Machine Learning im E-Commerce: Wenn Algorithmen aus Daten lernen

Diese Inhalte erwarten dich in diesem Blogartikel:

Machine Learning im E-Commerce: Definition und Ziele

Wie funktioniert Machine Learning?

Welche Arten von maschinellem Lernen gibt es?

Was ist der Unterschied zwischen Machine Learning und Deep Learning?

Machine Learning im E-Commerce nutzen: Anwendungsbeispiele zeigen das große Potential
Management von Angebot und Nachfrage
Churn Management
Fraud Detection
Verbesserte Kundenbetreuung
Website- und Produktsuche
Personalisierung

Vorteile beim Einsatz von Machine Learning im E-Commerce
Smartere Entscheidungen auf Basis größerer Datenmengen
Erfolgreichere Marketingkampagnen
Höhere Konversionsraten
Höherer ROI durch höhere Effizienz

Fazit: Machine Learning im E-Commerce ist eine leistungsstarke Technologie

Machine Learning im E-Commerce: Definition und Ziele

Beim Machine Learning generiert ein künstliches System wertvolles Wissen, indem es aus Beispielen lernt und diese verallgemeinert. Die Entwickler geben dem Computer nicht mehr strikt vor, was er tun soll. Stattdessen zeigen sie ihm die notwendigen Daten und der Computer findet es selbst heraus.

Das System gewinnt Erkenntnisse also ähnlich wie ein Mensch: Es „macht Erfahrungen“ und leitet davon ein sinnvolles Verhalten ab. Mit Machine Learning kann dabei nur gelernt werden, was in den Daten vorkommt.

Bleibe up to date in Sachen Personalisierung: Melde dich zum epoq Newsletter an. Jetzt anmelden!

Machine Learning ist ein Teilbereich von Künstlicher Intelligenz (KI) bzw. Artificial Intelligence (AI). Zur Abgrenzung sprechen Fachleute bei „echter künstlicher Intelligenz“ außerdem von Artificial General Intelligence (AGI).

Wie funktioniert Machine Learning?

Wie genau der Prozess abläuft, hängt auch von der angewendeten Art des Machine Learnings ab. Der Grundsatz ist jedoch, dass Entwickler die KI bzw. das Machine-Learning-Modell durch Daten trainieren. Der Algorithmus analysiert diese also und zieht daraus Schlüsse. Die Modelle bestehen dabei aus Parametern, die auf neue Daten angewendet werden, um eine Prognose wie „Was macht der Kunde als Nächstes?“ zu erstellen.

Damit „die Maschine lernt“, muss die KI jede Menge Daten zu beliebigen Ereignissen auswerten. Hier ein Beispiel:

Ein Ad Content wird ausgespielt. Die KI nimmt mit einer Wahrscheinlichkeit von 50 % an, dass auf das Ad geklickt wird. Wird auf das Ad geklickt, so verwendet die KI diese Information statt der bisherigen Annahme und berechnet, dass dieses Ad in Zukunft mit einer Wahrscheinlichkeit von 100 % geklickt wird. Sie spielt ein weiteres Mal das Ad aus. Diesmal wird es nicht geklickt, die Wahrscheinlichkeit auf einen künftigen Klick sinkt auf 50 %. So setzt sich der Lernprozess fort und nähert sich fortwährend der Realität an.

In die Berechnung der Wahrscheinlichkeit für das Eintreten des Ereignisses „Klick“ gehen jedoch auch noch weitere Parameter ein, wie z. B. der Kanal, die Tageszeit, der Browser, die Geographie usw. Die Maschine lernt aus der Vergangenheit und prognostiziert die Zukunft anhand von Wahrscheinlichkeiten. Selbstlernende Algorithmen können diese Daten und das Ergebnis der Prognose also benutzen, um sich selbst weiter zu verbessern.

Welche Arten von maschinellem Lernen gibt es?

Beim maschinellen Lernen unterscheiden Entwickler zwischen vier Arten:

• Supervised Learning: Die KI erhält ein Trainingsset an Daten und die Information, wonach sie suchen soll bzw. das Ziel, welches zu lernen ist. Das Ergebnis liefern die Entwickler also mit und geben damit den Erfolg, nicht jedoch den Weg vor.
• Unsupervised Learning: Die KI erhält keine klaren Zielwerte und versucht, eigenständig Muster zu erkennen.
• Semi-supervised Learning: Semi-supervised Learning bewegt sich zwischen den beiden ersten Arten. Die KI erhält teils Basisdaten mit den passenden Ergebnissen, teils Basisdaten ohne diese Ergebnisse. Es wird z. B. verwendet, wenn die Zielinformation aus Supervised Learning nur teuer zu bestimmen ist. Das kann beispielsweise der Fall sein, wenn ein Mensch gebraucht wird, um bei jedem Beispiel den wahren Wert  (z. B. „Was ist das Objekt auf dem Bild?“) zu bestimmen.
• Reinforcement Learning: Die KI gelangt durch Ausprobieren an ihr Ziel und wird für richtige Entscheidungen „belohnt“.

Was ist der Unterschied zwischen Machine Learning und Deep Learning?

Deep Learning ist eine Unterform des maschinellen Lernens. In ihr werden sogenannte neuronale Netze verwendet. Durch sie können Systeme auch dann Entscheidungen treffen, wenn Probleme und Daten sehr komplex sind. Deep Learning lässt sich mit den Lernarten von Machine Learning kombinieren. Entwickler sprechen beispielsweise bei der gleichzeitigen Nutzung von neuronalen Netzen und Reinforcement Learning von „Deep Reinforcement Learning“. Dies wird z. B. bei AlphaGo oder der Entwicklung von Robotern und selbstfahrenden Autos eingesetzt.

Machine Learning im E-Commerce nutzen: Anwendungsbeispiele zeigen das große Potential

Maschinelles Lernen ist im E-Commerce bereits angekommen und wird durch die Weiterentwicklung dieser und ähnlicher E-Commerce-Technologien immer wichtiger. Schon heute überzeugen die Einsatzmöglichkeiten, die wir dir im Folgenden näher vorstellen.

Management von Angebot und Nachfrage

Algorithmen können Phasen und Zielgruppen erkennen, in denen die Nachfrage besonders hoch ist. Das ermöglicht Unternehmen beispielsweise Preisoptimierungen oder effiziente Lagerhaltung. Ein sehr klassisches Beispiel hierfür ist die Flugpreisgestaltung, bei der Algorithmen in Echtzeit die perfekte Balance zwischen Auslastung und Preis finden.

Churn Management

Wer mit seinen Kunden langfristige Verträge abschließt, profitiert im Churn Management besonders deutlich durch KI. Das Churn Management beschäftigt sich damit, Kundenabwanderungen zu vermeiden. Algorithmen machen heute beispielsweise bei Energieversorgern oder Telekommunikationsunternehmen Aussagen zu Kündigungs- und Abschlusswahrscheinlichkeiten und unterstützen den Kundenservice mit passenden Angeboten für jeden Kunden – und das zum vielversprechendsten Zeitpunkt.

Fraud Detection

Betrugsversuche ähneln sich. Algorithmen können Daten deutlich schneller verarbeiten und diese Muster auch in gegenwärtigen Prozessen erkennen. Wenn ein Abschluss auffällig ist, geben sie eine Warnmeldung heraus und stoppen den Versuch rechtzeitig.

Verbesserte Kundenbetreuung

Auch im Kundenservice bereichert Machine Learning den E-Commerce. Denn Unternehmen kennen einzelne Kunden besser, wenn sie Ähnlichkeiten zu anderen aufweisen und diese erkannt werden. Sie wissen so, wann es erfolgversprechend und serviceorientiert ist, sie proaktiv mit Angeboten anzusprechen. Außerdem ermöglicht KI neue Wege des Supports und unterstützt Kunden beim Self Service über Chatbots oder virtuelle Assistenten.

Website- und Produktsuche

Suchbegriffe von Kunden und die Daten der dazu passenden Produkte stimmen nicht immer überein. Maschinelles Lernen unterstützt Online Shops dabei, ihre Suchfunktion so zu optimieren, dass Kunden die gesuchten Artikel dennoch finden. Eine solche intelligente Suchfunktion führt Shopkunden schnell und einfach zum gewünschten Produkt und senkt dadurch die Absprungrate. Auch Suchmaschinen wie Google nutzen diese Technologie und entwickeln sie stetig weiter, um bessere Suchergebnisse anzuzeigen.

Personalisierung

Durch auf Machine Learning basierender KI-Software für Online Shops können Unternehmen ihre Kunden und sogar Erstbesucher deutlich besser verstehen. Das ermöglicht ihnen, speziell auf jeden einzelnen User abgestimmte Produkte und Content anzubieten. Diese Personalisierung führt wiederum zu einer höheren Konversionsrate und somit zu einer Umsatzsteigerung.

Kennst du weitere Beispiele, in denen Machine Learning den E-Commerce bereichert? Teile dein Wissen in den Kommentaren.

Vorteile beim Einsatz von Machine Learning im E-Commerce

Machine Learning hat bedeutende Stärken gegenüber der „manuellen“ Datenverarbeitung. Denn es ist schneller, genauer und skalierbar. Noch dazu ist es ungemein effizient. Dadurch erweist sich Machine Learning im E-Commerce immer mehr als unverzichtbare Technologie.

Smartere Entscheidungen auf Basis größerer Datenmengen

Wer viel weiß, findet bessere Lösungen. Deswegen ist Big Data im E-Commerce so wichtig geworden. Doch niemand kann eine riesige Datenbasis so gut verarbeiten wie ein selbstlernender Algorithmus. Für das menschliche Gehirn ist eine ähnliche Leistung unmöglich.

Noch dazu begeht eine sorgfältig konstruierte Künstliche Intelligenz nicht die gleichen Denkfehler wie Menschen. Der Grund: Weil sie Daten nicht anhand von Vorwissen falsch gewichtet, kennt sie keine kognitive Verzerrung. Die sorgfältige Konstruktion ist dabei ganz entscheidend.

Erfolgreichere Marketingkampagnen

Nicht zufällig sind viele der erfolgreichen neuen Marketingmethoden datengestützt und dadurch deutlich effizienter als herkömmliche Werbemaßnahmen. Denn die Möglichkeiten einer genauen Kundenansprache sind begrenzt, wenn sie nicht durch Machine Learning unterstützt werden. Interessenten und Bestandskunden im richtigen Moment mit für sie überzeugenden Argumenten anzusprechen, ist fast unmöglich. Durch Hypertargeting können Marketer hingegen Kampagnen für nahezu jeden Kunden maßschneidern, ohne enorm viel Zeit zu investieren.

Beispiel: Es soll eine Markenkampagne über die Suche umgesetzt werden, d. h. in den Suchergebnissen soll eine bestimmte Marke (z. B. Tommy Jeans) gepusht werden. Neben dem Pushen der Marke ermöglicht Personalisierung hier zusätzlich, die Präferenzen der suchenden Kundin (Lieblingsfarbe, reduzierte Artikel, richtige Größe) zu berücksichtigen. Die Kundin erhält somit nur relevante Artikel, dennoch passend zur laufenden Marketing-Kampagne.

Höhere Konversionsraten

Die Entwicklung vom Interessenten zum Käufer ist zeitintensiv und störanfällig. Mit Machine Learning können Online Shops diesen Weg zielgerichteter gestalten, indem der Kunde die Produkte leichter findet, wenn er sie sucht. Passende Inhalte binden ihn außerdem an das Unternehmen und selbst der Preis kann auf ihn zugeschnitten werden. Setzt er die Erkenntnisse um, die er durch KI gewinnt, liefert ein Online Shop viele Kaufargumente und umgeht Fehler, die einen Kauf verhindern.

Bleibe up to date in Sachen Personalisierung: Melde dich zum epoq Newsletter an. Jetzt anmelden!

Höherer ROI durch höhere Effizienz

Machine Learning unterstützt Unternehmen durch die Automatisierung von Routine-Aufgaben sowie bei der Erstellung von genauen Prognosen. Dadurch erhöht sich die Effizienz in vielen Bereichen. KIs entlasten Kundenservice und Vertrieb, liefern der Logistik Fakten für ihre Planung und verbessern den Ertrag von Marketingkampagnen.

Fazit: Machine Learning im E-Commerce ist eine leistungsstarke Technologie

Machine Learning ermöglicht Algorithmen, aus Daten zu lernen und daraus die richtigen Schlüsse zu ziehen. Die Technologie unterstützt Unternehmen, effizienter und kundenorientierter zu arbeiten. Gerade im Online-Handel sind ihre Vorteile und Stärken enorm, da dort durch die Kundeninteraktion große Datenmengen zur Verfügung stehen.

Du möchtest mehr darüber wissen, wie du Wissen und KI für dich nutzt?
Sieh dir unserer Webinar-Aufzeichnung an!

Mehr Infos zur KI-Technologie →

Hast du Fragen oder Anregungen? Hinterlasse uns gerne eine Nachricht via Kommentarfunktion!