Wie Machine Learning das Kundenerlebnis Online verändert

01.12.2017 - Machine Learning und Artifical-Intelligence-Technologien (AI) macht vielen Menschen Angst. Tjeerd Brenninkmeijer, Executive Vice President EMEA bei BloomReach, zeigt, wieso diese Angst unbegründet ist und welche neuen Möglichkeiten in der Praxis verwendet bzw. in digitale sowie operative Prozesse integriert werden.

Dass immer mehr Unternehmen Machine Learning nutzen, um die Customer Experience zu optimieren, ist nicht verwunderlich. Es mangelt schlicht und einfach an Alternativen. Als erste Branche setzte man diese Technologie im E-Commerce ein, um Inhalte zu personalisieren und Verkäufe anzukurbeln. Inzwischen verwendet auch die CMS-Industrie Machine Learning, um intelligente Inhalte zu erstellen, die die Basis einer kontextualisierten User Experience (UX) bilden.

Für viele Menschen ist die Vorstellung, dass Machine Learning und weitere Artifical-Intelligence-Technologien (AI) Einzug in unser Leben halten, es sogar beherrschen könnten, sehr beängstigend. Diese Angst ist allerdings unbegründet. Bei Machine Learning handelt es sich um eine einfache Datenanalyse, die man auch manuell vornehmen könnte - allerdings wesentlich langsamer. Unternehmen aus allen Branchen können Machine Learning individuell für unterschiedliche Zwecke einsetzen. Die folgenden drei Beispiele zeigen, wie Unternehmen künstliche Intelligenz in der Praxis verwenden und in ihre digitalen sowie operativen Prozesse integrieren:

Einzelhandel: Bessere Kauferlebnisse für Kunden

Der Einzelhandel verwendet Machine Learning, damit Kunden schneller die gewünschten Produkte finden. Zudem möchte man ihnen ein noch besseres Einkaufserlebnis bieten.

Personalisiertes EinkaufserlebnisJede Customer Journey ist unterschiedlich - sogar zwischen zwei Personen, die das gleiche Produkt suchen, da sie vermutlich unterschiedliche Präferenzen haben und sich in verschiedenen Stadien ihrer Kundenreise befinden. Erhält ein Kunde am Ende des Monats sein Gehalt (das erfahren Einzelhändler dadurch, dass er zu diesem Zeitpunkt besonders häufig einkauft), ist es sinnvoll, ihn am letzten Donnerstag eines Monats mit einem attraktiven Rabattcode zu locken und ihn zu Beginn des neuen Monats mit unterhaltsamen, informationsreichen Inhalten zu versorgen. Mithilfe von Machine Learning gelingt das völlig automatisch und perfekt skaliert.

Genau wissen, was der Kunde willNatural Language Processing (NLP) ist eine Methode, die Unternehmen dabei unterstützt, effiziente Marketingseiten aufzubauen, die auf einem einfachen Site-Suchbalken basieren. NLP erfasst natürliche Sprache und versucht, sie auf Basis von Regeln und Algorithmen computerbasiert zu verarbeiten. Eine inhärente Sprachanalyse ermöglicht es, die Absichten eines Kunden zu erkennen und miteinander zu verknüpfen. Es handelt sich dabei um eine Art High-Performance-Analyse, die nicht nur einen Einblick in Trending-Suchaufträge gibt, sondern auch anhand der Daten vorhersagen kann, welche Themen und Kategorien als Nächstes im Trend liegen werden und welche Produkte des derzeitigen Portfolios dazu zählen. Um das zu gewährleisten, erkennt NLP auch komplexe Textzusammenhänge und Sachverhalte - wobei die Komplexität der menschlichen Sprache definitiv eine Herausforderung ist.

Individualisierter Besuch im stationären HandelAuch einen "Offline"-Besuch können Einzelhändler mithilfe von Machine Learning bedarfsgerecht personalisieren. Frühere Käufe eines Kunden lassen auf dessen Geschmack schließen, so dass Händler Produkte empfehlen können, die dem Geschmack,?der Größe und den finanziellen Möglichkeiten des Kunden entsprechen. Der Check-out kann über ein digitales Terminal erfolgen - wobei die dabei generierten Daten eine zukünftig noch gezieltere Personalisierung ermöglichen.

Machine Learning im Finanzsektor: der persönliche Berater

Auch im Finanzsektor bietet es sich an, Machine Learning einzusetzen. Dadurch erhalten Kunden mehr Klarheit, Transparenz und einfacheren Zugriff auf wichtige Services.

Automatisierte BeratungEinen Finanzplan zu erstellen ist mit großem Aufwand verbunden. Dutzende Faktoren, die die finanziellen Entscheidungen einer Person beeinflussen, sind dabei zu berücksichtigen. Darum gleicht kein Finanzplan dem anderen. Machine Learning kann die Entscheidungen (und deren Folgen) aller Kunden einbeziehen, um zu verstehen, an welcher Stelle seines Finanzplans der einzelne Kunde sich befindet. Das verbessert die Qualität der Beratung über mögliche Folgeschritte enorm.

Passende Informationen liefernPerson A sucht nach `Wie bereitet man sich auf die Geburt eines Babys vor`, während Person B wissen will, `Um wie viel der Wert einer Schuldvereinbarung in 18 Jahren steigt`. Auch wenn sich die Suchanfragen grundsätzlich unterscheiden, kann es sein, dass beide an identischen Inhalten interessiert sind, nämlich daran, wie man ein Neugeborenes am besten finanziell absichert. Dank NLP lernt das System permanent mit den eingegebenen Suchaufträgen und ist in der Lage, Benutzern automatisch die gesuchten Informationen zur Verfügung zu stellen. Suchen die Nutzer besonders oft nach einer bestimmten Kategorie, erhalten die Websitebetreiber automatisch eine Benachrichtigung und können ggf. mehr passende Inhalte aufbereiten und veröffentlichen.

Bedürfnisse der Besucher verstehenAnalysiert man das Klickverhalten aller Besucher, können Unternehmen dadurch nützliche Inhalte für spezifische finanzielle Fragen selektieren. Besuchen Nutzer, die auf der Suche nach Studentendarlehen sind, anschließend Seiten, die ihnen Tipps für die Finanzierung geben? Daten über die finanzielle Historie lassen Rückschlüsse zu, an welcher Stelle des Finanzplans sich der Nutzer befindet. Finanzunternehmen können hier einhaken und automatisch Informationen für den nächsten Schritt bereitstellen.

Weiterführende Links

BloomReach

Bild: Leon Eichner

Leon Eichner
(EHI Retail Institute)

Wenn der Agent mitentscheidet - Warum Vertrauen zum Erfolgsfaktor im Agentic Commerce wird

Agentic Commerce verändert, wie Kaufentscheidungen im Internet vorbereitet und getroffen werden. Neben Menschen übernehmen zunehmend KI-Agenten die Produktsuche, den Vergleich von Angeboten und Teile des Kaufprozesses.Die aktuelle EHI-Studie zu Agentic Commerce zeigt, dass 86,1 Prozent der befragten Handelsunternehmen es für wahrscheinlich halten, dass KI-Agenten künftig Kaufentscheidungen ihrer Kundschaft beeinflussen. Gleichzeitig wird der Aufbau von Vertrauen und Akzeptanz als eine zentrale Herausforderung beschrieben.Der Vortrag zeigt, was diese Entwicklung für Online-Shops bedeutet: Welche Informationen müssen aktuell, konsistent und maschinenlesbar vorliegen? Welche Rolle spielen Transparenz, verlässliche Produkt- und Serviceinformationen, Bewertungen und weitere nachvollziehbare Vertrauenssignale?Am Beispiel des EHI-Siegels wird erläutert, wie Online-Shops Seriosität, geprüfte Qualitäts- und Sicherheitsmerkmale sowie Kundenorientierung sichtbar machen können. Dabei geht es nicht nur um die menschliche Wahrnehmung: In einer zunehmend agentischen Customer Journey wird entscheidend, ob relevante Informationen über einen Shop eindeutig, verlässlich und nachvollziehbar vorliegen. So entsteht die Grundlage dafür, dass ein Angebot von KI-Agenten nicht nur gefunden, sondern auch als relevant und vertrauenswürdig eingeordnet werden kann.

Vortrag im Rahmen der Transformation des Handels 26 am 21.10.26, 09:00 Uhr