Am Newsletter anmelden

  • Dieses Feld dient zur Validierung und sollte nicht verändert werden.

Top Beiträge

Vorwärtsstrategie für die Krise = Digitalstrategie für den Vertrieb

B2B E-Commerce 14.10.20205 Min. Lesezeit

Vorwärtsstrategie für die Krise = Digitalstrategie für den Vertrieb

Viele Unternehmen scheuen vor den Ausgaben einer Digitalstrategie zurück. Es liegt nicht am mangelnden Interesse, ...

B2B Commerce – Welche Lösung brauchen Unternehmen?

B2B E-Commerce 30.09.20204 Min. Lesezeit

B2B Commerce – Welche Lösung brauchen Unternehmen?

Die Evaluation des passenden B2B Commerce Systems ist zentral für Ihr Digital-Projekt. Welche Auswahlkriterien ...

Nie mehr E-Commerce News verpassen – Jetzt abonnieren!

KI im E-Commerce – Kundensegmentierung

B2B E-Commerce 5 Min. Lesezeit Daniel Becker 12.02.2020

Künstliche Intelligenz eCommerce

Vor einigen Zeit hatten wir einen ersten Überblick zum Einsatz von KI im E-Commerce gegeben und dann Chatbots näher in Augenschein genommen. Jetzt hat es doch etwas länger gedauert, bis der nächste Beitrag  zu Einsatzmöglichkeiten von Künstlicher Intelligenz im E-Commerce fertig wurde. Aber sei’s drum. Im Fokus stehen heute Ansätze und Lösungen zum Umgang mit Kunden- und Nutzerdaten.

Kunden verstehen – KI hilft beim Clustern

Wir haben uns für dieses Thema entschieden, da KI-basierte Methoden zur Vorhersage des Kundenverhaltens oder zum spezifizierten Ausspielen personalisierter Inhalte (Content oder Produktempfehlungen) natürlich auf Einsichten über den Kunden oder den Nutzer basieren. Die Idee: E-Commerce-spezifische Einblicke ermöglichen es Ihnen, Ihre Kunden besser zu verstehen. Ganz unabhängig davon, wofür und wie Sie später dieses Wissen nutzen: Die „intelligente“ Produktempfehlung bis hin zur vollständig individualisierten Landing-Page im Shop (Hyperpersonalisierung) ist dann die konsequente Weiterentwicklung des Gedankens.

Hier noch zwei Hinweise: Das Potential Künstlicher Intelligenz im E-Commerce muss natürlich mit den Anforderungen an den Schutz personenbezogener Daten in Einklang gebracht werden. Für diesen Artikel blenden wir das Thema Datenschutz jedoch einmal aus. Wenn wir im Folgenden verkürzt von Künstlicher Intelligenz sprechen, geht es um einfache Lösungen, die auf Basis von Machine Learning Algorithmen in der Lage sind, vielfältige Daten zu Nutzern zu clustern indem sie inhärente Muster erkennen. Es geht nicht um selbstständig agierende Systeme (z.B. Autos) oder gar selbstbewusste Systeme (das ist nich Science Fiction).

KI im E-Commerce – Kundensegmentierung

Kunden und Interessenten zu kennen, ist eine der größten Herausforderungen für Sales & Marketing. Als Unternehmen muss man entweder genau wissen, mit wem man es zu tun hat, um ein Angebot perfekt auf das Gegenüber abzustellen. Oder man vertraut eben dem Vertriebsmitarbeiter, dass er es über die nötige Erfahrung und das richtige Bauchgefühl verfügt.

Natürlich hat man es mit unterschiedlichsten Kunden zu tun. Dennoch gibt es viele Überschneidungen hinsichtlich demographischer Merkmale, Verhalten, Kaufinteresse, Kontakt zum Unternehmen usw. Basierend auf diesen Merkmalen lassen sich Kunden in Gruppen einteilen, sprich: segmentieren. Ziel ist es, dass sich die Kunden innerhalb eines jeden Segments durch eine sehr hohe Ähnlichkeit auszeichnen, die einzelnen Segmente jedoch ganz klar voneinander abgrenzen. Ansonsten bleiben Kunden für den Händler eine indifferente Masse.

Kundensegmentierung
Kundensegmentierung

Eine hohe Ähnlichkeit bedeutet aber nicht gleichzeitig, dass die Segmentierung sinnvoll ist. Zu wissen, dass bei 30 Prozent der Kundinnen die Ziffer 7 in der PLZ auftaucht und diese gleichzeitig zwischen Februar und März Osterdeko kaufen, bringt keinen Onlinehändler weiter. Da sich prinzipiell nach allen Arten von ein- oder mehrdimensionalen Merkmalen segmentieren lässt, ist die Definition des Segmentierungsziels und der dafür nötigen Basis-Merkmale extrem wichtig. Was sind z.B. die relevanten Merkmale, wenn ich ein Abo für Wasserfilter verkaufen möchte?

Datenbasis

Als Datenbasis eignen sich im E-Commerce unterschiedliche Quellen wie Transaktions- und Verhaltensdaten aus Shop und Google Analytics, die CRM-Datenbank, die Kaufhistorie sowie Soziale Netzwerke.

  • Interessant sind klassische soziodemographische Daten (Geschlecht, Alter, Einkommen, Familienstand, Wohnort, Bildung etc.)
  • angereichert mit biographischen Daten (Hochzeiten, Geburten, Geschlecht der Kinder, Mitgliedschaften, Körpermaße …)
  • Interessen (bestimmte Themen, Produkte, Markenwahl, gesellschaftliche Einstellungen) oder auch Sympathien
  • Verhaltensdaten (Onlinezeiten, bestimmte Intervalle? Interaktionsdauer und -tiefe, bevorzugte Bezahlverfahren, Endgeräte)
  • Transaktionsdaten (Bestellintervalle, durchschnittlicher Bestellwert, stehengelassene Warenkörbe, Warenkorbinhalt usw.)

Je nach Business und Zielsetzung können auch Echtzeitdaten zu Transaktionen sowie Verhalten hoch spannend sein. Im Beauty- und Healthbereich etwa wechseln Verbrauchertrends recht schnell. Eine klassische Segmentierung ist immer aber nur eine Momentaufnahme, die sofort veraltet. Daher kann eine kontinuierliche Segmentierung auf Basis von Echtzeitdaten gerade in sehr dynamischen Umfeldern den Unternehmen einen deutlichen Vorteil bringen.

Eine Verknüpfung all dieser Daten kann aus Datenschutzgründen bedenklich sein und noch wissen selbst die größten Tech-Konzerne im Netz noch nicht alles über das Leben ihrer Nutzer. Klar ist aber auch, das Unternehmen im digitalen Markt ein berechtigten Interesse daran haben, ihre Inhalte möglichst punktgenau zum richtigen Zeitpunkt an den Nutzer zu bringen, daher ist abzusehen, wohin die Reise geht.

Vorgehen

Wie geht man nun vor? Im ersten Schritt werden wie bereits angesprochen die Basismerkmale festgelegt, die zur Beschreibung der Kundensegmente herangezogen werden müssen. Dann folgt die Zusammenstellung, Bereinigung und Analyse der Datenbasis. Das war lange Zeit das Aufgabengebiet der Marktforschung, denn in der Regel fehlt es Unternehmen an Know-how und Ressourcen.

Heutzutage schlägt dann die Stunde des Data Analysten und der Machine Learning-Algorithmen. Bei einem KI-basierten Ansatz werden Modelle zur Cluster-Analyse verwendet. Cluster sind Ballungen innerhalb des Datensatzes. Der Algorithmus sucht dann meist ohne Vorinformationen nach Ähnlichkeiten bzw. Mustern im Datenbestand. Je nach Methode wird lediglich die Anzahl der Cluster bzw. deren mögliche Mittelpunkte (Zentroiden) vorgegeben. Der Algorithmus wühlt sich dann in mehreren Schritten durch die Daten und überlegt sich sozusagen, welche Datenpunkte er in den Cluster aufnehmen möchte.

Datenpunkte im Cluster
Datenpunkte im Cluster

Dank KI lassen sich so – auch im E-Commerce – Kundengruppen wesentlich schneller und mit der Zeit auch immer besser segmentieren. Und der weitere große Vorteil, mithilfe der selbstlernenden Algorithmen identifiziert der Experte Merkmals-Cluster, an die zuvor niemand gedacht hat. So kommen Unternehmen zu ganz neuen Einsichten über Ihre Kunden. Allerdings müssen die Ergebnisse nochmals untersucht werden, denn der Algorithmus bewertet nicht, wie sinnvoll die Ähnlichkeitsbeziehungen sind. So kann es geschehen, dass man es wieder mit unsinnigen Segmenten wie die oben beschriebenen Oster-Deko-Käuferinnen zu tun hat.

Wenn Sie sich mit dem Thema Datenanalyse und Cluster-Bildung im Rahmen des maschinellen Lernens einmal näher beschäftigen möchten, lege ich Ihnen die Beiträge von towardsdatascience ans Herz.

Lösungen / Tools

Natürlich lässt sich die digitale Kundensegmentierung auch individuell vom KI-Experten realisieren. Allerdings bieten auch einige Softwarelösungen für die Umsetzung von Personalisierungsstrategien und zur Vorhersage des Nutzerverhaltens die nötige maschinelle Unterstützung. Dazu zählen etwa nosto, die bronto marketing platform oder emarsys. Auf deren Leistungsspektrum können wir hier aber nicht mehr näher eingehen. Personalisierung und Verhaltensvorhersagen (Predictions) sind allerdings Themen für den dritten Teil unserer Serie KI im E-Commerce.