Personalisieren des Kundenerlebnisses mit Empfehlungen

Direkt zu den in diesem Beitrag erwähnten Recommendation-Notebooks.

Der Einzelhandel hat bei der Einführung des E-Commerce im Jahr 2020 einen riesigen Sprung nach vorne gemacht. Der Anteil des E-Commerce am gesamten Einzelhandel verzeichnete in einem Jahr einen Fortschritt von mehreren Jahren. In der Zwischenzeit haben COVID, Lockdowns und wirtschaftliche Unsicherheit die Art und Weise, wie wir Kunden ansprechen und binden, grundlegend verändert. Unternehmen müssen die Personalisierung überdenken, um in dieser Zeit des schnellen Wandels wettbewerbsfähig zu bleiben.

2020 erlebten wir eine schnelle Veränderung des Verbraucherverhaltens, und das nicht nur bei der zunehmenden Nutzung von E-Commerce. Handelsmarken wurden von den Verbrauchern zunehmend angenommen. Die Nachfrage nach Waren des täglichen Bedarfs erlebte einen Wiederaufschwung. Die Kunden überdachten nicht nur ihre Beziehung zu bestimmten Produkten, sondern auch zu Einzelhändlern und verteilten ihre Ausgaben auf mehrere Handelspartner. Die Relevanz von Aufstellern, Features und Werbeaktionen im Geschäft wurde von führenden Einzelhändlern infrage gestellt, die in der Lage sind, 35 % ihres Umsatzes durch personalisierte Empfehlungen zu erzielen.

Ein Erlebnis, das Kunden das Gefühl gibt, verstanden zu werden, hilft Einzelhändlern, sich von der Masse der Massenanbieter abzuheben und die Kundenbindung zu stärken. Das galt schon vor COVID, aber durch sich wandelnde Kundenpräferenzen wird dies für Einzelhandelsunternehmen noch wichtiger. Da Studien zeigen, dass die Kosten für die Neukundengewinnung bis zu fünfmal so hoch sind wie für die Bindung bestehender Kunden, müssen Unternehmen, die in der neuen Normalität erfolgreich sein wollen, weiterhin tiefere Beziehungen zu ihren Bestandskunden aufbauen, um eine solide Kundenbasis zu erhalten. Für die Verbraucher von heute gibt es zahlreiche Optionen und Anreize, ihre seit langem etablierten Ausgabegewohnheiten zu überdenken.

Personalisierung ist unerlässlich, um wettbewerbsfähig zu sein.

Angesichts der überwältigenden Auswahl erwarten die Verbraucher von den Marken und Unternehmen, bei denen sie einkaufen, ein Erlebnis, das ihren Bedürfnissen und Vorlieben entspricht. Personalisierung, einst als exotische Vision des Möglichen präsentiert, wird zunehmend zur Grunderwartung für Verbraucher, die ständig vernetzt sind, wenig Zeit haben und angesichts immer komplexerer Abwägungen nach Mehrwert suchen.

Marken, die personalisierte Erlebnisse bieten, können mit diesen Einzelhandelsriesen konkurrieren. In einer Analyse aus der Zeit vor COVID zu Verbrauchereinstellungen und Ausgabeverhalten gaben 80 % der Teilnehmenden an, dass sie eher Geschäfte mit einem Unternehmen machen würden, das personalisierte Erlebnisse anbietet. Es wurde festgestellt, dass diese Personen mit 10-mal höherer Wahrscheinlichkeit 15 oder mehr Käufe pro Jahr bei Unternehmen tätigen, die ihrer Meinung nach ihre persönlichen Bedürfnisse und Vorlieben verstehen und darauf eingehen. In einer anderen Umfrage gaben 50 % der Teilnehmenden an, dass sie die von ihnen gekauften Marken als Erweiterung ihrer selbst sehen, was zu einer tieferen und nachhaltigeren Kundenbindung bei den Marken führt, die es richtig machen.

Als COVID eine Verlagerung des Verbraucherfokus auf Wert, Verfügbarkeit, Qualität, Sicherheit und Community erzwang, sahen Marken, die am besten auf die sich ändernden Bedürfnisse und Stimmungen eingestellt waren, Kunden von Konkurrenten wechseln. Während einige Segmente Zuwächse verzeichneten und viele Verluste erlitten, erzielten Unternehmen, die bereits den Weg zu einer verbesserten Customer Experience eingeschlagen hatten, bessere Ergebnisse, was stark den Mustern ähnelte, die während der Rezession von 2007–2008 beobachtet wurden (Abbildung 1).

 Abbildung 1. CX-Leader übertreffen Nachzügler selbst in einem rückläufigen Markt. Eine Visualisierung des Forrester Customer Experience Performance Index, bereitgestellt von McKinsey & Company (Link

Wenn wir auf die neue Normalität blicken, wird deutlich, dass die Personalisierung von Kundenerlebnissen für viele B2C- und sogar B2B-Unternehmen weiterhin ein Key-Schwerpunkt bleiben wird. Zunehmend erkennen Marktanalysten das Kundenerlebnis als eine disruptive Kraft, die es aufstrebenden Unternehmen ermöglicht, langjährig etablierte Akteure zu verdrängen. Unternehmen, die sich im Wettbewerb ausschließlich auf Produkt, Platzierung, Preisgestaltung und Promotion konzentrieren, werden durch Wettbewerber unter Druck geraten, die den Verbrauchern für jeden eingenommenen Dollar mehr Wert bieten können.

Fokus auf die Customer Journey

Personalisierung beginnt mit einer sorgfältigen Analyse der Customer Journey. Es startet damit, dass Kunden einen Bedarf erkennen und dann ein Produkt identifizieren, um diesen zu decken. Dann geht es über zur Auswahl eines Channels für den Kauf und endet mit dem Verbrauch, der Entsorgung und dem möglichen Wiederkauf. Der Weg ist vielfältig und nicht einfach nur linear, aber in jeder Phase gibt es die Möglichkeit, Mehrwert für den Kunden zu schaffen.

Die Digitalisierung jeder Phase bietet dem Kunden Flexibilität bei der Art der Interaktion und gibt der Organisation die Möglichkeit, den Zustand ihres Modells zu bewerten. Obwohl die Digitalisierung ein fester Bestandteil des Online- und Mobile-Erlebnisses ist, kann sie unter angemessener Berücksichtigung von Transparenz, Datenschutz und Mehrwert für den Kunden auch auf die In-Store-, In-Transit- und sogar die In-Home-Phasen der Customer Journey ausgeweitet werden.

Diese von Kunden generierten Daten sowie die Eingaben von Drittanbietern liefern dem Unternehmen die Informationen, die es benötigt, um sein Verständnis des Kunden und seiner individuellen Customer Journeys zu verfeinern. Individuelle Motivationen, Ziele und Vorlieben können nun besser verstanden und dem Kunden personalisiertere Erlebnisse geboten werden.

Die Untersuchung der Customer Journey, ihre Digitalisierung und die Analyse der dabei generierten Daten werden genutzt, um eine Feedbackschleife zu schaffen, durch die das Kundenerlebnis verbessert wird. Um diese Schleife in Gang zu setzen und langfristig aufrechtzuerhalten, muss eine klare Vision für den Wettbewerb im Bereich des Kundenerlebnisses formuliert werden. Diese Vision muss die gesamte Organisation, nicht nur das Marketing und ihre IT-Partner, hinter gemeinsamen Zielen vereinen. Diese Ziele müssen dann in Anreizsysteme umgesetzt werden, die die abteilungsübergreifende Zusammenarbeit und Innovation fördern. Der Weg einer Organisation hin zur Bereitstellung differenzierender Kundenerlebnisse ist im Grunde der Weg zu einer lernenden Organisation, die Erkenntnisse in die Tat umsetzt, die aus Fehlern gewonnenen Erkenntnisse begrüßt und ihre Erfolge schnell skaliert, um den Kundennutzen zu steigern.

Kundenpräferenzen nutzen

Personalisierung ist vielschichtig, aber an verschiedenen Punkten der Customer Journey haben Organisationen die Möglichkeit, Inhalte, Produkte und Werbeaktionen auszuwählen, die dem Kunden präsentiert werden sollen. In diesen Momenten können wir früheres Kundenfeedback berücksichtigen, um die richtigen Artikel für die Präsentation auszuwählen. Kundenfeedback erhalten wir nicht immer in Form von 1-bis-5-Sterne-Bewertungen oder schriftlichen Rezensionen. Feedback kann sich durch Interaktionen, Verweildauer, Produktsuchen und Kaufereignisse äußern. Eine sorgfältige Überlegung, wie Kunden mit verschiedenen Assets interagieren und wie diese Interaktionen als Ausdruck von Präferenzen interpretiert werden können, kann eine Vielzahl von Daten erschließen, mit denen Sie die Personalisierung ermöglichen können.

Auf Grundlage des Feedbacks überlegen wir nun, welche Elemente wir präsentieren. Stellen Sie sich einen Kunden vor, der eine Auswahl empfohlener Produkte durchstöbert, auf eines klickt, Alternativen zu diesem Artikel erkundet, ihn in seinen Warenkorb legt und dann Artikel ansieht, die häufig zusammen mit diesem Artikel gekauft werden. In jeder Phase dieses sehr kleinen Ausschnitts der Customer Journey interagiert der Kunde mit unseren Inhalten und verfolgt dabei ganz unterschiedliche Ziele. Die Präferenzen des Kunden bleiben während dieser Journey unverändert, aber seine Absicht führt dazu, dass wir diese Informationen nutzen, um sehr unterschiedliche Entscheidungen darüber zu treffen, was wir ihm präsentieren.

Es ist ebenso Kunst wie Wissenschaft

Die Engines, die wir einsetzen, um Inhalte auf Basis von Kundenpräferenzen bereitzustellen, werden als Recommender bezeichnet. Ihren Aufbau als ebenso viel Kunst wie Wissenschaft zu bezeichnen, wäre eine Untertreibung. Bei einigen Recommendern konzentrieren wir uns stark auf die gemeinsamen Präferenzen ähnlicher Kunden, um die Bandbreite an Inhalten zu erweitern, die wir Kunden anbieten könnten. Bei anderen konzentrieren wir uns auf die Eigenschaften des Inhalts selbst (z. B. Produktbeschreibungen) und nutzen benutzerspezifische Interaktionen mit verwandten Inhalten, um die Wahrscheinlichkeit zu quantifizieren, dass ein Artikel beim Kunden gut ankommt. Jede Klasse von Recommendation-Engines orientiert sich an einem allgemeinen Ziel, aber innerhalb jeder einzelnen gibt es unzählige Entscheidungen, die das Unternehmen treffen muss, um seine Empfehlungen auf spezifische Ziele auszurichten.

Die Komplexität dieser Engines und die Gründe, aus denen wir sie entwickeln, sind derart, dass jede vorläufige Bewertung ihrer vermeintlichen Genauigkeit fragwürdig ist. Obwohl Offline-Evaluierungsmethoden vorgeschlagen wurden und eingesetzt werden sollten, um sicherzustellen, dass die von uns erstellten Empfehlungssysteme nicht aus dem Ruder laufen, können wir ihre Fähigkeit, uns beim Erreichen eines bestimmten Ziels zu unterstützen, in Wirklichkeit nur dann effektiv bewerten, wenn wir sie in begrenzten Pilotprojekten veröffentlichen und die Kundenreaktion bewerten. Und bei diesen Bewertungen ist es wichtig zu bedenken, dass keine Perfektion erwartet wird, sondern nur eine schrittweise Verbesserung gegenüber der vorherigen Lösung.

Wägen Sie die Kompromisse zwischen Performance & Vollständigkeit ab

Die primäre Herausforderung, die wir bei der Erstellung eines jeden Empfehlungssystems bewältigen müssen, ist die Skalierbarkeit. Stellen Sie sich ein Empfehlungssystem vor, das Nutzerähnlichkeiten nutzt. Ein kleiner Pool von 100.000 Nutzern erfordert die Auswertung von ungefähr 5.000.000.000 Nutzerpaaren, und jede dieser Auswertungen kann einen Vergleich der Präferenzen für jedes Element beinhalten, das wir empfehlen könnten. Aus rein technischer Sicht ist die Durchführung dieser Anzahl von Berechnungen kein Problem, aber die Kosten für die regelmäßige Ausführung innerhalb der Zeitvorgaben dieser Systeme machen eine Brute-Force-Auswertung untragbar.

Aus diesem Grund legt die Fachliteratur zur Entwicklung von Empfehlungssystemen einen starken Schwerpunkt auf Techniken zur approximativen Ähnlichkeitssuche. Diese Techniken bieten Abkürzungen, die es uns ermöglichen, gezielt diejenigen Benutzer oder Elemente zu finden, die den Objekten, die wir vergleichen, am wahrscheinlichsten ähnlich sind. Bei diesen Techniken gibt es einen Zielkonflikt zwischen Performance-Gewinnen und der Vollständigkeit der Empfehlungen. Obwohl diese Techniken also ziemlich technisch sind, ist eine wichtige Abstimmung zwischen Lösungsarchitekten und den Business-Stakeholdern über die richtige Balance zwischen diesen beiden Aspekten erforderlich.

Beschleunigen Sie Ihre Projekte mit Lösungsbeschleunigern.

Es versteht sich von selbst, dass ein sorgfältiges Ressourcenmanagement wesentlich dazu beitragen kann, die Kosten für die laufende Entwicklung, das Training und die Bereitstellung von Empfehlungssystemen niedrig zu halten. Databricks wurde speziell für die skalierbare Entwicklung auf Cloud-Infrastrukturen entwickelt, die es Unternehmen ermöglichen, genau aus diesem Grund Ressourcen schnell bereitzustellen und wieder freizugeben.

Damit unsere Kunden verstehen, wie sie Databricks zur Entwicklung verschiedener Recommender einsetzen können, haben wir im Rahmen unseres „Solution Accelerators“-Programms eine Reihe detaillierter Notebooks zur Verfügung gestellt. Jedes Notebook nutzt ein reales Dataset, um zu zeigen, wie Rohdaten in eine oder mehrere Recommender-Lösungen umgewandelt werden können.

Der Schwerpunkt dieser Notebooks liegt auf der Bildung. Niemand sollte die hier gezeigten Techniken als den einzigen oder gar bevorzugten Weg zur Lösung einer bestimmten Empfehlungsaufgabe ansehen. Dennoch hoffen wir, dass Teile des hier vorgestellten Codes unseren Kunden bei der Auseinandersetzung mit den oben beschriebenen Problemen und der Bewältigung ihrer eigenen Recommender-Anforderungen helfen werden.

Kollaborative Filter-Recommender

• CF 01: Datenaufbereitung
• CF 02: Ähnliche Nutzer identifizieren
• CF 03: Nutzerbasierte Empfehlungen erstellen
• CF 04: Erstellen von artikelbasierten Empfehlungen
• CF 05: Kollaborative Filter anwenden

Inhaltsbasierte Empfehlungsprogramme

Sie können sich auch unser On-Demand-Webinar zum Thema Personalisierung und Empfehlungen ansehen.

• CN 01: Datenvorbereitung
• CN 02a: Titelähnlichkeiten bestimmen
• CN 02b: Ähnlichkeiten in Beschreibungen bestimmen
• CN 02c: Kategorieähnlichkeiten bestimmen
• CN 03: Benutzerprofil-Recommender erstellen
• CN 04: Inhaltsbasierte Recommender bereitstellen