Umsatz maximieren mit einem Deep-Learning-Empfehlungssystem

Heute sind Produktempfehlungen eine wesentliche Voraussetzung für jedes E-Commerce-Unternehmen, das das Engagement, die Käufe und die Kundenbindung steigern möchte. Eine ständige Herausforderung für Vermarkter und Merchandiser bestand jedoch darin, zu bestimmen, welche Produkte aus einem riesigen Katalog von Artikeln den Nutzern mit unterschiedlichen Vorlieben und Kaufabsichten präsentiert werden sollen.

Genau dieser Bedarf an höherer Genauigkeit ist der Grund, warum sich viele in der Branche fortschrittlichen Deep-Learning-Empfehlungssystemen zuwenden, um die jeweils besten Produkte anzubieten. Tatsächlich verbesserte sich bei zwei Dritteln der von Mckinsey & Company untersuchten Anwendungsfälle die Performance durch die Entwicklung von Empfehlungsalgorithmen auf Basis neuronaler Netze (dazu unten mehr) über das hinaus, was durch andere Analysetechniken erreicht wurde.

Die meisten Produktempfehlungsstrategien auf dem heutigen Markt sind entweder global ausgerichtet, das heisst, sie basieren auf Beliebtheit und Trends, oder kontextbezogen, das heisst, sie sind auf bestimmte Produktattribute oder die Traffic-Quelle, das Gerät, das lokale Wetter usw. des Benutzers zugeschnitten. Und obgleich diese in bestimmten Situationen äusserst effektiv sein können, sind sie letztlich nicht wirklich auf den Einzelnen zugeschnitten.

Selbst personalisierte Strategien, die die Nutzeraffinität und die jüngsten Aktivitäten eines Nutzers berücksichtigen, um zusätzliche interessante Produkte anzubieten, können entweder nicht vorhersagen, welche Artikel als Nächstes angeboten werden sollten, oder tun dies nicht in Echtzeit.

Da die Verbraucher jedoch bei Interaktionen im Online-Einzelhandel ein hohes Mass an Personalisierung erwarten, müssen die Merchandising-Teams ihre Bedürfnisse besser vorhersehen, Produkte im Moment dynamisch empfehlen und sie im Laufe der Zeit verfeinern.

Genau für diesen Zweck konzipiert, erkennt der Deep-Learning-Algorithmus von Dynamic Yield die Kaufabsicht der Kunden sofort – selbst ab der ersten Sitzung. Marken erhalten ein nie dagewesenes Verständnis für Verbraucher und können nun automatisch Produkte präsentieren, bei denen vorausgesagt wird, dass sie im Moment und im Laufe der Zeit Aktionen auslösen.

Als neuronales Empfehlungssystem ist das Modell, das die Deep-Learning-Empfehlungen bei Dynamic Yield antreibt, vom menschlichen Gehirn inspiriert, das aus mehreren Lerneinheiten besteht, die wie ein Netz miteinander verbunden sind und jeweils Informationen empfangen, verarbeiten und an benachbarte Einheiten ausgeben. Im Gegensatz zur grossen Mehrheit traditioneller Anwendungen für maschinelles Lernen ermöglicht die Architektur unseres Deep-Learning-System, dass es schnell (und mit weniger Daten) trainiert werden kann, sich basierend auf Erkenntnissen flexibler anpasst und aussagekräftige Insights aus komplexen Informationen gewinnt.

So nutzt Gmail beispielsweise häufig Natural Language Processing (NLP), um Wortassoziationen zu lernen und Benutzern zu helfen, E-Mails schneller zu verfassen, indem während der Eingabe komplette Sätze vorgeschlagen werden. Ähnlich lernt Dynamic Yield die Produkte im Browserverlauf eines Benutzers, die Aktivität während der Sitzung sowie seitenweite Trends, um Produkte zu empfehlen, bei denen vorhergesagt wird, dass sie beim Einkaufen auf Interesse stossen. Dies geschieht über item2vec, das Lernmodell, das direkt von seinem NLP-Gegenstück word2vec abgeleitet ist.

Unser Deep-Learning-Empfehlungsmodell lernt schnell, häufig und anhand einer riesigen Menge an Verhaltens- und Produktdaten selbst, weshalb es die Kundenabsicht selbst aus der ersten Sitzung heraus sofort erkennen kann. Und was noch besser ist: Wenn neue Informationen eingehen, werden die Ergebnisse kontinuierlich verfeinert.

Das richtige Parameterset wird mit unserem Deep-Learning-Algorithmus automatisch auf Basis des individuellen Verhaltens jeder Person, ihrer Position in der Customer Journey sowie der auf der gesamten Website erkennbaren Trends bestimmt. Verabschieden Sie sich also vom Anwenden benutzerdefinierter Filterregeln und lassen Sie den Algorithmus seine Arbeit erledigen.

Bei der Personalisierung dreht sich alles um Konsistenz; aus diesem Grund geht dieselbe fortschrittliche Deep-Learning-Technologie zur Empfehlung von Produkten, die voraussichtlich das Engagement fördern, über das Web hinaus auch auf mobile Apps sowie E-Mails, wobei die Ergebnisse zum Zeitpunkt des Öffnens der E-Mail angepasst werden.

Als Anbieter von Eigenmarken sowie über 60 Designerbrands verstand GlassesUSA die Herausforderung, jedem Käufer aus Tausenden von Stilen im Katalog die perfekte Brille zuzuordnen. Und nach Jahren der Optimierung verschiedener Erlebnisse zur Entdeckung von Produkten war das E-Commerce-Team bereit, einen ausgefeilteren Algorithmus für maschinelles Lernen auf die Probe zu stellen.

Um den obersten Teil des Trichters abzubilden, richtete GlassesUSA auf der Startseite direkt unterhalb des sichtbaren Seitenbereichs ein Experiment ein, um die Deep-Learning-Strategie von Dynamic Yield für den gesamten Desktop-Datenverkehr mit kollaborativer Filterung zu vergleichen.

Da das Deep-Learning-Modell automatisch pro Website, Produktfeed und Einzelperson konfiguriert wird, nahm das Team nur wenige kleinere Anpassungen an der Strategie vor, bevor es schnell beeindruckende Ergebnisse sah, insbesondere einen Anstieg der Warenkorb-Rate um 45 %, einen Anstieg der Käufe um 68,1 % und einen Zuwachs des Umsatzes um 87,6 %. Und nach einem ähnlichen Test auf Mobilgeräten erwies sich der fortgeschrittene Algorithmus im Vergleich zur Kontrollgruppe erneut als der stärkste Performer, weshalb das Team von GlassesUSA Deep Learning zur alleinigen Strategie für sein beliebtes Homepage-Widget auf diesem Kanal machte.

Lesen Sie mehr darüber, wie GlassesUSA.com einen Deep-Learning-Algorithmus einsetzt, um seine Empfehlungen an jeden einzelnen Kunden anzupassen.

Heute müssen Unternehmen bereit sein, über die Empfehlung ähnlicher oder ergänzender Artikel hinauszugehen und stattdessen solche anzubieten, die wirklich auf jeden einzelnen Nutzer zugeschnitten sind. Und während auf Affinität und kollaborativer Filterung basierende Algorithmen beide als personalisiert gelten, vereint das Deep Learning die besten Eigenschaften beider Ansätze: Es arbeitet in Echtzeit, ist unabhängig von der Feed-Grösse und kann kontinuierlich aus eingehenden Daten lernen und sich an diese anpassen.

Mit Dynamic Yield haben Teams sofort Zugriff auf diese hochmoderne Technologie, sodass sie bisherige Grenzen sprengen und ohne komplexe Integrationen mit Drittanbietern oder interne Entwicklung das ursprünglich für möglich Gehaltene erreichen können.

Und als Krönung ist unser Deep-Learning-Empfehlungsmodell Teil des AdaptML™-Systems von Dynamic Yield, das alle aus unseren Deep-Learning-, Ranking- und Vorhersageanwendungen gesammelten Daten und Erkenntnisse teilt und anwendet, um die Entscheidungskompetenz zu verbessern.

Wenn Sie Kunde von Dynamic Yield sind und Deep-Learning-gestützte Empfehlungen implementieren möchten, wenden Sie sich bitte an Ihren Customer Success Manager. Und klicken Sie hier, um mehr über die Voraussetzungen und Best Practices zu erfahren.