Aleksander Fegel ist Geschäftsführer der Foxfire Consulting GmbH.
Empfehlung ist nicht gleich Empfehlung – auch nicht im Zeitalter von Machine Learning. Um Onlineshopperinnen und Onlineshoppern individuelle und personalisierte Product Recommendations anzuzeigen, reicht das standardmäßige Nutzertracking längst nicht mehr aus. Das weiß auch Aleksander Fegel, Geschäftsführer unseres ECC CLUB Mitgliedes Foxfire Consulting GmbH. Im Interview zeigt er auf, warum nutzergenerierter Input hier immer wichtiger wird.
Aleksander, das standardmäßige Tracking des Onlinenutzerverhaltens ist nicht ausreichend, um wirklich relevante Produktplatzierungen zu erreichen. Warum?
Product-Recommendations kennt jede Nutzerin und jeder Nutzer von Onlineshops. Man versteht darunter unter anderem die Einblendung von Produkten in Sektionen wie „Ähnliche Produkte“, „Nutzer kauften auch“, „Das könnte Ihnen gefallen“. Technisch gesehen gibt es verschiedene Möglichkeiten zu entscheiden, welche Produkte in diesen Sektionen angezeigt werden. Die einfachste Möglichkeit ist eine manuelle Verlinkung von Produkten zu anderen Produkten im Backend des Shop-Systems. Diese erzeugt viel manuellen Aufwand, wenig Daten und lernt nicht vom Nutzerverhalten. Besser ist, eine Recommendations Engine zu nutzen, die historische und demographische Bestelldaten auswertet und auf Basis dieser Produktempfehlungen für die Nutzer*innen ausspricht. Dies kann durch maschinelles Lernen und Tracking-Methoden ergänzt werden, um auf Basis von A/B Testing und laufenden neuen Lerndaten, immer bessere Product-Recommendations auszuspielen. Ziel ist es immer, User so schnell wie möglich zu einem für sie oder ihn optimalen Produkt zu führen. Auch bei dieser sehr umfangreichen Methode hat man jedoch immer noch einen rein statistischen Ansatz. Die Recommendations Engine geht davon aus, dass Nutzer*innen in einem bestimmten Alter, Geschlecht, Verhalten und Bestellhistorie gerne Produkt X kaufen. Sagen wir die Engine und die Daten sind sehr gut und die Empfehlungen sind in 60-70 Prozent aller Fälle zumindest akkurat und nicht komplett daneben – was für die meisten Shops bereits ein guter Wert ist – bedeutet allerdings im Umkehrschluss, dass für 30-40 Prozent der Nutzer deplatzierte Produktempfehlungen ausgespielt werden. Selbst Amazon spielt auf Basis seiner Algorithmen und Datenbasis zu Hauf deplatzierte und irrelevante Produktempfehlungen aus. Das muss doch besser gehen?
Warum macht es hier dann Sinn, den Nutzer in den Prozess einzubinden und wie sehen solche Maßnahmen in der Umsetzung aus?
Unser Lösungsansatz für das Problem ist individueller nutzergenerierter Input, der in Kooperation mit den bisherigen Maßnahmen (historische Daten, Demographie, Nutzerverhalten) gebracht wird. Unter diesem Input verstehen wir, dass die Nutzer*innen des Shops oder der Plattform seine oder ihre individuellen Bedürfnisse in einem standardisierten Prozess (wichtig, um die Daten sinnvoll verwenden und vergleichen zu können) freiwillig übermittelt. Dies kann inhaltlich, wenn wir einen Smartphone-Onlineshop als Beispiel nehmen, ein Beratungsverlauf mit 4-5 Fragen sein (Ist dir lange Akkudauer wichtig? Spielst du Spiele auf dem Handy? Brauchst du Dual Sim für die Arbeit?). Dieser Prozess kann visuell und marketingtechnisch in verschiedenster Form präsentiert werden, zum Beispiel über einen Chatbot, ein Product Finder Widget, ein Wizzard mit mehreren Schritten etc.
Oft wird gefragt inwiefern Nutzer*innen diese Möglichkeiten dann überhaupt wahrnehmen. Dies kommt natürlich darauf an wie populär die Möglichkeit platziert wird. Bei einem kleinen Fragezeichen am unteren rechten Rand des Bildschirms, das einen Chat-Bot aufpoppen lässt, wird die Engagement-Rate zu wünschen übriglassen. Kommt man sofort in den Product Finger Wizzard nachdem man die Kategorie Monitore anklickt, wird es zu einem Standardprozess, von dem jeder Nutzer und jeder Nutzerin profitiert. Wurde dieser Prozess ausgeführt, müssen wir keine statistischen Annahmen mehr treffen, sondern können in Kombination mit den bereits vorhandenen Daten und Auswertung deutlich treffendere Produktempfehlungen aussprechen. Die Wahrscheinlichkeit „Unsinn“ zu empfehlen geht dann schnell gegen null.
Wie sollten die gesammelten Daten im Anschluss idealerweise aufbereitet werden?
Die gesammelten Daten sind dann Teil der Recommendations Engine und können für die Algorithmen genutzt werden. Hat man momentan eine bestehende Recommendations Engine eines Drittanbieters im Einsatz, der diese nicht unterstützt, wird es schwierig die Option zu ergänzen. Jedoch wäre es möglich, die grundsätzlichen Ergebnisse der Engine mit eigenen Machine-Learning-Algorithmen nachzubearbeiten. Besser wäre es hier auf ein System zu setzen, welches die Generierung des individuellen Nutzerinputs unterstützt und bei dem die Verarbeitung dieser Daten von Anfang an bedacht wurde. Unabhängig von den Produktempfehlungen kann der nutzergenerierte Input aber auch genutzt werden, um den Datenbestand generell anzureichern. Häufig werden bestimmte Kundeninformationen bei der Registrierung oder Anmeldung aus Conversion-Gründen nicht erfasst. Diese können jedoch Bestandteil des Beratungsverlaufs sein und somit wieder für automatisierte Textgenerierung, personalisierte Newsletter oder ähnliches genutzt werden.
Was schätzt ihr als Foxfire am ECC-Club?
Insbesondere den lebhaften Austausch der ECC-Club-Mitglieder, durch den diese mit jedem Gespräch etwas Neues lernen und Ideen quer durch alle Branchen und Spezialisierungen entwickeln.
Ihr möchtet mehr über Foxfire erfahren? Besucht jetzt das Profil im ECC-Club-Bereich.