Mit AI die letzten 5% Conversion Rate rauskitzeln
Bei Online-Vertrieb und Marketing werden enorme Mengen an Daten gesammelt, die viel über Nutzerverhalten und Nutzerpräferenzen verraten. Diese Daten nutzbar zu machen, ist das wesentliche Ziel von Acceleraid. Hierfür verwenden wir diverse Machine Learning Algorithmen von Markov Models bis zu Neuronalen Netzen.
Heute werden KI, Big Data Und maschinelles Lernen hauptsächlich von IT-Abteilungen, Business Intelligence und Data Science genutzt. Unser Fokus liegt darauf, komplexe Technologie für jeden nutzbar zu machen. Durch eine KI-basierte Datenanalyse und personalisierte Kundenansprache unterstützen wir Sie bei Ihren Vertriebsaktivitäten und helfen Ihnen, Ihre Abschlüsse und Umsätze zu steigern.
Dafür analysiert unsere Software Ihre Kunden- und Besucherdaten, segmentiert Zielgruppen, automatisiert den Prozess der Ansprache und optimiert Ihre Kanäle auf Basis aller Klick- und Transaktionsdaten mithilfe von Machine Learning. Unsere Algorithmen sind flexibel und vielseitig einsetzbar. Wir helfen Ihnen dabei, sie für Ihren Business Case zu optimieren.
Contextual Bayesian Bandit
CONTENT DATENBASIERT PERSONALISIEREN
Nicht jedes Webseitendesign oder jede E-Mail sind bei jedem Kunden gleich erfolgreich. Wir optimieren die Ansprache von Nutzern, indem wir jedem Besucher eine auf ihn zugeschnittene Variante zeigen. Für die Optimierung dieser Ausspielung bietet Acceleraid mehrere Optionen: So kann sowohl mit einem Neuronalen Netz, als auch mit einem Bayesian Bandit auf Parameterbasis optimiert werden.
In gewöhnlichen A/B-Testszenarien ähnlicher Tools auf dem Markt werden verschiedene Varianten gegeneinander getestet und bei statistisch signifikanten Unterschieden eine bevorzugte Variante gewählt. Unsere Machine Learning Algorithmen arbeiten iterativ und konvergieren deutlich schneller gegen eine bestmögliche Verteilung des Traffics.
WIE FUNKTIONIERT DAS? (AM BEISPIEL DES BAYESIAN BANDITS)
Bei dem zugrundeliegenden mathematischen Problem handelt es sich um ein sogenanntes „Multi-Armed-Bandit“ Problem. Hierbei gibt es mehrere Trigger (~Varianten) mit verschiedenen unbekannten Gewinnchancen (~Conversionrates), die mit möglichst großem Gesamtgewinn gezogen werden sollen.
Eine unserer Lösungen hierfür ist eine Weiterentwicklung des Contextual Bayesian Bandit. Dieser berechnet die Wahrscheinlichkeitsdichten der realen Conversionrates unterschiedlicher Varianten auf Basis von bisher gesammelten Daten. In diesen Wahrscheinlichkeitsdichten wird dann für jeden eingehenden Nutzer eine Conversionrate gezogen und die beste ausgespielt.
WAS BRINGT DAS?
Dieser Algorithmus konvergiert deutlich schneller gegen eine optimale Trafficverteilung und dies bietet auch die Möglichkeit auf einen Kontext der Nutzer zu optimieren, d.h. für jeden Kontextparameter werden individuelle Wahrscheinlichkeitsdichten geschätzt. Der Algorithmus erkennt dann selbstständig und automatisch, dass beispielsweise Smartphone Nutzer aus Norddeutschland Montags eine andere Webseitenvariante präferieren, als Desktop-Nutzer am Freitag und spielt dem jeweiligen Besucher entsprechend das auf ihn optimierte Design, Produkt oder die Ansprache aus.
Auch Trends und zeitliche Entwicklungen der Nutzerpräferenzen können durch dynamische Gewichtung der Daten in den Dichten erkannt und für die Optimierung verwendet werden. Unser Contextual Bayesian Bandit ist bereits bei vielen Unternehmen im Einsatz und erzielt hier Optimierungseffekte zwischen 10% und 30%.
Multiarmed Bayesian Bandits ermöglichen die Schätzung des Nutzerverhaltens durch Wahrscheinlichkeitsverteilungen
- Benötigt keineTrainingsdaten oder statistische Signifikanz sondern lernt ab dem 1. Tag
- Verarbeitung aller Parameter für die Schätzung der Conversion
- Nutzt alle Daten zum Lernen und Optimieren und erkennt Trends
Im Vergleich dazu optimiert SCORING auf die beste Variante im Text pro jeweiligen Nutzer
- Benötigt Trainingsdaten zur Berechnung der Bewertungen
- Fokussierung auf Parameter die besonders relevant sind
- Nutzt Trainingsdaten eines vorgegeben Zeitfensters
Bei NEURONALEN NETZEN erfolgt das Lernen durch Training eines abstrakten Netzess
- Benötigt Trainingsdaten zur Optimierung des Netzes
- Verarbeitung aller Parameter für das Trainieren des Netzes
- Nutzt Trainingsdaten eines vorgegeben Zeitfensters
Clustering mit HDB Scan
Damit Ihre Botschaften auch die richtige Zielgruppe erreichen, wenden wir verschiedene automatisierte Clusteringverfahren auf Ihre Kundendaten an. Mit einem dichtebasierten Verfahren, das auf HDBSCAN und Fuzzy Clustering basiert, generieren wir sinnvolle und nutzbare Kundensegmente aus Ihren Kundendaten.
All diese Kundensegmente können durch unser System direkt für die Personalisierung nutzbar gemacht werden und liefern Erkenntnisse über ihren Kundenstamm.
Prozessautomatisierung
Intelligente Prozessoptimierung bei großen Datenmengen spart Zeit und Kosten. Automatische Optimierung von Business-Prozessen, Bild- und Texterkennung, Churn Detection und Sentiment-Analyse – es gibt zahlreiche Anwendungsfelder für Machine Learning.
Hin zur Hyperautomation – Wir verstehen es, Artificial Intelligence zu trainieren: Mit der Software von Acceleraid können Sie sowohl regelbasiert automatisierte Mailing-Kampagnen starten, als auch sie durch den Bayesian Bandit automatisch optimieren lassen. Der Bayesian Bandit lernt selbstständig und fortlaufend, welche E-Mail-Variante und welcher Inhalt bei welchen Kunden die größte Conversionrate erzielt.