Use Case: Optimierung der B2B-Verkaufsorganisation durch Einsatz eines Recommender-Systems

Der Verkauf von Werbeplätzen im B2B-Geschäft ist ein wesentliches Geschäftsfeld in Medienhäusern. Dementsprechend kritisch ist eine effiziente und erfolgreiche Verkaufsorganisation für deren Gesamtgeschäftserfolg. Recommender-Systeme basierend auf modernen Machine-Learning Ansätzen können dabei helfen, in der Verkaufsorganisation sowohl den Absatz zu erhöhen als auch die Effizienz zu steigern. Im Folgenden diskutieren wir die Erstellung eines Kunden-individuellen Produkte-Rankings als konkrete Einsatzmöglichkeit eines Recommender-Systems in der B2B-Verkaufsorganisation. Eine allgemeine Einführung in die Funktionsweise von Recommender-Systemen, deren Einsatzmöglichkeiten in Medienunternehmen und die Chancen, die sich durch deren Nutzung bieten, finden Sie unter “Andere Kunden kauften auch…” – mehr Umsatz durch Einsatz von Recommender-Systemen im B2C- und B2B-Sales.

Abbildung 1: Welche Produkte sollen dem Kunden angeboten werden? 

Wie werden Entscheidungen in der Verkaufsorganisation getroffen?

Versetzen wir uns zunächst in folgende alltägliche Situation in Verkaufsorganisationen von Medienhäusern: Ein Verkaufsmitarbeiter besucht Firma 1 und bietet ihr Werbeplätze in Zeitung X und Online-Portal X an. Den Werbeplatz in Zeitung X konnte er bereits im letzten Jahr erfolgreich an Firma 1 verkaufen und da Zeitung X und Online-Portal X sehr ähnliche Inhalte haben, entschließt er sich dazu auch einen Werbeplatz bei Online-Portal X anzubieten. Der Verkaufsmitarbeiter stützt sich dabei hauptsächlich auf seine eigenen umfassenden Verkaufserfahrungen. Er weiß jedoch nicht, dass ein anderer Verkaufsmitarbeiter gerade bei der Firma 2, die in der gleichen Branche wie Firma 1 aktiv ist, erfolgreich Werbeplätze in Zeitung X, Zeitung Y und Zeitung Z verkaufen konnte und ein dritter Verkaufsmitarbeiter bei der Firma 3 nicht erfolgreich dabei war, zusätzlich zu Zeitung Z auch Online-Portal Z anzubieten.

Kunde Zeitung X Zeitung Y Zeitung Z Online- Portal X Online- Portal Z
Firma 1 Interessiert ??? ??? ??? ???
Firma 2 Interessiert Interessiert Interessiert
Firma 3 Interessiert Nicht interessiert Nicht interessiert

Tabelle 1: Historische Verkaufsinformationen

Recommender-Systeme können die gesamten in der Organisation angefallen Informationen auswerten und dem Verkaufsmitarbeiter automatisiert vor seinem Termin bei Firma 1 eine Liste mit Produkten erstellen, für die sich Firma 1 mit hoher Wahrscheinlichkeit interessiert. Dabei kann das System sowohl Ähnlichkeiten zwischen Kunden

  • Firma 1 und Firma 2 haben beide Werbeplätze in Zeitung X und Firma 2 zusätzlich Werbeplätze in Zeitung Y und Zeitung Z gekauft, also empfehle Firma 1 auch Zeitung Y und Zeitung Z

und zwischen Produkten

  • Zeitung Y und Zeitung Z sind ebenfalls Print-Medien und wurden mit Zeitung X zusammen gekauft, Online-Portal X enthält ähnliche Inhalte wie Zeitung X, also empfehle auch Zeitung Y, Zeitung Z, Online-Portal X

berücksichtigen.

Wie liefert ein Recommender-System optimierte Produktvorschläge?

Recommender-Systeme automatisieren die obigen Überlegungen im großen Stil. Sie sind in der Lage selbstständig wesentliche Zusammenhänge zwischen Kunden und Produkten zu erkennen und damit zuverlässige Vorhersagen für den Abschlusserfolg zu generieren. Zusätzlich zu den in Tabelle 1 dargestellten historischen Verkäufen und Verkaufsversuchen können beliebige weitere Kunden- und Produktinformationen in die Modellbildung einfließen. Ein Recommender-System bietet hierbei den großen Vorteil, dass es im Gegensatz zum menschlichen Entscheider prinzipiell beliebig große Daten- und Informationsmengen umfassend auswerten kann. Somit kann es auch Muster berücksichtigen, die erst durch die Analyse einer großen Zahl von Datenpunkten sichtbar werden. Zusätzlich trifft das System Vorschlags-Entscheidungen rein basierend auf der Daten-Faktenlage und ist im Gegensatz zum Bauchgefühl der Verkaufsmitarbeiter immun gegenüber kognitiven Verzerrungen. Nichtsdestotrotz liefern die Erfahrung und das Bauchgefühl der Verkaufsmitarbeiter wertvolle Erkenntnisse und können in hybriden Entscheidungssystemen berücksichtigt werden. 

Abbildung 2: Technischer Aufbau eines Recommender-Systems

Das Kernstück des Recommender-Systems ist ein Machine-Learning Modell, das trainiert wird um aus der Eingabe von Kunde und Produkt einschließlich zugehöriger Merkmale einen Score, wie z.B. die Verkaufs-Wahrscheinlichkeit oder den beim Kunden zu generierenden Umsatz mit diesem Produkt, zu berechnen. Basierend auf diesem Modell wird für einen Kunden ein Produkte-Ranking erstellt, indem für diesen Kunden der Score mit jedem Produkt berechnet und die Produkte nach dem Score sortiert werden. Der Output des Recommender-Systems, der dem Verkaufsmitarbeiter als Grundlage für die Vorbereitung des Termins bei Firma 1 dienen kann, könnte dann zum Beispiel wie folgt aussehen:

Rank Produkt Verkaufs-Wahrscheinlichkeit
1 Zeitung X 92%
2 Zeitung Z 63%
3 Zeitung Y 57%
4 Online-Plattform X 23%
5 Online-Plattform Z 8%

Tabelle 2: Ranking-Output des Recommender-Systems

Wie stark automatisiert diese Rankings am Ende in die Prozesse der Verkaufsorganisation eingebunden werden, können das Medienhaus und die Verkaufsmitarbeiter selbst entscheiden. Es kann direkt verwendet werden um zentral zu planen, welche Kunden mit welchen Produkten angesprochen werden, oder aber den Verkaufsmitarbeitern als Ergänzung zu ihren eigenen Einschätzungen bei der Verkaufsplanung dienen.

Welche weiteren Vorteile bietet der Einsatz eines Recommender-Systems?

Zusätzlich dazu, dass ein Recommender-System automatisiert Verkaufs-Wahrscheinlichkeiten liefert, kann es auch dabei helfen das Kaufverhalten der Kunden besser zu verstehen. Anhand des Outputs und der Zwischenergebnisse des Machine-Learning Modells können Kaufmuster aufgedeckt und homogene Kunden- und Produkt-Cluster identifiziert werden. Das folgende Bild zeigt beispielhaft die von einem Neuronalen Netz gelernten Produkt-Vektoren, so dass nahe bei einander liegende Punkte Produkte repräsentieren, die von gleichen Kunden gekauft werden. Dies erlaubt tiefe Einblicke in die Struktur des Produktportfolios rein auf Basis des Kaufverhaltens.

Abbildung 3: Darstellung der gelernten Ähnlichkeiten der Produkte (Farben entsprechen Produktgruppen und Kreisgrößen dem Gesamt-Umsatz mit diesem Produkt)

Darüber hinaus können weitere Daten-Analyse- und Clustering-Methoden genutzt werden, um das Kaufverhalten der Kunden besser zu verstehen. Besonders hervorzuheben ist dabei die Methode der Assoziationsanalyse, bei der automatisiert Regeln der Form „Wenn Zeitung X und Zeitung Y gekauft wurden, wird mit Wahrscheinlichkeit 87% auch Zeitung Z interessant sein“ gelernt werden können. Basierend auf diesen Regeln kann der Algorithmus dann Empfehlungen generieren. Zum Beispiel würde er Kunden, die Zeitung X und Zeitung Y gekauft haben, auch Zeitung Z vorschlagen. Dieser Algorithmus erstellt also nicht nur Empfehlungen “Kaufen Sie Zeitung Z”,  sondern er kann auch zusätzlich Begründungen “Wenn Zeitung X und Zeitung Y gekauft wurden, wurde oft auch Zeitung Z gekauft” für diese Empfehlungen liefern. Somit können tiefe Einblicke in die Kaufmuster gewonnen werden und die Produktempfehlungen sind einfacher zu plausibilisieren.

Recommender-Systeme und Machine-Learning-Tools können über die oben diskutierte Erstellung von Kunden-individuellen Produkte-Rankings hinaus noch weitere Aufgaben in der Steuerung der Verkaufsorganisation übernehmen. So kann zum Beispiel auch vorhergesagt werden, wann welche Kunden kontaktiert werden sollten, mit welcher Frequenz Kunden betreut und über welche Kanäle (Tele-Sales, persönlicher Besuch) optimal angesprochen werden können. Zudem können Kunden-individuell optimierte Preise und Rabatte bestimmt werden. Die Qualität dieser Vorhersagen hängt dabei stark von der vorhandenen Datenlage ab. Solange aber die endgültigen Entscheidungen bei menschlichen Entscheidungsscheidungsträgern liegen und der Output von Recommender-Systemen lediglich bei der Entscheidungsfindung unterstützt, können von Algorithmen aufgedeckte Zusammenhänge die Verkaufsplanung verbessern, ohne dass nicht erkannte Muster, die jedoch den Verkäufern durch ihre Erfahrung bekannt sind, ignoriert werden. Ein großer Vorteil von Machine-Learning Systemen ist auch, dass diese sich mit der Zeit weiterentwickeln, d.h. mit dem Zufluss neuer Daten lernen sie Zusammenhänge immer besser zu erkennen und Vorhersagen immer präziser zu treffen.

Listening-Center, Abo-Aufwertung, WLAN für alle und eine Gefängniszelle zum Auslegen – Die innovativsten Projekte der Zeitungsbranche 2018

In den drei Kategorien Produktinnovation, Vermarktungsinnovation und Neues Geschäftsfeld sowie einem Sonderpreis wurden im Rahmen des Zeitungskongresses im E-WERK in Berlin Ende September die Sieger des NOVA Innovation Award 2018 gekürt. Gemeinsam mit dem Bundesverband Deutscher Zeitungsverleger (BDZV) hat SCHICKLER diesen Award zum zweiten Mal organisiert. Die Preise gingen in diesem Jahr an

  • die Rheinische Post in Düsseldorf,
  • den Zeitverlag in Hamburg,
  • Kieler Nachrichten sowie
  • Die Welt aus Berlin.
NOVA-Award 2018: Alle Preisträger

Warum haben diese Ideen die Jury überzeugt?

1) Produktinnovation: Listening-Center der Rheinischen Post

Das Monitoring-Tool, das inhouse bei der RP entwickelt wurde, unterstützt die Lokal- und Mantelredakteure in Ihrer täglichen Recherche. Anhand eines Algorithmus werden Stimmungen aus 40 Millionen Quellen (u.a. soziale Netzwerke, Foren und Nachrichtenseiten) systematisch analysiert. Die Ergebnisse werden zusammengefasst, wodurch in Echtzeit Thementrends aufgespürt werden können.

Gerade im lokalen und regionalen Bereich hat die Lösung der RP ihre Stärken und kann sich von anderen Tools abgrenzen, wenn lokale Schlagworte mit spezifischen Filtern kombiniert werden. So erhält jede Redaktion der RP ein morgendliches Reporting mit den wichtigsten Links des individuellen Themenkosmos. Kein Wunder, dass bereits nationale und internationale Medienhäuser interessiert sind. So soll das Tool im Rahmen eines Lizensierungsmodells aktiv vermarktet werden.

NOVA-Award 2018: Preisträger Produktinnovation

2) Vermarktungsinnovation: Freunde der ZEIT des Zeitverlags

Mit Freunde der ZEIT baut der Zeitverlag ihr Zeitungsabonnement zum Clubmodell aus, welches vor allem auf die Stärkung der Abonnenten-Treue abzielt. In dieser Mitgliedschaft sind neben der Zeitung in gedruckter oder digitaler Form eine Reihe an zusätzlichen Leistungen enthalten:

  • Das Live-Programm mit verschiedensten Events, wie dem Tag der Zeit, Redaktionsbesuchen oder Workshops mit ZEIT-Experten.
  • Online-Angebote mit exklusiven Inhalten, wie Podcasts, Webinaren, E-Books oder einem eigenen WhatsApp-Channel
  • Abonnenten-Vorteile bei ausgewählten Partnern

Wir kennen nur wenige Verlage, die diesen Club-Gedanken so konsequent umsetzen, wie die ZEIT und das Handelsblatt. Neben der Steigerung der Kundenbindung und damit höhere Aboerlöse können diese Leistungen auch durch neue Vermarktungsansätze monetarisiert werden. Bei den diversen Veranstaltungen können Kooperationen mit Sponsoren geschlossen werden und durch die Vorteilsangebote von Partnern werden deren Produkte beworben.

NOVA-Award 2018: Preisträger Vermarktungsinnovation

3) Neues Geschäftsfeld: #SH_WLAN der Kieler Nachrichten

Weiter weg vom klassischen Zeitungsgeschäft befindet sich die Innovation der Kieler Nachrichten. Sie haben das Ziel, über das Verbreitungsgebiet ein möglichst umfassendes WLAN-Netzwerk zu spannen. Bislang sind bereits über 1.500 Hot-Spots in Schleswig-Holstein installiert, an denen sich schon 700.000 Personen registriert haben. Dies gelang der Kieler Nachrichten gemeinsam mit ihren beiden Partnern Sparkassen Schleswig-Holstein und Ruckus Accespoints. Die Access-Points werden lokalen Geschäftskunden gegen eine variable Gebühr je nach User-Zugriffen bereitgestellt. Neben dieser Einnahmequelle können auch gezielte Inhalte sowie Werbung an den Access-Points ausgespielt werden, was durch den Verlag gesteuert wird. Neben diesen finanziellen Aspekten, war der gesellschaftliche Charakter dieser Idee für die Jury ausschlaggebend.

NOVA-Award 2018: Preisträger Neues Geschäftsfeld

4) Sonderpreis: Deniz Yücels Leben der Welt

Auch für die erstmalige Vergabe des Sonderpreises spielte das Kriterium gesellschaftlicher Nutzen eine übergeordnete Rolle. Denn diese – vor allem inhaltlich getriebene – Idee ist weder skalierbar noch gut auf andere Verlage übertragbar. Trotzdem hat sie die Jury mit ihrer Kreativität überzeugt. Auf Basis einer Originalzeichnung Yücels aus dem Gefängnis, wurde der Grundriss seiner Zelle 1:1 nachempfunden und in einer Sonderausgabe der Welt abgedruckt. Aus den jeweiligen Blatt-Rückseiten der Zeitung konnten sich die Leser den Grundriss der Zelle maßstabsgetreu zu Hause auslegen. Ein deutliches Zeichen der Redaktion für den freien Journalismus.

NOVA-Award 2018: Preisträger Sonderpreis

Wieder einmal konnte die Branche mit diesem Event zeigen, dass sie trotz der schwierigen Marktsituation durchaus gute Ideen hervorbringt. Nur durch Innovation kann nachhaltiges Wachstum generiert werden. Wie Sie als Verlag die Zukunft selbst gestalten können, erfahren Sie in unserem aktuellen Einblick zum Innovationsmanagement bei Verlagen.

Diesen können Sie hier anfordern:

https://www.schickler.de/2018/11/innovationsmanagement-wie-medienhaeuser-auch-in-zukunft-relevant-bleiben/

#DataDeepDive – dpa Hackathon mit Schickler Data Science Team

Unter dem Motto #DataDeepDive fand vom 29. November bis 1. Dezember bereits zum dritten Mal der dpa Hackathon im Newsroom der deutschen Presseagentur (dpa) in Berlin statt. Ziel war es, datengetriebene Lösungen zu entwickeln, um die Arbeit der Journalisten im dpa-Newsroom zu erleichtern und neue datenbasierte Produkte oder Produktverbesserungen für die Nachrichtenagentur zu kreieren. Die behandelten Themen umfassten unter anderem die automatisierte Erstellung von journalistischen Inhalten in Text und Graphiken (Robot Journalism), die Auswertung und Erkenntnisgewinnung aus öffentlichen Datenquellen (Public Data) und die Verwendung von Nutzerdaten zur optimalen Ausspielung von Inhalten (DataDriven-Publishing).

Abbildung 1: Logo des Hackathons

Das Format des Hackathons und die bunte Mischung von circa 80 Teilnehmen aus den Bereichen Software-Entwicklung, Journalismus und Data Science boten optimale Voraussetzungen für die Entwicklung innovativer Ideen. Zudem bekamen die Teilnehmer von den dpa-Mitarbeitern im Newsroom direkte Einschätzungen zur Umsetzbarkeit und zum Nutzen ihrer Konzepte.
Nur 50 Stunden hatten die Teilnehmer Zeit um von den ersten Ideen bis zum finalen Pitch tragfähiger Konzepte und zur Vorstellung funktionsfähiger Prototypen zu gelangen. Trotzdem haben sich insgesamt 11 Teams gefunden, denen es in dieser kurzen Zeit gelungen ist 11 Projekte zu erarbeiteten, die aufzeigen wie die Zukunft redaktioneller Arbeit und journalistischer Produkte aussehen könnte.

Mit Robot Journalism werden automatisiert Texte und Graphiken erstellt

Die Teams Regio Reports und Loki beschäftigten sich mit der Frage, wie Lokaljournalisten aus großen öffentlichen Datensätzen, wie sie zum Beispiel das statistische Bundesamt regelmäßig veröffentlicht, mit geringem Aufwand für ihre Region relevante Einsichten gewinnen können. Sie entwickelten Algorithmen, die automatisiert Zusammenfassungen und Graphiken für jede Region erstellen und diese an die Lokalredaktionen versenden. Das Team Loki programmierte zudem einen Chatbot, über den Journalisten entsprechende Inhalte anfragen können und der diese dann automatisiert bereitstellt. Das Team Regio Reports wurde für sein Konzept mit dem Preis Best of API Prototype ausgezeichnet.

Abbildung 2: Das Team VizGov gewinnt den Preis Best Overall (Foto dpa)

Das Team VizGov, das mit dem Preis Best Overall ausgezeichnet wurde, konnte die Jury mit einem Programm überzeugen, das automatisiert Bundestagsprotokolle auswertet. So kann das Tool zum Beispiel feststellen, welche Fraktion für die meisten Zwischenrufe verantwortlich ist oder welcher Abgeordnete bei seinen Redebeiträgen den meisten Applaus oder die meisten Lacher erntet. Auch das Team VizGov programmierte einen Chatbot, dem Journalisten solche Fragen stellen können und der dann automatisiert die erfragte Information aus den Protokollen extrahiert.
Journalisten bietet sich eine Vielzahl von Möglichkeiten einen Text oder eine Graphik zu gestalten. Oft jedoch fehlt die nötige Information darüber, welche Form dem Leser am besten gefallen wird. Einen interessanten Workaround für dieses Problem entwickelte das Team Fluid Articles. Es kreierte ein Tool zur Erstellung interaktiver Graphiken, die der Nutzer selbst verändern kann. Anhand der Veränderungen der Graphik durch die Nutzer lernt der Algorithmus welche Darstellung den Nutzern am besten gefällt und präsentiert neuen Nutzern eine überarbeitete Darstellung. Potentiell ist ein ähnliches Konzept auch für Textinhalte denkbar. So können zum Beispiel Textteile, bei denen ein Nutzer das Lesen abbricht, automatisiert überarbeitet werden.

Smarte Algorithmen erleichtern die Arbeit in der Redaktion

Redaktionen stehen bei der Erstellung journalistischer Inhalte permanent unter Zeitdruck. Viele Teams suchten deswegen nach Lösungen um die Arbeit der Journalisten zu erleichtern und zu beschleunigen. Das Team Robocop beschäftigte sich mit dem Problem, dass täglich hunderte von Pressemitteilungen in Redaktionen eingehen und manuell die berichtenswerten Mitteilungen herausgefiltert werden müssen. Für die Entwicklung eines Algorithmus, der automatisiert Polizeiberichte scannt und nach ihrer Wichtigkeit sortiert, wurde das Team mit dem Preis Most Innovative ausgezeichnet. Weitere denkbare Anwendungen des Algorithmus umfassen die automatisierte Prüfung beliebiger Pressemitteilungen auf Relevanz oder das Durchsuchen von Social Media Feeds nach berichtenswerten Ereignissen.

Abbildung 3: Das Team Robocop bei der Arbeit (Foto dpa)

Um Journalisten bei der Recherche zu unterstützen, entwickelte das Team Context ein Programm, das die Berichterstattung über eine Person auswertet und visualisiert. So wird auf einen Blick deutlich, in welchem Kontext eine Person in der Vergangenheit im öffentlichen Interesse stand. Der Algorithmus kann zudem angepasst werden um die Berichterstattung über Organisationen, Länder, Orte und ganz allgemein Themen zu visualisieren.
Ein weiterer wichtiger Punkt für die Produktion qualitativ hochwertiger journalistischer Inhalte ist die Verifizierung von Quellen. Das Team veri easy entwickelte hierfür einen Algorithmus, der die Echtheit von Fotos analysiert. Mit dem Ziel Nachrichtenhäusern Fotos und Videos schneller zur Verfügung zu stellen kreierte das Team Crowdforce eine App, über die sowohl professionelle Fotografen als auch Amateure ihr Bildmaterial anbieten können. Journalisten können in der App dann mit Hilfe von Stichworten, Zeit- und Ort-Restriktionen passendes Material finden.

Durch DataDriven-Publishing werden Leser optimal angesprochen

Bei digitalen Medieninhalten besteht die Möglichkeit eine Vielzahl an Nutzungsparametern wie Leserzahl, Lesedauer und Lesetiefe zu erfassen. Basierend auf diesen Werten können Inhalte optimiert oder Leser-individuell ausgespielt werden. Im Gegensatz zu den Medienhäusern, die die Inhalte direkt an die Leser weitergeben, verfügt die dpa als Nachrichtenagentur, die ihre Inhalte an die Medienhäuser verkauft, allerdings nicht über diese Informationen. Deswegen entwickelte das Team HillSight ein Kooperationsmodell zur Weitergabe relevanter Performance-Parameter von den Medienhäuser an die dpa. Die dpa kann mit Hilfe dieser Informationen ihre Inhalte optimieren und ein werthaltigeres Produkt anbieten. Die Medienhäuser profitieren von der Kooperation dadurch, dass sie für die Erreichung ihrer strategischen Ziele wie Reichweite und Paid-User-Conversion maßgeschneiderte Inhalte erhalten.
Um möglichst vielen Artikeln eine interessierte Leserschaft zu verschaffen, entwickelte das Team Fair chance ein Recommender System für Online-Artikel. Das Team Vor der Tür entwickelte ein Content-Portal, auf dem auf Nachbarschaftsebene interessante Nachrichten gesammelt werden. Über das Portal können lokal relevante Nachrichten, Veranstaltungsinformationen und viele weitere Inhalte sowohl von kommerziellen Anbietern als auch von Privatpersonen geteilt werden. Die Nutzer können selbst steuern über welche Inhalte sie durch das Portal informiert werden möchten.

Schickler begleitete den Hackathon als Sponsor und war mit dem Data Science Team vor Ort. Amr Rekaby Salama und Ole Martin fungierten als Mentoren und unterstützten die Teams bei technischen und konzeptionellen Fragestellungen. Dr. Christoph Mayer war als Jury-Mitglied bei der Auswahl der besten Beiträge beteiligt.

“Andere Kunden kauften auch…” – wie Recommender-Systeme zu mehr Umsatz führen

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?

Kunden oder Nutzer stehen häufig vor einer großen Auswahl an Produkten oder Inhalten. Ihre Kauf- oder Nutzungsentscheidung hängt dann maßgeblich davon ab, dass sie die für sie interessanten Produkte und Inhalte möglichst schnell und mit geringem Aufwand herausfiltern können.  Dabei helfen Recommender-Systeme (dt. Empfehlungsdienste oder Vorschlagssysteme). Das sind algorithmenbasierte Systeme, die für jeden Kunden automatisiert die Produkte auswählen können, die ihn mit hoher Wahrscheinlichkeit interessieren. Die Systeme lernen aus historischen Verkaufsdaten, Kunden- und Produktinformationen, für welche Kunden welche Produkte oder Inhalte besonders interessant sind. Sie erstellen automatisiert für jeden Kunden Rankings und können so 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 Recommender-Systeme bieten: Amazon zum Beispiel generiert 35 Prozent seines Umsatzes über Käufe, die durch Produktvorschläge ausgelöst wurden. 75 Prozent der Filme und Serien bei Netflix werden gesehen, weil sie das hauseigene Recommender-System vorgeschlagen hat. Die Online-Werbeeinnahmen von Medienunternehmen skalieren hauptsächlich mit der Reichweite und Nutzungsdauer von Online-Inhalten. So zeigt insbesondere das Netflix-Beispiel, welche Chancen Recommender-Systeme Medienunternehmen bieten, ihre Umsätze zu steigern. Heutzutage nutzen die meisten Menschen täglich Suchmaschinen wie Google. Sie sind im Wesentlichen nichts anderes als riesige Recommender-Systeme, die zu Suchbegriffen passende Webseiten vorschlagen. Die meisten Kunden von Medienhäusern sind zudem mit Vorschlagssystemen aus dem Onlinehandel und von Unterhaltungsplattformen wie Netflix, Youtube und Spotify bestens vertraut – und schätzen deren Vorzüge. 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 ist mit Recommender-Systemen viel möglich: So können zum Beispiel Cookies oder User-Accounts tracken, welche Nutzer welche Inhalte auf Online-Nachrichtenseiten lesen. Basierend auf diesen Informationen können dann automatisiert nutzerspezifische Inhalte vorgeschlagen werden – so dass für den Nutzer beispielsweise am Ende eines Artikels weitere für ihn interessante Artikel verlinkt sind oder individuelle Startseiten für ihn erstellt werden. Weiterhin können Recommender-Systeme dabei helfen, welche Nutzer welche Werbung über Pop-Ups oder Banner zu sehen bekommen. Werbung, die mit hoher Wahrscheinlichkeit für den Nutzer relevant ist, kann die Click-Through-Raten und damit auch die Werbeeinnahmen massiv erhöhen. Im Kundenservice können Recommender-Systeme automatisiert Lösungen für eingehende Anliegen vorschlagen. Sie können dann entweder direkt an den Kunden gesendet werden oder den Service-Mitarbeiter bei der Kundenberatung unterstützen. Weiterhin stehen Mitarbeiter in der Verkaufsorganisation von Medienhäusern täglich vor der Entscheidung, an welche Kunden sie mit welchen Produkten herantreten. Oft entscheiden sie dann basierend auf persönliche Erfahrungen. Ein Recommender-System kann die Erfahrungen aller Mitarbeiter für die gesamte Organisation zugänglich machen, den Mitarbeitern bei der Entscheidung helfen und neue Zusammenhänge aufdecken (Vgl. Christoph Mayer, Künstliche Intelligenz und Maschinelles Lernen: Hintergrund, Anwendungsfälle und Chancen für Medienunternehmen, erschienen in MedienWirtschaft 03/2018).

Immer niedriger: die technischen Hürden

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

Schickler zeigt auf: Wie die Blockchain deutsche Verlagshäuser unterstützen kann

Sie ist in aller Munde – und dennoch wird sie von den Wenigsten komplett durchdrungen – Blockchain. Im Zuge der Finanzkrise tauchte sie als Pendant zu dem aktuellen Geldsystem in Form der Digitalwährung Bitcoin auf. Über die folgenden Jahre reifte die Blockchain zu einer Plattform, in der Verträge zwischen Nutzern, ohne gegenseitige Vertrauensbasis lückenlos sicher geschlossen werden können. Grund genug sich der Frage zu widmen, was state-of-the-art Projekte der Blockchain für deutsche Verlagshäuser tun können.

Funktionsweise der Blockchain

Der Grundgedanke der Blockchain ist einfach. Eine Transaktion wird auf die zwei wesentlichen Akteure heruntergebrochen, wobei intermediäre Parteien entfallen. Beispielsweise beinhaltet eine einfache Bannerschaltung bei einem Digitalartikel eine Wertschöpfungskette mit Parteien wie Bannerherstellern, Agenturen oder Cyber-Security Firmen, welche alle ihren Teil vom Umsatz haben möchten. Dem Grundgedanken der Blockchain folgend müsste diese Bannerschaltung auf die zwei Protagonisten, namentlich Publisher und Werbeschaltenden, minimiert werden. Somit würden sowohl Transaktionskosten als auch Abwicklungsgeschwindigkeiten signifikant reduziert. Beschließen die zwei Parteien eine Transaktion, bspw. die Entscheidung des Werbetreibenden auf der Seite des Publishers einen Banner zu platzieren, wird sie in ein offenes Kassenbuch eingespeist und von anderen Nutzern verifiziert. Ist dieser Verifizierungsprozess abgeschlossen, wird ein neuer Block an die Datenkette gehängt und kann nicht rückgängig gemacht werden. Soviel zur Theorie, aber wie sieht das Ganze nun in der Praxis aus und was bietet der recht junge Blockchainmarkt aktuell?

Interessante Blockchain Projekte für Verlagshäuser

Blockchain im Werbemarkt

Die Technologie der Blockchain besitzt die Möglichkeit akute Herausforderungen für Online-Publisher zu lösen. Hierzu zählt bspw. die Ungewissheit über die Höhe der Werbeerlöse aus zukünftigen Artikeln. Die New York Interactive Advertising Exchange (NYIAX) ist eine Plattform mit dem Ziel, zukünftige Werbeverträge zu handeln. Das Blockchainbasierte Konzept greift hierzu auf Technologien der Nasdaq Börse zurück. Der Vorteil für Publisher liegt darin, zum aktuellen Zeitpunkt und garantierten Preisen, in Form eines Future-Vertrages, Werbeflächen verkaufen zu können, bei zeitgleicher Minimierung von dritten Profiteuren. Ziel der Plattform, die noch in den Kinderschuhen steckt, ist nach und nach über den Online Werbemarkt hinaus in Bereiche wie Print und Out of Home zu expandieren und eine Handelsbörse für zukünftige Werbeanzeigen auf allen Kanälen zu werden.

Ein weiteres Projekt beschäftigt sich mit der Bekämpfung des Onlinewerbebetrugs, bei dem Bots statt Menschen Traffic auf einem Banner generieren und somit jährliche Schäden von bis zu $16 Mrd. verursachen (Adloox). Die Lösung AdChain widmet sich mit einer eigenen Kryptowährung (sogenannte „coins“) dieser Problematik, indem sie ein Register einführt, bei dem die Teilnehmer incentiviert sind, Publisher auf ihre Legitimität und Reputation zu bewerten und auf einer Whitelist zu vermerken. Jeder Seitenbetreiber kann sich um einen Platz auf dieser Liste bewerben. In einem eigenen Ökosystem haben dann alle Teilnehmer die Möglichkeit, den Bewerber anzuzweifeln, also anzunehmen, dass dieser regelmäßigen Bot-Traffic generiert. In einem demokratischen Abstimmungsverfahren wird anschließend entschieden, welche Meinung überwiegt. Die mehrheitliche Meinung wird nach der Entscheidung in der besagten Kryptowährung vergütet. Im Ergebnis wird ein Whitelisting derer Websites erstellt, welche nach Meinung der Mehrheit seriöse Werbung ausspielen, die von echten Nutzern und keinen Bots angesehen wird.

Auch im Kampf gegen Adblocker bewegt sich etwas. Eines der führenden Projekte ist Brave: Gegründet von Brendan Eich, ehemaligem COO/CEO von Mozilla, versucht die Webbrowserlösung den Werbemarkt im Internet kundenfreundlicher zu gestalten und der zunehmenden Nutzung von Adblockern entgegenzuwirken. Analog zum Grundgedanken der Blockchain ist der Nutzer bei Brave Herr seiner Daten und wird dementsprechend auch an der Vergütung der Werbeeinahmen beteiligt. Hierbei wird die Kundenaufmerksamkeit quantifiziert und entsprechend aufgeteilt und ausgezahlt.  Im Gegenzug stellt Brave sicher, dass lediglich seriöse Werbung geschaltet wird. Durch diese Incentivierungsstruktur erhält der Kunde einen Anreiz, sich gegen die Nutzung eines Adblockers zu entscheiden, da er an jeder von ihm gesehenen Werbung mitverdient.

Blockchain für effizientere Paid-Content Strategien

Bezahlmodelle in Paid-Content können unterschiedliche Strukturen annehmen – von Jahresabonnements zu Tageszugängen – haben Bezahlschranken ihren Weg in das Portfolio von Medienhäusern gefunden. Insbesondere bei Fixed Fee Modellen gibt es allerdings die Herausforderung, dass mit sinkender Transaktionsgröße die durchschnittlichen Margen abnehmen, da die Transaktionskosten einen größeren Anteil am Gesamtbetrag einnehmen. Hier kann die Blockchain helfen: Durch Micropaymentmodelle, die einen Bruchteil der Kosten bestehender Transaktionskosten ausmachen, können Medienhäuser ihre Produkte noch zielgerichteter, kosteneffizienter und profitabler verkaufen. Ein namhafter Vertreter dieses Ansatzes ist Satoshipay. Hier kann der Publisher die Bezahlstruktur beliebig granular gestalten. Beispielsweise könnte ein Text, der ursprünglich einen Euro kostet, gedrittelt werden und mit einer linearen Steigerung pro Drittel vergütet werden. Oder noch extremer, könnten Paymentmodelle auf Zeilenbasis eingeführt werden. Somit würden jene Leser, die den Artikel wirklich lesen, mehr zahlen und die Leser, die sich zu Beginn des Artikels anders entscheiden, entlastet werden. Darüber hinaus sind die Transaktionskosten, die hierdurch entstehen weitaus geringer als über den herkömmlichen Bankenprozess.

Unsere Empfehlung

Ob die Blockchain ihren Weg in das Tagesgeschäft von Verlagshäusern findet oder nicht, wird die Zeit zeigen. Nichtsdestotrotz zeigt sie uns wieder einmal die gnadenlose Geschwindigkeit, mit der Innovationen im digitalen Zeitalter vorangetrieben werden. Während Medienunternehmen noch vollumfänglich mit der Digitalisierung des eigenen Angebots beschäftigt sind, werden in den Denkzentren dieser Welt schon neue Ideen ausgeklügelt, die disruptiv für bestehende Modelle sein werden. Folglich sind Medienunternehmen gut damit beraten, sich möglichst agil für die Zukunft aufzustellen und mindestens mit einem Auge die aktuellen Entwicklungen weiterzuverfolgen.

Exklusiv-Interview mit eBay & LocaFox: Digitalisierung des lokalen Einzelhandels

Die Digitalisierung stellt den lokalen Einzelhandel vor große Herausforderungen – immer mehr Kunden führen ihre Einkäufe Online bei Zalando, Amazon und Co. durch. Von dieser Entwicklung sind auch Regionalverlage betroffen. Denn mit durchschnittlich rund 30 Prozent macht der lokale Einzelhandel einen erheblichen Anteil deren Werbeerlöse aus. Das langfristige, erfolgreiche Bestehen des lokalen Einzelhandels ist für die Verlage daher von großem Interesse.

Neue Player, wie das 2013 gegründete Unternehmen LocaFox, aber auch etablierte Unternehmen wie eBay, mit der Initiative „eBay City lokal & digital“, haben es sich zur Aufgabe gemacht, den lokalen Einzelhandel für die Zukunft zu rüsten. Mit zwei unterschiedlichen Ansätzen helfen sie Einzelhändlern dabei, ihre Geschäftsmodelle in die digitale Welt zu verlängern.

Wir haben mit Stefan Plattner, Multichannel & Local Retail Lead von eBay, und Michael Wendt, Co-Founder von LocaFox, über ihre Geschäftsmodelle sowie die Vorteile bei der Kooperation mit Verlagen gesprochen.