Kontakt


Wir verwenden HubSpot CRM, um Kontakt- und Informationsanfragen zu bearbeiten und zu verwalten. Bitte akzeptiere die "Funktionalen Cookies" und lade die Seite erneut, um das Kontaktformular zu laden.

Insights / Blog / Business

Suche & Machine Learning: Mehr Umsätze für den Onlineshop

22. Juni 2022
Autor:in Steven BaileySteven Bailey
Chief Strategy Officer

Die passenden Informationen genau zur richtigen Zeit bereitstellen: Die Suche ist, was Kund:innen und Produkte zusammenbringt. Damit trägt sie einen entscheidenden Teil zur Customer Experience eines Webshops bei. Je besser die Suche, desto zufriedener die Kund:innen – und das wirkt sich letztlich natürlich auch auf die Umsätze aus. Aber was macht eine gute Suche genau aus, und welche Rolle können künstliche Intelligenz (KI) und Machine Learning (ML) hier spielen?

Aufgabe der Suche ist es, die Kund:innen so schnell und einfach wie möglich auf die Seiten zu bringen, die sie interessieren – oder interessieren könnten. Damit sie das kann, muss sie auf verschiedene Informationen unterschiedlicher Quellen zugreifen und diese auswerten können. Zum einen sind das natürlich die Produktinformationen oder andere Daten aus dem Onlineshop. Zum anderen sind das aber Daten, die aus dem Nutzerverhalten resultieren. Und hier kommt KI in Form von ML ins Spiel.

Denn Machine Learning unterstützt dabei, bereits vorhandene Daten optimal zu nutzen, etwa um das Kundenverhalten effektiv zu analysieren oder die User Experience zu verbessern. Wie? Durch inkrementelles Lernen aus Daten. So können unterschiedliche Arten von verborgenen Mustern erkannt– und somit komplexe Probleme gelöst werden. Die Einsatzmöglichkeiten sind natürlich enorm, gleichzeitig ist vor dem Hintergrund der individuellen Situation, beispielsweise der Businessziele und der technologischen Ausgangslage, nicht alles gleichermaßen sinnvoll.

Die Theorie: Welche Anwendungsbereiche von Machine Learning sind überhaupt sinnvoll?

Marktforschungs- und Beratungsinstitut Gartner bewertet in seinem „AI Use Case Prism For Digital Commerce“ verschiedene Anwendungsbereiche, in denen KI (und damit auch ML) im E-Commerce unterstützen kann, indem es das Verhältnis von resultierendem Geschäftswert und technischer Umsetzbarkeit betrachtet.

Im Kontext von Suche und Machine Learning sind daraus die folgenden Anwendungsbereiche relevant:

  • Preisoptimierung
  • Keywordsuche
  • Produktempfehlung
  • Optimierung User Interface
  • Kundensegmentierung
  • Optimierung der Produktgruppen
  • Personalisierte Angebote

Auffällig ist, dass viele davon sich laut Gartner in einem Bereich mit relativ hohem Business Value bei hoher technischer Umsetzbarkeit liegen – und damit sehr vielversprechend sind.

Betrachtet man diese Anwendungsbereiche zudem vor dem Hintergrund der vier Phasen des Sales Funnels (Awareness/Aufmerksamkeit, Evaluation/Bewertung, Purchase/Kauf, Postpurchase/nach dem Kauf), wird zudem deutlich: ML in der Suche ist vor allem während der Bewertungs- und Kaufphase relevant, kann also ganz entscheidend dabei unterstützen, dass ein:e Kund:in sich für einen Kauf entscheidet.

Für Onlinehändler lohnt es sich also, den eigenen Shop mit einer optimalen Suchfunktion auszustatten.

Die Praxis: Wo lässt sich die Suche konkret mit Machine Learning optimieren?

Tracking: Die Grundlage für den Einsatz von ML in der Suche ist natürlich, dass die Benutzerinteraktionen verfolgt und aufgezeichnet werden. ML-Algorithmen verwenden diese Daten dann, um die Suchergebnisse anzureichern.

Kontinuierliches Lernen: Über die Interaktionen der Kund:innen mit dem System lassen sich Rückschlüsse auf ihre Beziehung zu Produkten, Kategorien, Marken oder Händlern treffen. Solche Interaktionen können beispielsweise Suchanfragen oder Käufe sein. Sie zeigen, was für Kund:innen besonders interessant ist.

Anreichern von Produktdaten: Die Trackingdaten können außerdem verwendet werden, um zu analysieren, welche Suchanfragen zu einem Kauf führen. Beispielsweise können Ansichtszahlen oder Verkaufsinformationen berechnet und damit die Produktdaten angereichert werden.

Intelligente Indexierung von Daten: Im Optimalfall kann ein Indexer Text analysieren und Sprache und Begriffe automatisch erkennen (Named-Entity-Erkennung, NER). Entsprechend geschulte, überwachte Lernmodelle können zudem Dokumente bei der Indexierung automatisch klassifizieren. Auch Bilder können mithilfe von ML/KI automatisch mit Anmerkungen versehen werden.

Empfehlungen: Mit den vom Tracker gesammelten Daten können verschiedene Empfehlungsmodelle erlernt werden, beispielsweise für personalisierte Produktempfehlungen an Kund:innen mit sogenannten kollaborativen Empfehlungen („Kund:innen, die Produkt A gekauft haben, haben auch Produkt B gekauft“) zu geben.

Das Learning: Die Investition in Machine Learning in der Suche lohnt

Für langfristigen Geschäftserfolg müssen die Funktionen eines Shops sich nach den Bedürfnissen der Kund:innen richten. Eine Suchfunktion, die an den passenden Stellen ML einsetzt, ist für Onlineshops ein wichtiges Werkzeug, um die Kund:innen und ihre Bedürfnisse besser zu verstehen. Zugleich macht ihre Qualität einen entscheidenden Teil der User Experience aus.

Nun verfügt nicht jedes Shopsystem automatisch über eine leistungsstarke Suchlösung – das heißt aber nicht, dass Betreiber von Onlineshops ihr komplettes System umstellen oder sich mit der integrierten Suche zufriedengeben müssen. Wer sich auf dem Markt umschaut, wird sicher auch schnell eine passende externe Suchlösung und/oder ergänzende AI-Applikationen finden, die die eigenen Anforderungen erfüllt und sich mit dem bestehenden Shopsystem integrieren lässt – und so zu Kundenzufriedenheit, Kundenbindung und Umsatzsteigerung beträgt.

Dieser Artikel erschien zuerst bei etailment. Wir freuen uns über Ihr Feedback und das Teilen des Artikels.

Originalbeitrag bei etailment