert. Die Aktivierung der Personalisierung erfolgte dann innerhalb von 0,4 Sekunden über ein Deployment-Script. Damit haben wir teure Ausfallzeiten vermieden.
Personalisierung – Aber bitte mit korrektem Kontextbezug!
Solche Produktmodule sind auf 90 % aller Seiten des Portals eingerichtet. Jedes dieser Module ist individuell auf seine Umgebung konfiguriert. Denn Personalisierung ist schön und gut. Wenn aber der Inhalt der restlichen Seite garnicht zum ausgelieferten Produkt passt, entsteht für einen Besucher eine Dissonanz, was wiederum zu Ablenkung(Distraction) führt. Und Ablenkung ist einer der größten Conversion-Killer.
Um das zu vermeiden, werden bspw. in den Bereichen wie AMG oder Mercedes Benz nur Produkte angezeigt, die auch aus den entsprechenden Kategorien im Shop stammen. Für jeden Bereich der Seite sind diese Einstellungen im CMS-Modul einstellbar.
Die Relevanz der jeweils darin liegenden Produkte und deren Anzeigereihenfolge entscheidet die Recommender-Engine.
Entsprechend sind nun über 90 % aller Seiten des kunzmann.de-Portals mit personalisiertem Inhalt ausgestattet.
What about Success?
Die Aktivierung fand Mitte Mai statt. Wir haben also noch wenige Daten. Was wir bereits wissen: Die platzierten Module sind meist nicht im Fokus des Besuchers, sondern ergänzen nur den Content, um Produktempfehlungen.
Eine Click-Through-Rate von ~8 % zeigt jedoch, dass selbst auf Seiten mit Platzierungen weit unterhalb des First Views diese Empfehlungen funktionieren und für den Nutzer eine relevante Ergänzung darstellen. Der Gewinn liegt hier also vordergründig in der Verbesserung und Verlängerung der Session.
Der Nutzer hat beim Besuch des Portals ein Interesse an einer Leistung, Information oder einem Produkt. Im Portal von kunzmann.de sind das meist Serviceleistungen und Informationen zu Fahrzeugen. Den Nutzer hier nicht vom eigentlichen Interesse abzulenken, aber bei Interesse zu für ihn relevanten Produkten zu leiten, war und ist hier das Ziel. Das haben wir geschafft.
Bestellungen registrieren wir seit der ersten Stunde. Die Conversion-Rate an diesen Positionen liegt entsprechend im niedrigen Bereich unter 1%. Das ist in diesem Fall jedoch auch normal. Hohe Conversion-Rates von 2 % oder 3 % würden hier darauf schließen lassen, dass der Nutzen des eigentlichen Contents überhaupt nicht gegeben ist.
Ausblick: Was kommt im nächsten Beitrag?
In Teil 3 unserer Reihe zeigen wir die Intregration von „item to item based recommendations“ mit Nutzerbezug, wenn ein Produkt nicht mehr auf Lager ist – ein klassischer Anwendungsfall für jeden E-Commerce-Shop.
Hier wird es wichtig, dass die Produkte(oder auch andere Items wie Seiten oder Fahrzeuge) eine möglichst vollständige und qualitativ hochwertige Stammdatenstruktur im System haben. Denn nur so lassen sich auch hochwertige ähnliche Produkte anzeigen. Auch zeigen wir im Beitrag, wie die Engine auf schlechte Produktbilder reagiert – denn auch Bilderkennungsalgorithmen kommen hier zum Einsatz.
