Produktempfehlungen für B2B / B2C

Beschreibung

Das Wichtigste in Kürze

Was sind eigentlich Produktempfehlungen?

Produktempfehlungen sind personalisierte Empfehlungen für Produkte oder Dienstleistungen, die zum Beispiel durch Datenanalyse und maschinelles Lernen erstellt werden. Hierbei werden große Datenmengen, wie z.B. Kundenverhalten, Kaufhistorie oder Online-Aktivitäten, verwendet, um Verbrauchern passende Produkte vorzuschlagen.

Warum sind Produktempfehlungen durch KI für ein Unternehmen wichtig?

Produktempfehlungen durch KI bieten eine große Chance für Unternehmen, ihre Kunden besser zu verstehen und ihnen ein besseres Einkaufserlebnis zu bieten. Durch personalisierte Empfehlungen kann ein Unternehmen seine Kunden ansprechen und ihnen eine bessere Kundenerfahrung bieten. Dies kann zu höheren Umsätzen und einer höheren Kundenbindung führen. Außerdem kann durch die Analyse von Kundendaten ein besseres Verständnis für die Bedürfnisse und Vorlieben der Kunden gewonnen werden, was wiederum dazu beitragen kann, das Angebot des Unternehmens zu verbessern.

Ein einfaches Beispiel: Bekommt ein Kunde passgenau Zubehör zu einem kürzlich gekauften Artikel vorgeschlagen, ist dies mit Sicherheit ein höherer Kaufanreiz als eine Liste mit den generischen Top 10-Artikeln des Shops. Diese “Zusammengehörigkeit” von passenden Artikeln kann durch KI-basierte Produktempfehlungen berechnet und bereitgestellt werden.

Produktempfehlungen bei Kobold AI

Das KI-Produkt “Produktempfehlungen” wird entwickelt und bereitgestellt von Kobold AI. 

Was ist Kobold AI?

Kobold AI bietet den Einsatz künstlicher Intelligenz ohne technisches Vorwissen. Unsere Vision ist es, dass jeder einfach, schnell und günstig KI anwenden kann, um Mehrwert durch Daten zu generieren.

Wie es funktioniert erklärt unser interaktives Video:

Das KI-Produkt “Produktempfehlungen” von Kobold AI

In unserem KI-Produkt “Produktempfehlungen” nutzen wir verschiedene Algorithmen, um möglichst passgenaue, personalisierte Empfehlungen für jeden Kunden zu erstellen. Im allgemeinen generieren wir aus den Daten folgende Empfehlungen:

Top-Seller

Für jeden Kunden wird berechnet, welche der am häufigsten verkauften Artikel er noch nicht gekauft hat. Dies erlaubt einfaches Cross-Selling in neue Kategorien und eine starke Präsentation des Unternehmens.

Wiederholt gekaufte Artikel

Wir berechnen für jeden Kunden individuell die Artikel, der er mehrfach gekauft hat. Diese Information bildet eine starke Basis für eine langfristige Kundenbeziehung und kann hervorragend im Vertrieb eingesetzt werden.

Warenkorb-Analyse

Eine Warenkorbanalyse nutzt historische Kaufdaten, um häufig gemeinsam gekaufte Produkte zu identifizieren. Diesen Algorithmus nutzen wir, um für jeden Kunden individuell zu bestimmen, welche Artikel sinnvoll zu seiner bisherigen Kaufhistorie passen und empfehlen diese.

Ähnliches Kaufverhalten

Als vierten Algorithmus nutzen wir maschinelles Lernen, um für jeden Kunden sich ähnlich verhaltende Kunden zu identifizieren und deren Artikel als mögliche Empfehlungen einzusetzen. Dabei wird als Datenbasis die gesamte Historie aller Kunden eingesetzt, um eine möglichst hohe “Sicherheit” der Empfehlung zu generieren.

Bei allen Auswertungen achten wir darauf, dass nur Artikel empfohlen werden, die der Kunde noch nicht gekauft hat. Weiterhin berechnen wir alle Auswertungen auf 

1. Allen Daten
2. Den letzten 3 und letzten 10 Bestellungen
3. Den letzten 30 und letzten 180 Tagen

Das Ziel dieser Permutation ist, eine hohe Aktualität von Produktempfehlungen zu ermöglichen.

Output des Produkts

Die Ausgabe unseres Produkts ist eine große Auswertungsdatei, die im Nachgang beliebig gefiltert oder weiterverarbeitet werden kann. Somit kann der individuelle Einsatz, zum Beispiel im Marketing oder Vertrieb, gewährleistet werden.

Warenkorb-Analyse Regeln

Als zweite Ausgabe des Produkts wird eine Datei zu identifizierten Regeln der Warenkorbanalyse bereit gestellt. Hierzu werden folgende Attribute berechnet und angegeben:

Support: Dies ist die Häufigkeit, mit der ein Element oder eine Gruppe von Elementen in der Datenbank auftritt. Es gibt an, wie oft ein bestimmtes Element oder eine Kombination von Elementen in den Transaktionen vorkommt.
Beispiel: Wenn ein Laden insgesamt 100 Transaktionen hat, und 30 Transaktionen beinhalten den Kauf von Milch, dann ist die Support für Milch 30%.

Confidence: Dies ist die Wahrscheinlichkeit, dass ein bestimmtes Element oder eine Gruppe von Elementen gekauft wird, wenn ein anderes Element oder eine andere Gruppe von Elementen gekauft wird. Confidence gibt also an, wie oft das Element/Gruppe X in Transaktionen auftritt, bei denen das Element/Gruppe Y bereits vorhanden ist.
Beispiel: Wenn 60 von 100 Transaktionen Milch und Brot enthalten, dann beträgt die Confidence für die Regel „Wenn Brot gekauft wird, wird auch Milch gekauft“ 60%.

Lift: Dies ist das Verhältnis („Ratio“) zwischen der tatsächlichen Häufigkeit des gleichzeitigen Kaufs von Elementen X und Y und der erwarteten Häufigkeit, wenn sie unabhängig voneinander wären. Eine Lift größer als 1 zeigt an, dass das gleichzeitige Vorkommen der Elemente in den Transaktionen über das hinausgeht, was man aufgrund von Zufall erwarten würde. Lift kann sehr hohe Ausschläge bei Produkten geben, die absolut sehr selten, aber häufig zusammen mit anderen gekauft werden.
Beispiel: Wenn die Lift von Milch und Brot 1,5 ist, bedeutet dies, dass der gleichzeitige Kauf von Milch und Brot um 50% höher ist als das, was man durch Zufall erwarten würde.

Leverage: Dies ist der Unterschied („Difference“) zwischen der tatsächlichen Häufigkeit des gleichzeitigen Kaufs von Elementen X und Y und der Häufigkeit, die man aufgrund von Zufall erwarten würde. Leverage gibt an, ob die beiden Elemente tatsächlich zusammen auftreten oder ob ihre gemeinsame Häufigkeit durch Zufall erklärt werden kann. Im Gegensatz zu Lift bevorzugt Leverage häufig auftretende Produkte.
Beispiel: Wenn die Leverage von Milch und Brot 0,1 ist, bedeutet dies, dass ihr gleichzeitiger Kauf um 10% höher ist als das, was man durch Zufall erwarten würde.

Conviction: Dies gibt an, wie sehr das Nicht-Vorkommen eines Elements in einer Transaktion die Wahrscheinlichkeit reduziert, dass ein anderes Element ebenfalls in dieser Transaktion vorkommt. Wichtig: Conviction ist direktional, also Milch->Bier ergibt ein anderes Ergebnis als Bier->Milch, im Gegensatz zu Lift.
Beispiel: Wenn die Conviction für die Regel „Wenn Brot gekauft wird, wird auch Milch gekauft“ 2 ist, bedeutet dies, dass die Wahrscheinlichkeit, dass Milch gekauft wird, um das Zweifache sinkt, wenn Brot nicht gekauft wird.

Zhang’s Metric: Dies ist eine Metrik, die auf Confidence, Lift und Conviction basiert und sie in eine einzige Kennzahl zusammenführt.
Beispiel: Eine hohe Zhang’s Metric bedeutet eine starke Assoziation zwischen den Elementen. Wenn die Metric z.B. 0,8 beträgt, dann deutet dies auf eine starke Assoziation zwischen den Elementen hin. Eine niedrige Zhang’s Metric deutet auf eine schwache Assoziation hin.

Die generelle Empfehlung ist, mit Lift („ungewöhnlich häufiges Auftreten“) bzw. der Einfachheit halber mit Zhang’s Metric zu gehen. Aber je nach Anwendungsfall können selbstverständlich auch andere Metriken genutzt werden.

Erwartete Daten und deren Struktur

Zur Berechnung der Produktempfehlungen nutzen wir Transaktionsdaten (z.B. aus dem ERP oder E-Commerce-System) von Produkten, Services oder Dienstleistungen.

Folgende Struktur erwartet unser System in der Anlieferung der Daten:

• order_date: Datum der Bestellung im Format YYYY-MM-DD, z.B. 2022-10-05
• order_id: Ein eindeutiger Identifier der Bestellung, üblicherweise eine Bestellnummer
• customer_id: Ein eindeutiger Identifier des Kunden, üblicherweise eine Kundennummer
• item_id: Ein eindeutiger Identifier des Produkts oder der Dienstleistung, kann eine Artikel-Nummer oder auch ein eindeutiger Artikel-Name sein

Diese Attribute müssen genau eingehalten werden, um die Berechnung der Produktempfehlungen zu ermöglichen. Jede Zeile bildet in diesem Datensatz eine Bestellposition.

Jedes Unternehmen hat diese normalerweise in sehr hoher Qualität zugänglich, so dass dem Einstieg in die Welter der künstlichen Intelligenz nichts mehr im Weg steht. 

Wie werden Produktempfehlungen in der Praxis eingesetzt?

Die berechneten Produktempfehlungen können in einer Vielfalt von Anwendungsfällen eingesetzt werden. Durch die verschiedenen eingesetzten Methoden kann man sich entscheiden, ob man eher am Upselling, Crossselling oder der Kundenbindung interessiert ist. Einige Beispiele wie Unternehmen Produktempfehlungen einsetzen sind:

Einsatz von Produktempfehlungen in B2B-Vertrieb

Im B2B-Vertrieb können Produktempfehlungen durch KI dazu beitragen, die Konversionen zu erhöhen, indem Unternehmen ihre Kunden mit relevanten Produkten und Angeboten ansprechen. Hierbei kann auch das Kundenverhalten und die Kaufhistorie analysiert werden, um personalisierte Empfehlungen zu erstellen. Außerdem kann das System auch mögliche Cross-Selling-Opportunities identifizieren und Unternehmen so dabei helfen, ihre Umsätze zu steigern.

Einsatz von Produktempfehlungen in Newslettern

Produktempfehlungen durch KI können auch in Newslettern eingesetzt werden, um den Kunden personalisierte Angebote zu präsentieren. Hierbei kann das System die Interessen und Vorlieben des Kunden analysieren und ihm entsprechende Empfehlungen aussprechen. Dies kann zu einer höheren Öffnungsrate und Konversion bei Newslettern führen.

Einsatz von Produktempfehlungen im E-Commerce

Im E-Commerce ist der Einsatz von Produktempfehlungen durch KI von besonderer Bedeutung. Online-Shops können auf Basis der Datenanalyse und des maschinellen Lernens personalisierte Empfehlungen für ihre Kunden erstellen. Dies kann dazu beitragen, dass Kunden länger auf der Website verweilen und mehr Produkte kaufen, da sie mit relevanten Angeboten angesprochen werden. Zudem kann das System auch beim Up- und Cross-Selling helfen, indem es entsprechende Empfehlungen ausspricht.

KI & Produktempfehlungen: Ein Dream-Team

Zusammengefasst bieten Produktempfehlungen durch KI Unternehmen eine große Chance, ihre Kunden besser zu verstehen und ihnen ein besseres Einkaufserlebnis zu bieten. Dies kann zu höheren Umsätzen und einer höheren Kundenbindung führen. Egal ob im B2B-Vertrieb, in Newslettern oder im E-Commerce, der Einsatz von Produktempfehlungen durch KI kann Unternehmen bei der Steigerung ihrer Konversionen und Umsätze unterstützen. Es ist jedoch wichtig zu beachten, dass die Datenanalyse und das maschinelle Lernen korrekt und ethisch korrekt durchgeführt werden, um ein vertrauenswürdiges und angemessenes Kundenerlebnis zu gewährleisten.