Empfehlungssysteme sind ein leistungsstarkes Werkzeug für Amazon, Netflix und viele andere. Kolumnist Daniel Faggella beleuchtet die Vorteile von Empfehlungssystemen und erklärt, warum Marketer ihnen Beachtung schenken sollten.
Die lange Liste der von Netflix vorgeschlagenen Filme und Serien ist ein hervorragendes Beispiel für ein personalisiertes Nutzererlebnis. Laut Netflix basieren sogar rund 70 Prozent aller Inhalte, die Nutzer ansehen, auf persönlichen Empfehlungen.
Bis dahin war es nicht einfach, und die Verbesserung des Empfehlungssystems ist ein fortlaufender Prozess. Netflix hat weit über ein Jahrzehnt damit verbracht, seine Empfehlungen zu entwickeln und zu verfeinern.
Im Jahr 2006 rief Netflix den Netflix-Preis ins Leben, um Experten für maschinelles Lernen zu finden, die den bestehenden Algorithmus verbessern konnten. Ein Team von Algorithmenforschern übertraf den Algorithmus des Unternehmens um 10 Prozent – ein geringer Prozentsatz, mag man denken, doch er überzeugte das Unternehmen und ließ es auf deutliche Verbesserungen in der Zukunft hoffen. Für ihre Leistung erhielt das Team ein Preisgeld von 1 Million US-Dollar.
Empfehlungssysteme können Marketingfachleuten und Organisationen dabei helfen, die Wahrscheinlichkeit zu erhöhen, Empfehlungen zu erhalten, die auf die bisherigen Online-Aktivitäten oder das Verhalten eines Nutzers zugeschnitten sind, indem sie auf fundierten Erkenntnissen basieren, die auf Big-Data-Analysen beruhen.
In diesem Artikel zeige ich, wie Unternehmen ihren ROI durch den gezielten Einsatz von Personalisierung und Empfehlungen steigern können. Basierend auf der Analyse zahlreicher Anwendungsfälle von Empfehlungssystemen durch mein Unternehmen unterteile ich die potenziellen Geschäftsvorteile in drei Kategorien.
Verbesserung durch Nutzung (positive Rückkopplungsschleife)
Ziel des Netflix-Preises war es, die Kundenbindung zu verbessern – oder anders ausgedrückt, den Dienst langfristig attraktiver zu gestalten. Das Unternehmen strebte jedoch keine einmalige Verbesserung an.
Das Versprechen von Empfehlungssystemen besteht darin, ein sich selbst verbesserndes System aufzubauen, das – bei ausreichendem Datenstrom – die Nutzer im Laufe der Zeit immer besser zufriedenstellen kann. Wie Carlos Gomez-Uribe und Neil Hunt von Netflix in einer veröffentlichten Studie (PDF) erläuterten:
Wenn wir durch bessere personalisierte Empfehlungen einen attraktiveren Service bieten, bewegen wir unentschlossene Mitglieder dazu, länger zu bleiben und die Kundenbindung zu verbessern.
Durch die Bereitstellung einer Liste mit Inhalten, die für seine Mitglieder aufgrund hochspezifischer Kategorisierung wahrscheinlich interessant sein könnten, hat Netflix die unzähligen Video-Streaming-Optionen auf Abruf eingegrenzt. Die Messung der Ergebnisse anhand von Nutzungs- und Abwanderungstrends ermöglicht es dem Unternehmen, diese Ergebnisse täglich weiter zu optimieren.
Um sein Umsatzwachstum aufrechtzuerhalten, muss das Unternehmen neben der Gewinnung neuer Mitglieder auch seine bestehenden Abonnenten halten können. Anders ausgedrückt: Je geringer die Abwanderungsrate, desto höher der monatliche Umsatz.
Netflix hat nur sehr wenig Zeit, Nutzer zum Stöbern in der App und zur Auswahl eines Videos zu bewegen; nach Angaben des Unternehmens verlieren sie bereits nach 60 bis 90 Sekunden das Interesse, nachdem sie sich nur etwa 20 Titel angesehen haben.
Gomez-Uribe und Hunt erklärten, dass sie durch den Einsatz eines ausgefeilteren Empfehlungssystems und einer personalisierten Benutzererfahrung jährlich 1 Milliarde Dollar an Service-Kündigungen einsparen konnten.
Ein Blick auf die Umsatzzahlen von Netflix zeigt, dass das Unternehmen im zweiten Quartal 2017 ein Wachstum von 32.3 Prozent gegenüber dem Vorjahr verzeichnete, was auf den Zuwachs von 5.2 Millionen Abonnenten zu den bereits bestehenden 99 Millionen Mitgliedern im vorangegangenen Quartal zurückzuführen ist.
Da Netflix über mehr Trainingsdaten für seine Algorithmen verfügt (sprich: täglich mehr aktive Nutzer, die mit der Netflix-Plattform interagieren), kann das Unternehmen sein Angebot für bestehende Nutzer immer schneller verbessern. Laut KI-Investor Gary Swart von Polaris Partners ist diese „Alles-oder-Nichts“-Dynamik einer der Gründe, warum „Verbesserung durch Nutzung“ so wichtig ist.
Gibt es eine Website, die Ihre Fragen genauso gut beantworten kann wie Google? Wahrscheinlich nicht. Google hat einen riesigen Marktanteil und wird sich mit weniger Daten wahrscheinlich schneller verbessern als alle Konkurrenten. Kann irgendein Online-Shop besser passende Produkte empfehlen als Amazon? Vermutlich nicht.
Sie verstehen, worauf ich hinauswill: Empfehlungssysteme haben in allen Nischen das Potenzial, eine ebenso extreme Differenzierung zu erzeugen.
Steigerung des Warenkorbwerts (Gewinns)
Mit einem Umsatz von 37.9 Milliarden US-Dollar im zweiten Quartal untermauert Amazon seine beeindruckende Vormachtstellung im Online-Handel. Der 1998 eingeführte Algorithmus zur kollaborativen Filterung von Artikeln liefert Kunden Empfehlungen basierend auf Produktlinien und Themenbereichen. Das System gleicht die gekauften und bewerteten Artikel eines Kunden mit ähnlichen Produkten in dessen Liste ab, die dann in die Empfehlungen aufgenommen werden.
Während auf manchen Websites Empfehlungen nur in einem Aspekt der Customer Journey vorkommen (zum Beispiel eine Liste von „ähnlichen Artikeln“ auf der Checkout-Seite der Website), hat Amazon viele Empfehlungs-„Einstiegspunkte“ in sein Online-Erlebnis integriert, um den Warenkorbwert zu maximieren.
Zum Beispiel können Nutzer auf den Link „Ihre Empfehlung“ klicken, um eine Seite mit kategorisierten Produkten anzuzeigen, die von Interesse sein könnten, oder sie können auf den Abschnitt mit ähnlichen Artikeln zu zuvor angesehenen Produkten zugreifen.
Nutzer können außerdem im Bereich „Häufig zusammen gekauft“ nach passenden Artikeln suchen. Dadurch kann Amazon die Versandkosten senken, wenn mehrere Artikel zusammen gekauft werden. Dies wäre ohne die Milliarden von Datenpunkten – von der Kaufhistorie bis hin zu abgebrochenen Warenkörben –, die der Onlinehändler analysiert, nicht möglich.
McKinsey schätzte, dass 35 Prozent der Verbraucherkäufe bei Amazon auf Produktempfehlungen zurückzuführen sind, obwohl der E-Commerce-Riese selbst nie eigene Schätzungen veröffentlicht hat. Im Jahr 2016 stellte er sein Open-Source-Framework für künstliche Intelligenz (KI) namens DSSTNE (ausgesprochen „Destiny“) kostenlos zur Verfügung, um die Entwicklung von KI-Anwendungen zu fördern.
Die Alibaba Group, ein weiterer E-Commerce-Gigant, dominiert weiterhin den chinesischen E-Commerce-Markt mit ihren Plattformen Tmall und Taobao. Kunden erhalten Produktempfehlungen, die nicht nur auf ihren bisherigen Transaktionen, sondern auch auf ihrem Browserverlauf, Produktbewertungen, Lesezeichen, ihrem Standort und anderen Online-Verhaltensdaten basieren.
Das Unternehmen nutzt KI, um neuen Nutzern ohne vorherige Transaktionsdaten Produktempfehlungen zu geben. Die Technologie kann Datenpunkte aus früheren Produktkäufen eines Nutzers erfassen und diese verwenden, um passende Artikel aus dem eigenen Kundenstamm zu finden, erklärte Wei Hu, Leiter der Datentechnologie bei Alibabas Merchant Service Business Unit, in einer Stellungnahme.
Während des 11.11 Shopping Festivals 2016, einem 24-stündigen Online-Shopping-Event in China, nutzte Alibaba KI, um Produktempfehlungen auf personalisierten Seiten für die Kunden anzuzeigen. Teilnehmende Händler passten ihre Shops anhand der Daten ihrer Zielkunden individuell an. Alibaba teilte InsideRetail Asia mit, dass durch das Event 6.7 Milliarden personalisierte Shopping-Seiten generiert und die Conversion-Rate um 20 Prozent gesteigert werden konnte.
Verbesserung von Engagement und Kundenzufriedenheit (Kundenbindung)
Die Empfehlungs-Engine von YouTube wird seit 2015 von Google Brain betrieben und gilt laut Google als eines der ausgefeiltesten Empfehlungssysteme überhaupt.
Ähnlich wie Netflix experimentierte auch YouTube mit verschiedenen Ansätzen und überarbeitete sein Angebot, bevor ein Algorithmus eingeführt wurde, der nach Ähnlichkeiten zwischen verschiedenen Videoinhalten sucht. Johanna Wright, Vizepräsidentin für Produktmanagement bei YouTube, erklärte gegenüber Wired, dass das Unternehmen nun zuversichtlicher sei, dass die empfohlenen Videos für die Zuschauer relevant sind.
Sie können auch für gehen Produktmanagement-Zertifizierung in Singapur um die richtigen Erkenntnisse zu gewinnen.
Zu den Datenpunkten, die YouTube verwendet, um zu entscheiden, welches Video als Nächstes abgespielt wird, gehören der Wiedergabeverlauf des Nutzers, das Alter der Videos, Suchbegriffe und der Standort. Im Gegensatz zu Netflix ist YouTube kostenlos und finanziert sich ausschließlich durch die Interaktion mit seinen Inhalten (und die damit verbundene Werbung) – anstatt durch ein Abonnementmodell.
Mithilfe von Empfehlungen möchte YouTube die Nutzer länger auf der Plattform halten, während das System Anzeigen anhand ihrer bisherigen Nutzungsdaten ausspielt. YouTube generiert Einnahmen, wenn ein Nutzer eine Anzeige länger als 30 Sekunden ansieht oder auf ein Element auf dem Bildschirm oder eine Anzeige auf der Seite klickt.
Der Mutterkonzern Alphabet führt YouTube als Teil der gesamten Google-Websites-Plattform auf, daher werden keine separaten Umsatzzahlen ausgewiesen (die gesamten Werbeeinnahmen von Google beliefen sich zum 30. Juni 2017 auf mehr als 22 Milliarden US-Dollar).
Andererseits nutzen Musikstreamingdienste wie Pandora und das schwedische Unternehmen Spotify Empfehlungssysteme, um die Nutzerbindung zu erhöhen und Abonnenten zu halten. Diese Internetradioanbieter erzielen Einnahmen durch kostenpflichtige Abonnements und Werbung für Nicht-Abonnenten.
Spotifys „Discover Weekly“ empfiehlt Songs basierend auf dem Musikgeschmack, den Hörgewohnheiten, den Lieblingskünstlern und sogar den verwendeten Funktionen. Möglich wird dies durch kollaboratives Filtern und die Verarbeitung natürlicher Sprache. Edward Newett, ein Entwicklungsleiter, der an der Empfehlungsfunktion mitgewirkt hat, erklärte gegenüber Wired:
Indem wir versuchen, das Verhalten all unserer Nutzer beim Zusammenstellen ihrer perfekten Musikmischung nachzuahmen, können wir die 2 Milliarden Playlists von Spotify nutzen, auf individuelle Vorlieben eingehen und interessante Playlists erstellen.
Pandoras eigene Empfehlungsmaschine basiert auf dem sogenannten „Music Genome Project“, das 450 musikalische Attribute umfasst. Der Algorithmus analysiert Songs von Tausenden von Künstlern und programmiert die Online-Radiosender anhand der Hörerwünsche.
Dank dieser Funktionen von Spotify und Pandora können Hörer Songs entdecken, die sie noch nie zuvor gehört haben, die aber mit hoher Wahrscheinlichkeit ihr Interesse wecken – insbesondere Musik von aufstrebenden Indie-Künstlern. So können die Anbieter ihre bestehenden Abonnenten binden und Nicht-Abonnenten ermöglichen, mit Werbung mehr Musik zu hören.
Spotify gibt auf seiner Website an, dass es im Juli 2017 über 60 Millionen Abonnenten und 140 Millionen aktive Nutzer in 61 Ländern hatte, die aus über 30 Millionen Songs wählen konnten. Pandoras Umsatz im zweiten Quartal betrug 376.8 Millionen US-Dollar.
Die Einsatzmöglichkeiten von Empfehlungsalgorithmen beschränken sich nicht auf diese Branchen. Unternehmen aus der Lebensmittelindustrie, dem Sportbereich und sogar der Modebranche nutzen künstliche Intelligenz, um ihren Kunden passende Optionen aufzuzeigen. Immer mehr Unternehmen versuchen, mithilfe dieser Technologie ihren ROI in ihren Marketingkampagnen zu verbessern.
___
by Daniel Faggella
Quelle: MARTECH HEUTE
