AI unplugged #4: E-Commerce und Maschinelles Lernen

AI unplugged #4: E-Commerce und Maschinelles Lernen

Bei seinem KI-Podcast „AI unplugged“ spricht KI-Experte und Solvemate-GrĂŒnder Erik Pfannmöller regelmĂ€ĂŸig mit Experten und Unternehmern ĂŒber innovative Themen, GrĂŒndungen und Trends aus dem Bereich KĂŒnstliche Intelligenz und Maschinelles Lernen. In dieser Folge erklĂ€rt er, wie KI im E-Commerce zum Einsatz kommt.

  • Gesucht? Gefunden! Produktempfehlungen und KI

    Robin MĂŒller ist CTO beim Tagesspiegel (Webseite). Seit sieben Jahren beschĂ€ftigt er sich mit maschinellem Lernen und KI im Bereich E-Commerce. Was hat er bisher aus seiner TĂ€tigkeit gelernt? Wie nutzt er KI und Algorithmen fĂŒr seine Arbeit?

    Wie Produktempfehlungen berechnet werden

    Der Einsatz von lernenden Algorithmen spielt im E-Commerce eine immer wichtigere Rolle. Die gesamte Customer Journey im Netz wird mittlerweile von Anfang bis Ende von Algorithmen bestimmt. Dazu gehören:

    • Marketing

    • Website (insbesondere der Such- und Kaufprozess)

    • Post Sale

    • Retention/kundenorientiertes Marketing

    Das Ziel: Den Nutzer dazu zu bringen, möglichst viel zu konsumieren. Durch Cloud-Speichersysteme, wie sie beispielsweise Google, Amazon und Microsoft anbieten, können heutzutage immer grĂ¶ĂŸere Datenmengen gespeichert werden. Basierend auf diesen DatensĂ€tzen lassen sich wiederum immer bessere Vorhersagen treffen. 

    Inhalte werden dynamischer, OberflÀchen und Suchergebnisse nutzerorientierter und individueller zugeschnitten. Ganz vorn: die Optimierung der Produktempfehlungen im Onlinehandel.

    Es gibt zwei verschiedene Arten der Produktempfehlung:

    1. Content Based

    2. Collaborative Filtering

    Inhaltsbasierte Produktempfehlungen kann man sich wie ein Koordinatensystem vorstellen. Produkte werden z. B. nach Farbe und Stil sortiert. Ähnliche Produkte formen im Koordinatensystem Cluster. Sucht ein Kunde ein bestimmtes Produkt, werden ihm andere im Cluster befindliche Dinge angezeigt.

    Dieses Modell ist dynamisch, denn es kommen stÀndig neue Produkte und Erkenntnisse aus dem bisherigen Kaufverhalten von Kunden hinzu, die die Sortierung verÀndern. Dabei kann es zu ungewollten und sogar negativen Effekten kommen:

    Ist beispielsweise nicht genug Platz in der Browseranzeige, um wie gedacht 10 empfohlene Produkte anzuzeigen, sollten Algorithmen dementsprechend den technischen Vorgaben angepasst werden. Rechnerisch gesehen sind die Produkte, die aufgrund des Platzmangels nicht vom Kunden gesehen werden, nicht empfehlenswert. So werden Ergebnisse verfÀlscht. Der Algorithmus lernt von falschen Ergebnissen.

    Collaborative Filtering ist die Art und Weise wie bspw. Netflix seine Empfehlungen erarbeitet. Das Verhalten von Nutzer A wird fĂŒr Nutzer B ebenfalls angenommen und diesem dann vorgeschlagen.

    Die Suche nach dem passenden Algorithmus

    Je stimmiger die Empfehlungen, desto eher wird der Nutzer zum Kauf bewegt. Die Conversion Rate steigt. Es gibt drei Arten von Machine Learning, um passende Algorithmen fĂŒr Recommendation Systeme herauszuarbeiten.

    • Neuronale Netze

    • Base Algorithmen

    • Baumstrukturen

    Der einfachste Pfad kann oft der beste sein, auch, weil der Rechenaufwand sich in Grenzen hĂ€lt. Das spart Kosten. MĂŒller betont zudem die Bedeutung von A-B-Tests. Bereits bekannte Daten werden in Trainings- und Testdaten aufgeteilt.

    Durch die Trainingsdaten lernt der Algorithmus, die Testdaten dienen der Verifizierung. Somit können  Programme entwickelt werden, die Nutzerverhalten gut vorhersagen. Und gute Recommendation Systeme können ausgearbeitet werden. Diese Recommendation Systeme wiederum binden den Nutzer an die eigene Seite oder Marke.

    Am Ende geht es um Screentime. Ich hab nur eine gewisse Aufmerksamkeitsspanne beim Nutzer. Wenn der Inhalt relevant ist, ist die Wahrscheinlichkeit grĂ¶ĂŸer, dass der Nutzer engagiert bleibt. (Robin MĂŒller | CTO Tagesspiegel)

    Der falsche Algorithmus kann schnell Schaden anrichten. Deshalb sollten sich Start-ups bei der Frage “Make or Buy” bei fehlender Expertise unbedingt fĂŒr das “Buy” dieser Programme entscheiden.

    Außerdem sollten Algorithmen hinterfragt werden. Manchmal kann es sich sogar lohnen, einmal den Test Algorithmus vs. Mensch zu machen. Der Mensch mag irren, aber auch KI ist (noch) nicht unfehlbar.

  • Darum solltest Du reinhören

    Dieser Podcast gibt Dir einen guten Überblick, welche Rolle KI und Machine Learning im e-Commerce-Bereich spielen. Du verstehst


    • 
wie gute Recommendation Systeme entwickelt werden
    • 
welche Arten von Machine Learning es gibt
    • 
wo innerhalb einer User Journey KI eingesetzt wird
    • 
wie man Algorithmen fĂŒr Produktlisten optimiert
    • 
wann sich “make” und wann sich “buy” lohnt
    • 
wie man nach 2-3 Klicks einen Nutzer einordnen kann
    • 
welchen Vorteil Tests haben, um passende Algorithmen zu entwickeln

    Last, but not least: Nach dieser Folge weißt Du, wie man Immobilienpreise vorhersagen kann.

  • DarĂŒber sprechen wir mit Robin MĂŒller

    Im „AI unplugged“-Podcast werden diese Themen rund um KĂŒnstliche Intelligenz behandelt (Links fĂŒhren zum Track):

    HĂ€? Bonus? – ganz einfach, wenn du UnterstĂŒtzer von digital kompakt auf Patreon wirst, hast du die Möglichkeit, extralange Podcasts ohne Werbung von uns zu bekommen 😍.

Dauer: 36 Minuten

Abonnieren:

Die Podcasts von digital kompakt können auf SoundCloud verfolgt, per RSS-Feed abonniert oder bei iTunes und Spotify abgespielt werden – so können Sie unsere Podcasts ganz bequem via Smartphone in Podcast-Apps abonnieren und hören.

Bildmaterial: digital kompakt


2 Gedanken zu “AI unplugged #4: E-Commerce und Maschinelles Lernens”

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darĂŒber, wie deine Kommentardaten verarbeitet werden.