Veröffentlicht am

Top 18 Beispiele für Künstliche Intelligenz im E-Commerce

Beispiele für KI im E-Commerce

Der Onlinehandel boomt. Immer mehr Umsatz wird über E-Commerce gemacht. Dies führt zu der Frage: Wie kann man Daten und künstliche Intelligenz einsetzen, um möglichst viel Erfolg zu haben?

Wir haben für euch die besten Beispiele für die Anwendung von KI im E-Commerce zusammengetragen. Lasst euch inspirieren und findet den perfekten Anwendungsfall, der auch eurem Onlineshop zu neuen Höhen verhilft.

Produktempfehlungen

Cross- und Upselling sind jedem ein Begriff. Vor allem im E-Commerce, der Geburtsstunde des “Kunden die das gekauft haben, kauften auch”-Prinzips. Egal ob Produktdetailseite oder im Checkout: Überall findet man Produktempfehlungen, um seine Kunden zu animieren, seinen Warenkorb zu erhöhen.

Dies ist eines der besten Beispiele für den Einsatz von künstlicher Intelligenz. Anfänglich waren solche Produktempfehlungen noch händisch von Experten kuriert, aber mit Zunahme der online verfügbaren Artikel hat sich dieses Vorgehen schnell aufgelöst. 

Seit geraumer Zeit werden also Big Data und KI kombiniert, um möglichst optimale Empfehlungen zu geben. Dazu gibt es verschiedene Methoden: Basierend auf dem Verhalten von anderen Kunden, der Ähnlichkeit von Produktdaten oder anhand von Kompatibilität. Immer ist das Vorgehen, sich wiederholende Muster zu identifizieren um dementsprechend gute Empfehlungen auszuspielen.

Automatische Produktbeschreibung

Ein etwas anderes Beispiel, aber dennoch ein schönes Beispiel für den Einsatz von KI im Onlinehandel beschäftigt sich mit der Effizienz. Mittels der Verarbeitung von natürlicher Sprache (NLP) kann künstliche Intelligenz aus Stammdaten ausformulierte Produktbeschreibungen generieren.

Meist werden Produktbeschreibungen mühevoll von Menschen formuliert. Doch durch das neuartige Vorgehen sind auch schnelle Innovationszyklen wie saisonale Ware kein Problem mehr. Einfach Produktdaten zur Verfügung stellen und die Produktbeschreibungen werden automatisch erstellt.

Preisoptimierung (Flexible Pricing)

Sehr üblich bei Webseiten zur Buchung von Hotels oder Flügen ist die Optimierung des Preises durch sogenanntes “Flexible Pricing”. Hierzu werden Angebot und Nachfrage einerseits, aber auch Verhalten und Identifikatoren (z.B. Herkunftsland, Art des Computers, Dauer des Webseitenbesuchs) in Kombination mit künstlicher Intelligenz eingesetzt um eine möglichst hohe Marge für den Anbieter zu erzielen.

Dieses Vorgehen ist auf B2C Onlineshops selten möglich, bei B2B-Shops mit Login hingegen schon. Abhängig von Unternehmensgröße, Konditionen und anderen Faktoren kann der Preis automatisch und flexibel angepasst werden, um den höchstmöglichen Umsatz zu garantieren.

Chatbots / Virtuelle Agenten

Einer der sehr bekannten Anwendungsfälle für KI im E-Commerce ist der Einsatz von Chatbots oder anderen virtuellen Agenten. Chatbots haben verschiedene Aufgaben. Vom klassischen Kundenservice über die Buchung von Leistungen zur Produktberatung gibt es eine Menge Ansatzpunkte.

Dahinter liegt eine geschickte Kombination von künstlicher Intelligenz, regelbasierten Systemen und der Verarbeitung von natürlicher Sprache. Diese automatischen, virtuellen Agenten erlauben eine 24/7 Verfügbarkeit und unendliche Skalierung, ganz im Gegensatz zu ihren menschlichen Counterparts.

Um jedoch Standardanfragen einfach zu beantworten, aber gleichzeitig Raum für komplexere Vorgänge zu lassen, hat sich eine Kombination aus Chatbots und menschlichen Agenten als optimal herausgestellt. 

Segmentierung von Kunden, Lieferanten und Produkten

Nicht unbedingt maschinelles Lernen, aber sicherlich ein Teil aus dem Bereich regelbasierte künstliche Intelligenz ist die Segmentierung von Partnern und Produkten. Die Idee dahinter ist, dass verschiedene Segmente eine unterschiedliche Behandlung und Fokussierung benötigen.

Als einfaches Beispiel kann man Produktsegmente anführen. Produkte, die einen sehr hohen Absatz und eine lange Lieferzeit ausweisen, müssen und können langfristig geplant werden. Produkte mit niedrigen Absatz aber auch niedrigen Lieferzeiten sind bereit für On-Demand Bestellungen.

Ein ähnliches Vorgehen kann für Lieferanten oder Kunden genutzt werden. Ob Newsletter-Personalisierung, Produkt-Entwicklung, Einkaufs-Strategie oder anderes: Segmente erlauben es, Kapazität zielgerichtet einzusetzen und mehr Effizienz und Erfolg durch passgenaue Strategien zu erreichen.

Vorhersage von Absatz (Sales Demand Forecasting) 

Wenn man bereits heute wüsste, was man genau verkaufen wird, erlaubt das zwei massive Vorteile. Zum Einen kann man entsprechend alle Prozesse darauf auslegen, wie zum Beispiel Einkauf, Logistik, Kundenservice und anderes. Zum Anderen aber kann man auch entgegen wirken – zum Beispiel indem man das Marketingbudget erhöht.

Oft werden Absatzprognosen über den Daumen gepeilt oder erst gar nicht gemacht. Oft sind sie sehr qualitativ und von verschiedenen Blickwinkeln (Realismus vs. Optimismus) erstellt. Doch künstliche Intelligenz ist neutral: Mittels historischer Daten werden möglichst genaue Absatzzahlen vorhergesagt.

Das beste dabei? Die KI ist zusätzlich imstande, verschiedene Faktoren (z.B. Feiertage) mit einzubeziehen, sowie besondere Trends (z.B. Wochentage vs. Wochenende, Saisonalität) auszuweisen. Gesammelt bildet ein KI-basiertes Sales Demand Forecasting meist eine sehr vernünftige Grundlage, um alle anderen Aktionen zu planen.

Virtual Assistants als Bestellkanal

Siri ist wohl die bekannteste Assistentin der Welt. Sie basiert auf KI: Vom Verständnis des gesprochenen Wortes über die Interpretation bis zur Auslieferung von adäquaten Antworten laufen zahlreiche Algorithmen im Hintergrund um ein gutes Nutzererlebnis zu ermöglichen.

Das schöne dabei ist, dass Siri & Co eine ganz neue Art Kanal für den E-Commerce zur Verfügung stellt. Nicht mehr nur die Website und App als Bestelloption, sondern auch via Spracheingabe. Ein komplett neues Kundenerlebnis, das bei richtiger Nutzung einen Onlineshop zu neuen Höhen verhilft. 

Business Intelligence 2.0: KI-Gestützte Einblicke

Die meisten Unternehmen setzen Reporting und Dashboards ein. Doch lassen sich diese vorhandenen Daten sehr gut mit KI-Methoden erweitern, um von historischer Analyse zur Identifikation von Ursachen und Vorhersage von KPIs zu wechseln.

Ein Beispiel ist die Ausreissererkennung in verschiedenen KPIs. Mittels Zeitreihenanalyse kann ein E-Commerce-Shop innerhalb von Minuten erkennen ob bestimmte Produkte aussergewöhnlich viel gekauft werden, Webseiten plötzlich keinen Traffic mehr haben oder ähnliche Ausreisser vorliegen.

Schnell sind die Vorteile klar: Das Reporting wird dadurch zu “actionable Insights”, also den Hinweisen, warum etwas passiert und wie man es beheben kann.

Produktdatenqualitätsanalyse: 

Die Darstellung des Produkts im Onlineshop ist im Herzen von erfolgreichen E-Commerce. Dazu benötigt es gute, saubere Stammdaten die verlässlich sind. 

Viel mehr noch wird dieses Prinzip relevant wenn man seine Angebote über mehrere Kanäle ausspielen, so genanntes Multichannel Business. Hier ist es wichtig, dass die Produktdaten über alle Kanäle einheitlich sind.

Meist ist der Anfang für ein sauberes Produktdatenmanagement bei der Analyse der Qualität. Hierzu kann man automatische Qualitätsanalysen einsetzen, die KI miteinsetzen, um Attribute auf ihre Qualität zu untersuchen und Ansatzpunkte für Verbesserung zu identifizieren.

Fake Review Identifikation

Reviews im Onlinehandel sind ein zweischneidiges Schwert. Sind sie gut, fühlen sich andere Kunden animiert und letzte Zweifel werden ggf. ausgeräumt. Sind Sie hingegen schlecht, stoßen Sie Kunden eher ab und führen zu Umsatzverlust.

Was noch schlimmer ist als schlechte Reviews sind schlechte Reviews die gefälscht sind. Diese Art von Reviews wirkt sich negativ auf den Eindruck beim Kunden, aber auch auf die Glaubwürdigkeit der Seite aus.

Folglich nutzen viele Unternehmen inzwischen eine automatische Analyse und Kategorisierung von Reviews, um festzustellen ob es sich um einen echten oder gefälschten Beitrag handelt. Die KI-Methode “Klassifizierung” erlaubt es, automatisch beide Kategorien zu identifizieren und entsprechende Handlungen auszuführen.

Multimediale Suche

Die meisten kennen Suche, egal ob bei einer Suchmaschine wie Google oder im eigenen Shop nur via Text. Doch das genügt heute nicht mehr. Nicht jeder hat Zeit oder Lust, einen Suchbegriff einzutippen. Oder gar nicht erst die Möglichkeit, weil er zum Beispiel das Produkt gar nicht kennt, das er sucht.

Hier kommt Suche 2.0 ins Spiel: Mittels Audio, Bild oder Video wird eine Suche multimedial. Als einfaches Beispiel gilt die Suche nach einem Ersatzteil. Auf einer Baustelle ist gerne Mal Dreck, Dinge gehen kaputt. Wer dann plötzlich nach einer Spezialschraube suchen muss, um sie zu bestellen, wird Schwierigkeiten haben.

Doch moderne KI-Methoden können dies: Ein Foto machen und das Produkt im Onlineshop finden. Super einfach und löst viele Probleme, wenn man nicht gerade eine Tastatur vor sich liegen hat.

Retargeting & Abandoned Cart: Besucher zu Kunden machen

Jeder E-Commerce-Shop hat das gleiche Problem: Viele Benutzer, aber eher niedrige Konvertierung. Heisst, viele sehen Produkte an, aber wenige kaufen sie. Noch ärgerlicher, wenn Produkte bereits zum Warenkorb hinzugefügt, aber dann nicht bestellt wurden.

Hierzu gibt es mehrere Wege, um automatisch und KI-gestützt nachzufassen. Ein Weg ist Retargeting. Im Retargeting werden einem Nutzer, der auf einem Onlineshop oder einer Website war, auf anderen Webseiten via Display-Ads passende Angebote angezeigt, so dass er zurückkehrt und optimalerweise konvertiert.

Beim Abandoned Cart Approach werden vor allem bereits bestehende Kunden, die ihren Einkauf nicht abschließen, nochmal proaktiv darauf hingewiesen, dass sie Artikel im Warenkorb haben. Besonders gerne wir dies mit automatischen Rabatten oder ähnlichen Marketingmaßnahmen kombiniert, um noch mehr Kaufanreiz zu setzen.

In beiden Fällen ist die Herausforderung für die Algorithmen zu identifizieren, wer mit welchen Produkte und welchem Preisen angesprochen werden soll. Folglich ist es eine Mischung aus Dynamic Pricing, Segmentierung und Personalisierung – alles Methoden aus der künstliche Intelligenz.

Automatische Inhalte für Content Marketing

Viele Onlineshops haben inzwischen erkannt, dass organischer Traffic über Suchmaschinen wertvoll ist. Demzufolge bauen viele Unternehmen inzwischen einen Blog oder ein Magazin auf, das ihren E-Commerce-Bereich ergänzt.

Doch oft wird unterschätzt wie viel Arbeit dies ist. Gute Beiträge zu schreiben und veröffentlichen kostet viel Expertise und Zeit. Aber auch hier kann künstliche Intelligenz unterstützen: Durch sogenannte “generative KI”, also KI die Dinge erstellt, können Texte automatisiert geschrieben werden lassen.

Der Vorteil? Mindestens eine gute Grundlage, die man nur noch weiter ausschmücken, korrigieren und normalisieren muss. Doch das beste ist, dass es vollautomatisch und beliebigen Umfang geht und somit der Skalierung nicht mehr im Weg steht. (nein, dieser Text ist nicht von einer Maschine geschrieben)

Identifikation von potentiellen Partnern

Ein etwas außergewöhnliches Beispiel ist die Identifikation von Plattformen, die Konkurrenzprodukte im Sortiment haben oder aktiv bewerben, um sie durch die eigenen zu ersetzen. Dieser Anwendungsfall basiert sehr stark auf der Entwicklung eines Crawlers, der fremde Webseiten ausliest und den Inhalt für weitere Analysen zur Verfügung stellt.

Nutzt man nun KI um diese Inhalte auf Stichwörter oder Produktähnlichkeiten zu analysieren, öffnet man das Tor für sehr gezielte Akquise von Partnern. Denn diese Plattformen weisen bereits ähnliche Produkte aus, können jedoch durch geschickte Abwerbeversuche von den eigenen überlagert werden.

Sicherlich kein Anwendungsfall für jedes Unternehmen, aber eine kreative Art und Weise, die eigene Etablierung im Markt auszuweiten.

Sentiment analysis bei Reviews und Kundenkommunikation

Die Sentimentanalyse ist ein KI-Algorithmus aus dem Bereich der natürlichen Sprachverarbeitung. Hierzu wird ein Text anhand seiner Emotionalität (positiv, negativ, neutral) bewertet.

Der Mehrwert wird schnell klar: Auf zum Beispiel positive Reviews oder positive Kundenanfragen muss man nicht (so schnell) reagieren, wie auf negative. Daher kann Priorisierung einerseits, aber auch Art des Supports (z.B. automatisierte Antworten versus menschliche Interaktion) festgelegt werden.

Automatische Übersetzungen

Mit natürlicher Sprachverarbeitung ist es ein leichtes, Produktbeschreibungen und ganze Texte in andere Sprachen zu übersetzen. Die Ergebnisqualität nimmt Jahr für Jahr zu und lässt sich inzwischen sogar live im Betrieb einsetzen.

Das ganze basiert heute auf Neuronalen Netzen, also fortgeschrittener künstlicher Intelligenz. Dieses Vorgehen übersetzt nicht Wort-für-Wort, sondern bezieht den umliegenden Kontext mit ein. Somit kann Kontext übersetzt werden, was die Übersetzung viel natürlicher wirken lässt.

Die Anwendung ist selbstverständlich in sowohl Produktbeschreibungen, Content Marketing als auch im Kunden-Service gleichermaßen. 

Geolokalisierte Kundenzentrierung

Bei internationalen E-Commerce-Unternehmen gibt es eine ganze Bandbreite an Kunden. Und diese Kunden sind unterschiedlich: Von Kultur über Jahreszeit als auch persönliche Vorlieben können eine große Rolle spielen.

Folglich ist ein generisches, allgemein gültiges Produktportfolio selten die Lösung. Vor allem die Sortierung von Suchergebnisse im Onlineshop können sehr einfach auf demographische Gegebenheiten angepasst werden. Zum Beispiel in einem Sportshop macht es Sinn, zwischen Nord- und Südhalbkugel zu unterscheiden, wenn man Suchergebnisse ausspielt.

Personalisierung

Viele andere Beispiele berühren das übergeordnete Thema der Personalisierung bereits, doch wir sehen es als einen der fundamentalen Vorteile für den Einsatz von KI im E-Commerce, weshalb wir es nochmals detaillierter erörtern möchten. Personalisierung ist im digitalen Bereich ein sehr großer Hebel, den man im stationären bzw. Offline-Handel nicht oder nicht so detailliert hat.

Durch den Vorteil, dass im E-Commerce sehr viele Daten eines Kunden generiert werden, hat man die Möglichkeit, diese Daten zu nutzen um seine Kunden besser zu verstehen und dadurch besser bedienen zu können. Hier kommt eine Vielzahl an Methoden der KI zum Einsatz. Vorhersagen, Klassifizierungen oder Produktempfehlungen sind nur einige Beispiele.

Wir sehen jedoch vor allem auch die Mustererkennung von sich ähnlich verhaltenden Gruppen als schnelle, einfache und effektive Methode um personalisierter zu arbeiten. Ein Beispiel dafür sind sogenannte Data-Driven Personas. Personas sind üblicherweise qualitativ erstellte “Profile” einer Kundengruppe, welche dann in Entwicklung, Marketing und Strategie eingesetzt werden.

Bei Data-Driven Personas werden Kundenstammdaten mit Transaktionsdaten und Verhaltensdaten im Shop kombiniert, um dann mittels KI ähnliche Gruppen zu identifizieren. Diese sind rein datenbasiert – folglich entsprechen einem quantitativen Abbild der Realität. Und können entsprechend eingesetzt werden: Personalisierte Newsletter oder die gezielte Produktakquise sind nur zwei Beispiele.

Kurz gesagt kann KI hier helfen, Kundenbedürfnisse besser zu verstehen und gezielter darauf zu reagieren. Dies führt zu höherer Konvertierung einerseits, aber vor allem höherer Loyalität im Bereich Bestandskunden.

Kilian