“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