Datengetriebene Personalisierung mit Künstlicher Intelligenz
Abb. 1: Menschen und deren Präferenzen sind unterschiedlich – die datengetriebene Personalisierung trägt dem Rechnung
Stellen Sie sich vor, Sie gehen in ein Geschäft und finden direkt im ersten Regal genau die Produkte, wegen derer Sie das Geschäft besuchen. Und das nicht nur einmal, sondern bei jedem weiteren Einkauf – auch dann, wenn Sie mit ganz neuen Bedürfnissen, Wünschen und Anforderungen in das Geschäft gehen. Sie finden das, was Sie in diesem Moment gerade suchen. Genau diesen Effekt hat Online Personalisierung durch den Einsatz von künstlicher Intelligenz.
Was ist Personalisierung?
Die digitale Transformation erfasst alle Lebens- und Arbeitsbereiche, Corona beschleunigt diese Entwicklung noch einmal. Kunden sind zunehmend online. Ihr Surf- und Konsumverhalten verändert sich dabei ebenso wie ihre Erwartungen an den Einkauf. Sie haben weniger Zeit, Lust und Geduld, um auf Webseiten oder E-Commerce-Shops nach den gewünschten Informationen und Produkten zu suchen. Stattdessen erwarten sie, dass ihren Bedürfnissen und Anforderungen Rechnung getragen wird.
Hier kommt die Personalisierung ins Spiel. Für Unternehmen ist sie eine Möglichkeit, kontextbezogene Botschaften, Angebote und Erlebnisse bereitzustellen, die sich am individuellen Profil des einzelnen Besuchers orientieren. Startseiten, Webdesigns oder Produktauswahlen können so benutzerspezifisch präsentiert und die Besucher individuell angesprochen werden – in Echtzeit und abhängig vom Kontext des Benutzers wie bspw. der Tageszeit, dem Marketingkanal und dem Endgerät. Methoden wie das Machine Learning sind dabei ein Schlüsselfaktor. Bei der Menge an zu verarbeitenden Daten können nur automatisch vorgehende KI-Algorithmen schnell genug agieren und die gewünschten Ergebnisse liefern.
Personalisierung bedeutet Umsatzsteigerung
Zwei Personen besuchen zur gleichen Zeit einen eShop für Sportartikel – Eine Erstbesucherin über Smartphone, weiblich, 20 Jahre alt und wohnhaft in Berlin und ein 45-jähriger männlicher Besucher aus dem Ruhrgebiet über Desktop, Fußballfan, und bereits Kunde. Beide Besucher kommen über den gleichen Marketingkanal und sind auf der Suche nach T-Shirts, bekommen aber in Echtzeit unterschiedliche Landing Pages, Produktauswahlen und Angebote zu sehen, die jeweils ihren Profilen entsprechen. Beide finden intuitiv das, wonach sie suchen – ohne suchen zu müssen.
Dies hat einen positiven Effekt auf ihr Einkaufserlebnis und damit auf die Zufriedenheit der Besucher. Aber auch für die E-Commerce-Anbieter zahlt sich solch ein Investment aus: Ergebnisse und Studien zeigen, dass relevantere Angebote und Inhalte zu einer Erhöhung der Konversionsrate führen und damit höhere Umsätze generieren. Künftig werden also nur Unternehmen erfolgreich sein, die verstanden haben, dass E-Commerce und personalisierte Inhalte Hand in Hand gehen.
Es werden aber die richtigen Systeme benötigt, um die Prozesse bei der Bereitstellung von relevanten personalisierten Erlebnissen zu automatisieren, damit sich Anbieter vom Markt abheben und Kunden gewinnen können.
Automatische Cluster statt händischer Zielgruppen
Bedenkt man die möglichen Ausprägungen der Personalisierung, kommen schnell mehrere Hundert verschiedene Cluster von Besuchern einer Webseite zusammen, die alle individuell und mit der größtmöglichen Chance auf Konversion bedient werden sollen.
Dabei werden die Besucher in Segmente eingeteilt – also Cluster mit Personen gebildet, die eine hohe Übereinstimmung Ihrer Eigenschaften haben. Diese Cluster gehen dabei weit über die bisher häufig manuell gebildeten Zielgruppen oder Personas hinaus. Cluster sind um ein Vielfaches filigraner und flexibler. Sie werden nicht mehr händisch und statisch vordefiniert, sondern ergeben sich dynamisch durch die über den Besucher bekannten Informationen wie z. B. das Geschlecht, das Alter, die Uhrzeit, die Kaufhistorie, die geografischen Information, das verwendete Endgerät, usw. Es werden also alle zur Verfügung stehenden Informationen in die Cluster-Bildung eingebunden.
Die Maschine lernt mit
Um diese riesige Menge an unterschiedlichen Informationen, Datenquellen und Datensätzen in Millisekunden zu verarbeiten und auf Basis dessen individuelle Webseiten auszuspielen, braucht es performante Technologien, die automatisiert die Verarbeitung übernehmen. Die Bewertung der qualitativen Informationen über die Besucher wird dabei über verschiedene statistische Verfahren, wie Rankings, Korrelationsanalysen oder Wahrscheinlichkeitsdichten vorgenommen, die man unter dem Begriff des Machine Learning zusammenfassen kann.
Die Bedingung: Das eingesetzte System muss lernfähig sein. Der Machine Learning Algorithmus muss permanent Käufergruppen identifizieren und definieren, das heißt neue Cluster bilden und kontinuierlich die neu hereinkommenden Informationen verarbeiten. Das System lernt fortwährend aus dem Klick- und Kaufverhalten der Besucher und optimiert mit den daraus gewonnenen Erkenntnissen den Algorithmus automatisch immer weiter.
Der entscheidende Vorteil gegenüber herkömmlichen Systemen ist, dass auch Trends und saisonale Effekte durch den Algorithmus erkannt und die Entscheidungen entsprechend angepasst werden. Die Besucher werden laufend analysiert und ihre Kontextinformationen mit dem am besten passenden Cluster abgeglichen. Jedes Cluster erhält dann automatisch die für diese Käufergruppe optimierten Produktvorschläge, Designs und Inhalte.
Woher kommen die Daten?
Daten stehen für die Personalisierung ausreichend zur Verfügung. Informationen wie Suchwörter, Marketingkanal, Endgerät, Geschlecht oder Kaufhistorie erlauben in der Kombination eine genaue Einordnung des Besuchers in eine Käufergruppe. Häufiger ist die Auswertung und Nutzung der Daten das Problem. Meist geschieht das in unterschiedlichen Systemen und Verantwortungsbereichen – und ohne zusammenführende Übersicht. So gibt es zum Beispiel vorhandene Kaufhistorien in CRM-Systemen, Ergebnisse durchgeführter Werbekampagnen im Kampagnenmanagement und Informationen über die Performance der Landing Page in Tracking-Systemen. All diese Daten und Ergebnisse werden allerdings größtenteils autark verwaltet, ausgewertet und nur für die Optimierung des Kanals genutzt, der die Daten „verursacht“ hat. Sprich die Auswertung einer Google Kampagne wird nur dazu genutzt, die Google Kampagnen zu optimieren; die Auswertung einer Vertriebsmail nur zur Vorbereitung der nächsten Aussendung. Richtig verstandene und angewendete Personalisierung hingegen nutzt die Daten übergreifend und in Verbindung zueinander und schafft damit erhebliche Mehrwerte.
Abb. 2: Nutzung aller zur Verfügung stehenden Informationen zur Personalisierung einer beispielhaften Customer Journey
Unterschied zu herkömmlichen Ansätzen
Im Vergleich zu einem klassischen A/B-Test werden die Vorteile des neuen Ansatzes der datengetriebenen Personalisierung mit Machine Learning Algorithmen deutlich:
Die einfachste Form des Testings stellt der A/B-Test dar. Es werden zwei Webseiten A und B definiert, der eingehende Traffic gleichverteilt auf beide Seiten verteilt und untersucht, welche Webseite höhere Konversionsraten erzielt. Nach einem häufig vorher definierten Zeitraum wird die Webseite mit der niedrigeren Konversionsrate abgeschaltet und den Besuchern zukünftig nicht mehr angeboten.
Diese Form des Testings verursacht hohe Kosten in Form niedriger Konversionsraten, da die Hälfte der Besucher für die Dauer des Tests auf die schlecht konvertierende Variante geleitet werden.
Ein weiterer Nachteil des A/B Tests ist, dass die erzeugten Varianten nicht zielgruppenspezifisch ausgespielt werden, sondern allen Besuchern rein zufällig angezeigt werden, bis sich eine getestete Variante als die bessere herausgestellt hat. Diese Herangehensweise verschenkt damit die Möglichkeit, die Konversionsrate durch zielgruppenspezifische Ansätze zusätzlich zu optimieren.
Die KI-Algorithmen hingegen lernen selbständig, welche Inhalte für welches Cluster optimal sind und spielen diese verstärkt an die entsprechenden Besucher aus. Dadurch werden die initialen Kosten des Tests drastisch reduziert. Nach kurzer Zeit hat der Algorithmus das Verhalten der Besucher „verstanden“ und liefert nahezu immer die optimalen Inhalte an den Besucher aus.
Mehr Relevanz = Mehr Umsatz
Der Nutzen für die Betreiber eines E-Business liegt auf der Hand – die Personalisierung sorgt für relevantere Ergebnisse auf den Seiten, steigert damit die Konversionsrate und erhöht den Umsatz. Die Erfahrung zeigt, dass mit der Personalisierungs-Lösung von Acceleraid schnell zweistellige prozentuale Steigerungen der Konversionsrate erzielt werden können.
Neben der direkten Wirkung auf den Online-Umsatz von Unternehmen, hat die datengetriebene Personalisierung aber noch weitere mittelbar verkaufsfördernde Vorteile über den gesamten Customer Lifecycle hinweg: Engere Kundenbindung durch zufriedenere Kunden, tiefergehende Erkenntnisse über Kundenverhalten und -reaktionen und passgenaue Kundensegmentierung als Basis für zukünftige Entscheidungen sind nur einige.
Ausblick
Über die datengetriebene Personalisierung ergeben sich damit vollständig neue Dimensionen für den gesamten Bereich der Customer Intelligence bzw. Business Intelligence – und das obwohl erst der Anfang ihrer Entwicklungsmöglichkeiten erreicht ist. Das Internet of Things wird immer realer, bereits heute sind über 30 Mrd. Geräte mit dem Internet verbunden und erzeugen enorme Datenmengen, die auch für die Personalisierung genutzt werden können.
Der Kunde steht im Mittelpunkt des Geschehens und verfügt über einen beinahe vollständigen Überblick des Marktes. Er hat jederzeit Zugriff auf eine Vielzahl kaufrelevanter Informationen, gleichzeitig kann er die Informationsmenge kaum noch selbst verarbeiten. Er braucht daher die Unterstützung der Anbieter, die für ihn relevanten Informationen und Produkte zu selektieren. Der Schlüssel dazu ist Personalisierung.