Wie KI Onlineshops optimiert | epicinsights

Als Manager eines Onlineshops sehe ich mich ständig neuen Trends und Herausforderungen gegenüber, die es zu beachten gilt. In der Welt des E-Commerce gibt es dabei unzählige Anwendungsfälle, die Künstliche Intelligenz optimieren könnte. Sehr populär sind aktuell die beiden Themenfelder Usability und Produktempfehlungen, da sie vergleichsweise unkompliziert zu realisieren sind. Zudem besitzen sie hohes Potenzial, um mit dem Einsatz von Künstlicher Intelligenz die Conversion-Rate meines Onlineshops zu erhöhen. Schnelle Implementierung und messbare Ergebnisse sind beim Thema KI-Integration kritische Faktoren. Dieser Beitrag nimmt diese beiden Optimierungsfelder auf und beleuchtet sie näher.

Ein häufiger Ansatzpunkt bei den strategischen Planungen meiner Online-Kampagnen sind die Erfahrungswerte vergangener Maßnahmen. Damit sind meine Möglichkeiten jedoch noch lange nicht ausgereizt. Gerade die immer größer werdenden Datenmengen, die täglich auflaufen, bieten mir eine einmalige Chance. Sie helfen mir, meine Besucher noch besser kennenzulernen und und aus den Informationen Schlüsse auf zukünftige Optimierungen zu ziehen. Die Herausforderung dabei: Diese Daten sind ohne maschinelle Hilfe nur schwer miteinander zu verknüpfen. Viele verborgene Zusammenhänge bleiben somit auf der Strecke.

Die Lösung: Künstliche Intelligenz

Künstliche Intelligenz hilft mir, die unmittelbar relevanten Stellschrauben im Shop zu identifizieren und für meine Zwecke zu nutzen. Durch die Möglichkeit, große Datenmengen in Echtzeit zu verarbeiten, zu analysieren und einen Mehrwert daraus zu generieren, entsteht ein klarer Wettbewerbsvorteil.

Für Usability-Optimierungen und Produktempfehlungen lassen sich relativ schnell Use-Cases entwickeln, bei denen Künstliche Intelligenz aus der Masse an Daten einige völlig neue „Insights“ generieren kann. Allgemeines Ziel ist dabei: der User findet genau das, was er sucht – und zwar auf schnellstem Wege.

Usability – Wie macht Künstliche Intelligenz Gutes besser?

Gute Usability beeinflusst den Erfolg jedes Shops maßgeblich. Die kontinuierliche Optimierung der Usability sollte daher ein zentraler Baustein meiner E-Commerce Strategie sein. Doch was zeichnet „gute“ Usability aus? Diese Frage lässt sich einfacher beantworten, wenn man sie auf den Kopf stellt: Wann spricht man eigentlich von „schlechter“ Usability?

Bei schlechter Usability ist das Auffinden von Informationen oder Produkten im Onlineshop umständlich. Hohe Ladezeiten, eine inkonsistente Informationsarchitektur, bis hin zu fehlplatzierten Call To Action-Elementen oder Infos auf den Einzelseiten – die Bandbreite an Usability-Themen ist sehr hoch. So führt z.B. ein unstrukturierter Aufbau dazu, dass User es als anstrengend empfinden, den Shop zu bedienen und in Folge dessen abspringen. Um das zu vermeiden gilt es, den User mit so wenig wie möglich Klicks an sein Ziel zu führen – sei es die Informationsbeschaffung zu einem Produkt, das beste Angebot oder ein Kauf.

Das wiederum bringt uns zu folgendem Problem: Es gibt zahlreiche unterschiedliche User-Typen, die unter Umständen an unterschiedlichen Punkten in ihrer Entscheidungsfindung für den Kauf eines Produktes stehen. Dabei hat jeder unterschiedliche Ziele, Produktkenntnisse und eine andere E-Commerce Affinität.

Zum Beispiel hat User 1 bereits exakte Vorstellungen von dem Produkt. Er oder sie kennt den Hersteller, Produktnamen usw. und möchte auf dem Weg zum Ziel nicht aufgehalten werden. Nennen wir ihn den „Performer“. Eine gute Suche im Shop ist hierbei eine gute Möglichkeit, um diesen User zu seinem Ziel zu führen. User 2 dagegen hat zunächst kein konkretes Kaufinteresse und kommt lediglich zum „Stöbern“ vorbei. So kann dieser User über zusätzliche Bedienhilfen wie Produktteaser, Rabattaktionen oder Beratungs- und Kaufassistenten zum Kauf überredet werden. Dieses Angebot könnte User 1 hingegen eher ablenken und negativ beeinflussen.

Um jetzt beide User-Typen zu einer Conversion im Shop zu bewegen, gilt es, dem jeweiligen User schon möglichst früh den für ihn relevantesten Content und Service-Angebote auszuspielen. Je früher das passiert, desto eher ist der User an seinem Ziel, desto geringer ist die Gefahr, dass er irritiert wird und verloren geht. Der erste Kontakt von User und Produkt ist beispielsweise mit dem Aufrufen der Startseite des Shops verbunden. Genau dort kann man ansetzen. Aber wie schaffe ich es, einem Unbekannten, der zum ersten Mal auf der Startseite meines Shops landet, den passenden Content auszuspielen? Schließlich kenne ich ihn zu diesem Zeitpunkt noch nicht.

Diese natürliche Herausforderung jeder User Journey lässt sich beantworten, indem man auf der individuellen Einstiegsseite des Nutzers die Inhalte anbietet, die für ihn die größte Interaktionswahrscheinlichkeit haben. Das kann für jeden User-Typen unterschiedlich sein: Produkte, die am häufigsten gekauft wurden, Angebote, die einmalig zur Verfügung stehen, oder Inhalte, mit denen ein vergleichbarer User zuvor schon interagiert hat. Maschinelles Lernen sagt diese Inhalte für jeden einzelnen Nutzer treffsicher vorher. Jeder User bekommet damit eine individuell angepasste Lösung. Mittels Künstlicher Intelligenz werden also die User, die nur stöbern und empfänglich für Sonderangebote sind, und auch die „Performer“, mit für sie relevanten Inhalten bedient – und das bereits sehr früh auf Basis noch sehr weniger Daten.

Ein konkretes Beispiel: Optimierung mittels Künstlicher Intelligenz

Da man sehr wahrscheinlich über einen längeren Zeitraum viele ähnliche Käufertypen wie diese in seinem Shop hat, sind KI-relevante Optimierungen auf diese Datenbasis aufzubauen. Dazu muss jedoch zunächst der Anwendungsfall konkret definiert werden.

Für User 1-ähnliche Besucher (Performer) könnte dieser lauten:

• Ich finde die relevanten Eigenschaften, die diesen User-Typ von anderen Usern unterscheidet.
• Ich trainiere meine Maschine darauf, frühstmöglich User 1-ähnliche Nutzer zu erkennen (idealerweise schon bei Shop-Zutritt oder nach 1 Klick). Anhand ihres Verhaltens, der Meta-Daten und ggf. anhand ihrer Quellen soll die Maschine Muster finden, die zuverlässig diese Nutzer-Art vorhersagen lässt.
• Ich definiere für diese User-Gruppe konkrete Template-Elemente, die präferiert auf der Einstiegsseite bzw. entlang des Kontakt-Pfads angezeigt werden. In diesem Fall beispielsweise eine prominente Suche. Oder Shortcuts in Form von Teasern zu Produkten und Produkt-Gruppen, für die wir eine hohe Kaufwahrscheinlichkeit ermitteln können.
• Informationen, die für diesen Nutzer nicht relevant sind, priorisiere ich bei der Anzeige stark herab, sodass diese nicht als erstes auf der zu optimierenden Seite erscheinen, sondern beispielsweise erst beim Scrollen.

Für User 2-ähnliche User, also die Stöbernden gehe ich ähnlich vor. Hier werden Content-Typen wie Angebote, Beratungs-Services und Brand-Content möglicherweise positiver wirken – vielleicht sogar Spontankäufe herbeiführen. Das wird meine Datenauswertung zeigen. Entsprechend versuche ich mit Hilfe Künstlicher Intelligenz, frühestmöglich meine Nutzer als Stöbernden zu identifizieren und ihnen sukzessive entsprechende Content-Angebote unterbreiten. In Echtzeit wird die Maschine den Erfolg ihrer Vorhersagen erkennen und entsprechend die definierten Content-Angebote hinsichtlich ihrer Relevanz re-priorisieren.

Produktempfehlungen – nach Relevanz neu sortieren

Eine große Herausforderung ist die ständige, dynamische Anpassung meiner Produktempfehlungen an die veränderlichen Bedürfnisse meiner Besucher. Dabei ist es elementar wichtig, eine Veränderung der Wünsche meiner potenziellen Kunden zeitnah zu erkennen und diesen Trend in Form von personalisierten Empfehlungen zu berücksichtigen.

Anhand von Produktdaten und deren Anbindung an mein CRM-System werden die Recommendation-Engines häufig auf Basis von Nutzer-Käufen in Kombination mit Produkt-Eigenschaften antrainiert und personalisierte Produktempfehlungen ausgegeben. Konkret gesagt: Es werden Käuferdaten und Produktdaten in eine Beziehung gesetzt, um daraus die Kaufwahrscheinlichkeiten bei ähnlichen Nutzern zu errechnen. Denen wiederum spiele ich bei positiver Tendenz diese Produkte aus und optimiere sie stetig hinsichtlich meiner Erfolgsquote.

Künstliche Intelligenz kann solch ein personalisiertes Empfehlungssystem verbessern und wettbewerbsfähiger machen. Die im Hintergrund wirkenden Regeln kommen dann von der Maschine und werden nicht mehr starr durch Regelsysteme vorgegeben. Dabei gilt: Der Fokus liegt ganz auf dem Verhalten potentieller Kunden. Auf dieser Daten-Basis kann ich meine Produktempfehlungen nach Relevanz neu sortieren. Die Maschine verarbeitet mit Hilfe der Algorithmen die hereinkommende Datenflut und verrät mir, inwiefern die Produktempfehlung zutreffend für User waren, die sich im Shop aktiv bewegt haben. Sprich: die Maschine versteht die Zusammenhänge der Elemente, die miteinander agiert haben. Daraus leitet sie ab, inwiefern das Produkt für User 1 relevant war und welches Produkt für User 2 relevant sein wird.

Anhand diesem KI-gestützten Echtzeit-Monitoring der Verhaltensmuster meiner Nutzer und deren Vorlieben kann ich dann schneller erkennen, welche strategischen Impacts für meinen Onlineshop möglich sind. So werden Produkte, die sich gut verkaufen und eine Relevanz zu einem anderen Produkt zeigen – auch wenn diese bisher unbekannt war – als mögliche Cross- und Up-Selling-Möglichkeit aufgedeckt. Ich kann also dem User im Shop zusätzliche oder hochwertigere Artikel im Zuge von personalisierten Empfehlungen dank Künstlicher Intelligenz ausspielen. Genauso gut können Inkonsistenzen zwischen den Produkten, Usern und den Produktempfehlungen, die zu Abbrüchen während der User-Journey führen, erfasst und in den strategischen Planungen berücksichtigt werden. Das beugt z.B. der Ausspielung von Content-Inhalten, die für den User keine Relevanz haben, vor.

Neusortierung der Relevanz ist heute unabdingbar

Mithilfe von Fluiden Personas lassen sich diese erhobenen Verhaltensdaten meiner Nutzer in Profile übersetzen. Diese Profile bilden in Echtzeit vorhandene oder entstehende Trends ab. Darauf aufbauend macht die Unterstützung Künstlicher Intelligenz meine Produktempfehlungen „fluide“. So spielt sie beispielsweise über eine Schnittstelle für jeden User die individuell relevantesten Empfehlungen und Inhalte aus. Durch die selbstlernenden Algorithmen lässt sich dieser vollautomatische Prozess innerhalb kurzer Zeit immer weiter verbessern und sorgt so für eine optimale User-Journey, zufriedene Kunden und folglich zu höheren Conversions.

Zusammenfassung

Mit wachsendem Datenaufkommen wird die intelligente Datenverarbeitung zur Schlüsseldisziplin im E-Commerce Business. Grade für die Customer-Experience sind Data Mining und Machine Learning eine gute Unterstützung für echten Business-Value aus den eigenen Daten. Damit können Shop-Manager auf die individuellen Verhaltensweisen ihrer User aktiv reagieren. So erkennen sie auch, welche Produktempfehlung und welcher Content für den jeweiligen User-Typ geeignet ist.

Mittels Künstlicher Intelligenz können Shop-Manager völlig wertungsfrei, rein objektiv und datenbasiert, ihren Onlineshop optimieren, ohne dabei viel Zeit für Daten-Analysen zu verlieren. Sie liefert ihm das, was er auch wirklich wissen will.

Ein Ausblick: Potentiell werden solche Predictive Analytics-Methoden auf zukünftige Anwendungsfälle erweitert. Beispielsweise kann das Tracking von epicAi im E-Commerce Business Content-Inhalte vorhersagen und im Sinne von „Engage“ eine präskriptive Analysetechnik Anwendung finden. Mittels der Vorhersagen lassen sich so vordefinierte Ziele erreichen und anhand dessen gezielt Inhalte ausspielen. Also z.B. eine Vorhersage für einen User, der bereit ist, einen bestimmten Preis für ein Produkt zu zahlen, triggert im nächsten Schritt gezielt Vergünstigungen in Form von Rabatten.

Auf diesem Wege unterstützt Künstliche Intelligenz nicht nur die tägliche Arbeit digitaler Marketeers und Sales Professionals. Sie sorgt weiterhin durch selbstlernende Algorithmen und individuelle Content-Aussteuerung auch für ein personalisiertes und damit maßgeschneidertes Nutzungserlebnis in meinen Shop.