Case Study Recommender System für eine OnlineVerkaufsplattform //
Management Summary Stichworte Customer Analytics Recommender System Clustering Machine Learning Online-Handel Ziele Identifikation individueller Kundenpräferenzen Erhöhung der Kundenzufriedenheit Steigerung des Umsatzes Ansatz Eingehende Analyse des historischen Kaufverhaltens Erstellung von Kundenprofilen auf Basis getätigter Käufe Segmentierung der Kunden anhand separierender Eigenschaften Monatliche Modellupdates Ergebnis Konkrete Ansatzpunkte für effizientes Marketing Umsatzsteigerung durch individuell generierte Produkthinweise Recommender Systems zur Ermittlung von Kundenpräferenzen Die Fülle an Wahlmöglichkeiten, die uns bei der Nutzung des Internets begegnen, erfordert Maßnahmen, um Informationen zu filtern und zu priorisieren. Durch die so erreichte effiziente Bereithaltung von Informationen können Endnutzer schneller und besser Entscheidungen treffen. Auch im Online-Handel verlässt man sich schon seit geraumer Zeit auf den Einsatz sogenannter Empfehlungssysteme (engl. recommender systems), die anhand getätigter Produktaufrufe und Käufe einzelner Kunden lernen, neue individuelle Produktvorschläge zu generieren und so der Überinformation entgegenwirken. Neben der aufwendigen Entwicklung eigener rechenintensiver Empfehlungssysteme oder dem Erwerb von Online- Shop-Software mit entsprechender Build-in-Lösung gibt es auch die Möglichkeit, auch schon einfache Empfehlungsregeln über die Analyse des Kundenverhaltens zu ermitteln und in bestehende Vertriebsplattformen zu integrieren. Dabei kann untersucht werden, ob Käufer bestimmte Präferenzen im Kaufverhalten aufweisen, mithilfe derer das Angebot auf der Plattform individuell nach vornehmlich für den Käufer interessanten Produkten sortiert werden kann. Ausgangssituation eines Online-Händlers Für einen Online-Händler im Bereich Automotive, der seinen Kunden bislang sein gesamtes Angebot unstrukturiert zeigte, erstellte mayato anhand von historischen Verkaufsdaten eine Kunden- und Produktsegmentierung. Hierbei wurde das Kaufverhalten genutzt, um Präferenzen zu ermitteln, anhand derer die Kunden gut unterschieden werden können. Das ermöglicht die Zuordnung ähnlicher Produkte an Käufer, die bereits in der Vergangenheit verstärkt diese Produkte kauften. So werden potentielle Käufer
gezielter angesprochen und die Nutzererfahrung wird durch Reduzierung auf relevante Informationen verbessert. Kundensegmentierung und Produktzuweisung Die auf der Online-Plattform aktiven Kunden wurden bezüglich ihres Kaufverhaltens eingehend untersucht, um so Kundenprofile zu generieren, aus denen jeweils die Anzahl getätigter Käufe, mittlerer Warenkorbwert, Anteile von Marken und Produktgruppen sowie weitere Mittelwerte stetiger Produkteigenschaften der bisherigen Käufe ersichtlich werden. Kunden mit einer Mindestanzahl getätigter Käufe wurden daraufhin mit dem kmeans-algorithmus, einem Data Mining-Verfahren des unüberwachten Lernens, über die erstellten Profile geclustert. Die Methode ergab eine besonders gute Separierbarkeit der Kunden anhand der Markenanteile sowie der Anteile von Produktgruppen. Mittels dieser neu gewonnenen Informationen wurde das gesamte Angebot auf der Plattform auf erster Ebene nach Marken und in zweiter Ebene nach Produktgruppen unterteilt. Für größere Produktgruppen wurden weitere Unterteilungen auf Basis stetiger Produkteigenschaften vorgenommen, wobei auch hier die Ermittlung einer optimalen Partitionierung datengetrieben über den kmeans-algorithmus gelang. Die finale Segmentierung ergab rund 30 gut unterscheidbare Produktcluster, zu denen im Folgenden jene Kunden anteilig selektiert wurden, die auf Basis ihres Profils die meisten Käufe in einem Cluster tätigten. Durch die Definition von Anteilsgrenzen war es möglich einem Kunden sowohl eines als auch mehrere Produktsegmente zuzuordnen. Das so entwickelte Modell erlaubt es damit, ein Produkt jenen Kunden gesondert anzubieten, die eine sehr hohe Präferenz dafür aufweisen, und gleichzeitig für dieselben Kunden für sie uninteressante Angebote auszublenden. Durch regelmäßige monatliche Neuberechnung der Clusterzugehörigkeiten werden Verschiebungen in den Präferenzen der Kunden entdeckt und das Modell bleibt stets aktuell.
Produktivsetzung und Erfolge Auf der Vertriebsplattform wurde in einem den Nutzern bekannten Bereich eine Produktliste mithilfe des beschriebenen Modells erstellt und die Kunden in einem Newsletter über diese Neuerung benachrichtigt. In einem A/B-Test konnte nachgewiesen werden, dass Kunden, denen ihr präferenzbasiertes Angebot gezeigt wurde, signifikant mehr Käufe tätigten als Kunden, die eine zufällig generierte Produktliste angezeigt bekamen. Sowohl die richtige Allokation von Produkten zu affinen Käufern als auch die Vermeidung von Überinformation durch ein limitiertes Angebot sind Gründe für den Erfolg des Modells. Außerdem zeigt die erfolgreiche Realisierung dieses Use Cases, dass schon weniger aufwändige und feingranulare, clusterbasierte Ansätze aus dem Machine Learning bereits große Mehrwerte als erste Implementierung eines Recommender Systems liefern können. Über mayato Die mayato GmbH unterstützt Unternehmen, den optimalen Nutzen aus verfügbaren Informationen zu ziehen. Gemeinsam mit seinen Kunden entwirft und realisiert mayato Lösungen für Business Intelligence, Big Data und Analytics für ein breites Spektrum an Anwendungsgebieten und Branchen. Als Teil der Unternehmensgruppe Positive Thinking Company verfügt mayato über ein breites, internationales Netzwerk und ein technologisch und inhaltlich vielfältiges Leistungsportfolio. Von zahlreichen Standorten in Deutschland und Österreich aus arbeitet ein Team von erfahrenen Prozessund Technologieberatern. Diese analysieren und optimieren Ihre fachlichen Prozesse und erarbeiten mit Ihnen die Anforderungen an deren technische Umsetzung. Sie helfen bei der Auswahl der geeigneten Werkzeuge, entwickeln erfolgreiche Strategien und konzipieren bewährte und moderne Architekturen. Natürlich helfen mayato Berater auch bei deren praktischer Umsetzung. Technische Standards und methodische Vorgaben (Governance) ermöglichen sparsame, effektive Projekte und einen effizienten, nachhaltigen Betrieb. Business Analysten und Data Scientists von mayato nutzen diese Lösungen in Ihrem Auftrag für die Ermittlung relevanter Zusammenhänge in unterschiedlichsten Daten sowie für die Prognose zukünftiger Trends und Ereignisse. Sie schaffen überzeugende Business Cases und einen spürbaren monetären Nutzen Ihrer Prozesse und Anwendungen. Ihre Mitarbeiter lernen den Umgang mit modernen Verfahren der Datenanalyse, mit Problemen der Datenqualität und bei der Interpretation und Visualisierung von Ergebnissen. Die Zusammenarbeit mit mayato macht Ihr Unternehmen fit für das Big-Data-Zeitalter. Die mayato GmbH wurde 2007 gegründet. Zu den Kunden von mayato zählen namhafte große und mittelständische Unternehmen aus unterschiedlichen Branchen. Als Partner mehrerer Softwareanbieter ist mayato grundsätzlich der Neutralität und in erster Linie der Qualität seiner eigenen Dienstleistungen verpflichtet. Nähere Infos unter www.mayato.com.
Was wir vorhersagen, soll auch eintreffen! Watch our predictions come true! Kontaktieren Sie uns // mayato GmbH Friedrichstraße 121 10117 Berlin info@mayato.com +49 / 30 7001 4692-0