Video: KI-gestützte Empfehlungssysteme: Selbstfahrender Modus und menschliches Eingreifen

Informieren Sie sich über die verschiedenen Technologien, Unterscheidungsmerkmale und Anwendungsfälle, die selbstfahrende Empfehlungssysteme antreiben, sowie über den Wert eines Gleichgewichts zwischen KI und Geschäftsinformationen.

Präsentiert auf der Activate Product Discovery 2021. Cross-Selling, Upselling oder einfach nur Verkaufen. Die Empfehlungsfunktionen von Lucidworks gehen weit über die Möglichkeiten anderer Plattformen zur Produktfindung oder anderer Anbieter von Empfehlungsfunktionen hinaus. Ganz gleich, ob Sie vorkonfigurierte Modelle nutzen, Ihre eigenen erstellen oder mit domänenspezifischem Wissen nachbearbeiten möchten, Lucidworks gibt Ihnen die Schlüssel in die Hand und setzt Sie auf den Fahrersitz. Wir werden uns die verschiedenen Technologien, Unterscheidungsmerkmale und Anwendungsfälle ansehen, die selbstfahrende Empfehlungssysteme antreiben können, und auch den Wert eines Gleichgewichts zwischen KI und Ihren Geschäftsinformationen hervorheben.

Redner: Garrett Schwegler, Lucidworks Programm-Manager, Digitaler Handel

Abschrift:

Garrett Schwegler: Hallo, allerseits. Willkommen zu meiner Sitzung über KI-gestützte Empfehlungssysteme. Ich bin Garrett Schwegler, der Programmmanager für Digital Commerce hier bei Lucidworks. Ich wünschte wirklich, wir könnten dies alle persönlich tun, aber in Anbetracht der Umstände wird dies genügen. Es gibt wirklich nichts, was ich mehr genieße und liebe, als Sie alle zu treffen und diese Gespräche persönlich zu führen. Es sind andere Zeiten, aber wie viele von Ihnen, arbeiten meine Frau und ich jetzt Vollzeit von zu Hause aus. Und so haben wir im letzten Jahr nicht wirklich eine Reise unternommen.

Es war größtenteils abgeriegelt. Dadurch hatten wir die Möglichkeit, einige ziemlich coole Dinge zu tun, darunter auch dieses Büro, in dem ich sitze. Wir haben es gebaut, das war also ein ziemlich lustiges Projekt. Das ist also das Büro, in dem ich arbeite. Und meine Frau wohnt in einem der Zimmer im Haus,
. Wir haben also einige Zeit damit verbracht, es zu dekorieren.

Wenn ich von Dekoration spreche, meine ich eigentlich, dass wir einen Hunde-Yoga-Kalender in ihrem Büro aufgehängt haben… Und so haben wir Shortbread und Tinsel jeden Tag gesehen, und Sie können sich nur vorstellen, was nach ein paar Monaten des Unterschlupfes passiert ist. Wir bekamen also einen Hund und eigentlich so viel mehr als einen Hund. Wir bekamen Colin, den Hund. Er ist so um die fünf oder sechs Jahre alt. Er ist ein Airedale-Terrier-Mix. Diese Hunde sind in der Regel ziemlich robust und machen Spaß. Er ist eine echte Bereicherung für die Familie und fügt sich gut ein, denn nicht nur ich reagiere empfindlich auf Gluten, sondern auch er, was ziemlich bizarr ist, so dass wir wussten, dass er gut zu uns passt.

Wie jeder neue Tierbesitzer und erste Hundebesitzer ging ich also dorthin, wo ich aufgewachsen bin, um Goldfische zu kaufen, richtig? Ich erstellte ein Konto und begann mit dem Einkauf. Wir mussten Futter besorgen, wir mussten Spielzeug besorgen, all die guten Sachen. Also gehen wir zum Hundefutter und zum Glück gibt es einen Filter, mit dem wir nach getreidefrei filtern können. Ich scrolle nach unten und klicke schließlich auf dieses Produkt. Nachdem ich mir die Details und die Seiten der Packung durchgelesen hatte, sah es gut aus. Es war glutenfrei und ein bisschen teuer.

Das ist wahrscheinlich teurer als einige der Lebensmittel, die ich esse. Ich wollte also ein wenig mehr erkunden, welche anderen Möglichkeiten es gibt, und da ich im Handel tätig bin, habe ich das Gefühl, dass ich weiß, wie ich mich in den Städten am besten zurechtfinde. Also gehe ich zu den Empfehlungen, die in der Regel unter den langen Beschreibungen stehen, und schaue mir diese an, um zu sehen, welche Möglichkeiten ich habe. Sie sollten mir helfen, mich schnell zurechtzufinden.

Ich habe also angefangen, mir die Angebote anzusehen und konnte feststellen, dass das erste völlig irrelevant ist, nämlich das schmelzende Eis, das in dem Teil der Welt, in dem ich lebe, nicht notwendig ist. Dann gibt es ein paar Optionen, die alle vom selben Hersteller stammen, den ich mir ansehe. Allerdings gibt es eine Option, die Vollkorn enthält und das ist nicht das, was ich suche, also auch völlig irrelevant. Zwei der fünf Produkte hier geben dem Unternehmen also keine Chance, mich zum Kauf zu bewegen und in den Warenkorb zu legen. Letzten Endes habe ich also das Hundefutter für die PDP gekauft, auf der ich gelandet bin, und alles war gut.

Nachdem ich es gekauft habe, gehe ich auf Facebook, richtig. Ich will sehen, was meine Frau in letzter Zeit über Colin und mich gepostet hat. Colin und ich sind die Models, und sie ist die Fotografin, und sofort, nach ein paar Scrolls, sind sie wieder da: Petco. Großartig genäht, sie wissen, wer ich bin und wohin ich gehe. Ich habe auch Honest Kitchen angewählt, weil ich wusste, was ich einkaufen wollte. Das war also die Marke, die ich gekauft habe, und dieses Mal sind zwei der vier aufgeführten Produkte Vollkornprodukte. Jetzt sind wir also bei 50 % der relevanten Produkte in der Empfehlung angelangt.

Schließlich erhalte ich die E-Mail, in der mir für meine Teilnahme gedankt wird, und ganz unten steht eine weitere Reihe von Empfehlungen, von denen viele, oder besser gesagt beide, ebenfalls falsch sind, nicht wahr? Colin ist kein großer Hund und er hat keine trockene Haut. Ich möchte hier nur auf die Möglichkeit hinweisen, die sich auf so vielen Websites bietet, und wir haben heute die Technologie, die Raffinesse, das maschinelle Lernen, die KI und die menschliche Intelligenz, um ganz einfach bessere Erfahrungen zu machen.

Lassen Sie uns also ein weiteres Beispiel anführen. Viele von Ihnen erkennen diese Marke wahrscheinlich schon an dieser Aussage. Und ich liebe diese Marke, ich habe viele Schuhe von ihr, vor allem in der Zeit, in der ich von zu Hause aus arbeite, und deshalb bin ich auf die Seite zurückgekommen, um mir ein paar neue Hausschuhe zu kaufen. Suchen Sie also nach Hausschuhen, filtern Sie nach Herrenschuhen und ich sehe hier die Berkeley, die mir sehr gut gefallen, und klicken Sie auf diese, um zum PDP zu gelangen. Und wie Sie hier sehen können, wenn Sie sich die Empfehlungen unten auf dieser Seite ansehen, sind alle vier davon Damenschuhe, richtig? Ich habe explizit den Filter für Herrenschuhe angegeben, und ich bin in einem Herrenschuh-PDP. Eine weitere Erinnerung an die Indikatoren, auf die wir achten sollten, an die Signale, die Kunden äußern, und daran, wie wir diese nutzen können.

Abgesehen davon, dass es frustrierend ist und Reibungsverluste mit sich bringt, was ist denn so schlimm daran? Warum sind wir dafür da? Sie wollen also nicht, dass Ihre Empfehlungsgeber die Augenbrauen hochziehen. Sie wollen den AOV erhöhen. Dies ist eine Studie, in der das Engagement von Empfehlungsgebern und die Auswirkungen auf den durchschnittlichen Bestellwert untersucht wurden, ohne Engagement und mit Empfehlungsgebern, die bei 45 $ beginnen. Und wenn Sie dann zu nur einem Engagement, einem Klick mit einem Empfehlungsgeber übergehen, beträgt die Steigerung fast 370%, richtig? Also fast vier X, und dann geht es weiter bergauf bis etwa fünf Klicks in dieser speziellen Studie. Die Bedeutung ist hier nicht der nominale Dollarwert, der von 40 auf 200 Dollar steigt, richtig? Es ist wirklich der relative Anstieg. Geben Sie also Ihre AOV-Zahlen ein und Sie werden es ebenfalls sehen.

Und was noch? Wie wäre es mit einer Konvertierung? Es ist fast die gleiche Geschichte. Die Konversionsrate kann sich fast verdreifachen, sobald Käufer mit Empfehlungsgebern in Kontakt treten. Und? 208 Ja, also fast dreimal so viel Umsatz. Wo liegt das Problem, nicht wahr? Nun, Empfehlungsgeber können nicht nur die Reibungsverluste verringern, sondern Ihnen auch eine Menge Geld einbringen, wenn sie gut gemacht sind. Und darauf möchte ich mich heute konzentrieren, nicht wahr? Jeder hat Empfehlungsgeber, aber es gibt eindeutig eine Möglichkeit, dies besser zu machen. Es gibt ganz klar die Möglichkeit, mehr Geld zu verdienen.

Lassen Sie uns also eintauchen und ein wenig über diese Empfehlungsprogramme nachdenken. Wenn wir uns das hier ansehen, werden wir sozusagen nach und nach vorgehen. Es gibt nicht wirklich ein Modell oder einen Ansatz oder eine Anwendung, die die Antwort ist. Wenn ich mir also diese Modelle ansehe, dann sehe ich, dass es Synergien bei der Schulung und Nachbearbeitung durch Menschen und KI gibt, die auch für die beliebten und trendigen Modelle oder die auf Produktinhalten basierenden Modelle gelten können. Und wir können all dies vermarkten, richtig. Aber für den Kontext und für unser Gespräch möchte ich sie einfach aufteilen und wir können sie durchgehen und dann auch ein paar Anwendungsfälle zeigen.

Also der selbstfahrende Modus. Ich dachte, das sei relativ passend, wenn wir über Empfehlungsprogramme sprechen, oder? Bei diesem Ansatz werden alle möglichen Inhalte und auch der Kontext berücksichtigt, nicht wahr? Der Algorithmus blickt nicht nur nach vorne und die Straße hinunter, er schaut auch in den Rückspiegel, er schaut rundherum. Er weiß, wie schnell Sie fahren. All diese verschiedenen Komponenten werden miteinander verknüpft, um ein wirklich autonomes Erlebnis zu bieten, bei dem es lernt und dessen Ergebnis vorhersehbar ist.

Gut, lassen Sie uns also ein paar dieser Ansätze für den selbstfahrenden Modus näher betrachten. Wir haben also inhaltsbasierte Empfehlungsprogramme, die eine wirklich gute Möglichkeit darstellen, ein Modell ohne Signale zu trainieren. Wir halten dies für eine gute Kaltstartoption, bei der Sie das Modell im Wesentlichen mit Ihrem Katalog und allen Attributen zu den Produkten füttern. Daraus ermittelt es dann die Beziehungen zwischen den Produkten, um einen guten Artikel-zu-Artikel-Empfehlungsdienst zu erstellen.

Dies ist also ein guter Weg, um ziemlich schnell loszulegen, wenn Sie keine Signale haben.

Als Nächstes können wir mit unserem Trending-Algorithmus einen Trending-Algorithmus für beliebte Artikel und beliebte Suchanfragen einsetzen. Und all dies kann sowohl für Produkte als auch für Inhalte verwendet werden. Und wenn ich in diesem Zusammenhang von Inhalten spreche, meine ich damit Markeninhalte und andere Dokumente von Interesse, die Sie dem Kunden bei der Produktentdeckung zeigen möchten.

Viele von ihnen können auch ohne datenwissenschaftliche Vorkenntnisse eingesetzt werden, oder? Wir haben also die ganze Arbeit geleistet, um sie in eine Position zu bringen, in der die meisten Teams einfach einsteigen und das Modell trainieren können, so dass sie ziemlich schnell einsatzbereit sind. Wenn Sie jedoch über ein Data-Science-Team oder Ressourcen verfügen, die in der Lage sind, ihre eigenen Modelle zu erstellen, haben wir ein Data-Science-Toolkit entwickelt, das wir als Bring Your Own Model (BYOM) bezeichnet haben, mit dem Teams Modelle erstellen und trainieren und sie in Index- und Abfrage-Pipelines mit dem maschinellen Lernen Ihres eigenen Teams integrieren können.

Wenn Sie sagen, dass es hier nicht wirklich eine Lösung gibt, oder wenn wir Ressourcen haben, mit denen wir wirklich kreativ werden und Modelle und Erfahrungen entwickeln wollen, die speziell auf unser Geschäft zugeschnitten sind.

Dies ist der perfekte Weg, das perfekte Werkzeug, um dies zu tun.

Als Nächstes haben wir die Synergien zwischen Mensch und KI. Ich liebe dieses Bild aus mehreren Gründen. Erstens, das Mädchen rechts, das ist wahrscheinlich das Gesicht, das viele von uns machen, wenn wir auf der Seite nach unten scrollen und uns darauf vorbereiten, was auf unserer eigenen Website eine relevante Empfehlung sein könnte oder auch nicht. Wenn wir uns daran erinnern, wie wir mit diesen Spielzeugen gespielt haben und wie sie eine gewisse Strecke laufen können und dann aufgehoben und neu positioniert werden müssen, dann gibt es diese menschliche Interaktion mit ihnen. Und das ist eine ziemlich gute Synergie, also lassen Sie uns in das nächste Thema eintauchen.

Wenn wir also über einige der Algorithmen nachdenken, die wir hier aufgelistet haben, sehe ich, dass ALS und BPR ziemlich häufig vorkommen. Und ich denke, die meisten Menschen sind damit vertraut und wissen, wie diese Algorithmen funktionieren. Aber ich möchte mich kurz auf den semantischen Vektor konzentrieren.

Und wenn Sie es wirklich wissen wollen, dann würde ich mir den Vortrag von Eric Redman ansehen, der sich damit sehr eingehend beschäftigt. Für unsere Zwecke würde ich das so darstellen, dass die Grafik oben eine hohe Dichte an Vektorraum aufweist. Und wahrscheinlich kratzen sich alle am Kopf. Aber was dieses Modell macht, ist, dass es die Beziehungen zwischen den Produkten untereinander und im gesamten Katalog betrachtet und sie gruppiert. Diese Konzentrationen von Farben und Punkten sind also ähnliche Produkte, und die Beziehung oder der Abstand zwischen den Punkten zeigt an, wie ähnlich sie den anderen Produkten sind. Eine kurze Analogie: Wenn wir an ein Lebensmittelgeschäft denken und an der Fischtheke stehen, haben wir dort vielleicht die Fische, z.B. die Lachsfilets, dann einige der Felsenfische, einige der Schalentiere, und jede dieser Gruppen von Meeresfrüchten ist in Abteilungen unterteilt.

Dann bemerken Sie vielleicht, dass es Zitronen gibt oder Zutaten für Remoulade oder etwas Old Bay. Diese Produkte liegen normalerweise weiter weg im Laden, werden aber näher gebracht, weil es eine Beziehung zwischen ihnen gibt. Die Zitronen haben also Beziehungen zu anderen Produkten, aber auch in diesem Fall.

Im Großen und Ganzen nutzen wir Modelle wie dieses, um nicht nur die semantische Ähnlichkeit zwischen Produkten zu verstehen, sondern auch das Ziel des Käufers zwischen Suchanfragen und Produkten, so dass wir sicherstellen können, dass wir Produkte generieren, die dem Ziel des Käufers entsprechen und nicht nur auf der Grundlage von Schlüsselwörtern oder einer lexikalischen Beziehung. Es geht also ziemlich tief in die Empfehlungen hinein und ist sehr wertvoll. Das ist ein sehr ausgeklügelter Ansatz, den wir so verpackt haben, dass er relativ einfach übernommen, trainiert und eingesetzt werden kann.

Apropos Training: Was brauchen Sie, um diese Modelle zu trainieren? In vielen Fällen geht es einfach um Ihren Produktkatalog, um Signale, die Sie wahrscheinlich bereits sammeln. Das sind die Klicks, die Käufe in den Einkaufswagen. Das können Signale aus dem Geschäft sein. Das können Signale vom Kundenservice sein. Alles, was dazu beitragen kann, mehr Relevanz zu trainieren, diese Modelle zu verfeinern, kann erfasst werden, falls dies noch nicht geschehen ist, und dann zu Geschäftsinformationen werden. Was ich damit meine, ist, dass aufgrund der Herausforderungen und einiger Legacy-Technologien für die Produkterkennung oft ein hohes Maß an menschlicher Intervention erforderlich ist, um Beziehungen zwischen Wörtern, z.B. Synonymen, aber auch projektbezogenen Dingen herzustellen. Wenn Sie also ein rostiges Geländer neu streichen wollen, haben Sie vielleicht manuell ein Projekt dafür angelegt und eine Beziehung zwischen den Produkten hergestellt, die Sie auf einer Produktdetailseite eingefügt haben. Solche Dinge lassen sich also in Modelle einbauen, um sie zu trainieren.

Und schließlich die Nachbearbeitung, die den größten Teil der menschlichen Synergie mit der KI ausmacht, bei der wir Booster blockieren und Regeln einführen können. Wenn Sie an die Beispiele mit den Hausschuhen zurückdenken, können wir sicherstellen, dass es geschlechtsspezifische Regeln gibt, die sicherstellen, dass nur Männerprodukte für Männer empfohlen werden oder getreidefreies Hundefutter, wenn Sie getreidefreies Hundefutter kaufen möchten. Es gibt also verschiedene Möglichkeiten, wie wir diese Modelle durch Nachbearbeitung stärken können.

Ich möchte Ihnen also ein Beispiel dafür zeigen, wie das aussehen kann. Das hier ist nur eine Demoseite, die wir zusammengestellt haben, aber auf dieser PDP kann ich nach unten scrollen, um die Empfehlungen zu finden, und Sie können sehen, dass sie alle relevant sind, richtig? Das sind andere Jacken, die für Frauen sind. Wir haben also gute Arbeit geleistet, um das zu liefern. Und wenn wir dann über die Nachbearbeitung nachdenken, gibt es verschiedene Möglichkeiten, wie wir das machen können, richtig? Wir können also Signale verstärken, wir können Regeln anwenden, es gibt alle möglichen Optimierungen, die Sie in Fusion vornehmen können, um das Erlebnis zu bereichern. So können Sie z.B. die Farbe des Produkts in der PDP verstärken, so dass alle Produkte im Empfehlungskarussell ebenfalls diese Farbe aufweisen. Sie können also verschiedene Optimierungen und Dinge tun.

Zum Schluss möchte ich noch einen Blick auf die menschliche Intervention werfen. Was sind also die verschiedenen Werkzeuge, die wir haben, um den Menschen wirklich in diese Erlebnisse einzubeziehen? Und das ist es, was ich wirklich liebe, denn ich habe in der Vergangenheit sowohl auf der geschäftlichen als auch auf der technischen Seite im Bereich Merchandising gearbeitet und die Merchandiser wissen am besten, dass es immer wieder Zeiten gibt, in denen es einfach Sinn macht, den Merchandiser einzubinden. Ob für Kampagnen oder E-Mails, für die Produktdetailseite oder die Homepage, es wird immer ein Bedarf an Flexibilität bestehen, um diese zu gestalten. Mit unserem Predictive Merchandiser Tool können wir also nicht nur blockieren, sondern auch pinnen. Es gibt auch eine Reihe von Funktionen, die über die Empfehlungsfunktion hinausgehen. Und ich denke, wenn Sie sich den Vortrag von Tom und Katie ansehen, werden sie auch darauf näher eingehen. Das ist also die Seite der menschlichen Intervention.

Als ich darüber nachdachte, welche Anwendungsfälle ich hier zeigen wollte, wollte ich nicht, dass dies so etwas wie ein Empfehlungslehrgang 101 wird – hier kommen die Empfehlungsgeber ins Spiel -, sondern ich möchte, dass jeder mit dem Gedanken herauskommt, okay, wir können etwas Neues ausprobieren, wir befinden uns in einer beispiellosen Zeit, in der sich die Entwicklung der Produktfindung drastisch beschleunigt. Und an diesem Punkt scheint dies der natürliche nächste Schritt zu sein.

Schauen wir uns also dieses virtuelle Einkaufserlebnis an. Ich habe gesehen, wie es bei allen möglichen Marken auftaucht. Und der Wert, den Sie bieten können, ist außerordentlich, wenn ein Mensch an der Einkaufsreise teilnimmt, während wir das in den Geschäften nicht mehr tun können.
Was wäre also, wenn ein Mensch am anderen Ende wäre, aber das Erlebnis immer noch von maschinellem Lernen und KI angetrieben wird, das ist sozusagen das Beste aus beiden Welten.

Wenn Sie also darauf klicken, sehen Sie als erstes Produktempfehlungen. Für mich klingt das nach einem hervorragenden Anwendungsfall für Geschenke. Wenn Sie etwas tiefer gehen, um einen Termin zu vereinbaren, werden Sie nach einer Reihe von Informationen gefragt. Zu diesem Zeitpunkt wissen sie schon alles über mich. Sie wissen, was ich in der Vergangenheit gekauft habe, welche Größe und Farben mir passen, welche Bestellungen ich im Geschäft und online getätigt habe und was meine Interessen für dieses Gespräch sind. Es gibt also eine Fülle von Daten, die am Ende des Tages zu einem lukrativen Erlebnis führen können.

Vielleicht fangen wir mit dem an, weswegen ich hergekommen bin. Ich habe jetzt meine Hausschuhe, also brauche ich jetzt ein paar Jogginghosen. Dieses Modell könnte also die Jogginghose empfehlen. Und wie wäre es dann mit einem Modell, das sagt: „Hey, Garrett, wir wissen, dass Sie all diese Dinge in der Vergangenheit gekauft haben, und wenn wir das mit all den anderen Daten vergleichen, denken wir, dass Sie ein guter Kandidat für unser Polo-Short-Geschäft sein könnten“, und dort eine Empfehlung ausspricht. Aber es gibt hier wirklich endlose Möglichkeiten, und das ist ziemlich aufregend.

Und schließlich, aus der Perspektive der Anwendungsfälle, das Erlebnis in den Geschäften, richtig? Wir werden also wieder in die Läden gehen, und wenn wir wieder in die Läden gehen, wird es sich wahrscheinlich ein bisschen anders anfühlen. Ich hoffe, dass wir im letzten Jahr kreative und innovative Wege gefunden haben, um das Erlebnis zu verbessern und die Leute zum Wiederkommen zu bewegen. Wenn Sie sich die Situation mit dem Tablet und den darauf befindlichen Empfehlungen ansehen, sei es, dass Produkte vorrätig oder nicht vorrätig sind, oder dass Sie wissen, wer der Kunde ist, und in der Lage sind, Produkte auf der Grundlage seiner früheren Einkäufe oder seines Bildes zu empfehlen, und welche anderen Produkte für ihn empfohlen werden sollten, falls der Mitarbeiter nicht über dieses Wissen verfügt. Auch hier liegt also eine große Chance.

Was unsere Empfehlungsprogramme angeht, so habe ich, glaube ich, eine ganze Menge an Bekleidung gezeigt, aber zwischen dem Hundefutter und der Farbe möchte ich nur klarstellen, dass diese Modelle für B2C, B2B, D2C, Biowissenschaften, Bekleidung und Lebensmittel geeignet sind und wir das gesamte Spektrum abdecken können.

Bevor ich zum Schluss komme, möchte ich Sie alle wissen lassen, dass wir Lucidworks sind und nicht nur eine Suchfirma. Ich hoffe, Sie konnten überzeugend darlegen, wo wir bei den Empfehlungsprogrammen stehen und dass wir in diesem Bereich wettbewerbsfähig sind. Sie brauchen keine Armee von Datenwissenschaftlern, um mit diesen Tools erfolgreich zu sein. Sie sind sofort einsatzbereit. Vielen Dank für Ihre Zeit und Ihre Aufmerksamkeit. Bitte kommen Sie mit mir und einigen meiner Teammitglieder gleich im Anschluss zu einem kleinen Q+A. Ich danke Ihnen.