Maschinelles Lernen treibt die digitale Transformation voran

Ihre Kunden zu verstehen ist der Schlüssel für jedes Unternehmen. Das galt schon zu Beginn der Zeit und ist heute…

Ihre Kunden zu verstehen ist der Schlüssel für jedes Unternehmen. Das galt schon zu Beginn der Zeit und ist heute doppelt so wahr. Guter Service ist nicht nur ein Ladenbesitzer mit einem tollen Lächeln, einem bemerkenswerten Gedächtnis und einer guten Beobachtungsgabe. Er ist ein Computersystem, das Daten sammelt und Algorithmen anwendet.

Das Sammeln von Daten und das Wissen um die Wünsche der Kunden ist großartig, aber wenn ein Unternehmen nicht in der Lage ist, sich auf die Bedürfnisse seiner Kunden einzustellen, dann helfen alle Daten der Welt nicht, das Geschäft zu machen. Die dafür erforderliche Geschwindigkeit wird in Klicks und Sekunden gemessen, nicht in Monaten. Digitale Transformation bedeutet, alle Back-Office-Prozesse so zu automatisieren, dass sie in Internet-Zeit funktionieren.

Maschinelles Lernen ist der Schlüssel zur digitalen Transformation

Als der Online-Handel noch in den Kinderschuhen steckte, bedeutete dies eine Menge manueller Aktualisierungen durch Geschäftsleute und häufige Code-Neu-Schreibungen durch Entwickler. Heutzutage gibt es einfach keine Möglichkeit mehr, genügend Code, Regeln und manuelle Prozesse zu erstellen oder zu ändern, um sich schnell genug sowohl an die Kunden als auch an die zunehmende Komplexität der Lieferanten und Vertriebsketten anzupassen.

Ist das Produkt auf Lager? Wenn nicht, wann wird es verfügbar sein? Woher kommt es? Das Abrufen von Daten aus mehreren Systemen kann extrem schwierig sein. Bei so vielen Kunden und Produkten muss dies auf neue Weise geschehen.

Datenwissenschaftler nutzen neue Techniken des maschinellen Lernens in Kombination mit dem Fachwissen von Produkthändlern, um sich an das veränderte Verhalten der Kunden und ihre immer kompliziertere Lieferkette anzupassen.

Implizite Daten durch Signale

Kunden geben Signale ab, wenn sie klicken, nachfragen, etwas in den Warenkorb legen. Sie geben Signale ab, wenn sie etwas kaufen. Sie geben Signale ab, wenn sie kaufen Sie nicht etwas kaufen, klicken nicht klicken nicht auf etwas oder brechen ihren Einkaufswagen ab.

Es ist leicht zu verstehen, dass Kunden, die suchen, aber nicht auf die Ergebnisse klicken, wahrscheinlich nicht das finden, wonach sie suchen. Herauszufinden, warum sie nicht klicken und was sie wirklich wollen, ist ein Musterproblem.

Das Verständnis anderer Kunden, die auf ähnliche Dinge geklickt oder nicht geklickt haben, führt zu einem besseren Verständnis dessen, was andere Suchende gewünscht haben könnten. Der Prozess des Verstehens dieses Verhaltens ist in der Regel automatisiert, so dass Websites ähnliche Kunden identifizieren und ihnen zeigen können, was sie wollen.

Unstrukturierte Daten

Es reicht jedoch nicht aus, nur implizite Daten zu betrachten. Glücklicherweise gibt es eine Menge expliziter Daten, die in unstrukturierten, in natürlicher Sprache geschriebenen Daten gespeichert sind. Wir sammeln diese Daten aus dem, was Kunden in Suchfelder eingeben und was sie in Bewertungen, Kommentaren und Supportanfragen schreiben. Und diese Daten können sich an verschiedenen Orten befinden, wie z.B. in den Bewertungen von Einzelhändlern oder auf Websites von Drittanbietern, wie Good Reads oder Stack Overflow.

Techniken zur Verarbeitung natürlicher Sprache sind eine Möglichkeit, diese Daten zu strukturieren, aber ehrlich gesagt, haben diese nie besonders gut funktioniert. Sie erforderten einen Linguisten, einen Entwickler und einen Datenwissenschaftler – was wie der Anfang eines schlechten Witzes klingt.

Neue Techniken geben perfekt strukturierte Wissensgraphen auf und verlassen sich stattdessen auf neuronale Netzwerke, Deep Learning und maschinelle Lerntechniken, um das Verständnis im Laufe der Zeit zu verbessern. Zu diesen Techniken gehören die Stimmungsanalyse und neuronale Ranking-Modelle für die Informationsbeschaffung, die “ flache oder tiefe neuronale Netze verwenden, um Suchergebnisse als Antwort auf eine Anfrage zu bewerten„, heißt es in „Neuronale Modelle für Information Retrieval“.

Das gilt auch für die Lieferanten und Händler. Jeder hat eine andere Art, Dinge zu beschreiben. Herauszufinden, was genau ein Produkt ist und wo es eingeordnet werden sollte, ist eine heikle Wissenschaft – außer, dass einige Techniken des tiefen Lernens es ermöglichen, Produkte zu klassifizieren und festzustellen, dass „ozeanischer Farbton“ auch „blau-grün“ bedeutet.

Die Ergebnisse werden nicht perfekt sein – Sie werden sie immer noch mit Regeln kombinieren müssen – aber es wird möglich sein, dies mit der Geschwindigkeit des modernen Einzelhandels und mit größerer Genauigkeit zu tun. Einzelhändler wie Bluestem Brands haben sich mit diesem Problem auf neue und innovative Weise auseinandergesetzt.

Daten und maschinelles Lernen sind Menschen

„Zuerst ignorieren sie Sie. Dann lachen sie über Sie. Dann bekämpfen sie Sie und dann gewinnen Sie“. ein Zitat, das fälschlicherweise zugeschrieben wird Gandhi fasst nicht nur seine politische Strategie zusammen, sondern bis zu einem gewissen Grad auch den Gartner Hype Cycle für neue Technologien. Das Problem bei beiden ist, dass die Angst und der Hype um KI-Technologien wie maschinelles Lernen und Deep Learning auf einem grundlegenden Missverständnis beruhen.

Maschinelles Lernen wird Kaufleute und menschliches Fachwissen nicht ersetzen. Für sich allein genommen, bewirkt es nichts. Absolut nichts. Fachexperten liefern das geschäftliche Verständnis, Datenwissenschaftler wählen oder erstellen den richtigen Algorithmus, und Dateningenieure strukturieren die Daten und wenden den Algorithmus an. Aber Software-Automatisierung kann helfen.

Sie brauchen zum Beispiel keinen Datenwissenschaftler, um Kunden nach ihren Signalen zu clustern, denn Ihr Softwareanbieter hat bereits einen eingestellt und es für Sie verpackt. Allerdings sollte jeder Einzelhändler ein Team haben, das nach neuen Möglichkeiten sucht, diese Algorithmen auf neue Probleme im gesamten Unternehmen anzuwenden. Der Aufbau dieses Kompetenzzentrums für Datenwissenschaft ist entscheidend für den Erfolg.

Bau der Maschine (tl;dr)

Digitale Einzelhändler haben viel Erfolg, aber nur diejenigen, die sich an das Geheimnis erinnern, das den ältesten Geschäften zum Erfolg verholfen hat: personalisierter Service und Anpassung an Veränderungen. Alles, was man braucht, um diesen Service im Internet anzubieten, ist in den Daten enthalten, die Kunden und Lieferanten zur Verfügung stellen.

Der Einsatz neuer Techniken des maschinellen Lernens und des Deep Learning ist der Schlüssel, damit Personalisierung und Anpassung mit der Geschwindigkeit der modernen digitalen Welt funktionieren.

Die erfolgreichsten digitalen Einzelhändler werden diese Techniken mit dem Fachwissen von Merchandisern und Datenwissenschaftlern kombinieren, um die digitale Transformation und Personalisierung in ihrem gesamten Betrieb durchzuführen.