Wie Machine Learning das online Kundenerlebnis verändert

Machine Learning schreitet in der Unternehmenswelt in hohem Tempo voran. Vor allem für die Optimierung des digitalen Kundenerlebnisses gibt es kaum Alternativen. Die e-Commerce Branche hat diese Technologie als erstes in großem Umfang eingesetzt um mittels Personalisierung ihre Verkäufe zu steigern.

Mittlerweile hat auch die CMS-Industrie Machine Learning als Werkzeug zur Erstellung intelligenter Inhalte, die die Basis einer kontextualisierten Benutzererfahrung bilden, entdeckt. Forrester Research sagt darüber in einer aktuellen Branchenübersicht folgendes: “Der Markt für Web-CMS ändert sich dadurch, dass immer mehr Organisationen die Notwendigkeit einer kontextualisierten Benutzererfahrung erkennen. Jeder Anbieter der Branche versucht auf seine eigene Art und Weise, darauf eine Antwort zu formulieren.” Die Digitalisierung schreitet mittlerweile so schnell voran, dass es für Unternehmen nicht länger möglich ist, mit dem Wachstum handwerklich Schritt zu halten und gleichzeitig zu personalisieren. Deswegen wird Machine Learning immer öfter als Werkzeug herbeigezogen um ein skalierbares, kontextualisiertes Kundenerlebnis bieten zu können.

Die Vorstellung, dass Machine Learning und weitere Artificial Intelligence-Technologien Schritt für Schritt jeden Aspekt unseres Lebens beherrschen werden, ist weit verbreitet und ruft – nicht völlig unbegründet – bei vielen Menschen ein leichtes Angstbild hervor. Umso wichtiger ist es, sich darüber im Klaren zu sein, dass Machine Learning keine Magie ist. Im Grunde genommen geht es um einfache Datenanalyse wie man es auch handwerklich machen könnte – nur viele Male schneller.

Folgendes Beispiel kann dies vielleicht etwas verdeutlichen: Stellen Sie sich Daten einmal vor wie Papier. Papier kann man auf viele Arten und Weisen falten und beugen um es unterschiedliche Verwendungszwecke geben: Man kann darauf schreiben, ein Geschenk damit verpacken oder aber auch ein Flugzeug daraus falten um durch sein Büro fliegen zu lassen. Machine Learning könnte man vergleichen mit dem Falten und Verstärken eines großen Stapels Papier um daraus letztendlich Wellpappe zu machen. Nun fragen Sie sich wahrscheinlich: Kann man überhaupt per Hand Wellpappe erstellen? Wahrscheinlich wohl. Kann eine Maschine das schneller? Unbedingt.

Auch für Wellpappe gibt es viele verschiedene Verwendungszwecke: Pakete versenden, Nahrungsmittel aufbewahren, die neuesten Technologien unterstützen oder sogar die Basis eines Geschäftsmodells bilden. Das gleiche gilt für Machine Learning: jede Branche, sogar jedes Unternehmen kann es auf seine eigene Art und Weise und für unterschiedliche Zwecke einsetzen.

Damit Sie einen Eindruck bekommen wie Künstliche Intelligenz in der Praxis eingesetzt werden könnte, habe ich drei Beispiele ausgearbeitet die zeigen wie unterschiedliche Branchen Machine Learning in ihren digitalen und operativen Prozessen integrieren könnten.

Einzelhandel: Warenkorb-übersteigendes Engagement

Im Einzelhandel wird Machine Learning vor allem dafür eingesetzt werden, den Kunden dabei zu unterstützen, schneller die Produkte zu finden die er sucht, aber auch um ein besseres Einkaufserlebnis zu bieten.

• Persönliches Shopping

Jede Customer Journey ist unterschiedlich. Sogar zwei Personen, die auf der Suche sind nach dem gleichen Produkt, werden wahrscheinlich unterschiedliche Präferenzen haben und sich in unterschiedliche Stadien der Buyer Journey befinden. Käuft ein Kunde oft am letzten Freitag des Monats ein? Das gibt uns einen Hinweis darauf, wann sein Gehalt ausgezahlt wird. Diesem Kunden schickt man am besten Anfang des Monats unterhaltsame und informationsreiche Inhalte und am letzten Donnerstag des Monats einen attraktiven Rabattcode. Mit Machine Learning kann dieses persönliche Kundenerlebnis automatisch und skalierbar generiert werden.

• Genau wissen was der Kunde will

Natural Language Processing (NLP) kann uns dabei unterstützen, eine unglaublich effiziente Marketingmaschine einzurichten, basierend auf einem ganz einfachen Site-Suchbalken. Denn was die eine Person unter einem ‘gestrickten Kabel-Pullover’ versteht, ist für den Anderen einfach ein ‘kuscheliger Pullover’. NLP ist ständig beschäftigt, mittels Sprachanalyse Absichten zu erkennen und miteinander zu verknüpfen. Diese Art von High-Performance-Analytics gibt nicht nur einen Einblick in Trending Suchaufträge. Das System kann anhand dieser Daten auch vorhersagen welche Themen und Kategorien als Nächstes im Trend liegen werden und welche Teile des aktuellen Produktangebots darunter fallen.    

• Automatisiertes Cross-Selling

Einzelhändler die bereit sind über Produktseiten hinauszugehen, können mithilfe von Metadaten einfacher kontextualisierten Content liefern. Ein Beispiel: Zwei Besucher schauen sich die gleiche kupferne Lichtarmatur an. Besucher A geht danach zum Suchbalken und gibt ‘Barhocker Stahl’ ein, während Besucher B sich auf die Suche nach einem ‘Kaffeetisch Holz hell’ macht. Die Content-Maschine ist in der Lage, in diesen Suchaufträgen überlappende Themen zu erkennen. Demnach bekommt Besucher A ‘Die 10 coolsten industriellen Apartments’ zu sehen, während Besucher B einen ‘10-Schritte-Plan für Skandinavisches Design’ gezeigt bekommt (Verzeihung bitte an alle Design-Freaks für die dieses Beispiel haarsträubend ist – die Machine Learning-Software kennt sich besser mit Design aus als ich je werde). Aber wie findet die Technologie die Produkte auf deiner Website? Machine Learning ist imstande, deinen bestehenden Infos automatisch Metadaten hinzuzufügen. Dabei wird ein ständiger Lernprozess durchlaufen, basierend auf ein interner Datenfeed und die Durchsuchung externer Domäne.       

• Digitale Ziegel und Zement

Auch ein Besuch in einem realen Geschäft kann mit Hilfe von Machine Learning persönlicher und angenehmer gestaltet werden. Anhand früherer Kaufentscheidungen eines Kunden, kennt man dessen Geschmack und kann man seinen aktuellen Lagerbestand durchlaufen. So kann man Vorschläge für Produkte machen die Geschmack, Größe und übliche Preisspanne des Kunden entsprechen und vorhanden sind. Ein Digitaldisplay kann das Checkout vor Ort übernehmen und dabei helfen, die Kundenpräferenzen für künftige Personalisierung noch besser zu verstehen.  

Finanzen: Ein automatisierter persönlicher Berater

Machine Learning wird auch die fortschreitende digitale Transformation des Finanzsektors antreiben. Kunden bekommen dadurch mehr Klarheit und Transparenz und einfacheren Zugriff auf Hilfsmittel und Dienste.

• Automatisierte Beratung

Das Erstellen einer Finanzplanung kann ziemlich viel Stress verursachen. Es gibt ein Dutzend Faktoren, die auf die finanziellen Entscheidungen einer Person Einfluss nehmen und der finanzielle Weg ist für niemand von Anfang bis Ende gleich. Machine Learning kann die Entscheidungen (und deren Folgen) aller Kunden mit einbeziehen um zu verstehen wo der einzelne Kunde sich auf seinem finanziellen Weg befindet und ihn über die optimalen Folgeschritte zu beraten.  

• Die richtigen Infos liefern

Es ist sehr wohl möglich, dass jemand, der den Suchauftrag ‘Wie bereitet man sich auf die Geburt eines Babys vor’ eingibt, an die gleichen Inhalte interessiert ist als derjenige, der sich fragt: ‘Um wieviel mehrt sich der Wert einer Schuldverschreibung innerhalb von 18 Jahren?’ Durch Natural Language Processing lernt die Digital Experience-Plattform ständig von Suchaufträgen. Dadurch ist sie in der Lage, dem Benutzer automatisch die besten Infos zur Verfügung zu stellen und eine Benachrichtigung zu erstellen, falls eine Kategorie die oft gesucht wird mehr Inhalte benötigt.

• Bedürfnisse von Besuchern verstehen

Auf Meta-Ebene kann eine Analyse des Klickverhaltens aller Besucher dabei helfen, nützliche Inhalte für spezifische finanziellen Fragen zu selektieren. Besuchen etwa viele Nutzer nach dem Lesen über Studentendarlehen die Seiten mit Budgetierungs-Tipps? Aufgrund dieser Information kann man einschätzen welche Inhalte wo eingesetzt werden können. In persönlichen Fällen können Daten über die finanzielle Historie und die aktuelle Situation darauf hindeuten, wo sich jemand auf seinem finanziellen Weg befindet. Das bietet die Möglichkeit, automatisch Infos für den nächsten Schritt bereitzustellen.

Fertigungsindustrie: Effizienz durch die ganze Kette hindurch

Produktionsprozesse sind schon immer von Daten und Analysen abhängig gewesen. Mit Machine Learning können diese Infos unendlich viel schneller und effizienter verarbeitet werden, damit Unternehmen ihre Produktion mühelos multiplizieren und ihre Supply Chain rationalisieren können.

• Bestandsoptimierung

Mit Machine Learning kann man die großen Datenmengen, die durch die ganze Supply Chain hindurch gesammelt werden, nutzen um Einblicke zu schaffen, die Prozesse weitgehend optimieren können. Durch das Zusammenfügen von Infos über Bestand, Ressourcen, Fertigungskapazität, Transportmittel und sogar Wetterlage sind Fertigungsunternehmen in der Lage, ihre Kette äußerst effizient einzurichten und zu automatisieren. Wenn ein Kunde von einem bestimmten Produkt zu wenig auf lager hat, wird dies automatisch gemeldet und wird die optimale Supply Chain Timeline errechnet um eine ununterbrochene Auslieferung zu garantieren.

• Personalisierte Leistungsdaten (und Vorhersagen)

Die ausführliche Datenanalyse mit Hilfe von Machine Learning schafft nicht nur eine größere Effizienz, sie informiert Kunden und Mitarbeiter ebenfalls über ihre Supply Chain und gibt Ihnen mittels automatisierter Leistungsberichte Kontrolle darüber. Diese Berichte geben in Echtzeit Einblicke in die vollständige Supply Chain und können außerdem Vorschläge für Kosten- und Zeitersparnisse machen. Für potentielle Kunden können die Daten bereits existierender Kunden mit ähnlichem Umfang und identischer geographischen Lage zusammengefügt werden um einen sehr zuverlässigen spekulativ-Bericht zu erstellen.   

• Produktinnovation und -Optimierung

Durch die Analyse der Anschaffungsdaten bekommt man nicht nur einen Einblick in die Produktvariationen und -Eigenschaften die von den Kunden bevorzugt werden, sondern entdeckt man auch welche Variationen nicht gut angenommen werden. So kann aus den Daten hervorgehen, dass 500 Produktvariationen mit nur den beliebtesten Eigenschaften von den Kunden genauso gut angenommen werden als 5.000 verschiedene Variationsmöglichkeiten. Diese Erkenntnis ermöglicht es, Produktionsprozesse zu rationalisieren und zu niedrigeren operativen Kosten effizienter einzurichten.  

Eine Welt voller Bequemlichkeit

Am Ende des Tages werden die Unternehmen die die Bedürfnisse ihrer Kunden am besten erkennen und darauf einspielen mit der Höchstnote beurteilt. Mithilfe von Machine Learning können Unternehmen diese Bedürfnisse in nie vorher dagewesenen Umfang erkennen und befriedigen.

Blicken Sie jetzt mal auf Ihren Tag bis jetzt zurück: wie oft haben Sie Wellpappe benutzt – denken Sie an ein geliefertes Paket, einen Coffee-to-go, eine Klopapierrolle – ohne darüber nachzudenken? Genauso werden Machine Learning und Künstliche Intelligenz in unser Leben infiltrieren. (Noch) nicht in Form von Robotern, sondern durch auf kluge Art und Weise auf unsere Entscheidungen aus der Vergangenheit einzuspielen und damit unser Leben immer etwas einfacher zu machen.