Empfehlungssysteme
Verstehen, was Ihre Kunden wirklich wollen – und zur richtigen Zeit genau das Richtige anbieten.
Aus Bauchgefühl wird Treffsicherheit – mit Empfehlungen, die wirklich ankommen.
Unternehmensleiter, Vertriebs- und Marketingmanager denken viel darüber nach, wie sie die Einnahme und den Umsatz bei bestehenden Kunden steigern können oder welche Produkte ihre Kunden möglicherweise noch nicht kaufen, obwohl die Kunden diese möglicherweise benötigen. Oder welche Produkte nebeneinander angeboten werden können, um den Umsatz zu erhöhen. Oder wie Sie bei der Einführung eines neuen Produkts den Umsatz steigern können, und zwar zu geringen Kosten, indem Sie die richtigen Kunden und Kundengruppen finden. Ein Empfehlungssystem kann die Arbeit dieses Managers erleichtern und Zeit, Energie und Geld sparen.
Die Wichtigkeit von Empfehlungssystemen
Empfehlungssysteme können Ihnen helfen, höhere Einnahmen und Umsätze zu erzielen, indem sie Ihnen helfen, bisher unbekannte Kundenbedürfnisse und Ähnlichkeiten im Kundenverhalten zu erkennen.
Empfehlungssysteme sind Lösungen mit künstlicher Intelligenz, die dabei helfen, herauszufinden, welche Produkte oder Produkte für bestimmte Kundengruppen von Interesse sein könnten.
Ein anderes Szenario könnte sein, Kunden oder Kundengruppen für ein bestimmtes Produkt oder eine bestimmte Produktgruppe zielgruppenspezifisch zu finden, die nur bei einem ähnlichen Produkt oder einer ähnlichen Produktgruppe gekauft haben. In vielen Fällen würden die Kunden diese Produkte und Produktgruppen nicht auf eigene Faust finden.
Das Schöne daran ist, dass Ihnen jetzt die Technologie zur Verfügung steht, mit der Sie Ihren Umsatz und Ihre Einnahmen mit Empfehlungssystemen steigern können.
Einführung von Empfehlungssysteme auf der technischen Seite
Empfehlungssysteme sind Lösungen der künstlichen Intelligenz, die sowohl klassisches maschinelles Lernen als auch die heute trendigen Deep Learning-Methoden anwenden. Sie werden durch traditionelle Datenspeicherungsmethoden (z. B. Data Warehousing) oder moderne Big Data- und Cloud-Technologien unterstützt.
Die Vielseitigkeit und Nutzbarkeit von Empfehlungssystemen mit den oben beschriebenen technologischen Möglichkeiten zeigt sich darin, dass sie auf die Bedürfnisse jedes Nutzers zugeschnitten werden können, und zwar in Bezug auf die Komplexität oder Einheitlichkeit des Endergebnisses, die Menge, Qualität und Speicherung der verfügbaren Daten sowie den gewünschten Zweck und Nutzwert.
Um zu zeigen, dass Empfehlungssysteme mittlerweile für jedes Unternehmen verfügbar sind, stelle ich zwei Anwendungsmöglichkeiten vor. Die Voraussetzungen, um Ihnen die Vorteile von Empfehlungssystemen zugänglich zu machen, sind in Ihrem Unternehmen wahrscheinlich bereits gegeben.
Zwei mögliche Lösungen auf der technischen Seite
1.
Ein einfacheres Empfehlungssystem
Das hier vorgestellte Anwendungsbeispiel kann eher als erster Schritt auf dem Weg betrachtet werden, bei dem es darum geht, den Einsatz von Empfehlungssystemen zu maximieren. Ziel ist es dabei, mit dem einfachsten Empfehlungssystem und dem geringsten Aufwand eine vorgegebene Aufgabe zu erfüllen, beispielsweise die Steigerung des Umsatzes von Bestandskunden.
Wahrscheinlich hat sie bereits Daten über die bisherigen Verkäufe gesammelt. Diese Verkaufsdaten werden in einer Art CRM-System und/oder einer Datenbank gespeichert. Diese Verkaufsdaten können nach einem Bereinigungs- und Aggregationsschritt bereits in einem Data Warehouse gespeichert sein.
Auf der Grundlage dieser bereinigten und aggregierten Verkaufsdaten kann eine Lösung mit künstlicher Intelligenz erstellt werden, indem die Algorithmen des Maschinellen Lernens optimiert werden, um das gewünschte Ziel zu erreichen.
2.
Ein komplexeres Empfehlungssystem
Die hier vorgestellte Lösung kann eine gute Wahl sein, wenn mehrere, komplexere Probleme mit Empfehlungssystemen, auch parallel, gelöst werden müssen. Dieses Anwendungsbeispiel ermöglicht Ihnen, mit Empfehlungssystemen beste und breiteste Ergebnisse aus den verfügbaren Daten zu erzielen. „Komplexität“ entsteht durch die große Zahl der zu lösenden komplexen Probleme und die große Menge der verfügbaren Daten, für die es Lösungen gibt.
Größere Unternehmen erfassen Informationen über Kunden und Verkäufe aus verschiedenen Systemen, beispielsweise CRM- und ERP-Systemen, Werbeplattformen von Google, Facebook und LinkedIn sowie anderer Software zur Marketing- und Vertriebsautomatisierung. Außerdem werden diese Daten parallel mit traditionellen Technologien (interne Datenbanken und Data Warehouse) und modernen Technologien (Big Data und Cloud) gespeichert. Denn Ziel ist es, sich möglichst detailliert über mehrere parallele Themen zu informieren.
Denn Ziel ist es, aus den oben dargestellten Daten möglichst detaillierte Informationen zu mehreren parallelen Themen zu gewinnen, um die vorgegebenen Ziele zu erreichen. Ziel ist es daher, mehrere unterschiedliche Machine-Learning-Lösungen anzuwenden, ergänzt durch die derzeit trendigen Deep-Learning-Lösungen.
Arten von Empfehlungssystemen
Es gibt vier grundlegende Arten von Empfehlungssystemen. Für jede Situation oder Problemstellung ist ein anderer Typ eines zielgruppenspezifischen Empfehlungssystems am besten geeignet. Dies sind die folgenden:
Kollaboratives Filtern
Inhaltsbasierte Filterung
Hybride Empfehlungssysteme
Kontextfilterung
1.
Kollaboratives Filtern
Die Methode des kollaborativen Filterns basiert auf Informationen über ähnliches Benutzerverhalten und priorisiert Produkte und Dienste. Ziel ist es, Kunden zu finden, die sich ähnlich verhalten, die Produkte und Dienstleistungen auf ähnliche Weise priorisieren und kaufen.
Wenn wir dieses Verhaltensmuster in jeder Gruppe finden, ist es einfacher, auf zukünftiges Verhalten zu schließen. Nehmen wir beispielsweise eine Kundengruppe an, in der jeder die Produkte „A001“, „A002“ und „A005“ gekauft hat und viele Personen in dieser Gruppe das Produkt „A007“ gekauft haben. Dann ist davon auszugehen, dass diejenigen Mitglieder der Gruppe, die das Produkt „A007“ noch nicht gekauft haben, an diesem Produkt interessiert sein könnten und es gerne kaufen würden.
2.
Inhaltsbasierte Filterung
Bei der inhaltsbasierten Filterung berücksichtigen wir die Beziehung zwischen zwei wichtigen Faktoren: einerseits die Eigenschaften und Merkmale der jeweiligen Produkte oder Dienstleistungen und andererseits die „Liste der Produkt- und Dienstleistungsmerkmale und -Eigenschaften“, die dem jeweiligen Kunden gefallen und die er zu kaufen bereit ist.
So kann beispielsweise für jeden Kunden ermittelt werden, welche Eigenschaften und Merkmale von Produkten er zu kaufen bereit ist. Der Beispielhaftigkeit halber nennen wir die Eigenschaften von Produkten und Dienstleistungen „Eigenschaft-1“, „Eigenschaft-2“ … „Eigenschaft-9“. Wir wählen auch einen Kunden aus, nennen wir ihn „Kunde 54012“, und dieser Kunde kauft gerne Produkte und Dienstleistungen mit „Eigenschaft 1“, „Eigenschaft 3“, „Eigenschaft 4“, „Eigenschaft 7“. In diesem Fall kann diesem Kunden jedes Produkt erfolgreich empfohlen werden, das über die oben genannten Eigenschaften verfügt.
Diese Methode kann auch verwendet werden, wenn wir ein neues Produkt auf den Markt bringen und schnell und einfach Kunden für dieses neue Produkt finden möchten. Beispielsweise verfügt das neue Produkt über „Feature-2“, „Feature-4“, „Feature-5“, „Feature-9“ und es ist bekannt, welchen Kunden die oben genannten Features gefallen. Dann können wir schnell die ersten potenziellen Kunden finden.
3.
Hybride Empfehlungs­systeme
Das hybride Empfehlungssystem ist eine komplexere Lösung, die die beiden bisher vorgestellten Methoden berücksichtigt und zu einer finalen besseren und spezifischeren Lösung integriert.
4.
Kontextfilterung
Diese Lösung berücksichtigt nicht nur, welche Produkte der Kunde ausgewählt hat, sondern auch in welcher Reihenfolge. Dabei wird die Kundenhistorie vor jedem Kauf berücksichtigt.
Die Kaufhistorie kann Zeit, Ort, Methode, Reihenfolge der Käufe und weitere Umstände berücksichtigen, wodurch in der
jeweiligen Situation noch bessere Empfehlungen gegeben werden können.
Warum Empfehlungssysteme wichtig sind:
Empfehlungssysteme sind längst mehr als ein Nice-to-have – sie sind ein strategisches Instrument, um Kunden besser zu verstehen, individuelle Erlebnisse zu schaffen und gezielt Umsatzpotenziale zu nutzen. Ob Sie klein anfangen oder komplexe Lösungen umsetzen möchten: Die technischen Möglichkeiten sind da – und oft liegen die notwendigen Daten bereits vor.
In diesem Beitrag haben wir aufgezeigt, wie Empfehlungssysteme funktionieren, welche technologischen Grundlagen sie nutzen und welche konkreten Anwendungsbeispiele es gibt – vom einfachen Einstieg bis hin zu anspruchsvollen, datengetriebenen Lösungen. Außerdem haben wir die wichtigsten Arten von Empfehlungssystemen vorgestellt, die je nach Zielsetzung eingesetzt werden können.
Sie haben Fragen oder möchten tiefer einsteigen?
Dann freuen wir uns über den Austausch.
Wir helfen gerne weiter.
Ihre Ansprechpartnerin
Laura Hincenberga
Multivariata Gründerin & Projektmanagerin
Das könnte Sie auch interessieren:
Einführung in die Künstliche Intelligenz für Business Reporting & Forecasting
Die wichtigsten Grundlagen für datengetriebenes Reporting und präzise Geschäftsprognosen
A/B Testguide für Marketing & Sales
Viele A/B-Tests werden falsch bewertet – weil man sich nur auf absolute Zahlen verlässt. Doch echte Optimierung braucht statistische Aussagekraft.
Moderne Controlling-Systeme: Schlüssel zur datengetriebenen Unternehmenssteuerung
Durch automatisierte Analysen, Echtzeit-Reporting und prädiktive Modelle optimieren sie Entscheidungsprozesse, steigern die Effizienz und sichern langfristigen Geschäftserfolg.