Inhalte und Kaufempfehlungen müssen optimal auf den jeweiligen Kunden zugeschnitten sein. Nur dann steigt die Wahrscheinlichkeit dafür, dass die Besucher des Shops oder die Leser eines Newsletters auch Produkte in den Warenkorb legen. Dafür braucht es eine möglichst vielseitige Lösung für die Personalisierung.
Branchengrößen wie Thalia haben schon lange erkannt, wie groß der Wert eines flexiblen Systems für Personalisierung und Produktempfehlungen ist. Einmal richtig konfiguriert, lohnt sich der Einsatz durch deutliche Umsatzsteigerungen. Einige Shopsysteme haben entsprechende Funktionen bereits integriert. Deren Leistungsumfang reicht aber in der Regel nicht über die Anzeige von Produkten hinaus, die auch von anderen Kunden erworben wurden. Speziallösungen, sogenannte Empfehlungsengines (Recommendation Engines) schlagen diese einfachen Lösungen in mehrfacher Hinsicht.
-
Sie bieten eine größere Zahl an Empfehlungstypen. Personalisierte Inhalten werden nicht nur auf Ebene eines Produkts, sondern auch in Bezug auf Kategorien oder auch Suchbegriffen gegeben.
-
Viel Zeit und Energie stecken die Hersteller in die Funktionen des maschinellen Lernen. Um die Relevanz der Empfehlungen für den Nutzer zu verbessern, werden die Reaktionen der Kunden auf die ausgespielten Empfehlungen gemessen und analysiert. So wird das System immer treffsicherer.
-
Die Empfehlungen können auch in anderen Kanälen genutzt werden.
Je mehr Empfehlungstypen die entsprechende Lösung anbietet, umso flexibler wird der Händler bei ihrem Einsatz.
Diese Typen machen Empfehlungen rund
Eine Lösung für Empfehlungen und Personalisierung kann grundsätzlich in fünf Dimensionen wirken:-
Nutzer: Dabei wird auf frühere Transaktionen des Kunden zurückgegriffen.
-
Produkte: Empfehlungen von Produkten, die zusammen mit anderen gekauft wurden oder zusammen mit anderen im Warenkorb landen.
-
Kategorien: Hierbei werden beispielsweise Top-Seller aus einer bestimmten Kategorie in Echtzeit ermittelt und vorgeschlagen.
-
Suche: Die Empfehlungen basieren aus Learnings aus der Suchfunktion.
-
Global: Genutzt wird das gesamte Produktinventar.
Zu jeder Dimension sind in einer Empfehlungsengine verschiedene Typen hinterlegt. Nicht alle sind dabei bei jedem Anbieter in der gleichen Tiefe implementiert. Generell lassen sich alle Typen durch Filter und Regeln an die eigenen Wünsche des Händlers anpassen. Üblicherweise wird dies gemeinsam mit dem Dienstleister umgesetzt und auch die passenden Möglichkeiten implementiert.
Hohe Relevanz besitzen immer die Empfehlungen, die sich auf den Nutzer selbst beziehen. In diesem Fall ist auch die Erfolgsquote in der Regel sehr hoch, wenn der Kunde durch ein Login im Shop (oder App) bekannt ist. Angeboten werden können hier dann zum Beispiel:
-
Produkt- und Kategorieempfehlungen: Frühere Bestellungen, aber auch Klicks, Warenkörbe und Suchen werden ausgewertet und darauf aufbauend passende Produkte eingespielt. Über Filterfunktionen kann der Händler definieren, wie weit die Historie berücksichtigt werden soll oder welche Transaktionen in die Berechnung eingehen. Sehr umfassend ausgestattete Systeme erlauben zusätzlich die Definition von individuellen Ereignissen (sofern diese gespeichert werden), etwa Empfehlungen auf Basis von "Likes" oder positiven Bewertungen des Nutzers.
-
Sortierte Produktlisten: Aufbauend auf einer Kategorie oder der Bestellhistorie werden dem Kunden Listen von Artikeln auf Basis seiner persönlichen Relevanz ausgespielt.
Während einfache Systeme, wie sie in Shopsysteme integriert sind, eher nur Bestseller anzeigen, bieten fortgeschrittene Lösungen da schon mehr Potential.
-
Produkt zu Produkt Relationen: In Echtzeit werden Produkte ermittelt, die besonders häufig mit anderen Artikeln zusammen in einen Warenkorb gelegt oder geklickt werden. Dabei werden nicht nur die Käufe berücksichtigt, sondern die Aktivitäten aller Nutzer.
-
Produkt zu Produktlisten: Die Empfehlungen beziehen sich auf die Analyse der Wunschlisten oder Merkzettel aller Nutzer des Systems. Der Nutzer erhält also Empfehlungen zu Artikeln, die zu seinen Inspirationen passen.
-
Produkt zu Käufen: Wer einen Monitor kauft, braucht meistens auch ein HDMI-Kabel, und vielleicht haben sich Nutzer besonders häufig für eine bestimmte Art entschieden. Dann fließt diese in die Empfehlung ein.
Nicht zu unterschätzen sind die Empfehlungstypen, die globaler arbeiten. Insbesondere die Verbindung mit den Suchfunktionen in einem Shop liefert interessante Kombinationen. In Echtzeit werden die Suchanfragen der Nutzer analysiert und damit Trendprodukte identifiziert, die dann offeriert werden ("Kunden, die nach XY suchten, kauften später auch..."). Auch die eher globalen Empfehlungstypen wie die globalen Top-Seller sollten in ihrem Nutzen nicht unterschätzt werden. Sofern denn die Nutzerbasis des Shops groß genug ist, liefert die Auswertung dann durchaus Kaufimpulse.
Eine Engine – viele Kanäle
Ein Vorteil eines zentralen Systems für die Personalisierung besteht ohne Zweifel darin, dass sie verschiedene Kanäle bestücken kann. Die Daten können damit in nahezu allen Kundenkanälen und in verschiedenen Situationen genutzt werden, also nicht nur im Online-Shop, sondern auch in Newslettern bzw. Kundenmails, in Beratungssituationen im Store oder im Call-Center, aber natürlich auch in Apps oder in Sozialen Medien. Individualisiert werden können etwa die Navigation in Shops und Apps, Banner und Anzeigen, Coupons und natürlich auch Inhaltsblöcken in den verschiedensten Medien. Diese Vielseitigkeit relativiert damit auch die anfangs hoch erscheinenden Investitionen.Maschinelles Lernen aka "Künstliche Intelligenz" optimiert die Empfehlungen
Damit diese Vielseitigkeit auch genutzt werden kann, muss die Integration in unterschiedliche Systeme gewährleistet sein. So wird der Händler ja nicht seine Lösung für den Newsletterversand wechseln oder Geld in die Entwicklung einer neuen App stecken. In der Praxis wird das so umgesetzt, dass die Empfehlungen als Dienst aufgesetzt werden. Die Daten werden dann in einem einfachen Format an die verschiedenen Clients bzw. Systeme geliefert und dann via Platzhalter in den Content eingebunden.Empfehlungsengines kombinieren nicht einfach Produkte und Inhalte miteinander, sondern nutzen maschinelles Lernen, um immer treffsicherer zu werden. Das System wertet die Reaktionen der Nutzer auf die Empfehlungen aus und kann aus diesen Beispielen verallgemeinern. Damit werden Muster und Gesetze innerhalb der Daten sichtbar. Die Folge: Die Empfehlungen werden von den Kunden als immer relevanter eingestuft und die Chancen auf einen weiteren Abschluss steigen an.
