Maschinelles Lernen im E-Commerce:
10 Anwendungsfälle, Beispiele und Best Practices

Maschinelles Lernen im E-Commerce: 10 Anwendungsfälle, Beispiele und Best Practices

5. September 2023

ML im E-Commerce: Marktstatistiken

+ 5-15%

Umsatzsteigerung durch die Einführung ML-basierter Produktempfehlungssysteme

McKinsey

+ 1,7 Billionen Dollar

Der Wert, den KI, einschließlich ML, im einzelhandel voraussichtlich schaffen wird

McKinsey-Einblicke

+ 25%

Bei Kundenzufriedenheit und Umsatz, die durch ML im E-Commerce erzielt werden

Gartner

+ 94%

Zuwachs an qualifizierten neuen Website-Besuchern durch die Nutzung sozialer Daten und maschinellen Lernens im Einzelhandel und E-Commerce

Deloitte

Die 10 wichtigsten Anwendungsfälle für maschinelles Lernen im E-Commerce

Von Marketing und Kundenbetreuung bis hin zu Logistik und Sicherheit: ML im E-Commerce ebnet den Weg für Innovationen in verschiedenen Unternehmensfunktionen. Lassen Sie uns herausfinden, wie Algorithmen des maschinellen Lernens in diesem Bereich angewendet werden und welche Vorteile E-Commerce-Unternehmen durch die Implementierung von ML in ihren Betrieb erhalten können.

Motoren für Empfehlungen

ML-basierte Empfehlungssysteme sind ein fester Bestandteil aller großen E-Commerce-Plattformen und Online-Shops, da sie das Upselling fördern. Diese Systeme können zwei verschiedene Ansätze verfolgen, um Vorschläge zu machen. Diejenigen, die auf inhaltsbasierter Filterung beruhen, überprüfen die Kaufhistorie eines Kunden und empfehlen andere Produkte mit ähnlichen Eigenschaften wie die bereits gekauften. Systeme, die mit kollaborativer Filterung arbeiten, schlagen dagegen Produkte vor, die bereits von anderen Nutzern mit ähnlichem Kaufverhalten bestellt und positiv bewertet wurden.

Vorteile
Höherer durchschnittlicher Bestellwert, höherer Kundenlebenswert
Content-based filteringBlurgBought by BlurgRecommended to BlurgSimilar itemsnoisybluefancycan be used in spacenoisybluefancycan be used in spaceCollaborative filteringBlurgBought by both usersSimilar itemsBought by Blurg, recommended to ZorgZorg

Gezielte Werbung

Ähnlich wie bei Empfehlungssystemen geht es bei dieser Technik darum, den Absatz durch individuelle Anpassung zu fördern. Potenzielle Neukunden können anhand einer Vielzahl von Parametern wie ihrer Interaktionen in sozialen Medien, früheren Online-Einkäufen (auch in virtuellen Geschäften), dem Google-Suchverlauf und anderen Arten von großen Daten, die im E-Commerce verwendet werden, segmentiert und mit maßgeschneiderten Anzeigen angesprochen werden. Anschließend verarbeiten Algorithmen des maschinellen Lernens diese Informationen, um das Verhalten und die Kaufgewohnheiten der Kunden zu erfassen und vorauszusagen, welche Produkte ihnen gefallen könnten.

Vorteile
Verbesserte Lead-Konversion, optimierte Marketingkosten und ROI

Intelligente Suchmaschinen

Traditionelle Suchmaschinen, die in E-Commerce-Shops integriert sind, gleichen die für die Website-Suche verwendeten Schlüsselwörter mit denen ab, die zur Beschreibung der vorrätigen Produkte gewählt wurden. Erweitert um Deep-Learning-basierte Funktionen zur Verarbeitung natürlicher Sprache können diese Tools jedoch ein viel tieferes Kontextverständnis erreichen. So kann eine ML-gesteuerte Engine beispielsweise eine breitere Palette von Synonymen berücksichtigen. Sie kann auch den Suchprozess auf der Website in Echtzeit anpassen, indem sie einige Ergebnisse entsprechend den Kaufgewohnheiten und dem Geschmack der einzelnen Nutzer priorisiert.

Vorteile
Einfachere Inhalts- oder Produktrecherche für ein reibungsloseres Nutzererlebnis
Zorglaser gunsearched by ZorgSimilar keywordslaser pistolsuggested to ZorgHigher context understanding capabilitiesConsideration of a broader range of synonymsSearch prioritization based on users' purchase habitsZorglaser gunsearched by ZorgSimilar keywordslaser pistolsuggested to ZorgHigher context understanding capabilitiesConsideration of a broader range of synonymsSearch prioritization based on users' purchase habits

Titel des Themas: Durch maschinelles Lernen gesteuerte intelligente Suchmaschine

Optimierung der Preisgestaltung

Einige E-Commerce-Plattformen und Online-Shops nutzen maschinelles Lernen, um ihre Preisstrategien zu optimieren und Rabatte oder andere Werbeaktionen zu personalisieren. Diese Technik, die in der Regel als dynamische Preisgestaltung bezeichnet wird, beinhaltet regelmäßige und individuelle Preisanpassungen (im Falle von Amazon sogar alle paar Minuten) auf der Grundlage persönlicher Nutzerdaten, der Preisentwicklung ähnlicher Produkte, Verkaufstrends, Angebote der Konkurrenz, der Nachfrage im Vergleich zum Angebot und mehr.

Vorteile
Maximierung des Umsatzes und Minimierung der Kundenabwanderung
Static pricing (single price point)PriceDemand1standard priceThe revenueDynamic pricing (multiple price point)PriceDemand3standard price1premium price5discount price24The revenue

Schematitel: Statische vs. dynamische Preisgestaltung

Chatbots und virtuelle Assistenten

Im Vergleich zu herkömmlichen, regelbasierten Bots, die nur einfache Anfragen lösen können, können KI-Chatbots, die auf der Verarbeitung natürlicher Sprache basieren, auch den Kontext, in dem sie agieren, und lernen vor allem aus Erfahrung, d.h. aus früheren Interaktionen mit anderen Nutzern. Dadurch sind Chatbots in der Lage, eine realistische Konversation zu führen und Menschen bei einer Vielzahl von Kundensupportaufgaben vollständig zu ersetzen. So können sie beispielsweise die verfügbaren Versandoptionen erläutern, Fragen stellen, um die Präferenzen der Kunden zu verstehen, und je nach deren Antworten Gutscheine anbieten.

Vorteile
Größere Interaktivität und durchgehende Unterstützung, bessere Kundenbindung
ChatbotInteraction channelWeb pageSmart agentLive chat, SMMobile appEmailKioskActivity stream Interaction channelHuman machine UXTextVoiceVideoChatbotListening (NLP) “When will I receive my new starship?”Chatting (NLG)“Delivery is scheduled for next Monday.” Knowledge -based dataMachine learningBusiness logic

Titel des Themas: Wie Chatbots funktionieren

Kontextbezogenes Einkaufen

Ein weiteres wichtiges Beispiel für maschinelles Lernen in der E-Commerce-Branche, das speziell dazu dient, Kunden zu Produkten zu führen und ihnen ein interaktiveres Erlebnis zu bieten, sind kontextbezogene Einkaufslösungen. Mit Hilfe von maschinellem Lernen und Computer-Vision-Technologien erkennen diese Anwendungen bestimmte Produkte oder Marken, die in Online-Videos erscheinen, und heben sie hervor. Die Verkäufer können Links zu den entsprechenden Produktseiten einbetten, so dass die Nutzer diese Artikel kaufen können, ohne die Multimedia-Inhalte zu verlassen.

Vorteile
Höhere Kundenbindung, bessere Lead-Konversion
Contextual shopping

Bildtitel: Ein Modenschau-Video mit einem Overlay, das auf die erwähnten Produkte verweist

Trendanalyse und Auffüllung der Bestände

ML kann Einzelhändlern dabei helfen, Angebot und Nachfrage aufeinander abzustimmen, indem sie die kommenden Verkaufstrends im E-Commerce vorhersagen und die Wiederauffüllung der Bestände planen. Dies ist auch für die Optimierung des Katalogs nützlich, wodurch die Lagerauslastung und das Risiko des Verderbens von Lebensmitteln verringert werden. Zu den berücksichtigten Variablen gehören wirtschaftliche Bedingungen, saisonal bedingte Kaufmuster, die Stimmung in den sozialen Medien, Produktbewertungen und -rezensionen. All diese Datenpunkte stammen aus verschiedenen Quellen, wie sozialen Medien, E-Commerce-Websites oder POS-Lösungen.

Vorteile
Optimierte Bestandsverwaltung und minimierter Abfall

Titel des Themas: Datenquellen für die Bestandsoptimierung
Datenquelle: deloitte.com - Das Zeitalter der KI zur Vernetzung des Einzelhandelsunternehmens der Zukunft

Optimierung der Lieferung

Maschinelles Lernen im Einzelhandel und E-Commerce erleichtert den Produktvertrieb durch Lösungen zur Lieferoptimierung. Sie verarbeiten Daten aus früheren Fällen und schlagen die besten Versandmethoden und -bedingungen (z. B. kostenlose oder eintägige Lieferung) entsprechend den Kundenerwartungen vor. Der eigentliche Versand kann durch eine auf maschinelles Lernen gestützte Routenplanung beschleunigt werden. Diese Lösungen analysieren Echtzeit-Verkehrsdaten, Wetterbedingungen sowie die Erfahrung und Leistung der Fahrer, um die schnellste Route zu empfehlen.

Vorteile
Verbesserte Logistik, einschließlich schnellerer Lieferungen
Delivery optimization

Bildtitel: Onfleet' Routenoptimierungslösung
Datenquelle: onfleet.com - Power your retail & eCommerce deliveries

Selbstfahrende Fahrzeuge

Eine weitere Form des maschinellen Lernens zur Verbesserung der Produktauslieferung ist der Einsatz von selbstfahrenden Fahrzeugen, die mit ML-Algorithmen, Deep Learning und Computer Vision arbeiten. Allerdings befinden wir uns noch im Bereich der Erprobung und nicht in der Phase der vollständigen Umsetzung. Dennoch investieren einige Pionierunternehmen wie Amazon und Kroger in diese Technologien mit recht vielversprechenden Ergebnissen, insbesondere um die Auslieferung auf der letzten Meile zu beschleunigen und die Kosten zu minimieren.

Vorteile
Schnellere und billigere Produktlieferung
Self-driving vehicles

Bildtitel: Krogers selbstfahrendes Fahrzeug für die Lebensmittellieferung
Datenquelle: businessinsider.com - Kroger hat selbstfahrende Lebensmittellieferungen in Arizona eingeführt

Aufdeckung von Betrug

Viele Unternehmen haben bereits ML als potenzielle Waffe zum Schutz ihrer ecommerce/portale vor einer Vielzahl krimineller Handlungen, einschließlich Identitätsdiebstahl und betrügerischer elektronischer Zahlungen, ins Auge gefasst. ML-Algorithmen können in den von ihnen verarbeiteten Daten wiederkehrende Muster erkennen, aber auch feststellen, wenn etwas "gegen die Regeln" verstößt. In der Tat wird ML in der Betrugserkennung häufig eingesetzt, um Anomalien unter den untersuchten Kreditkartenkonten zu erkennen (z. B. eine zunehmende Häufigkeit von Transaktionen), die Anzeichen für Betrugsversuche sein können.

Vorteile
Verbesserte Unternehmenssicherheit und sicherere Transaktionen