Künstliche Intelligenz und persönliche Angebote

Verfahren des maschinellen Lernens (ML) ermöglichen es Marketers, über die Grenzen klassischer Personalisierung hinauszugehen, indem sie riesige Datenmengen verarbeiten und Muster im Kundenverhalten identifizieren. Die gewonnenen Erkenntnisse können modernen Empfehlungsdiensten, die von Unternehmen mit dem Ziel der Hyperpersonalisierung ihrer Marketingaktivitäten und Aktionsangebote eingesetzt werden, als Ausgangspunkt dienen.

Bevor die eigentlichen ML-Werkzeuge und -verfahren thematisiert werden, die sich zur Umsetzung von Hyperpersonalisierung eignen, sollen zunächst drei allgemeine Arten von Daten betrachtet werden, die Unternehmen gewöhnlich erfassen und die ML-Systeme im beschriebenen Anwendungsfall nutzen können:

• Daten zur Kundeninteraktion

Interaktionshistorien liefern breitgefächerte Informationen über die Kunden und sind eine Goldmine für ML-Systeme. Mit Angaben zu Einkäufen, Anfragen, Reservierungen, Forderungen, Treffen oder sonstigen Interaktionen enthalten sie wertvolle Nutzdaten. Das CRM-System ist eine naheliegende Quelle für diese Daten, dabei sollte es jedoch so viele Interaktionen wie möglich erfassen, am besten sowohl online als auch offline.

• Produkt- oder Servicebewertung

Kundenbewertungen sind der Kern von Empfehlungs- und Personalisierungsdiensten, wie sie in Unternehmen wie Amazon, Netflix und Spotify eingesetzt werden. Dabei muss eine Bewertung nicht zwangsläufig explizit erfolgen, z. B. mittels einer Punktzahl oder eines frei formulierten Kommentars. Sie kann auch implizit sein und sich bspw. aus Auswahlvorgängen des Kunden und seinem Verhalten ergeben. Vergleicht ein Kunde verschiedene Produkte derselben Kategorie in einem Onlineshop und entscheidet sich dann für eines von ihnen, kann dies als implizite positive Bewertung des ausgewählten Produkts verstanden werden. Nach dem gleichen Prinzip kann von der Inaktivität eines regelmäßigen Käufers ab dem Zeitpunkt, zu dem er ein bestimmtes Produkt oder einen Service erhalten hat, darauf geschlossen werden, dass er mit der gelieferten Qualität nicht zufrieden ist; um ihn als Kunden zu halten, sind jetzt geeignete Maßnahmen erforderlich. Für derartige Feststellungen müssen sehr feine Unterschiede erkannt werden, was bei einem großen Datenumfang zu einer äußerst komplexen Aufgabe wird – das perfekte Szenario für ML-/KI-Systeme, die hier die entscheidende Unterstützung liefern können.

• Demografiedaten der Kunden

Obwohl die Kundeninteraktionshistorie allgemein als überlegene Datenquelle zur Vorhersage des Verhaltens eines bestimmten Kunden gilt, bilden die demografischen Daten des Kunden nach wie vor einen wichtigen Ausgangspunkt für Systeme zur Marketingpersonalisierung. Klassischerweise werden sie von Empfehlungsdiensten mit kollaborativer Filterfunktion genutzt. Deren Aufgabe ist es, Produkte vorzuschlagen, für die sich Kunden entschieden haben, die dem potentiellen Käufer ähnlich sind. Ähnlichkeit bezieht sich in diesem Kontext u. a. auf Altersgruppe, Standort, bevorzugten Kaufkanal und Einkaufshistorie.

Nachdem die Hauptarten von Daten erläutert wurden, die in maschinelle Lernsysteme eingespeist werden können, befassen sich die folgenden Absätze mit einigen der verfügbaren ML-/KI-Verfahren, die sich für Personalisierungszwecke im Marketing einsetzen lassen und die gegenwärtig von Comarchs Forschungs- und Entwicklungsabteilung für die Plattform Comarch Loyalty Management untersucht werden.

• Künstliche neuronale Netze (KNN)

Ein künstliches neuronales Netz (KNN) ist eine Softwarekategorie, die sich an der Funktionsweise des menschlichen Gehirns und des Nervensystems orientiert. Aus Marketingsicht eignen sich KNN-basierte Systeme zur Unterstützung oder vollständigen Automatisierung von Entscheidungsprozessen. Damit die künstlichen neuronalen Netze in der Lage sind, Prognosen zu berechnen, benötigen sie Referenzdaten für den sogenannten Trainingsprozess. Im beschriebenen Anwendungsfall könnten hierfür sämtliche historischen Daten eines einzelnen Kunden genutzt werden, einschließlich Demografiedaten, Bewertungen und Details aller Interaktionen mit dem betreffenden Unternehmen. KNNs können enorme Datenmengen verarbeiten und ihre Kalkulationen entsprechend den für ihr Training bereitgestellten Datensätzen anpassen. Demzufolge kann dasselbe Modell für alle Kunden verwendet werden, da es sich ohne zusätzliche manuellen Eingriffe oder Korrekturen auf die Trainingsdaten einstellt. Ein "trainiertes" KNN kann für verschiedene Zwecke eingesetzt werden, z. B.:

• Generieren individueller Produktempfehlungen (Next Best Offer) für Kunden anhand früherer Kaufentscheidungen
• Simulieren, wie ein neues Produkt oder eine neue Kampagne aufgenommen werden wird, entweder mit manueller Festlegung der besten Zielgruppe oder automatischer Bestimmung durch das KNN
• Auswählen der aussichtsreichsten Zielgruppe für ein neues Angebot oder eine Aktion ohne vordefinierte bedingungsbasierte Segmente

KNN ist eine sehr leistungsfähige und vielseitige Technologie mit zahlreichen Untertypen und Anwendungsfällen. Ein Großteil der ML-Lösungen basiert vollständig oder teilweise auf irgendeiner Art von KNN-System.

• Produkteinbettung

Ein weiteres interessantes Verfahren des maschinellen Lernens wurde ursprünglich für die maschinelle Sprachverarbeitung (auch: Natural Language Processing, NLP) entwickelt. Es folgt dem Prinzip, die Bedeutung eines Wortes durch Analyse anderer Wörter zu ermitteln, die häufig in enger Verbindung mit dem gesuchten Wort oder in einem ähnlichen Kontext verwendet werden. Übertragen auf das Marketing bedeutet dieser Ansatz die Identifizierung ähnlicher Produkte durch die Analyse von Artikeln, die häufig zusammen gekauft werden. Dabei wird von der Annahme ausgegangen, dass eine Beziehung zwischen den Produkten A und B wahrscheinlich ist, wenn sowohl Produkt A als auch Produkt B häufig zusammen mit den Produkten C, D und E gekauft werden. Die Produkte können derselben Kategorie angehören, von ähnlichen Kunden gekauft werden oder zueinander komplementär sein.

Durch das Aufdecken dieser Beziehungen zwischen Produkten wird es Unternehmen möglich, personalisierte Up-Selling- und Cross-Selling-Kampagnen durchzuführen. Um bei dem angeführten Beispiel zu bleiben: Wenn es sich bei Produkt B um eine teurere Version von Produkt A handelt, könnte eine Marketingaktion denjenigen Kunden Produkt B anbieten, die in der Vergangenheit Produkt A gekauft haben, mit dem Ziel des Up-Sellings einer Premiummarke an eine hierfür zugängliche Zielgruppe. Sollte wiederum Produkt B einige Zeit nicht vorrätig sein, könnte Produkt A als möglicher Ersatz angeboten werden.

• Kollaboratives Filtern

Kollaboratives Filtern ist ein Verfahren, das häufig von konventionellen Empfehlungsdiensten eingesetzt wird. Es basiert auf der Annahme, dass Kunden mit einer ähnlichen Kaufhistorie sehr wahrscheinlich auch in Zukunft ähnliche Produkte kaufen werden. Erwirbt also einer von zwei einander ähnelnden Kunden einen Artikel, kann es sich lohnen, dem anderen diesen Artikel zu empfehlen. Nach diesem einfachen Prinzip verfahren die meisten kommerziellen Empfehlungsdienste.

Seitdem das maschinelle Lernen an Bedeutung zunimmt, hat es zahlreiche Versuche gegeben, damit ähnliche oder bessere Ergebnisse zu erzielen. Die beliebteste Lösung ist der Einsatz eines tiefen (mehrschichtigen) künstlichen neuronalen Netzes, zumeist in Form eines Autoencoders.

Zusammengefasst liegt der größte Vorteil von maschinellen Lernsystemen in ihrer Fähigkeit, sehr große Datenmengen zu verarbeiten und automatisch Muster zu erkennen, die mit anderen Mitteln nur schwer aufzudecken sind. Die tatsächlichen Ergebnisse und der Mehrwert, die sich durch den Einsatz von maschinellem Lernen in der Angebotspersonalisierung erzielen lassen, hängen von einer Reihe von Faktoren ab, insbesondere von Umfang und Qualität der Daten, die in der Trainingsphase für Algorithmus bzw. Kalkulation verwendet werden. Auch wenn sie vielleicht nicht für jeden Anwendungsfall die perfekte Lösung darstellen, bergen ML-basierte Systeme zweifellos hohes Potential für die Optimierung von Marketingprozessen, die Reduzierung der Gesamtkosten von Kampagnen sowie die Verbesserung von Konversionsraten.

Mehr über Künstliche Inteligenz und personalisierte Angebote erfahren Sie im aktuellen Whitepaper von Comarch:
https://www.comarch.de/service-und-support/whitepaper-und-webcasts/whitepaper-kundenbindung-durch-ki-und-machine-learning/