“Andere Kunden kauften auch…” – mehr Umsatz durch Einsatz von Recommender-Systemen im B2C- und B2B-Sales

Amazon generiert 35% seines Umsatzes und Netflix 75% der Reichweite seiner Inhalte ausschließlich durch die Nutzung von Recommender-Systemen! Lernen Sie im folgenden Artikel, was Recommender-Systeme sind, was für Einsatzmöglichkeiten sich für Recommender-Systeme in Medienunternehmen bieten und welche Chancen durch ihre Nutzung realisiert werden können.

Was sind Recommender-Systeme?

In vielen Situationen sind Kunden oder Nutzer mit einer großen Auswahl an Produkten oder Inhalten konfrontiert. Die Kauf- oder Nutzungsentscheidung hängt in diesen Fällen maßgeblich davon ab, dass die für den Kunden bzw. Nutzer interessanten Produkte und Inhalte möglichst schnell und mit geringem Aufwand identifiziert werden können. Recommender-Systeme (dt. Empfehlungsdienste oder Vorschlagssysteme) sind Algorithmen-basierte Systeme, die für jeden Kunden automatisiert solche Produkte herausfiltern können, die für ihn mit hoher Wahrscheinlichkeit interessant sind. Diese Systeme lernen aus historischen Verkaufsdaten, Kunden- und Produktinformationen welche Kunden sich für welche Produkte oder Inhalte besonders interessieren. Sie erstellen automatisiert für jeden Kunden Rankings der für ihn interessantesten Produkte und Inhalte und können hiermit den Prozess der optimalen Zuordnung von Kunde und Produkt bzw. Inhalt unterstützen.

Abbildung 1: Prinzipielle Funktionsweise von Recommender-Systemen

Amazon und Co.  – die Großen machen es vor

Prominente Unternehmen zeigen, was für ein enormes Potential der Einsatz von Recommender-Systemen bietet: Amazon zum Beispiel generiert 35 Prozent seines Umsatzes über Käufe, bei denen der Kauf-Impuls durch Produktvorschläge ausgelöst wurde. 75 Prozent der Inhalte (Filme und Serien), die bei Netflix konsumiert werden, wurden vorher über das hauseigene Recommender-System vorgeschlagen.[1] Da die Online-Werbeeinnahmen von Medienunternehmen hauptsächlich mit der Reichweite und Nutzungsdauer von Online-Inhalten skalieren, zeigt insbesondere das Netflix-Beispiel, welche Umsatzsteigerungschancen der Einsatz von Recommender-Systemen für Medienunternehmen bietet. Heutzutage nutzen die meisten Menschen täglich Suchmaschinen wie Google, die im Wesentlichen nichts anderes sind als riesige Recommender-Systeme, die zu einer Eingabe von Suchbegriffen passende Webseiten vorschlagen. Ein Großteil der Kunden von Medienhäusern ist zudem mit Vorschlagssystemen aus dem Onlinehandel und aus der Nutzung von Unterhaltungsplattformen wie Netflix, Youtube und Spotify bestens vertraut und weiß deren Vorzüge zu schätzen. Folglich ist das Risiko, dass eigene Systeme wenig oder schlecht angenommen werden, verhältnismäßig gering.

Abbildung 2: Artikelvorschlagssystem von Amazon

Die Einsatzbereiche in Medienhäusern sind vielfältig

Gerade in Medienhäusern gibt es eine Vielzahl an Einsatzmöglichkeiten von Recommender-Systemen: So kann zum Beispiel über Cookies oder User-Accounts getrackt werden, welche User welche Inhalte auf Online-Nachrichtenseiten lesen. Basierend auf diesen Informationen können dann automatisiert User-individuelle Inhalte vorgeschlagen werden, so dass beispielsweise am Ende eines Artikels weitere für den User interessante ähnliche Artikel verlinkt oder User-individuelle Start-Seiten erstellt werden. Weiterhin können Recommender-Systeme genutzt werden, um zu entscheiden, für welchen User welche Werbung über Pop-Ups oder Banner ausgespielt wird. Wird verstärkt Werbung ausgespielt, die mit hoher Wahrscheinlichkeit für den User relevant ist, so können die Click-Through-Raten und damit auch die Werbeeinnahmen massiv erhöht werden. Im Kundenservice können Recommender-Systeme eingesetzt werden um automatisiert Lösungen für eingehende Anliegen vorzuschlagen. Diese können dann entweder direkt an den Kunden gesendet werden oder den Service-Mitarbeitern als Unterstützung bei der Kundenberatung dienen. Weiterhin stehen Mitarbeiter in der Verkaufsorganisation von Medienhäusern täglich vor der Herausforderung zu entscheiden, an welche Kunden sie mit welchen Produkten herantreten. Oft werden diese Entscheidungen hauptsächlich basierend auf persönlichen Erfahrungen getroffen. Ein Recommender-System kann die Erfahrungen aller Mitarbeiter für die gesamte Organisation zugänglich machen, die Mitarbeiter bei der Entscheidungsfindung unterstützen und neue Zusammenhänge aufdecken.[2]

Die technischen Hürden werden immer niedriger

Obwohl man den Einsatz hochentwickelter Machine-Learning-Methoden, wie sie bei Recommender-Systemen verwendet werden, hauptsächlich mit führenden Technologie-Unternehmen aus dem Silicon Valley verbindet, sind die Hürden für die Einführung von Recommender-Systemen überraschend niedrig. Als Datengrundlage reichen bereits einfache Aufzeichnungen darüber, welcher Kunde in der Vergangenheit welche Produkte gekauft bzw. welche Inhalte konsumiert hat. Die Einbeziehung weiterer Kunden- und Produktinformationen kann die Qualität von Recommender-Systemen zusätzlich verbessern. Schickler-interne Untersuchungen basierend auf realen Datensätzen haben aber gezeigt, dass bereits ausschließlich auf der Verkaufshistorie trainierte Systeme sehr gute Ergebnisse liefern können. Zudem können Systeme variabel aufgesetzt werden, so dass neu verfügbare Kunden- und Produktdaten später ergänzt werden können. Zusätzlich dazu, dass die benötigten Daten oft schon vorhanden sind, wird auch das Aufsetzen der Algorithmen immer einfacher. Zum einen gibt es mittlerweile eine sehr hohe Verfügbarkeit von Machine-Learning APIs, die viele vorgefertigte Programmbausteine beinhalten und somit die Entwicklung entsprechender Recommender-Systeme massiv beschleunigen können. Zum anderen stehen Cloud-Services wie Amazon Web Services für einen flexiblen und kostengünstigen Betrieb dieser Systeme zur Verfügung.

Fazit: Ergreifen Sie die Chancen

Medienhäusern bieten sich durch den Einsatz von Recommender-Systemen vielseitige Möglichkeiten um Umsätze zu erhöhen und Prozesse effizienter zu gestalten. Zusätzlich können dabei die Kundenzufriedenheit durch ein individuelleres und gezielteres Angebot gesteigert und Mitarbeiter in ihrer Arbeit entlastet und unterstützt werden. Die oben genannten Anwendungsbeispiele umfassen nur einen Ausschnitt potentieller Einsatzmöglichkeiten von Recommender-Systemen. Viele weitere Anwendungen insbesondere auch unter Einbeziehung weiterer Data-Science Methoden sind denkbar. Im Zeitalter der Daten sind, zumindest unter der Voraussetzung von entsprechender Datenverfügbarkeit und Integrierbarkeit von automatisierten Lösungen in bestehende Systeme, weiteren Anwendungen kaum Grenzen gesetzt.

Wenn Sie neugierig geworden sind, Fragen haben oder einfach mehr wissen möchten, steht Ihnen das Schickler Data-Science-Team gerne zur Verfügung: datascience@schickler.de

 

[1] Quelle: https://www.mckinsey.com/industries/retail/our-insights/how-retailers-can-keep-up-with-consumers
[2] Vgl. Christoph Mayer, Künstliche Intelligenz und Maschinelles Lernen: Hintergrund, Anwendungsfälle und Chancen für Medienunternehmen, erschienen in MedienWirtschaft 03/2018

Das SCHICKLER Strategieforum 2018: Sind Künstliche Intelligenz und Machine Learning die Wunderwaffen der Zukunft für Medienunternehmen?

Teil 2: Neue KI-Geschäftsmodelle und maschinenerlerntes Sprachverständnis

 

Technologie führt zu neuen Geschäftsmodellen – ein erfolgreiches Beispiel

Rolf-Dieter Lafrenz und Tom Krause, CEO und CTO des innerhalb von SCHICKLER geborenen Start-ups cargonexx, gaben einen praxisbezogenen Einblick in das technologiebasierte Geschäftsmodell, die Entwicklung unter Unsicherheit und appellieren an den Mut der Unternehmer.

Cargonexx revolutioniert den LKW-Transport mit Künstlicher Intelligenz, wobei diese definiert wird als Kombination aus Automatisierung, Intelligenz und maschinellem Lernen. Das Geschäftsmodell reduziert die Transaktionskosten und erhöht die Auslastung der LKWs. Künstliche Intelligenz in Form von selbst-lernenden Algorithmen optimiert Touren, sagt Preise voraus und generiert auf Basis wachsender Daten ein intelligentes Transport-Netzwerk. Über die Plattform ergibt sich eine Win-Win-Situation für Verlader (bessere Preise, Zeitersparnis) und Frachtführer (mehr Umsatz, weniger Arbeit). Auch die Gesellschaft und die Umwelt profitiert: weniger Verkehr durch bessere Auslastung und eine Reduzierung des CO²-Ausstosses sind die Folge. Zukünftig ist gepaart mit autonom fahrenden LKWs sogar ein völlig autonomes Transport-Ökosystem möglich.

Wertvolle Hinweise, wie die Umsetzung von neuen Geschäftsmodellen mit Künstlicher Intelligenz kostenseitig nicht zu einem Fass ohne Boden werden, hatte Tom Krause für die Teilnehmer am Beispiel cargonexx parat.  Um Risiken einzuschränken sollten bewiesene Methoden und Ansätze aus dem Start-up-Umfeld wie z. B. die Lean-Methode zum Einsatz kommen. Mit dem Vorgehen „Build – Measure – Learn“ wird vorhandene Unsicherheit wissenschaftlich reduziert. Dazu entwickelt man definierte Hypothesen in kleinen Features (MVP = minimal viable product) um die Hypothese dann zu bestätigen. Entscheidend ist das Lernen und Adjustieren mit echten Kunden, denn der Erfolg hängt davon ab, ob der Kunde den gewünschten Mehrwert erzielt.

Die Strukturierung der Problemstellung und eine auf Automatisierung ausgerichtete Prozessanalyse waren die Grundlage für das Machine Learning bei cargonexx. Die Analyse der Probleme in der Prozesskette vom Verlader zum Frachtführer verknüpft mit den Anforderungen der Player liefert Informationen für die Automatisierungsansätze zur Problemlösung (z. B. zeitintensive Angebotserstellung, Preisvergleiche und Abwicklung). Über immer wieder automatisch neu strukturierte Entscheidungsbäume mit ständig wachsendem Dateninput lernt die Maschine z. B. Freikapazitäten und Preise vorherzusagen und trainiert bzw. verbessert sich mit jeder Entscheidung.

Rolf-Dieter Lafrenz stellte nach dem interessanten und tiefen Blick in die KI-Werkstatt auch fest, dass nicht jeder Entscheider dieses Wissenslevel erreichen muss – wichtig ist es, den Nutzen der Technologie zu verstehen. Denn nur die Technologie führt zu neuen Geschäftsmodellen und neuen Märkten. Er schloss mit dem Appell, mehr Mut zu zeigen, breiter zu denken und neue Geschäftsansätze auszuprobieren.

 

Know your Customer – das Verständnis der Sprache im Kontext

Prof. Dr. Heiko Beier, Geschäftsführer von der moresophy GmbH und Professor für Medienkommunikation setzt seinen Schwerpunkt auf Cognitive Computing und das echte Verstehen von Sprache und Kontext durch Künstliche Intelligenz.

Im Zuge der DSGVO wird deutlich, dass die Nutzung der persönlichen Daten des Kunden für Werbezwecke zunehmend schwierig wird. Die Alternative ist kontextbezogener Content, d.h. eine Nutzung der aktuellen Interessen des Users in Echtzeit. Ich treffe den User in einem Kontext mit dem er sich jetzt gerade beschäftigt – und es ist dafür keine Profilbildung oder Zustimmung notwendig.

Bedingung hierfür ist das Verständnis der Sprache und in welchem Kontext sie verwendet wird. SRA (Semantic Relevance Advertising) schafft es, anhand der Sprache und des Umfeldes dem User ein optimales Werbeangebot zu unterbreiten. Maschinen können heute dieses Verständnis zu lernen. Nicht nur das Wort, sondern die Bedeutung ist dabei entscheidend. Zusätzlich lernen die Algorithmen zu verstehen, was für die User wichtig ist und wie sie sich ausdrücken – hier liegt der Schlüssel. Dies stellt den feinen aber relevanten Unterschied zwischen einem einfachen Keyword und dem echten Verständnis der Sprache dar.

Einsatzbereiche sind z. B. in der automatisierten Dialogsteuerung im Service möglich. Das automatische Verstehen von Kundenkommunikation im richtigen Kontext ermöglicht zudem die Ausspielung von passenden Werbeangeboten in z. B. themenbezogenen Foren.

Fazit: KI kann durch das Verständnis von Sprache und Kontext perfekte Umfelder mit Echtzeit-User-Interesse identifizieren.

 

Historie, Perspektiven, Geschäftsmodelle, Methoden und Anwendungsmöglichkeiten – das SCHICKLER Strategieforum 2018 beleuchtete verschiedene Dimensionen des Themas Künstliche Intelligenz zum Thema. Vielen Dank an die Referenten und Teilnehmer – wir freuen uns auf das nächste Strategieforum 2019!