{"id":1873,"date":"2024-07-30T13:47:54","date_gmt":"2024-07-30T11:47:54","guid":{"rendered":"https:\/\/cogita.ai\/?p=1873"},"modified":"2026-02-25T17:27:07","modified_gmt":"2026-02-25T16:27:07","slug":"how-an-advanced-recommendation-system-revolutionized-sales-in-an-electronics-store","status":"publish","type":"post","link":"https:\/\/cogita.ai\/de\/how-an-advanced-recommendation-system-revolutionized-sales-in-an-electronics-store\/","title":{"rendered":"Wie ein fortschrittliches Empfehlungssystem den Verkauf in einem Elektronikgesch\u00e4ft revolutionierte"},"content":{"rendered":"

Online-Shops m\u00fcssen ihr Angebot st\u00e4ndig an die Bed\u00fcrfnisse und Vorlieben der Kunden anpassen, um die Konversionsraten und den Warenkorbwert zu erh\u00f6hen.<\/p>\n\n\n\n

Im Folgenden werden wir Schritt f\u00fcr Schritt ein hypothetisches Projekt zur Implementierung eines fortschrittlichen Empfehlungssystems in einem Elektronikmarkt er\u00f6rtern, das die Verkaufszahlen und das Einkaufserlebnis der Kunden erheblich verbessern k\u00f6nnte.<\/p>\n\n\n\n

Problembeschreibung und Zielsetzung des Projekts<\/h2>\n\n\n\n

Business-Kontext<\/h3>\n\n\n\n

Ein auf Elektronik (Laptops, Smartphones, Fernseher und Zubeh\u00f6r) spezialisiertes Online-Gesch\u00e4ft stellte fest, dass viele Kunden die Website verlie\u00dfen, ohne einen Kauf zu t\u00e4tigen. Trotz einer breiten Produktpalette hatten die Nutzer Schwierigkeiten, Artikel zu finden, die ihren Bed\u00fcrfnissen entsprachen. Infolgedessen waren die Konversionsraten und der durchschnittliche Warenkorbwert niedriger als erwartet, was sich negativ auf den Umsatz und die Rentabilit\u00e4t des Shops auswirkte.<\/p>\n\n\n\n

Ziele des Projekts<\/h3>\n\n\n\n

Das Projekt zielte darauf ab, ein fortschrittliches Empfehlungssystem zu entwickeln und zu implementieren:<\/p>\n\n\n\n

    \n
  1. Personalisieren Sie die Produktlisten auf Kategorieseiten, um Produkte zu pr\u00e4sentieren, die den Vorlieben und dem Surfverhalten der Nutzer am besten entsprechen.<\/li>\n\n\n\n
  2. Einf\u00fchrung von Produktempfehlungen auf Haupt- und Unterseiten, die Artikel auf der Grundlage fr\u00fcherer K\u00e4ufe und des Website-Verhaltens vorschlagen.<\/li>\n\n\n\n
  3. Segmentieren Sie Nutzer nach ihrem Einkaufsverhalten und ihren Vorlieben, um gezieltere Angebote und Marketingkampagnen zu erm\u00f6glichen.<\/li>\n<\/ol>\n\n\n\n

    Erwartete Ergebnisse:<\/h3>\n\n\n\n
      \n
    • Steigerung der Konversionsrate um 15% innerhalb der ersten 6 Monate.<\/li>\n\n\n\n
    • Erh\u00f6hen Sie den durchschnittlichen Warenkorbwert um 10%.<\/li>\n\n\n\n
    • Verbesserung des gesamten Einkaufserlebnisses der Kunden, was zu einer gr\u00f6\u00dferen Loyalit\u00e4t und h\u00e4ufigeren Wiederkehr in das Gesch\u00e4ft f\u00fchrt.<\/li>\n<\/ul>\n\n\n\n

      Vorbereitung der Daten<\/h2>\n\n\n\n

      Datenquellen<\/h3>\n\n\n\n

      Das Projekt nutzte verschiedene Datenquellen, die f\u00fcr die erfolgreiche Implementierung des Empfehlungssystems entscheidend sind:<\/p>\n\n\n\n

        \n
      1. Kaufhistorie<\/strong>
        Eine CSV‑Datei, die die Kaufhistorie der Nutzer \u00fcber einen Zeitraum von zwei Jahren enth\u00e4lt. Die Daten enthielten Produktinformationen, Kaufdaten, Preise und Produktkategorien.<\/li>\n\n\n\n
      2. Produkt Zuf\u00fchrung<\/strong>
        Ein regelm\u00e4\u00dfig aktualisierter Produkt-Feed aus der API des Shops, der detaillierte Informationen \u00fcber die verf\u00fcgbaren Produkte enth\u00e4lt (Namen, Beschreibungen, Preise, Verf\u00fcgbarkeit, technische Eigenschaften und Kategorien).<\/li>\n\n\n\n
      3. Eventserver<\/strong>
        Der Eventserver sammelte Daten aus dem Online-Shop und speicherte sie in einer speziellen Datenbank. Zu den erfassten Ereignissen geh\u00f6rten Produktaufrufe (etwa 100 Millionen Datens\u00e4tze), Klicks (etwa 1 Million Datens\u00e4tze), Hinzuf\u00fcgungen zum Warenkorb und K\u00e4ufe (etwa 100 Tausend Datens\u00e4tze).<\/li>\n<\/ol>\n\n\n\n

        Qualit\u00e4t der Daten<\/h3>\n\n\n\n

        Um die Datenqualit\u00e4t zu gew\u00e4hrleisten, wurden Ma\u00dfnahmen ergriffen:<\/p>\n\n\n\n

          \n
        • Vollst\u00e4ndigkeit der Daten:<\/strong> Integration und Normalisierung von Daten aus verschiedenen Quellen (CSV, API, Eventserver).<\/li>\n\n\n\n
        • Bereinigung von Daten:<\/strong> Entfernen von Duplikaten, Erg\u00e4nzen von fehlenden Werten und Korrigieren von Fehlern.<\/li>\n<\/ul>\n\n\n\n

          Datenaufbereitung und -verarbeitung<\/strong>
          Vor der Entwicklung des Empfehlungssystems wurden mehrere Ma\u00dfnahmen ergriffen, um wertvolle Gesch\u00e4ftserkenntnisse zu gewinnen:<\/p>\n\n\n\n

            \n
          • Datenintegration:<\/strong> Daten aus verschiedenen Quellen wurden in ein einheitliches Verarbeitungssystem integriert, das die Kombination von Produktinformationen mit der Kaufhistorie und dem Nutzerverhalten erm\u00f6glicht.<\/li>\n\n\n\n
          • Benutzer-Segmentierung:<\/strong> Die Nutzer wurden auf der Grundlage ihres Einkaufsverhaltens und ihrer Vorlieben (z. B. Technikbegeisterte, Schn\u00e4ppchenj\u00e4ger, Premium-Kunden) Segmenten zugewiesen.<\/li>\n\n\n\n
          • Verhaltensanalyse:<\/strong> Die gesammelten Daten erm\u00f6glichten die Analyse des Nutzerverhaltens auf der Website, die Identifizierung der am h\u00e4ufigsten angesehenen und gekauften Produkte und die Bestimmung des Kaufverhaltens.<\/li>\n<\/ul>\n\n\n\n

            Umsetzung und Integration<\/h2>\n\n\n\n

            Technologien und Werkzeuge<\/h3>\n\n\n\n

            Bei der Implementierung des Empfehlungssystems wurden verschiedene Modelle und Technologien der k\u00fcnstlichen Intelligenz eingesetzt:<\/p>\n\n\n\n

              \n
            1. Einbettungen mit OpenAI:<\/strong> Umwandlung von Produktbeschreibungen und Nutzerbewertungen in ein numerisches Format.<\/li>\n\n\n\n
            2. XGBoost:<\/strong> Ein Prognosemodell zur Bestimmung der Produkte, die am wahrscheinlichsten gekauft werden.<\/li>\n<\/ol>\n\n\n\n
              \"\"<\/figure>\n\n\n\n
                \n
              1. SHAP:<\/strong> Ein Tool zur Interpretation von Modellergebnissen, das hilft zu verstehen, welche Nutzereigenschaften die Entscheidungen des Empfehlungsmodells am meisten beeinflussen.<\/li>\n<\/ol>\n\n\n\n

                Integration in bestehende Systeme:<\/h3>\n\n\n\n
                  \n
                • Integration der E‑Commerce-Plattform:<\/strong> Das Empfehlungssystem wurde direkt in die E‑Commerce-Plattform des Ladens, AtomStore, integriert und erm\u00f6glicht die Anzeige von Empfehlungen in Echtzeit.<\/li>\n\n\n\n
                • API:<\/strong> Erm\u00f6glicht den dynamischen Abruf von Produkt- und Benutzerdaten und das Senden von generierten Empfehlungen an das Frontend des Shops.<\/li>\n\n\n\n
                • Ereignisserver:<\/strong> Sammeln von Daten \u00fcber Nutzeraktivit\u00e4ten, um die kontinuierliche Aktualisierung der Empfehlungsmodelle zu gew\u00e4hrleisten.<\/li>\n<\/ul>\n\n\n\n

                  Erreichte Ergebnisse<\/h3>\n\n\n\n

                  Nachdem das System implementiert war, wurden A\/B‑Tests durchgef\u00fchrt. Das Empfehlungssystem lieferte seine Ergebnisse f\u00fcr 50% zuf\u00e4llig ausgew\u00e4hlte Nutzer, w\u00e4hrend der Rest die \u00fcbliche Produktreihenfolge (nach Beliebtheit) erhielt. Dies erm\u00f6glichte eine genaue Messung der Qualit\u00e4t des Modells.<\/p>\n\n\n\n

                    \n
                  1. Anstieg des durchschnittlichen Warenkorbwerts<\/strong>
                    Dank der empfohlenen Upsells stieg der durchschnittliche Warenkorbwert um 4%. Der Vergleich wurde im Rahmen eines zweiw\u00f6chigen A\/B‑Tests durchgef\u00fchrt. Unter der Annahme, dass der durchschnittliche Warenkorbwert vor der Implementierung 500 PLN betrug und es 10.000 K\u00e4ufe pro Monat gab, belief sich der monatliche Gewinn aus dieser Steigerung auf 200.000 PLN.<\/li>\n\n\n\n
                  2. Zunahme der CR auf der Website<\/strong>
                    Die Nutzer erhielten mehr ma\u00dfgeschneiderte Produktvorschl\u00e4ge, was dazu f\u00fchrte, dass sie die Website seltener verlie\u00dfen und h\u00e4ufiger einkauften. Die Konversionsrate (CR) stieg um 4%, was zu 800 zus\u00e4tzlichen monatlichen Konversionen und einem Gewinn von 416.000 PLN f\u00fchrte.<\/li>\n<\/ol>\n\n\n\n

                    Kosten und Ressourcen<\/h3>\n\n\n\n

                    Die Hauptkosten des Projekts waren die L\u00f6hne des Entwicklungsteams.<\/p>\n\n\n\n

                    Personalwesen<\/h3>\n\n\n\n
                      \n
                    • Datenwissenschaftler:<\/strong> Drei Data Scientists mit Gesamtkosten f\u00fcr das Team von 300.000 PLN.<\/li>\n\n\n\n
                    • Projektleiter:<\/strong> PM in Teilzeit, in den Gesamtkosten des Teams enthalten.<\/li>\n<\/ul>\n\n\n\n

                      Projektdauer:<\/strong> 2 Monate.<\/p>\n\n\n\n

                      Infrastrukturkosten<\/h3>\n\n\n\n

                      Da das gesamte System in der Cloud implementiert wurde, fielen zus\u00e4tzliche Kosten an:<\/p>\n\n\n\n

                        \n
                      • AWS EC2‑Instanzen:<\/strong> Kosten f\u00fcr das Schulungsmodell (2500 PLN) und die Bereitstellung (450 PLN).<\/li>\n\n\n\n
                      • S3‑Speicher:<\/strong> Kosten f\u00fcr die Datenspeicherung (360 PLN).<\/li>\n\n\n\n
                      • Amazon RDS:<\/strong> Kosten f\u00fcr die Speicherung der Datenbank (560 PLN).<\/li>\n<\/ul>\n\n\n\n

                        Gesamtkosten des Projekts:<\/strong> 303.870 PLN.<\/p>\n\n\n\n

                        So hat sich die Investition bereits zwei Wochen nach der Einf\u00fchrung der L\u00f6sung ausgezahlt.<\/p>\n\n\n\n

                        \u00dcberwachung und Optimierung<\/h3>\n\n\n\n

                        Nach der Implementierung des maschinellen Lernmodells war es wichtig, seine Leistung zu \u00fcberwachen und die notwendigen Anpassungen vorzunehmen.<\/p>\n\n\n\n

                        Die \u00dcberwachung wurde mit Amazon CloudWatch durchgef\u00fchrt. Aufgrund der Einf\u00fchrung neuer Produkte und sich \u00e4ndernder Benutzerpr\u00e4ferenzen wurde ein automatisches w\u00f6chentliches Modelltraining eingef\u00fchrt. Au\u00dferdem wurde ein Warnsystem eingef\u00fchrt, um Anomalien zu melden.<\/p>\n\n\n\n

                        R\u00fcckkopplungsschleife<\/h3>\n\n\n\n

                        F\u00fcr jedes empfohlene Produkt konnten die Nutzer einen Daumen hoch oder runter klicken, um die Qualit\u00e4t der Empfehlung zu bewerten. Dies lieferte eine zus\u00e4tzliche Informationsquelle, die f\u00fcr die Nachschulung des KI‑Modells n\u00fctzlich war.<\/p>\n\n\n\n

                        Schlussfolgerung<\/h3>\n\n\n\n

                        Die hypothetische Implementierung eines fortschrittlichen Empfehlungssystems in einem Elektronikmarkt war ein wichtiger Schritt zur Verbesserung des Einkaufserlebnisses der Kunden und zur Steigerung der Verkaufseffizienz.<\/p>\n\n\n\n

                        Durch die Personalisierung des Produktangebots auf der Grundlage der Nutzerpr\u00e4ferenzen wurden sp\u00fcrbare Verbesserungen bei den Konversionsraten und dem durchschnittlichen Warenkorbwert erzielt.<\/p>\n\n\n\n

                        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 gro\u00dfer Datenmengen und die Erstellung pr\u00e4ziser Produktempfehlungen in Echtzeit erm\u00f6glichten.<\/p>","protected":false},"excerpt":{"rendered":"

                        In der heutigen Zeit spielt der E‑Commerce eine entscheidende Rolle im Einzelhandel, und die Personalisierung ist der Schl\u00fcssel zum Erfolg.<\/p>","protected":false},"author":1,"featured_media":1867,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-1873","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-category"],"acf":[],"_links":{"self":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/posts\/1873","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/comments?post=1873"}],"version-history":[{"count":6,"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/posts\/1873\/revisions"}],"predecessor-version":[{"id":2249,"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/posts\/1873\/revisions\/2249"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/media\/1867"}],"wp:attachment":[{"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/media?parent=1873"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/categories?post=1873"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cogita.ai\/de\/wp-json\/wp\/v2\/tags?post=1873"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}