Blog

Machine Learning im Einzelhandel – so sichert man heutzutage die Kundenzufriedenheit

Befassen wir uns heute mal mit der praktischen Anwendung von Machine Learning im Alltag. In diesem Fall: Im Einzelhandel.

In der heutigen, digitalisierten Zeit des Online Shoppings, sind personalisierte Werbungen und kanalübergreifende Angebote, die auf uns zutreffen sollen, Standard. Warum? Beim modernen Einzelhandel dreht sich alles um Personalisierung. Es dreht sich alles um den Kunden und seine Zufriedenheit – und da jeder Kunde anders ist, muss man trotzdem den Wünschen von Allen gerecht werden.Es gehört jedoch einiges dazu, einen erfolgreichen Online Shop zu betreiben: Eine ansprechende Website, wettbewerbstaugliche Preise und das ständige Verbessern um noch im Wettbewerb bleiben zu können, und nicht von der Konkurrenz ausgeschaltet zu werden.

Haben Sie schon einmal davon geträumt wie es wäre, wenn man im Voraus wüsste welche Produkte Ihre Kunden kaufen würden? Wie wäre es, wenn Sie Ihre Gewinne maximieren können, indem Sie den höchsten Preis, den ein Kunde für ein gewisses Produkt ausgeben würde, errechnen könnten? Was ist, wenn Sie den Kundendienst optimieren könnten um Bedenken auszuräumen bevor sie zu Problemen werden?

Glücklicherweise wird Händlern das einfacher gemacht: Durch Machine Learning Algorithmen. Diese Algorithmen können Einzelhändler zu ihrem Vorteil nutzen um wettbewerbsfähiger in verschiedenen Aspekten zu werden, und ihr Business zu verbessern. Zu den Aspekten gehören Punkte wie Preis, Inventarprognosen, Kostenreduzierung etc.

Durch Machine Learning wird Ihnen eine Menge Programmierung erspart bleiben und führt deswegen auch zu reduzierten Kosten für Ihr Unternehmen. Statt 10 Beschäftigte zahlen zu müssen, die mühsame Arbeit tun, könnten Sie automatisch Algorithmen überwachen und implementieren, die kontinuierlich Ihr E-Commerce-Geschäft und Ihre Lagerbestände prüfen und optimieren. Diese Automatisierung verschafft Ihnen die Freiheit sich mit anderen Aspekten Ihres Geschäftes zu konzentrieren.

Es ist als Händler in der heutigen Zeit wichtig alle Kommunikationskanäle zu nutzen, denn ansonsten verliert man. Die Studie der Potsdamer Universität „Wettbewerbsfaktor Analytics – Reifegrad ermitteln, Wirtschaftlichkeitspotenziale entdecken“ fand heraus, dass nur jedes vierte Handelsunternehmen seine Daten für den Vertrieb und Service nutzt, um sich durch daraus folgenden Analysen zu verbessern.

Um diesen Fehler nicht zu begehen, sollten Firmen heutzutage auf Predictive Analytics setzen. Durch Auswertung von Big Data kann der Händler prüfen, was der Kunde will, was seine Interessen sind und wie er künftige Kunden anlocken und halten kann, für die Preis und Kundenservice eine große und entscheidende Rolle spielen.

VieleHändler haben es bis jetzt nicht allzu Ernst genommen, vergangene Kundenerfahrungen im Portfolio sicherzustellen um dadurch einen Überblick zu haben was gut oder schlecht bei ihren Kunden ankommt.

Leider verfügen viele Firmen über herkömmliche, veraltete Warenwirtschafts- und Supply-Chain-Systeme mit langsamen, inflexiblen Dispositions-, Bestandsmanagement- und Preisgestaltungsprozessen, deren Auswertungen sich über einen langen Zeitraum erstrecken.

Unter dem nächsten Bild sieht man anhand des Beispiels Amazon und Netflix wie Daten richtig ausgewertet werden, um in Zukunft mehr Kunden anzuziehen, bzw. mehr auf einzelne Kunden einzugehen:

Predictive-Analytics-and-Customer-Behavior-Infographic-Lattice-Engines

Sobald ein Kunde etwas kauft oder sich mehrere Sachen anschaut, wird dies Dokumentiert und als Data in den Algorithmus eingespeist. Ähnliche Käufe von verschiedenen Kunden werden verglichen, ihre Rezensionen zu Produkten werden analysiert und daraus macht der Algorithmus Vorschläge für zukünftige Käufe. Schaut sich eine schwangere Frau, zum Beispiel, über einen bestimmte Zeitraum Baby-Artikel an bei Amazon, werden ihr beim nächsten Mal wo sie auf der Seite ist, wieder Baby-Artikel vorgeschlagen, weil ihre Daten – in dem Fall ihre Suchanfragen – gespeichert und ausgewertet wurden. Daraus ließ sich schließen, wo ihr Interesse lag. Darüber hinaus kann das System ihr statt Baby-Artikel auch andere Dinge anbieten, die für eine Schwangerschaft relevant sind um so die Angebote die man einem Kunden macht breiter zu fächern.

Auch bei Netflix ist das Prinzip nicht anders. Filmbewertungen von Nutzern werden gespeichert und ausgewertet um daraus zu erschließen, wo das Interesse liegt um in Zukunft viele Filme und Serien zu diesen Themen bieten zu können.

Eine andere Methode wie man seinen Kunden „kennen lernt“ ist ein Fragebogen, wie heutzutage viele Websites anbieten.

Five-Four-Club-1-e1406131200203

In dem Fall des Five Four Clubs, müssen die Kunden einen Fragebogen ausfüllen, indem sie Angaben zu ihren Vorlieben machen. Sie werden ausgefragt und später wertet der Computer diese Angaben aus, um herauszufinden, welchen Geschmack der Kunde hat und was ihm Gefallen könnte aufgrund der von ihm persönlich ausgefüllten Angaben.

Machine Learning ist ein Prozess. Man benötigt Trainingsdaten, die wiederum Geld kosten. Um Machine Learning in den alltäglichen Business-Prozess einzubauen, muss der Algorithmus mit vielen Beispieldaten gespeist werden. Je mehr Daten er dann beinhaltet desto intelligenter ist er.

Ein Beispiel dafür wäre das ständig weiterentwickelte, kognitive Computersystem Watson des IT- und Beratungsunternehmens IBM.

Laut IBM sind 80% aller Daten rund um den Globus unsichtbar und unstrukturiert. Sie bringen keinen Nutzen, da die meisten Systeme nichts mit ihnen anfangen können. Die IBM Cloud Watson kann diese Daten aufspüren und sie nutzbar zu machen.

Watson versteht verschiedene Sprachen, ist selbstlernend und kann Millionen von unstrukturierten, komplexen Daten in Sekundenbruchteilen analysieren um sie in natürlicher Sprache wiederzugeben. Dies hilft die verfügbare Datenmenge zu verstehen. Anschließend werden Hypothesen erzeugt und bewertet um Antworten auf der Basis von relevanten Nachweisen zu erstellen.

Die Firma Northface macht sich Watson zu Nutzen auf ihrem Online Shop.

The-North-Face-Watson

Kunden kommunizieren aktiv mit dem System anstatt, wie sonst üblich, aus einer Reihe von Angezeigten Produkten zu wählen. Man wird z.B. gefragt für welchen Anlass man eine Jacke braucht – sei es ein Trecking-Trip oder einfach nur um den Winter zu überstehen – auf was man besonders achtet, welche Features man gerne hätte. Das System wertet die Antworten dann aus und schlägt einem passende Produkte vor. Dies hat zum Vorteil, dass man nicht mühselig nach dem passenden Produkt suchen muss, sondern es einem direkt vorgeschlagen wird.

 

Möchte ein Händler jetzt den besten Preis für sein Produkt auswählen, ist das nicht ganz einfach. Machine Learning Tools können dem Verkäufer dabei helfen: Sie können sich dem Konsumverhalten anpassen und helfen zu verstehen, welche Gründe hinter einzelnen Kaufentscheidungen stecken. Dies ist besonders bei der Einführung neuer Produkte nützlich. Aber genauso wichtig wie der richtige Preis, ist die Menge an Ware die man zur Hand hat, denn der perfekte Preis bringt nichts, wenn man nach kurzer Zeit überraschend ausverkauft ist und nicht an neue Ware gedacht hat. Auch auf einer Menge Ware sitzen zu bleiben ist kein Idealzustand. Auch hier spielt Machine Learning eine wichtige Rolle: Nämlich um genau diese Faktoren im Vorhinein zu kalkulieren damit diese Situationen nicht auftreten. Der Händler hat einen genauen, berechneten Überblick über seine Ware ohne selber mühsam alles auswerten und ausrechnen zu müssen.

Ein weiterer, wichtiger Pluspunkt des Machine Learnings ist, dass es Sicherheit gewährt. Laut Lexis Nexis verloren Händler im Jahr 2015 1,32 Prozent ihres Umsatzes durch Kreditkartenbetrug im Internet. Im Jahre 2014 waren es im Vergleich nur 0,68%. Diese Zahlen tendieren jedoch weiter nach oben. Sicherheitsplattformen wurden zwar zum Schutz errichtet, jedoch werden Online Betrüger immer raffinierter. Daher ist es entscheidend Tools zu haben, die das Verhalten von Betrügern analysieren, um in Zukunft vor ihnen zu schützen und weitere Angriffe zu verhindern. Machine Learning Tools, die dazu ausgelegt worden sind Betrugsfälle zu unterbinden und deswegen mit genug Beispieldaten versorgt wurden um Benutzermuster und Benutzerverhalten zu analysieren und zu erkennen, können den Händler alarmieren, wenn sich etwas auffälliges auf der Seite abspielt.

Zukünftig mit fortschreitender Digitalisierung, wird Machine Learning ein wichtiger Teil jeden Unternehmens sein und Arbeitsvorgänge effizienter und schneller ausüben. Diese Cloud-Systeme können ständig weiterentwickelt werden und somit intelligenter werden als sie jetzt schon sind.

Masiar IghaniMachine Learning im Einzelhandel – so sichert man heutzutage die Kundenzufriedenheit