Personalisierung des E-Commerce durch künstliche Intelligenz
Dieser Post möchte dir zeigen wie künstliche Intelligenz Webshops selbständig personalisieren kann um hierdurch Kundenerfahrungen zu verbessern und letztlich Umsätze zu erhöhen. Der besondere Fokus liegt dabei auf der gleichzeitigen Personalisierung mehrerer Elemente des Webshops für ein stimmiges Gesamterlebnis.
Interviewpartner für diesen Artikel: Unternehmer und KI Experte Dr. Hannes Lüling
Als Data Scientist bin ich seit vielen Jahren für DAX-Unternehmen und Startups tätig.
Mit meinem Unternehmen, der res mechanica GmbH mit Sitz in München haben wir 2020 selbst einen Personalisierungsservice aus der Taufe gehoben.
Die dahinterstehende Technologie erreichte die höchste jemals vergebene Punktzahl beim renommierten Stipendium “EXIST” des Bundesministeriums für Wirtschaft und Energie.
Personalisierung - was ist das?
Du kannst mittels Personalisierung Webseiten situativ angepassen, um den aktuellen, individuellen Bedürfnissen Deiner Besucher gerecht zu werden.
Wie so oft hilft ein Beispiel: Ein Besucher eines Webshops mag ein “Schnäppchenjäger” sein, ein anderer hochpreisige Artikel bevorzugen. Wird im Fall des ersten Kunden relevante, also günstigere Ware angezeigt als beim zweiten, spricht man von einem (in Teilen) personalisierten Webshop.
Wozu die Mühe der Personalisierung?
Ganz einfach: Das individuelle Anpassen der Benutzererfahrung wirkt sich nachweislich positiv auf das Kaufverhalten aus.
Was kann personalisiert werden?
Personalisierung ist nicht wie im obigen Beispiel auf das Anzeigen bestimmter Ware beschränkt. Theoretisch kann jedes Element eines Webshops individuellen Bedürfnissen angepasst werden. Weitere Beispiele hierfür sind die
- Anordnung des Menüs,
- Produktbezeichnungen und -beschreibungen,
- Zusatzinformation wie die Beliebtheit von Produkten,
- Aufforderungen zum Bestellen eines Newsletters,
- Preise und Rabatte,
- Suchvorschläge,
- Farben und das Layout, etc.
Merkmale für die Personalisierung
Personalisierung ist wie oben definiert die situative Anpassung einer Webseite. Eine Situation wird dabei durch Merkmale charakterisiert und die Webseite entsprechend der Ausprägung dieser Merkmale angepasst. Diese Merkmale profilieren gleichsam die Kund:innen in ihrer momentanen Situation. Entsprechend dieses Kundenprofils soll die Webseite also personalisiert werden.
Merkmale, auf Basis derer personalisiert werden kann, lassen sich in folgende drei Kategorien unterteilen.
- Persönliche Interessen, wie sie durch vergangene Käufe, momentane Warenkörbe, geklickte und betrachtete Produkte charakterisiert werden.
- Technische Information, wie der Marketingkanal, über den der Besucher in den Webshop gelangt ist (z.B Google search), der genutzte Endgerätetyp (Mobile, Tablet, Desktop), dessen Fabrikat, das genutzte Betriebssystem und der Browser sowie deren Versionen.
- Kontextuelle Information, wie der Monat, der Wochentag, die Uhrzeit, oder die Tatsache, dass die Wirtschaft aufgrund von SARS-CoV-2 gerade rezessiv ist. Darüber hinaus liefern Drittanbieter Ortsinformation zu IP-Adressen, mittels derer Information wie die lokale Kaufkraft und Ferienzeiten hinzugezogen werden können, außerdem das Verhalten in sozialen Netzwerken, die Kreditwürdigkeit und anderes mehr.
Je mehr Merkmale herangezogen werden, desto präziser kann bei hinreichenden Mengen von Kundendaten personalisiert werden – von auf Basis simpler Kundensegmente personalisierter Webseiten bis hin zur tatsächlich individuellen Benutzererfahrung.
Wann stehen die Merkmale zur Verfügung?
Der Unterschied zwischen der ersten und den beiden weiteren genannten Kategorien liegt im Zeitpunkt ihrer Verfügbarkeit:
Während sich persönliche Interessen erst im Laufe der Interaktion des Kunden mit der Webseite zeigen, sind die unter 2. und 3. aufgezählten Informationen in den ersten Millisekunden des Besuchs einer Webseite verfügbar und für Personalisierung nutzbar.
Handelt es sich um einen wiederkehrenden Besucher, stehen vergangene persönliche Interessen ebenfalls in Echtzeit als Datenquelle zur Verfügung.
Technische Umsetzung von Personalisierung im E-Commerce
Personalisierung und die Notwendigkeit künstlicher Intelligenz
Die Vielzahl personalisierbarer Elemente und die Vielzahl verschiedener Kundenbedürfnisse ergeben eine schier unüberschaubare Anzahl möglicher Zuordnungen (vgl. Abbildung 1). Zu personalisieren bedeutet zu wissen, welche Kombinationen die richtigen sind. Eine weitere Komplikation entsteht dadurch, dass Nutzer ihr Verhalten ändern. Regeln nach denen Webshops personalisiert werden, verlieren demnach im Laufe der Zeit an Gültigkeit.
Menschen stoßen beim Finden und Warten dieses Regelwerks schnell an ihre Grenzen. Personalisierung braucht also unbedingt eine Form von Automatismus. Dies ruft künstliche Intelligenz auf den Plan und zwar eine spezielle Form künstlicher Intelligenz: sogenannte selbstlernende Software, Software also, die selbständig herausfinden kann, wie die Elemente einer Webseite entsprechend der Nutzerbedürfnisse angepasst werden müssen.
Dabei ist eine genaue Definition der Ziele der Personalisierung vonnöten. Der Anwender wählt die KPIs aus, die durch intelligente Anpassung der Elemente des Webshops optimiert werden sollen. Diese Anpassung unterliegt dabei normalerweise einer Businesslogik, Randbedingungen also, die den Handlungsrahmen der selbstlernenden Software abstecken.
Künstliche Intelligenz
Bei selbstlernender Software lernt ein sogenannter künstlicher Agent aus seiner eigenen Interaktion. Im Zusammenhang mit Personalisierung bedeutet das Folgendes. Der künstliche Agent passt ein Element des Webshops für einen Nutzer an und registriert dessen resultierendes Verhalten. Folgt der Kauf eines Produktes etwa auf eine irgendwie veränderte Produktbeschreibung, so war diese Maßnahme vermutlich nicht völlig falsch. Diese Maßnahme in dieser Situation wird folglich ein Stück weit “aufgewertet”.
Formell heißt das, dass entsprechende Parameter des Algorithmus’ angepasst werden. Der künstliche Agent hat dann folgendes gelernt: Dieser oder ein den Merkmalen nach vergleichbarer Besucher spricht positiv auf die veränderte Produktbeschreibung an. Kehrt dieser Besucher später wieder, oder handelt es sich um einen vergleichbaren Besucher, sollte diese Maßnahme in den meisten Fällen wiederholt werden.
Warum aber nur in den meisten Fällen, warum nicht immer?
Lernen durch “Trial and Error”
Nutzerverhalten ändert sich und mit ihm die erforderliche Personalisierung. Allem Anschein nach ändern Nutzer ihr Verhalten zudem immer schneller. Das mag an der zunehmenden Transparenz liegen, wie sie beispielsweise die hohe Verfügbarkeit von Vergleichsportalen ermöglicht. Wer Preise beispielsweise nicht schnell genug nachzubessern vermag, verliert Kund:innen, die das gesuchte Produkt anderweitig günstiger vorgefunden haben.
Eine künstliche Intelligenz, die ihren Namen verdient hat, muss paradoxerweise von Zeit zu Zeit weniger intelligent handeln. Sie muss also etwas Suboptimales versuchen, wie die Anpassung einer Produktbeschreibung, die bisher weniger gut funktioniert hat als eine andere. Warum aber muss sie das tun? Die Antwort ist simpel: Es könnte sein, dass diese Produktbeschreibung besser funktioniert. Womöglich weil sie es “schon immer” so getan hat, vielleicht aber auch, weil Besucher zwischenzeitlich unmerklich ihr Verhalten geändert haben.
Ein künstlicher Agent sollte also neben dem Ausnutzen vorhandener, positiver Erfahrung auch immer ein wenig in die Exploration vermeintlich negativer Erfahrung investieren. Wie wir Menschen, kann künstliche Intelligenz also aus Versuch und Irrtum (Trial and Error) lernen und sich hierdurch anpassen. Menschen sind dabei z.B. der gesellschaftlichen Ordnung verpflichtet, künstliche Intelligenz untersteht im Normalfall einer Businesslogik. Nicht jeder Trial ist demnach zugelassen.
In beiden Fällen (Ausnutzen oder Exploration) gilt es jedoch, nicht unnötig oft in dasselbe oder ein vergleichbares Fettnäpfchen zu treten. Einen Begriff von Vergleichbarkeit von Situationen zu haben, ist also wünschenswert.
Generalisierung aka. Mustererkennung
Im vorigen Abschnitt hatte ich von vergleichbaren Situationen bzw. Kundenverhalten geschrieben. Einen Begriff von Vergleichbarkeit zu haben ist wie erwähnt von Vorteil. Der Grund hierfür ist, dass es bei der Vielzahl möglicher Situationen und der Vielfältigkeit von Kundenverhalten, selbst bei einem riesigen Erfahrungsschatz immer wieder Situationen gibt, die anders als die bis dahin gesehenen sind. Wer dann Vergleiche zu vorher Gesehenem ziehen kann, gleichsam bisherige Erfahrungen zu generalisieren vermag, wird trotz der neuen Situation eine fundierte Entscheidung treffen können.
Formell bedeutet dies, unveränderliche Merkmale von Situationen zu identifizieren, die dieselbe optimale Entscheidung erfordern. In diesem Zusammenhang wird auch von Mustererkennung gesprochen (vgl. Abbildung 2). Im Beispiel des Kunden mag es sein, dass die Wirksamkeit beispielsweise einer bestimmten Rabatt-Kampagne nicht vom Wochentag, dafür aber davon abhängt, ob ein Feiertag bevorsteht. Die Nähe zu einem Feiertag wäre also eines dieser gesuchten unveränderlichen Merkmale.
Mustererkennung mittels deep learning
Deep learning, eine weitere Methode der künstlichen Intelligenz, hat die herausragende Eigenschaft, selbstständig diejenigen Merkmale in Daten zu identifizieren, die eine bestmögliche Generalisierung erlauben. Hierdurch konnten in manchen Anwendungsfeldern, etwa der Diagnose von Leukämien, Leistungen erzielt werden, die der menschlichen Fähigkeit ebenbürtig sind. Diese Algorithmen konnten dabei oft Merkmale aufspüren und ausnutzen, die dem Menschen verborgen waren.
Neben komplexen strategischen Aufgaben ist der Mensch vermutlich noch auf lange Sicht künstlicher Intelligenz bei folgender Aufgabe überlegen: Dem Wissenstransfer. Der Mensch ist herausragend gut darin, in einem Kontext erworbenes Wissen in einen anderen Kontext zu übertragen. Software hat bei dieser Aufgabe bislang eine harte Zeit. Und trotzdem können Algorithmen in klar umrissenen Problemstellungen äußerst nützlich sein.
Deep learning findet z.B. Anwendung beim Design von Medikamenten, dem Erkennen von Sprache, oder der Restauration von Bildern. Die Kombination mit einer selbst-lernenden Komponente lässt Anwender die Vorteile beider Welten auskosten. Entsprechende Algorithmen ermöglichen es, mittels Generalisierung eigenständige Entscheidungen selbst in unbekannten Situationen zu treffen. Deep learning ist jedoch nicht immer die beste Möglichkeit zu generalisieren.
In der Tat wurde in den vergangenen Jahren nach unserer Erfahrung viel Geld in Projekten versenkt, die mit weniger komplexen Algorithmen besser umgesetzt worden wären. Methoden des deep learning benötigen allesamt große Datenmengen, um Wert zu schaffen. Nicht jeder Anwendungsfall entspricht dieser Maßgabe. Darum sollte nie auf einen einzigen Algorithmus, sondern stets auf eine Reihe komplementärer Algorithmen gesetzt werden, die je nach Datenlage das Ruder übernehmen können.
Personalisierung heute
Zusammenfassend kann festgehalten werden, dass die wirksame Personalisierung von Webseiten zwei grundlegende Fähigkeiten erfordert. 1. zu generalisieren und 2. sich selbständig anpassen zu können. Es gibt Software-Services, die dies mehr oder weniger gut umsetzen.
Ein entscheidender Makel eint indessen all diese Lösungen: Elemente von Webseiten werden unabhängig voneinander personalisiert. Dabei wird unwissentlich oder wider besseren Wissens vernachlässigt, dass sich alle personalisierten Elemente zu einer gesamten Benutzererfahrung fügen. Verkauft wird das gerne als Vorteil: Eine lange Liste personalisierbarer Elemente wird marketingwirksam als komplementäre Servicepalette präsentiert. Produktempfehlungen werden beispielsweise unabhängig von personalisierten Rabatten eingesetzt.
Es ist jedoch axiomatisch, dass ein Kunde bzw. eine Kundin das richtige Produkt zum richtigen Preis finden muss, da er es andernfalls nicht kauft.
Die linke Hand weiß sprichwörtlich also nicht, was die rechte tut. Die Nutzererfahrung wird zum Flickenteppich separater Optimierungsversuche, ähnlich einem schlecht geführten Unternehmen, dessen Abteilungen nach ihren eigenen Kennzahlen optimieren und keine Abstimmung in Hinblick auf die übergeordneten Unternehmensziele stattfindet.
Die Folge: Potentiell erhebliche Teile des Gewinns werden nicht realisiert. Und noch ein Beispiel soll helfen: Im Fußball kann ein eingespieltes Team aus lediglich “brauchbaren” Spielern eine Mannschaft aus begnadeten, aber egoistischen Solisten schlagen.
Im E-Commerce ist gleichsam ein harmonisches Zusammenspiel der Personalisierung aller Elemente erforderlich.
Künstliche Intelligenz aus einem Guss in der Praxis
Da es nun hoffentlich überzeugende Argumente dafür gibt, die gesamtheitliche Personalisierung mehrerer Elemente von einer einzigen KI umsetzen zu lassen, soll im Folgenden aufgezeigt werden, wie dies in der Praxis umsetzbar ist.
Praktisch bedeutet dies, dass in jeder Situation alle jeweils anpassbaren Elemente in allen ihren Variationen dem Agenten zur Auswahl vorgelegt werden. Der entscheidende Punkt ist hierbei, dass diese Liste nicht auf einzelne Elemente des Webshops beschränkt wird, sondern die Gesamtheit aller Kombinationen möglicher Varianten der Elemente umfasst.
Demgemäß enthält sie beispielsweise Optionen zur Umgestaltung von Layout und Design, die Bandbreite möglicher Produktempfehlungen sowie möglicher Rabattvarianten. Bei zwei möglichen Produkten (blau und rot) und zwei möglichen Rabatten (5% und 10%) impliziert das vier verschiedenen Kombinationen (blau-5%, blau-10%, rot-5% und rot-10%), die der künstliche Agent situativ einsetzen muss.
Durch das Auswerten des resultierenden Nutzerverhaltens, kann dann der künstlicher Agent nutzerabhängig, also personalisiert, besonders lukrative Kombinationen identifizieren. Mit all diesen Kombinationen wird es jedoch noch schwieriger, das Problem der optimalen Zuordnung von Benutzererfahrung und Benutzerverhalten zu lösen.
Das nachfolgende Video zeigt, wie künstliche Intelligenz durch Trial and Error Werkzeuge beim Versteckspiel kooperativ einzusetzen lernt.
Du siehst gerade einen Platzhalterinhalt von Youtube. Um auf den eigentlichen Inhalt zuzugreifen, klicke auf die Schaltfläche unten. Bitte beachte, dass dabei Daten an Drittanbieter weitergegeben werden.
Mehr InformationenFazit und Ausblick
Cutting-edge Personalisierung erfordert also künstliche Intelligenz, die neben guten Generalisierungseigenschaften und Autonomie in der Interaktion mit Nutzern, mit einer erdrückenden Anzahl möglicher Kombinationen umgehen kann.
Einem geeigneten künstlichen Agenten sind dann keine systemischen Schranken gesetzt. Stehen ihm hinreichend viele Interaktionen und resultierendes Nutzerverhalten zur Verfügung, wird er stets dazu in der Lage sein, wirksame Handlungsempfehlungen abzuleiten.
Aufgrund ihrer historischen Entwicklung sind bestehende Webshops in ihren gegenwärtigen Implementationen typischerweise statischer Natur. Mit unserem Service bieten wir die Möglichkeit, Personalisierung in kontrolliertem Umfeld schrittweise in diese Systeme einzubinden, um einerseits Aufwände zur Neuentwicklung von IT Infrastruktur gering zu halten, andererseits jedoch bereits jetzt von neuartigen Technologien profitieren zu können.
Auf lange Sicht steht der Branche ein Paradigmenwechsel bevor, der dynamisch generierte Inhalte zum Kernstück der nächsten Generation von Shopsystemen macht. Der Trend geht damit weg von einer Einheitslösung für alle und hin zu einem vollständig personalisierten Einkaufserlebnis, um dem anspruchsvollen Kunde von morgen gerecht zu werden.
MD tractionwise | Behavioral Data & UX