AI Unplugged

#

4

E-Commerce und Maschinelles Lernen

digital kompakt, Podcast, künstliche Intelligenz, AI, Eric Pfannmöller

Hier abonnieren:

Executive Summary

In dieser Folge erklärt Erik, wie KI im E-Commerce zum Einsatz kommt.

0 Min.
geballtes Wissen

Zielgruppe:

Startup, KMU & Corporate
Praxisbezug
95%
Wissensniveau
85%
Zeitlosigkeit
100%

Darum solltest du reinhören

Du erfährst…

1) …wo und wie KI im E-Commerce eingesetzt wird

2) …wie man Algorithmen fĂĽr Produktlisten optimiert

3) …warum KI im E-Commerce wichtig ist

4) …wann sich “make” und wann sich “buy” lohnt

Kapitel

Im „AI unplugged“-Podcast werden diese Themen rund um Künstliche Intelligenz behandelt:

  • ab: 00:00 | Vorstellung und EinfĂĽhrung ins Thema
  • ab: 06:46 | Deep Dive Produktempfehlungen und KI
  • ab: 09:57 | Diese KI-Modelle kommen bei E-Commerce zum Einsatz
  • ab: 13:46 | Was sind kollaborative Algorithmen?
  • ab: 21:01 | Wie Du mit Listen und Ki Besucher zu Kunden machst I
  • ab: 24:20 | Exkurs: KI-Modelle trainieren und verifizieren
  • ab: 32:16 | Wie Du mit Listen und Ki Besucher zu Kunden machst II
  • BONUS (nur Patreon-Nutzer) | Make or Buy – wann es sich lohnt, selbst Software zu programmieren

Gesucht? Gefunden! Produktempfehlungen und KI

Robin Müller ist CTO beim Tagesspiegel (Webseite). Seit sieben Jahren beschäftigt er sich mit maschinellem Lernen und KI im Bereich E-Commerce. Was hat er bisher aus seiner Tätigkeit gelernt? Wie nutzt er KI und Algorithmen für 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 größere Datenmengen gespeichert werden. Basierend auf diesen Datensätzen lassen sich wiederum immer bessere Vorhersagen treffen. 

Inhalte werden dynamischer, Oberflächen 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. Ă„hnliche 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 ständig neue Produkte und Erkenntnisse aus dem bisherigen Kaufverhalten von Kunden hinzu, die die Sortierung verändern. 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 verfälscht. 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 fĂĽr 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 für Recommendation Systeme herauszuarbeiten.

  • Neuronale Netze

  • Base Algorithmen

  • Baumstrukturen

Der einfachste Pfad kann oft der beste sein, auch, weil der Rechenaufwand sich in Grenzen hält. Das spart Kosten. Müller 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 größer, dass der Nutzer engagiert bleibt. (Robin Müller | CTO Tagesspiegel)

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

Ăśber das Format

Greetings human! Hier wirst du zum Experten für Künstliche Intelligenz. Leicht verständlich bringt dir Erik Pfannmöller bei „AI Unplugged” Fachbereiche wie Deep Learning, Neuronale Netze, Maschinelles Lernen & Co. bei.

AI Unplugged

#

4

E-Commerce und Maschinelles Lernen

digital kompakt, Podcast, künstliche Intelligenz, AI, Eric Pfannmöller

Hier abonnieren:

Executive Summary

In dieser Folge erklärt Erik, wie KI im E-Commerce zum Einsatz kommt.

Zielgruppe:

Startup, KMU & Corporate

Dauer:

0 Min.
geballtes Wissen
Praxisbezug
95%
Wissensniveau
85%
Zeitlosigkeit
100%

Darum solltest du reinhören

Kapitel

Du erfährst…

1) …wo und wie KI im E-Commerce eingesetzt wird

2) …wie man Algorithmen fĂĽr Produktlisten optimiert

3) …warum KI im E-Commerce wichtig ist

4) …wann sich “make” und wann sich “buy” lohnt

Im „AI unplugged“-Podcast werden diese Themen rund um Künstliche Intelligenz behandelt:

  • ab: 00:00 | Vorstellung und EinfĂĽhrung ins Thema
  • ab: 06:46 | Deep Dive Produktempfehlungen und KI
  • ab: 09:57 | Diese KI-Modelle kommen bei E-Commerce zum Einsatz
  • ab: 13:46 | Was sind kollaborative Algorithmen?
  • ab: 21:01 | Wie Du mit Listen und Ki Besucher zu Kunden machst I
  • ab: 24:20 | Exkurs: KI-Modelle trainieren und verifizieren
  • ab: 32:16 | Wie Du mit Listen und Ki Besucher zu Kunden machst II
  • BONUS (nur Patreon-Nutzer) | Make or Buy – wann es sich lohnt, selbst Software zu programmieren

Gesucht? Gefunden! Produktempfehlungen und KI

Robin Müller ist CTO beim Tagesspiegel (Webseite). Seit sieben Jahren beschäftigt er sich mit maschinellem Lernen und KI im Bereich E-Commerce. Was hat er bisher aus seiner Tätigkeit gelernt? Wie nutzt er KI und Algorithmen für 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 größere Datenmengen gespeichert werden. Basierend auf diesen Datensätzen lassen sich wiederum immer bessere Vorhersagen treffen. 

Inhalte werden dynamischer, Oberflächen 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. Ă„hnliche 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 ständig neue Produkte und Erkenntnisse aus dem bisherigen Kaufverhalten von Kunden hinzu, die die Sortierung verändern. 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 verfälscht. 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 fĂĽr 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 für Recommendation Systeme herauszuarbeiten.

  • Neuronale Netze

  • Base Algorithmen

  • Baumstrukturen

Der einfachste Pfad kann oft der beste sein, auch, weil der Rechenaufwand sich in Grenzen hält. Das spart Kosten. Müller 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 größer, dass der Nutzer engagiert bleibt. (Robin Müller | CTO Tagesspiegel)

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

Ăśber das Format

Greetings human! Hier wirst du zum Experten für Künstliche Intelligenz. Leicht verständlich bringt dir Erik Pfannmöller bei „AI Unplugged” Fachbereiche wie Deep Learning, Neuronale Netze, Maschinelles Lernen & Co. bei.

Suche etwas
Schliessen