Chamerstrasse 44, 6331 Hünenberg
+41 41 511 10 10

Targeted Recommendations: Sind Ihre Produktempfehlungen persönlich genug?

Produktempfehlung im Online Marketing: Jeder kennt sie, aber nicht immer sind sie passend oder willkommen. Targeted Recommendations, also das Ausspielen personalisierter Empfehlungen von Content, Angeboten oder Produkten, basiert auf analytisch überarbeitetem Kundenwissen und ist entsprechend passgenau.

Wenn Sie gezielt Empfehlungen auf der Website/im Onlineshop aussprechen können, werten Sie diesen (Verkaufs-)Kanal auf, was für die Erhöhung des Umsatzvolumens von grosser Relevanz ist. Eingebunden in ein optimiertes Omni-Channel Kampagnenmanagement profitieren sowohl Sie selbst als auch Ihre Kunden:

Was können Sie für Ihr Unternehmen mittels targeted Recommendations erreichen?

  • Zusätzlichen Umsatz durch Cross- und Up-Selling bei bestehenden Kunden
    … durch Anregung (zu Spontankäufen) von relevanten Angeboten
    … durch emotionaler Bindung, höhere Brandaffinität
    … durch Bindung in Form von vermehrtem Aufenthalt auf der Website.

Welchen Mehrwert können Sie Ihren Kunden mit personalisierten Empfehlungen bieten?

  • Darbietung relevanter und Reduktion irrelevanter Inhalte oder Produkte
    … nach dem Prinzip „Anregung anstelle von Überflutung”
    … und eine gelungene Positionierung als „Unternehmen, das meine Bedürfnisse versteht”.

Häufig stellt die Website im Rahmen einer Customer Journey mehrmals einen bedeutenden Touchpoint dar. Eine passende Empfehlung erhöht die Wahrscheinlichkeit für eine direkte Conversion. Personalisierte Empfehlungen können nicht in jeder Phase des Kundenlebenszyklus / customer lifecycle erfolgreich ausgesprochen werden. Ist das Kundenwissen zu gering, dann kommen andere, nicht personalisierte Empfehlungsvarianten zum Einsatz.

In diesem Blog geht es um folgende Themen:

  • Kurzer Rückblick zu Recommender Systemen, die die Empfehlungen generieren.
  • Danach geht es darum, was Sie von Empfehlungen aus diesen Systemen erwarten können,
  • Wann, wie und wo die Berechnungen und Ausspielungen erfolgen,
  • Wie neben online- auch offline (Kunden-)Daten berücksichtigt werden können und
  • Wie Sie Empfehlungen mit und ohne Bezug zum Kampagnenmanagement einsetzen können.

Wir hoffen, Ihr Interesse für spannende Aspekte rund um Recommendations geweckt zu haben!

Recommender Systeme im Überblick: Unterschiedliche Aussagen verschiedener Ansätze

Recommender Systeme gibt es bereits seit mehr als 20 Jahren. Heute sind sie weit verbreitet, werden aber unterschiedlich differenziert eingesetzt. Diverse Ansätze lassen sich nach Datengrundlage unterteilen in Content-based –, Collaborative filtering und Hybridansätze.​

​Content-based Ansätze betrachten Produkteigenschaften und empfehlen Produkte mit ähnlichen Eigenschaften in der Annahme, dass ein Kunde auf die Struktur der Produkteigenschaften anspricht. In der Praxis sind derartige Empfehlungen gut geeignet, wenn ein unbekannter User auf die Website kommt oder wenn keine personalisierten Empfehlungen vorliegen.

Collaborative filtering-Ansätze (CF) schauen nach Kunden-/User-Ähnlichkeit in Verhalten/Bewe-gungsdaten und sprechen dann Empfehlungen gemäss den Vorlieben der „Kollaboration” aus. Dabei gibt es Untergruppen wie Memory-based CF- und Model-based CF-Ansätze. Dies entspricht einer Unterscheidung nach dem grundlegenden Vorhersagemodell:

  • Memory-based CF benötigen die gesamte Kunden-/User Datenbank um Empfehlungen zu kreieren. Ein typischer Vertreter ist das User-based CF: “Users who are similar/close to you also liked …”
  • Model-based CF erlernen mittels Machine Learning ein kompakteres Modell aus den Kunden-/User- Daten und nutzen dann das Modell mit optimiertem Inhalt zum Generieren der Empfehlungen. Ein typischer Vertreter hierfür ist das Item-Based CF: “Users who liked this also liked …”

Alle Ansätze können auf Bewertungsdaten (Ratings) ebenso wie auf 0-1 Daten (Produkt gekauft nein/ja) angewendet werden.

Bevor valide Empfehlungen berechnet und ausgespielt werden können sind grosse Mengen an Verhaltensdaten Basis aller genannten CF-Ansätze:

  • Mehrfachkäufe derselben Produkte mit ausreichend langer Produktlebensdauer,
  • Mehrfachbewertungen derselben Objekte,
  • Mehrere Käufe/Bewertungen pro Kunde/User,
  • Traffic auf der Website.

Mit allen Ansätzen sind typische Vor- und Nachteile verbunden, die wir Ihnen gern mit Bezug zu Ihrer eigenen Situation und Ihren Daten darlegen.

Was können Sie von Empfehlungen aus Recommender Systemen erwarten?

Die Ausspielung von Recommendations und insbesondere von targeted Recommendations stellt eine sehr effektive Ergänzung im Kontext verschiedener Marketingmassnahmen zur Umsatzsteigerung dar. Dieser Effekt wird noch verstärkt, wenn Ausspielungen auch kampagnengesteuert angeregt werden können. Möchten Sie z.B. Produkte zu einem Themenkreis online in den Vordergrund stellen und dennoch Empfehlungsregeln berücksichtigt wissen, können Sie mit einer geeigneten Marketing Automation Lösung entsprechend Priorisierungen vornehmen. In dem Fall erhalten Ihre Kunden mit Affinität zu dem gewünschten Themenbereich entsprechende Ausspielen, andere Kunden dagegen nicht.

Bereichern Sie Ihr Kampagnenmanagement durch Integration von Empfehlungscontent bezogenen Kampagnen.

Empfehlungen aus einem Recommender System können automatisiert oder kampagnengesteuert ausgespielt werden. Im ersten Fall müssen Sie womöglich einige Nachteile in Kauf nehmen:

  • Neue Produkte und wenig nachgefragte, womöglich teurere Produkte werden kaum oder in wenig sinnvollem Kontext ausgespielt,
  • Dies gilt auch bei einem häufig wechselnden Produktsortiment,
  • Alle Empfehlungen sind „nur” statistisch und nicht inhaltlich begründet.

Im zweiten Fall kann zusätzliche Intelligenz in die Ausspielungsteuerung eingebracht werden.

Wo und wann werden die Empfehlungen berechnet?

Die Empfehlungen werden entweder in kommerziellen oder in selbst programmierten Recommendation Engines errechnet, die in Onlineshops modular integriert werden. Eine Recommendation Engine ist ein – teilweise plattformunabhängiges – Tool, das die (durch den Onlineshop erzeugten) Daten verwendet, Strukturen erlernt, eine der oben genannten Algorithmen-klassen anwendet und Regelwerke oder direkte Empfehlungen dem Shopsystem übergibt. Je nach Lösungsanbieter sind die Tools noch um weitere Funktionalitäten ergänzt (z.B. A/B Test).

Empfehlungen können auch komplett ausserhalb einer solchen Engine errechnet, die Ergebnisse dann via Schnittstelle an das Shopsystem übergeben und dort in Realtime ausgespielt werden.

Die Hauptaufgaben der Lösung, also erstens die Berechnung der Empfehlungen, zweitens deren Übergabe an den Shop und drittens deren Aufbereitung und Ausspielung müssen nicht alle in Realtime erfolgen.
Gerade bei grossen Datenmengen – womöglich aus verschiedenen Datenquellen –, und/oder dem Einsatz Ressourcen beanspruchender Algorithmen macht es Sinn, den ersten Teil zu separieren und nicht in Realtime zu berechnen. Diese Berechnung kann z.B. nur 1x pro Nacht erfolgen.

In Realtime muss zwingend der Abruf der Empfehlungen sein. Je nach Stand der Identifikation des Users/Kunden können immer spezifischere Empfehlungen zum Einsatz kommen. Diese Aufgabe kann direkt in der Webapplikation integriert sein oder über einen Web Service erfolgen.

Und wie hängen Ihre Datenquellen mit der Recommendation Engine zusammen?

Die folgende Graphik gibt schematisiert einen Überblick zur Architektur einer customized Lösung. In diesem Beispiel ist das DWH Dreh- und Angelpunkt aller Aktivitäten und Komponenten. In Ihrem Fall sieht eine Gesamtlösung womöglich etwas anders aus.

Die Recommendation Engine verarbeitet in diesem Beispiel Kunden/User Daten aus dem Data Warehouse, dem Marketing Tool sowie Realtime-Kunden/User Verhaltensdaten aus dem Web. Da die Engine keine ‚Business Intelligenz’ hat, müssen im Web durch Regelwerke ad hoc und situationsbezogen Ausspielungen unterschiedlich priorisiert werden. Der Kunde/User sieht dann quasi eine durch Regel¬werke gefilterte Empfehlung. Die Aktivitäten im Web gelangen dann über verschiedene Wege wieder in das Data Warehouse und fliessen in aktualisierte Berechnungen ein.

Wie integrieren Sie Ihre Offline-Daten? Know How beim Zusammenführen der Daten ist gefragt!

Sie haben einen grossen Kundenstamm und diese Kunden kaufen bei Ihnen bereits seit Jahren offline ebenso wie online. Die Qualität einer targeted Recommendation in Ihrem Onlineshop oder in Ihrem Newsletter ist dann umso besser, wenn Sie das gesamte Kundenverhalten im Sinne einer on-offline Integration darin einfliessen lassen können.

Wenn Sie die Verhaltensdaten des Kunden aus den Sessions im Onlineshop personenbezogen herausziehen und mit den offline Daten matchen können, erhalten Sie eine ungleich bessere Analysebasis als bei alleiniger Berücksichtigung des Onlineverhaltens.

Erweiterung der Empfehlungsvarianten: Kombinieren Sie

Als Output aus der Empfehlungsrechnung erhalten Sie zum Beispiel pro Kunde/User und pro Produkt/Content einen Score, der Massstab für die Ausspielung ist. Vorhin haben wir bereits einige unpassende bzw. fehlende Ausspielungssituationen erwähnt.

Erstellen Sie separate Scores für diese Situationen, für neue Produkte, teure Raritäten. Definieren Sie aus Ihrem Fachwissen heraus Produktgruppen, Themenkreise, Content, Szenarien, für die spezielle Regeln gelten. Diese lassen sich ebenfalls als Score formulieren. Sie verfügen dann zusätzlich zu den Recommendations aus dem Item-Based CF über ‚intelligente’ inhaltsbezogene Empfehlungsvarianten.

Regelwerke und Priorisierung im Kampagnenmanagement: Realtime-Anforderungen

In der Praxis geht es um Priorisierung bei Nicht-/Ausspielungen in Realtime. Regelwerke müssen verschiedene Situationen abdecken, die auch mit dem Grad der User Identifikation zusammenhängen:

  • Ausspielungen für völlig unbekannte User oder für identifizierte User ohne Kundenbezug
  • Ausspielungen orientiert am Verhalten in der Session
  • Keine Empfehlung bereits gekaufter oder im Warenkorb befindlicher Produkte/Content
  • Keine Empfehlung bereits mehrfach ausgespielter aber unbeachteter Produkte/Content
  • … .

Priorisierung im Kampagnenmanagement ist eine starke Variante, steuernd in die Ausspielung einzugreifen:

  • Ausspielungen für Personen ausgewählter Kundensegmente, – kanalspezifische Ausspielungen der Empfehlungen (z.B. nur im Newsletter)
  • Themenspezifische Höherbewertung von Ausspielungen
  • … .

Das Regelwerk muss immer auf die Konstellation bei einem Kunden abgestimmt und detailliert konzipiert werden.

Gerne erarbeiten wir mit Ihnen gemeinsam eine Lösung, die Ihr bereits erfolgreiches Business noch weiter bringt.

23. August 2017

Leave a reply