Verbessern Sie die Produktsuche mit KI-gestützten Empfehlungssystemen

Jedes Einzelhandelsunternehmen strebt danach, das bestmögliche Einkaufserlebnis zu bieten, und dabei ist es entscheidend, den Kunden relevante und überzeugende Empfehlungen zu geben.

Nehmen wir einmal an, Gregs Familie hat sich während der Pandemie einen Welpen zugelegt. Da sie planen, den Welpen aus dem Tierheim nach Hause zu holen, geht Greg online, um die üblichen Dinge zu kaufen, die man für das neue vierbeinige Familienmitglied benötigt: Spielzeug, Futter, Fressnäpfe, Bürsten, Leckerlis und eine Transportbox. Das Tierheim teilt Greg mit, dass die neue Hündin eine Glutenunverträglichkeit hat, sodass er ihr ausschließlich getreidefreies Hundefutter füttern muss.

Greg besucht die Website seines bevorzugten Zoofachhändlers, um Hundefutter für seinen neuen vierbeinigen Freund zu kaufen. Er ruft die Kategorie „Hundefutter“ auf und wählt den Filter aus, um ausschließlich getreidefreie Produkte anzuzeigen. Es gibt zahlreiche Optionen:

Wie die meisten Menschen entscheidet er sich zunächst für das erste Suchergebnis, ein getreidefreies Trockenfutter auf Truthahnbasis:

Die Produktbeschreibung macht Sinn. Das ist genau das, wonach er sucht. Allerdings ist es etwas teuer. Greg möchte sich weitere Optionen ansehen und bemerkt den Block „Kunden haben sich auch Folgendes angesehen “ weiter unten auf der Seite:

Hmmm. Das sind keine besonders guten Empfehlungen. Schmelzendes Eis ist kein Problem, da Greg in Florida lebt, und das ist ja nicht einmal ein Lebensmittel! Es ist auch ein Vollkornprodukt aufgeführt – und ebenfalls irrelevant. Die anderen drei Optionen sind getreidefrei. In diesem Fall treffen zwei der fünf empfohlenen Produkte überhaupt nicht auf das zu, was er einkaufen möchte. Greg entscheidet sich für die erste Option und schließt seine Bestellung ab. Das Spielzeug und das Futter sind bereits unterwegs.

Als Greg später Fotos seines Welpen auf Facebook hochlädt, sieht er eine Retargeting-Anzeige desselben Zoofachhändlers, in der weitere passende Hundefutterprodukte beworben werden.

Allerdings sind nur zwei davon getreidefrei. Eine weitere verpasste Gelegenheit!

Am nächsten Tag erhält Greg eine Werbe-E-Mail vom Händler, in der man sich bei ihm für seine Bestellung bedankt und ihm erneut einige Produktempfehlungen unterbreitet.

Und das hat nichts mit seinem neuen Welpen zu tun, der keinen empfindlichen Magen hat und (noch) kein großer Hund ist.

Greg hat inzwischen mehrere Empfehlungen desselben Einzelhändlers über verschiedene Marketingkanäle hinweg gesehen. Jede Platzierung bot die Chance, das Kundenengagement zu steigern und Konversionen zu fördern. Diese Chancen können jedoch aufgrund schwacher, irrelevanter Empfehlungen verpasst werden.

Betrachten wir ein weiteres Beispiel:

Greg hat im vergangenen Jahr von zu Hause aus gearbeitet und beschließt, dass er sich, falls die Büros in absehbarer Zeit nicht wieder öffnen, genauso gut ein Paar bequeme Hausschuhe zulegen könnte, die er zu Hause tragen kann. Er besucht die Website seines bevorzugten Online-Schuhshops und sucht nach Hausschuhen:

Er klickt auf das Symbol unten links, woraufhin die Produktdetailseite angezeigt wird:

Okay, super – sieht gut aus – das könnten die sein, die er haben möchte. Aber weiter unten auf der Seite gibt es einen Block mit Empfehlungen:

Es handelt sich hierbei ausschließlich um Damenschuhe, was ganz und gar nicht dem entspricht, wonach er sucht. Eine weitere verpasste Gelegenheit, den durchschnittlichen Bestellwert und die Konversionsrate zu steigern.

Einzelhändler haben die Möglichkeit, ihre Empfehlungssysteme in allen Phasen des Kaufprozesses Produktvorschläge für Kunden generieren zu lassen – und das aus gutem Grund. Empfehlungssysteme funktionieren.

Empfehlungen steigern den Durchschnittswert und die Konversionsrate

Eine aktuelle Studie hat ergeben, dass der durchschnittliche Bestellwert (AOV) sprunghaft ansteigt, sobald die Interaktion mit Empfehlungen zunimmt:

Das entspricht einem Anstieg von 370 % allein durch einen zusätzlichen Klick, der sich auf etwa fünf Klicks beläuft. Dieselbe Studie ergab zudem einen enormen Anstieg der Konversionsraten:

Die Implementierung und optimale Feinabstimmung von Empfehlungssystemen kann für Einzelhändler ein entscheidender Weg sein, den durchschnittlichen Bestellwert (AOV) und die Konversionsraten zu steigern sowie dafür zu sorgen, dass Kunden wiederkommen und mehr kaufen.

Sehen wir uns einige Möglichkeiten an, wie dies umgesetzt werden kann:

„Autopilot-Modus“

Ein Ansatz ist vollständig maschinengestützt, ähnlich wie bei einem selbstfahrenden Auto. Der Algorithmus blickt nach vorne und weiter die Straße hinunter; er nimmt sowohl das, was sich im Rückspiegel befindet, als auch das, was sich unmittelbar in seiner Umgebung befindet, wahr. Inhaltsbasierte Empfehlungssysteme verfolgen häufig diesen Ansatz, um qualitativ hochwertige Empfehlungen von Artikel zu Artikel zu liefern. Dieser Ansatz ist besonders nützlich, wenn Sie eine neue Website ohne Signale oder Daten zum Nutzerverhalten haben.

Ein weiterer rein maschinengestützter Ansatz besteht darin, beliebte und im Trend liegende Artikel und Kategorien hervorzuheben. Dies kann genutzt werden, um sowohl verwandte Produkte als auch verwandte Inhalte wie Markeninhalte und andere Dokumente anzuzeigen, die für den Kunden im Rahmen seines Einkaufserlebnisses nützlich sein könnten.

Synergien zwischen Mensch und KI

Durch die Einbeziehung menschlicher Eingriffe erhalten wir Empfehlungssysteme, die größtenteils autonom arbeiten, bei denen jedoch auch manuelle Arbeitsschritte erforderlich sind. Hier kommen beliebte Algorithmen wie das Bayes’sche personalisierte Ranking (BPR) und die alternierenden kleinsten Quadrate (ALS) zum Einsatz. Auch die semantische Vektorsuche wird in diesen Beispielen häufig eingesetzt. Bei der semantischen Vektorsuche werden die Beziehungen zwischen den Produkten untereinander sowie im gesamten Katalog untersucht.

Eine Analogie aus dem Alltag wäre, wenn Sie in Ihren Supermarkt gehen, um Meeresfrüchte für das Abendessen zu kaufen. An der Fischtheke finden Sie Produkte, die Sie zu einem Meeresfrüchtegericht hinzufügen könnten, wie Zitronen und Tartarsauce. Zitronen befinden sich offiziell in Körben in der Obst- und Gemüseabteilung, und die Tartarsauce steht im Gewürzregal. Indem Sie jedoch herausfinden, wie sich Produkte gruppieren und in Kombinationen gekauft werden, können Sie diesen Zusammenhang erkennen. So verstehen Sie die Absicht der Nutzer besser und erkennen, welches Ziel sie mit ihrem Einkaufsbesuch verfolgen.

Neben der Art und Weise, wie Produkte gemeinsam gekauft werden, nutzt dieser Ansatz auch typische Nutzersignale, um diese Empfehlungen zu verbessern: Suchanfragen, Klicks, „In den Warenkorb“-Aktionen, Käufe, Support-Anfragen und Ähnliches.

Die Wareneinkäufer wissen es nach wie vor am besten

Und manchmal benötigen Sie dennoch die menschliche Note und das Fachwissen, um Ihre Empfehlungsfunktionen vollständig zu optimieren. Im Idealfall können Merchandiser Geschäftsregeln festlegen, um Produkte in einem bestimmten Sortiment hervorzuheben, auszublenden oder fest anzuzeigen. So sehen Besitzer von Hunden, die getreidefreies Futter erhalten, entsprechende Futterauswahlen, und Männer, die Schuhe kaufen, sehen Hausschuhe für Herren. Ein weiteres Beispiel wäre die Verwendung von Farben zur Gestaltung von Empfehlungen. Wenn sich eine Kundin rote Damenjacken ansieht, könnten die Empfehlungen auch rote Artikel umfassen, die über Mäntel und Jacken hinausgehen.

Je einfacher es ist, diese Regeln einzuführen, zu testen und zu messen sowie Anpassungen vorzunehmen, desto leichter fällt es Einzelhändlern, schnell und entschlossen auf Einkaufstrends und Kundenvorlieben zu reagieren. Unser „Predictive Merchandiser“ bietet Merchandisern und Administratoren die Möglichkeit, diesen gesamten Prozess per Drag-and-Drop zu steuern.

Die Dinge ändern sich rasch

Alle oben genannten Arten von Empfehlungssystemen haben sich darauf konzentriert, was der Kunde auf seiner Einkaufsreise erlebt. Diese Technologie lässt sich jedoch auch bei Interaktionen im Stil eines Online-Concierge oder bei der Kundenbetreuung durch Verkaufsmitarbeiter im Ladengeschäft sinnvoll einsetzen. Der Mitarbeiter kann Empfehlungen für einen bestimmten Kunden einsehen und seine eigene Einschätzung oder Meinung einbringen, während er den Kunden durch die einzelnen Vorschläge führt.

Dieser Artikel basiert auf dem Vortrag von Garrett Schwegler mit dem Titel „KI-gestützte Empfehlungssysteme: Autopilot-Modus und menschliches Eingreifen“ von unserer Veranstaltung „Activate Product Discovery 2021“. Möchten Sie mehr darüber erfahren, wie Empfehlungssysteme und Merchandiser zusammenarbeiten können? Lesen Sie als Nächstes diesen Blogbeitrag: „Merchandisern die Kontrolle über Landingpages geben, um das Einkaufserlebnis zu gestalten.“