Schauen wir uns ein Beispiel an: Susanne ist 30 Jahre alt und wohnt in der Mannheimer Innenstadt. Sie möchte ein Auto kaufen, um ihren Freund in Berlin häufiger besuchen zu können. Wenn sie auf die Website ihrer Bank geht, findet sie eine andere Startseite vor als ihr Nachbar Andreas, der mit seiner Familie schon lange von einem Haus im Grünen träumt.

Susannes Bank kann anhand verschiedener Parameter wie ihrem Standort, ihrer Interessen, und dem Endgerät, das sie verwendet, die Variante ihrer Website ausspielen, die am besten zu Susannes Bedürfnissen passt.

Gewöhnliche Personalisierungslösungen setzen auf A/B-Tests. Sie testen verschiedene Varianten gegeneinander und wählen bei statistisch signifikanten Unterschieden eine bevorzugte Variante aus. Sobald diese Verteilung feststeht, ist der Lernprozess abgeschlossen.

Machine Learning

Die Personalisierungslösung von Acceleraid hat einen anderen Ansatz. Machine Learning nutzt alle vorhandenen Datenparameter und bezieht den Kontext mit ein. So wird eine viel präzisere Personalisierung möglich. Zudem erkennt der Machine Learning Algorithmus Trends und saisonale Effekte. Er kann so konfiguriert werden, dass er Gelerntes für einen vorher festgelegten Zeitraum wieder „vergisst“ und auf aktuelle Entwicklungen reagieren. Die Gefahr, dass ein Kontext, oder ein Trend alle weiteren Entwicklungen überlagert, besteht also nicht.

Warum ist die Unterscheidung wichtig?

Weil sich Bedürfnisse ändern. Nicht nur von Mensch zu Mensch, sondern auch von Situation zu Situation. Bedürfnisse sind keine statisch kategorisierbaren Entscheidungsgrundlagen, sie sind dynamisch und schwanken unvorhersehbar.

Gute Personalisierung ist deshalb nicht zeitlos und hört nicht einfach nach einem Lernzyklus auf. Möglicherweise beschließt Susanne in diesem Moment, zu ihrem Freund nach Berlin zu ziehen. Sie arbeitet ohnehin im Homeoffice. Ein eigenes Auto wird sie bald nicht mehr brauchen. Stattdessen möchte sie vermutlich in der Wohnung ihres Freundes einige Renovierungsmaßnahmen durchführen. Möglicherweise ist Andreas durch die anhaltende Pandemiesituation verunsichert. Vielleicht beschließt er genau jetzt, dass es vernünftiger wäre, die Suche nach einem Bauplatz zu vertagen und noch etwas länger zur Miete zu leben.

Beispiel Hamburger Sparkasse

Aktuell können wir bei unseren großen Kunden im Bankensektor genau diese Schwankungen hautnah und im Detail beobachten. Mit der Hamburger Sparkasse haben wir zwischen Oktober 2020 und März 2021 eine Kampagne zu Privatkrediten mit sechs Varianten gestartet. Die Motive variieren von Traumerfüllung: „Jetzt Träume wahr machen“, bis zu Motiven, die elementare Bedürfnisse in den Vordergrund stellen: „Leben Sie einfach“. Jeder Nutzer bekommt das Motiv ausgespielt, dass individuell am besten zu seinen aktuellen Bedürfnissen passt.

Anhand der bevorzugt ausgespielten Varianten können wir beobachten, wie sich die Beweggründe für Privatkredite sich in kurzer Zeit verändert haben. Von dem Wunsch, sich große Träume zu erfüllen zu dem Bedürfnis, Sicherheit für die Zukunft zu schaffen.

Abbildung 2: Ausspielung der Landingpage-Varianten für die HASPA im Zeitverlauf

Die Auswertung zeigt, dass die erfolgreichsten Motive in für Menschen unvorhersehbarem Rhythmus wechseln. Im Oktober war das Motiv „Leben Sie einfach“ erfolgreicher. Im November interessierten sich mehr Menschen für das Motiv Traumerfüllung. Im Dezember und Januar dominierte das Motiv „Leben sie einfach“, während im Februar und März das Motiv Traumerfüllung am erfolgreichsten war. Warum sich die Bedürfnisse so unvorhersehbar ändern, kann auch Machine Learning nicht erklären, aber erkennen, dass sie sich ändern und in Echtzeit auf sie eingehen. So erhält jeder Kunde jederzeit ein passendes Angebot.