Verbessern Sie die Produktentdeckung mit KI-gestützten Empfehlungsprogrammen

Das bestmögliche Einkaufserlebnis zu bieten, ist der Traum eines jeden Einzelhändlers. Dabei ist es wichtig, den Kunden relevante, überzeugende Empfehlungen zu geben.

Nehmen wir an, Gregs Familie hat während der Pandemie einen Welpen bekommen. Als sie planen, den Welpen aus dem Tierheim mit nach Hause zu nehmen, geht Greg online, um die üblichen Dinge zu kaufen, die man für das neue hündische Familienmitglied braucht: Spielzeug, Futter, Geschirr, Bürsten, Leckerlis und eine Kiste. Das Tierheim teilt Greg mit, dass der neue Hund glutenempfindlich ist und er ihn daher nur mit getreidefreiem Hundefutter füttern sollte.

Greg geht online zu seinem Lieblingstierhändler, um Hundefutter für seinen neuen pelzigen Freund zu kaufen. Er geht zur Kategorie Hundefutter und überprüft den Filter, um nur getreidefreies Futter zu sehen. Es gibt viele Optionen:

Wie die meisten Menschen greift er zuerst zum ersten Ergebnis, einem getreidefreien Trockenfutter auf Putenbasis:

Die Produktbeschreibung macht Sinn. Das ist es, wonach er sucht. Aber es ist ein bisschen teuer. Greg möchte sich weitere Optionen ansehen und bemerkt weiter unten auf der Seite den Block Auch von Kunden gesehen:

Hmmm. Das sind keine sehr guten Empfehlungen. Schmelzendes Eis ist kein Problem, da Greg in Florida lebt, und das ist nicht einmal ein Lebensmittel! Es ist auch ein Vollkornprodukt aufgeführt – und auch das ist 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 diese erste Option und schließt seine Transaktion ab. Die Spielzeuge und das Futter sind auf dem Weg.

Später, als er Welpenfotos auf Facebook postet, sieht Greg eine zielgerichtete Werbung desselben Tierhändlers, die für weitere Hundefutterprodukte wirbt.

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

Am nächsten Tag erhält Greg eine Werbe-E-Mail von dem Händler, in der er sich für seine Bestellung bedankt und noch einmal einige Produktempfehlungen gibt.

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

Greg hat nun mehrere Empfehlungssets über verschiedene Marketingkanäle desselben Einzelhändlers gesehen. Jede Platzierung war eine Chance, das Engagement zu erhöhen und die Konversionsrate zu steigern. Aber diese Chancen können durch schwache, irrelevante Empfehlungen verpasst werden.

Lassen Sie uns ein anderes Beispiel betrachten:

Greg hat das letzte Jahr zu Hause gearbeitet und beschließt, dass er sich ein paar bequeme Hausschuhe zulegen sollte, um sie zu Hause zu tragen, wenn die Büros in nächster Zeit nicht geöffnet werden. Er geht auf die Website seines Lieblings-Online-Schuhgeschäfts und sucht nach Hausschuhen:

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

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

Es handelt sich dabei um Damenschuhe, was eindeutig nicht das ist, was er kaufen möchte. Eine weitere verpasste Gelegenheit, den durchschnittlichen Bestellwert und die Konversion zu erhöhen.

Einzelhändler haben die Möglichkeit, ihren Kunden in allen Phasen des Kaufprozesses Produktvorschläge zu unterbreiten, und das aus gutem Grund. Empfehlungsgeber arbeiten.

Empfehlungen erhöhen den durchschnittlichen Wert und die Konversionen

Eine kürzlich durchgeführte Studie hat ergeben, dass der AOV in dem Maße steigt, wie das Engagement für Empfehlungen zunimmt:

Das ist eine Steigerung von 370 % mit nur einem zusätzlichen Klick, die bis zu fünf Klicks ansteigt. In der gleichen Studie wurde auch ein enormer Anstieg der Konversionsraten festgestellt:

Die Implementierung und richtige Abstimmung von Empfehlungsfunktionen kann für Einzelhändler ein wichtiger Weg sein, um den AOV und die Konversionsraten zu erhöhen und die Kunden dazu zu bringen, wiederzukommen und mehr zu kaufen.

Sehen wir uns einige Möglichkeiten an, dies zu tun:

„Selbstfahrender Modus“

Ein Ansatz ist vollständig maschinenbasiert, wie bei einem selbstfahrenden Auto. Der Algorithmus blickt nach vorne und weiter nach unten, er sieht, was im Rückspiegel ist und was unmittelbar um ihn herum ist. Inhaltsbasierte Empfehlungssysteme folgen oft diesem Ansatz, um qualitativ hochwertige Artikel-zu-Artikel-Empfehlungen zu geben. Dieser Ansatz ist besonders nützlich, wenn Sie eine neue Website haben, für die es keine Signale oder Daten zum Nutzerverhalten gibt.

Ein weiterer rein maschineller Ansatz besteht darin, beliebte und trendige Artikel und Kategorien anzuzeigen. Auf diese Weise können sowohl verwandte Produkte als auch verwandte Inhalte wie Markeninhalte und andere Dokumente angezeigt werden, die der Kunde für sein Einkaufserlebnis nützlich finden könnte.

Synergien zwischen Mensch und KI

Wenn Sie etwas menschliches Eingreifen hinzufügen, erhalten wir Empfehlungsprogramme, die größtenteils von selbst laufen, bei denen aber noch etwas manuelle Arbeit anfällt. Hier kommen beliebte Algorithmen wie Bayesian Personalized Ranking (BPR) und Alternating Least Squares (ALS) zum Einsatz. Auch die semantische Vektorsuche wird in diesen Beispielen häufig verwendet. Die semantische Vektorsuche untersucht die Beziehungen zwischen den Produkten untereinander und im gesamten Katalog.

Eine Analogie aus dem wirklichen Leben wäre, wenn Sie in Ihren Supermarkt gehen, um Muscheln für das Abendessen zu kaufen. An der Fischtheke finden Sie Artikel wie Zitronen und Remouladensoße, die Sie für ein Fischgericht verwenden könnten. Die Zitronen befinden sich offiziell in den Behältern in der Obst- und Gemüseabteilung und die Remouladensauce im Gang mit den Gewürzen. Aber wenn Sie herausfinden, wie sich Produkte gruppieren und in Gruppen gekauft werden, können Sie diese Beziehung erkennen. Sie verstehen die Absichten der Benutzer besser und wissen, was das Ziel ihres Einkaufsbummels ist.

Neben der Art und Weise, wie Produkte zusammen gekauft werden, verwendet dieser Ansatz auch typische Nutzersignale, um diese Empfehlungen zu verbessern: Anfragen, Klicks, in den Warenkorb legen, Käufe, Support-Tickets und ähnliches.

Merchandiser wissen immer noch am besten Bescheid

Und manchmal brauchen Sie immer noch die menschliche Note und das Fachwissen, um Ihre Empfehlungsgeber vollständig zu optimieren. Idealerweise können Merchandiser Geschäftsregeln für das Anheben, Sperren und Anheften von Produkten in einem bestimmten Sortiment einrichten. So sehen Besitzer von getreidefreien Hunden das entsprechende Futter und Männer, die Schuhe kaufen, sehen Hausschuhe für Männer. Ein weiteres Beispiel wäre die Verwendung von Farben zur Definition von Empfehlungen. Wenn ein Kunde nach roten Damenjacken sucht, könnten die Empfehlungen neben Mänteln und Jacken auch rote Artikel umfassen.

Je einfacher es ist, diese Regeln aufzustellen, sie zu testen und zu messen und Anpassungen vorzunehmen, desto einfacher ist es für Einzelhändler, schnell und entschlossen auf Einkaufstrends und den Kundengeschmack zu reagieren. Unser Predictive Merchandiser gibt Merchandisern und Administratoren per Drag-and-Drop die Kontrolle über diesen gesamten Prozess.

Die Dinge ändern sich schnell

Alle oben genannten Arten von Empfehlungsgebern haben sich auf das konzentriert, was der Kunde auf seiner Einkaufsreise erlebt. Aber diese Technologie kann auch bei Online-Interaktionen im Stil eines Concierge oder bei der Zusammenarbeit mit dem Verkaufspersonal in den Geschäften eingesetzt werden. Der Mitarbeiter kann die Empfehlungen für einen bestimmten Kunden sehen und seine eigene Meinung dazu abgeben, während er den Kunden durch die einzelnen Empfehlungen führt.

Dieser Artikel basiert auf Garrett Schweglers Vortrag „AI-Powered Recommenders: Self-Driving Mode and Human Intervention“ von unserer Activate Product Discovery 2021 Veranstaltung. Suchen Sie nach weiteren Informationen darüber, wie Empfehlungsgeber und Händler zusammenarbeiten können? Lesen Sie als nächstes diesen Blog: „Geben Sie Merchandisern die Kontrolle über Landing Pages, um das Einkaufserlebnis zu gestalten“.