Quelle: Zauberhaftes Kundenerlebnis dank Data Profiling

Mit Predictive Analytics Kundeninteressen vorhersagen und Produktempfehlungen verbessern

Case Study
Engage
Predict

Die Aufgabe: Steigerung der Click-Through-Rate

Im Rahmen unserer ersten Projekte bei epicinsights wollten wir die Belastbarkeit von epicAi auf die Probe stellen und durften dafür bei unserem Partner Skatedeluxe, einem Online-Shop für Skate- & Streetwear, frisch ans Werk. Die bisherigen Erfahrungen mit Recommendation Engines galt es zu toppen, u.a. indem selbst aus wenigen Daten noch gute Vorhersage-Ergebnisse mit echter KI im Hintergrund erzielt werden; sozusagen der heilige Grahl im Online-Business – Challenge accepted!

Die Aufgabe war also klar: Steigerung der Click-Through-Rate mit Hilfe künstlicher Intelligenz. Dies schloss die Vorhersage der Nutzerinteressen und eine damit verbundene Verbesserung der bestehenden Produktempfehlungen ein.

Da wir unsere eigene Recommendation-Engine auch für Positionen mit wenig Traffic testen wollten, galt es für einen Pilot-Case besonders kritische Seiten im Shop zu identifizieren. Diese hatten einerseits wenig Besucher, d.h. Nutzerinformationen, und andererseits relativ hohe Absprungraten. Dabei kann je nach Ort der Empfehlung innerhalb des Shops der Umfang und die Qualität der Daten über Erfolg und Misserfolg entscheiden.

Die, als Pilot-Case abgestimmten, Orte für eine Empfehlungsbox im Shop waren die Ergebnisseite der Suche und die Übersichtsseite des Warenkorbs. Sozusagen ein Paar echte Klassiker unter den Reco-Cases.

Die Lösung: Künstliche Intelligenz

In einem ersten Schritt integrierten wir mit dem epicPIXEL ein individuell auf den Kunden abgestimmtes Tracking in den Shop. Damit waren wir in der Lage die Interaktionen der Nutzer granular zu erfassen. Zusätzlich lieferte das epicPIXEL dabei auch spezifische Shopdaten der angesehenen Produkte (beispielsweise Farbe, Größe, Kategorie und Marke), wenn diese nicht als Export von Skatedeluxe vorlagen.

Die Trackinginformationen wurden automatisch in unsere Datenbank überführt und für die Entwicklung und das fortwährende Training unserer Machine Learning-Vorhersagemodelle genutzt.
User Experience

Maximale Flexibilität durch Vorhersage von Produkteigenschaften

Da der Kunden bei der Ausspielung der Empfehlungen flexibel bleiben wollte, haben wir kein spezifisches Produktinteresse vorhergesagt, sondern Produkt-Eigenschaften (z.B. Marke, Typ, Farbe, etc.) an das Kundensystem übermittelt. Diese wurden dann an zwei Positionen innerhalb der User Journey für die Ausspielung passender Produktempfehlungen berücksichtigt.

Das Besondere dabei: Das bereits bestehende interne Recommendation-System des Kunden wurde mit einer zusätzlichen Gewichtung auf Grundlage unserer künstlichen Intelligenz epicAi ergänzt. Die KI wurde nahtlos in die bestehende Infrastruktur des Kunden eingebettet und die KI-basierten Empfehlungen von epicAi konnten direkt über das hauseigene Kundensystem verarbeitet und ausgespielt werden. Der „letzte Meter“ für die Ausspielung der eigentlichen Produkte an den User blieb in Kundenhand und konnte je nach kaufmännischem oder marketingseitigem Interesse individuell gewichtet werden.

Der Erfolg der auf diese Weise generierten und ausgespielten Produktempfehlungen wurde mithilfe eines integrierten A/B-Testings überprüft.

Das Ergebnis: Eine deutliche Steigerung der CTR

Unter Verwendung unserer Predictive Analytics Methoden gelang es den Empfehlungen von epicAi die Klickrate im Vergleich zur Kontrollgruppe deutlich zu steigern:

• Steigerung der CTR im Warenkorb um 300%
• Steigerung der CTR auf der Suchseite um 60%

Das heißt: Durch den Einsatz von epicAi wurde das Produktinteresse potentieller Käufer mit hoher Erfolgsquote vorhergesagt und damit das vorhandene Cross Selling-Potential weiter ausgeschöpft – ausschließlich anhand von Verhaltensdaten aus der aktuellen User-Session.

Ausblick: Vom Pilot-Case zur ganzheitlichen KI-basierten Optimierung

Nach dem initialen Setup und Implementierung von epicAi innerhalb der Kundeninfrastruktur werden die Möglichkeiten künstlicher Intelligenz nun auf andere Anwendungsbereiche erweitert.

Hierbei gibt es grundsätzlich zwei mögliche Wege. Einer ist die Erschließung neuer vertikaler Einsatzbereiche entlang der gesamten Business-Wertschöpfung von Shop über Back-End über CRM, Warenwirtschaft, Lager bis hin zum Einkaufsprozess. Oder horizontal, wobei man hier auf einer Wertschöpfungsstufe bleibt und diese sukzessive mit neuen Anwendungsfällen erweitert. Wir haben uns mit Skatedeluxe für letzteres entschieden und werden sukzessive weitere Orte im Shop personalisieren.

Postskriptum: Diese durchgeführt Case Study zeigt, dass künstliche Intelligenz die Prioritäten von Marketing-Experten nicht überschreiben muss, sondern gewinnbringend ergänzen kann. In diesem Bewusstsein haben wir auch unsere Predictive Analytics-Plattform entwickelt; diese unterstützt Marketing- und Sales-Entscheidungen mit künstlicher Intelligenz und Fluiden Personas.

Unsere Case-Studies:

Newsletter Anmeldung

* Pflichtfelder