Die Zukunft von KI im eCommerce

Ob aktuell im Kino mit „The Creator“, beim Onlineshoppen oder bei der Arbeit: KI ist aus unserem Alltag nicht mehr wegzudenken. Wie die Zukunft von KI im eCommerce aussieht, erfahren Sie in unserem aktuellen Beitrag.

Der Wert eines Kunden über seine gesamte Lebensdauer

Der Wert eines Kunden über seine gesamte Lebensdauer, auch bekannt als Customer Lifetime Value (CLV), ist ein zukunftsorientierter Kundenwert. Dieser Wert wird durch den Einsatz von Künstlicher Intelligenz und maschinellem Lernen berechnet. Dabei werden unter anderem Datensätze aus der Vergangenheit, wie die Kaufhistorie, herangezogen. Der langfristige Kundenwert war früher umstritten, weil es schwierig war, zuverlässige Prognosen zu machen. Heute sind die Methoden jedoch so fortgeschritten, dass sie wertvolle Einblicke liefern können. Im eCommerce wird der CLV oft für die strategische Segmentierung und Marketingsteuerung verwendet. Fragen wie:

• Wie verhalten sich die wertvollsten Kunden?
• Welches Angebot oder welchen Rabatt bekommt welcher Kunde?
• Welches Werbemittel wird verwendet?

können mit dem langfristigen Kundenwert gut beantwortet werden und helfen dabei, Kundensegmente gezielt zu fördern. Der CLV ist eine sehr wichtige Kennzahl für jedes eCommerce-Unternehmen, weil er dabei hilft, Marketingbudgets effektiv einzusetzen und mehr Umsatz zu erzielen.

Wie künstliche Intelligenz im eCommerce die Kaufabsicht ermittelt

Die Propensity-Modellierung (von englisch „propensity“: Neigung, Tendenz) ist ein neuer Begriff im Marketing, der die Neigung eines Users oder Kunden beschreibt, eine bestimmte Aktion durchzuführen, wie z.B. einen Kauf, einen Warenkorbabbruch oder eine Newsletter-Anmeldung. Die Anwendungsmöglichkeiten sind vielfältig. Oft spricht man bei dieser Art der Modellierung auch von Affinitätsmodellen – wie hoch ist die Affinität einer Person oder eines Kunden, etwas in der Zukunft zu tun? Der wesentliche Unterschied zu einfachen Produktempfehlungssystemen ist hier, dass der Zeitpunkt für die Vorhersage eine wichtige Rolle spielt. Ein Empfehlungssystem ist aber meist nicht darauf ausgelegt, eine Vorhersage der Kundenbedürfnisse für einen festgelegten Zeitraum zu machen. Es liefert eher eine Reihenfolge der relevanten Produkte. Ein Affinitätsmodell oder ein Propensity-Modell kann hingegen vorhersagen, wie hoch die Neigung eines einzelnen Kunden ist, ein bestimmtes Produkt z.B. innerhalb des nächsten Monats zu kaufen.

Wie künstliche Intelligenz im eCommerce die Kundenabwanderung vorhersagt

Die Kundenabwanderung, auch „Churn“ genannt, ist das Phänomen, dass Kunden ein Unternehmen verlassen. Dies kann aktiv geschehen, z.B. durch eine Vertragskündigung, oder passiv, z.B. durch ausbleibende Bestellungen. Die Churn Prediction ist eine Anwendung von künstlicher Intelligenz im eCommerce, die die Wahrscheinlichkeit von Kündigungen oder Abwanderungen ihrer Kunden prognostiziert. Sie können dann rechtzeitig, proaktiv und personalisiert handeln, um die Kundenabwanderung zu vermeiden. Da die Gewinnung eines Neukunden aus betriebswirtschaftlicher Sicht viel teurer ist als der Verkauf an einen Bestandskunden, ist es für Unternehmen wichtig, die Abwanderung und die Gründe dafür vorhersagen zu können. Im eCommerce, wo es oft keine Verträge gibt, die von den Kunden gekündigt werden könnten, ist die Churn Prediction besonders relevant. Die Transaktionsdaten sind eine wichtige Datenquelle für die KI, um das Kundenverhalten zu verstehen und so auch die Abwanderung vorherzusagen. Die eCommerce-Unternehmen können dann z.B. durch frühzeitige Aktivierungskampagnen mit passenden Angeboten und Gutscheinen reagieren, um eine Abwanderung zu verhindern.

Wie künstliche Intelligenz im eCommerce individuelle Produktempfehlungen erstellt

Wir alle kennen personalisierte Produktempfehlungen, oder? Amazon, Netflix, Spotify – all diese Unternehmen investieren viel Geld in die Entwicklung ihrer Empfehlungssysteme. Auch deutsche Unternehmen wie Zalando und AboutYou nutzen sie erfolgreich. Doch wie werden personalisierte Produktempfehlungen berechnet? Um die passenden Produkte aus oft tausenden Möglichkeiten für die Kunden zu finden, müssen große Mengen von Daten gesammelt und in Algorithmen verarbeitet werden. Früher waren es einfache Systeme, die nur Interaktionen wie Klicks oder Käufe berücksichtigt haben, inzwischen sind die Empfehlungssysteme (Englisch: Recommender Systems) deutlich fortgeschrittener. Die heutigen Systeme, die auf Deep Learning basieren, nutzen neben den Interaktionen auch weitere Daten wie Kundeninformationen oder Produktbeschreibungen. Je nach Geschäftsmodell müssen diese Systeme angepasst werden.

Wie künstliche Intelligenz im eCommerce die nächste Warenkorbgröße prognostiziert

Wissen Sie, wie sich jeder einzelne Kunde entwickelt? Und wie groß der Warenkorb beim nächsten Einkauf sein wird? Oft versuchen Unternehmen, den Kunden zu früh und zu aggressiv zu höherwertigen Produkten zu bewegen, was zu unpassenden Angeboten führen kann. Durch den Einsatz von KI kann man diesen Fehler vermeiden. Wie wir bereits gesehen haben, können wir mit einem Empfehlungssystem oder einem Affinitätsmodell ermitteln, was der Kunde als Nächstes kauft. Mit diesen Informationen und der Kaufhistorie des Kunden können wir mit KI auch Vorhersagen über die Menge und die Preise der zukünftigen Käufe machen.

Fazit

Die Analysen von großen Datenmengen und kundenindividuelle Prognosen erlauben es den Unternehmen schon heute, selbstständig ihre Kundenbasis mit all ihren unterschiedlichen Wünschen und Erwartungen erfolgreich mit Kampagnen und Produkten bedienen zu können. Gerade in Zeiten von grundsätzlich niedriger Kundenloyalität kann künstliche Intelligenz im eCommerce – von der Modellierung der Kaufabsicht bis hin zum personalisierten und retourenoptimierten Einkaufserlebnis eingesetzt – die Kundenzufriedenheit steigern und dem Unternehmen eine nachhaltigere Profitabilität sichern.