Online-Shops müssen ihr Angebot ständig an die Bedürfnisse und Vorlieben der Kunden anpassen, um die Konversionsraten und den Warenkorbwert zu erhöhen.
Im Folgenden werden wir Schritt für Schritt ein hypothetisches Projekt zur Implementierung eines fortschrittlichen Empfehlungssystems in einem Elektronikmarkt erörtern, das die Verkaufszahlen und das Einkaufserlebnis der Kunden erheblich verbessern könnte.
Problembeschreibung und Zielsetzung des Projekts
Business-Kontext
Ein auf Elektronik (Laptops, Smartphones, Fernseher und Zubehör) spezialisiertes Online-Geschäft stellte fest, dass viele Kunden die Website verließen, ohne einen Kauf zu tätigen. Trotz einer breiten Produktpalette hatten die Nutzer Schwierigkeiten, Artikel zu finden, die ihren Bedürfnissen entsprachen. Infolgedessen waren die Konversionsraten und der durchschnittliche Warenkorbwert niedriger als erwartet, was sich negativ auf den Umsatz und die Rentabilität des Shops auswirkte.
Ziele des Projekts
Das Projekt zielte darauf ab, ein fortschrittliches Empfehlungssystem zu entwickeln und zu implementieren:
- Personalisieren Sie die Produktlisten auf Kategorieseiten, um Produkte zu präsentieren, die den Vorlieben und dem Surfverhalten der Nutzer am besten entsprechen.
- Einführung von Produktempfehlungen auf Haupt- und Unterseiten, die Artikel auf der Grundlage früherer Käufe und des Website-Verhaltens vorschlagen.
- Segmentieren Sie Nutzer nach ihrem Einkaufsverhalten und ihren Vorlieben, um gezieltere Angebote und Marketingkampagnen zu ermöglichen.
Erwartete Ergebnisse:
- Steigerung der Konversionsrate um 15% innerhalb der ersten 6 Monate.
- Erhöhen Sie den durchschnittlichen Warenkorbwert um 10%.
- Verbesserung des gesamten Einkaufserlebnisses der Kunden, was zu einer größeren Loyalität und häufigeren Wiederkehr in das Geschäft führt.
Vorbereitung der Daten
Datenquellen
Das Projekt nutzte verschiedene Datenquellen, die für die erfolgreiche Implementierung des Empfehlungssystems entscheidend sind:
- Kaufhistorie
Eine CSV‑Datei, die die Kaufhistorie der Nutzer über einen Zeitraum von zwei Jahren enthält. Die Daten enthielten Produktinformationen, Kaufdaten, Preise und Produktkategorien. - Produkt Zuführung
Ein regelmäßig aktualisierter Produkt-Feed aus der API des Shops, der detaillierte Informationen über die verfügbaren Produkte enthält (Namen, Beschreibungen, Preise, Verfügbarkeit, technische Eigenschaften und Kategorien). - Eventserver
Der Eventserver sammelte Daten aus dem Online-Shop und speicherte sie in einer speziellen Datenbank. Zu den erfassten Ereignissen gehörten Produktaufrufe (etwa 100 Millionen Datensätze), Klicks (etwa 1 Million Datensätze), Hinzufügungen zum Warenkorb und Käufe (etwa 100 Tausend Datensätze).
Qualität der Daten
Um die Datenqualität zu gewährleisten, wurden Maßnahmen ergriffen:
- Vollständigkeit der Daten: Integration und Normalisierung von Daten aus verschiedenen Quellen (CSV, API, Eventserver).
- Bereinigung von Daten: Entfernen von Duplikaten, Ergänzen von fehlenden Werten und Korrigieren von Fehlern.
Datenaufbereitung und -verarbeitung
Vor der Entwicklung des Empfehlungssystems wurden mehrere Maßnahmen ergriffen, um wertvolle Geschäftserkenntnisse zu gewinnen:
- Datenintegration: Daten aus verschiedenen Quellen wurden in ein einheitliches Verarbeitungssystem integriert, das die Kombination von Produktinformationen mit der Kaufhistorie und dem Nutzerverhalten ermöglicht.
- Benutzer-Segmentierung: Die Nutzer wurden auf der Grundlage ihres Einkaufsverhaltens und ihrer Vorlieben (z. B. Technikbegeisterte, Schnäppchenjäger, Premium-Kunden) Segmenten zugewiesen.
- Verhaltensanalyse: Die gesammelten Daten ermöglichten die Analyse des Nutzerverhaltens auf der Website, die Identifizierung der am häufigsten angesehenen und gekauften Produkte und die Bestimmung des Kaufverhaltens.
Umsetzung und Integration
Technologien und Werkzeuge
Bei der Implementierung des Empfehlungssystems wurden verschiedene Modelle und Technologien der künstlichen Intelligenz eingesetzt:
- Einbettungen mit OpenAI: Umwandlung von Produktbeschreibungen und Nutzerbewertungen in ein numerisches Format.
- XGBoost: Ein Prognosemodell zur Bestimmung der Produkte, die am wahrscheinlichsten gekauft werden.
- SHAP: Ein Tool zur Interpretation von Modellergebnissen, das hilft zu verstehen, welche Nutzereigenschaften die Entscheidungen des Empfehlungsmodells am meisten beeinflussen.
Integration in bestehende Systeme:
- Integration der E‑Commerce-Plattform: Das Empfehlungssystem wurde direkt in die E‑Commerce-Plattform des Ladens, AtomStore, integriert und ermöglicht die Anzeige von Empfehlungen in Echtzeit.
- API: Ermöglicht den dynamischen Abruf von Produkt- und Benutzerdaten und das Senden von generierten Empfehlungen an das Frontend des Shops.
- Ereignisserver: Sammeln von Daten über Nutzeraktivitäten, um die kontinuierliche Aktualisierung der Empfehlungsmodelle zu gewährleisten.
Erreichte Ergebnisse
Nachdem das System implementiert war, wurden A/B‑Tests durchgeführt. Das Empfehlungssystem lieferte seine Ergebnisse für 50% zufällig ausgewählte Nutzer, während der Rest die übliche Produktreihenfolge (nach Beliebtheit) erhielt. Dies ermöglichte eine genaue Messung der Qualität des Modells.
- Anstieg des durchschnittlichen Warenkorbwerts
Dank der empfohlenen Upsells stieg der durchschnittliche Warenkorbwert um 4%. Der Vergleich wurde im Rahmen eines zweiwöchigen A/B‑Tests durchgeführt. Unter der Annahme, dass der durchschnittliche Warenkorbwert vor der Implementierung 500 PLN betrug und es 10.000 Käufe pro Monat gab, belief sich der monatliche Gewinn aus dieser Steigerung auf 200.000 PLN. - Zunahme der CR auf der Website
Die Nutzer erhielten mehr maßgeschneiderte Produktvorschläge, was dazu führte, dass sie die Website seltener verließen und häufiger einkauften. Die Konversionsrate (CR) stieg um 4%, was zu 800 zusätzlichen monatlichen Konversionen und einem Gewinn von 416.000 PLN führte.
Kosten und Ressourcen
Die Hauptkosten des Projekts waren die Löhne des Entwicklungsteams.
Personalwesen
- Datenwissenschaftler: Drei Data Scientists mit Gesamtkosten für das Team von 300.000 PLN.
- Projektleiter: PM in Teilzeit, in den Gesamtkosten des Teams enthalten.
Projektdauer: 2 Monate.
Infrastrukturkosten
Da das gesamte System in der Cloud implementiert wurde, fielen zusätzliche Kosten an:
- AWS EC2‑Instanzen: Kosten für das Schulungsmodell (2500 PLN) und die Bereitstellung (450 PLN).
- S3‑Speicher: Kosten für die Datenspeicherung (360 PLN).
- Amazon RDS: Kosten für die Speicherung der Datenbank (560 PLN).
Gesamtkosten des Projekts: 303.870 PLN.
So hat sich die Investition bereits zwei Wochen nach der Einführung der Lösung ausgezahlt.
Überwachung und Optimierung
Nach der Implementierung des maschinellen Lernmodells war es wichtig, seine Leistung zu überwachen und die notwendigen Anpassungen vorzunehmen.
Die Überwachung wurde mit Amazon CloudWatch durchgeführt. Aufgrund der Einführung neuer Produkte und sich ändernder Benutzerpräferenzen wurde ein automatisches wöchentliches Modelltraining eingeführt. Außerdem wurde ein Warnsystem eingeführt, um Anomalien zu melden.
Rückkopplungsschleife
Für jedes empfohlene Produkt konnten die Nutzer einen Daumen hoch oder runter klicken, um die Qualität der Empfehlung zu bewerten. Dies lieferte eine zusätzliche Informationsquelle, die für die Nachschulung des KI‑Modells nützlich war.
Schlussfolgerung
Die hypothetische Implementierung eines fortschrittlichen Empfehlungssystems in einem Elektronikmarkt war ein wichtiger Schritt zur Verbesserung des Einkaufserlebnisses der Kunden und zur Steigerung der Verkaufseffizienz.
Durch die Personalisierung des Produktangebots auf der Grundlage der Nutzerpräferenzen wurden spürbare Verbesserungen bei den Konversionsraten und dem durchschnittlichen Warenkorbwert erzielt.
Das Projekt erforderte die Integration von Daten aus verschiedenen Quellen und die Anwendung fortschrittlicher Technologien des maschinellen Lernens, wie XGBoost, die eine effektive Verarbeitung und Analyse großer Datenmengen und die Erstellung präziser Produktempfehlungen in Echtzeit ermöglichten.
