Machine Learning ist für Plattformen und große Onlinehändler inzwischen so etwas wie ein Zauberwort. Viel Magie scheint hinter dem intelligenten Umgang mit den Datenmengen zu stecken. Doch die Zutaten des Zaubertranks sind durchaus profan, werden erschwinglicher und damit das Bild vom Handel massiv verändern.
Online-Handel-Erholung, DMs Online-Apotheke, Der Handel, Social-Media-Verbot, Temu, Walmart, JD.com, Mobile Wallets, Pacsun
Kompliziert?
Ein Beispiel: Der Curated Shopping-Anbieter StitchFix bietet Frauen fünf Kleidungsstücke in einer Box an. Bei der Zusammenstellung nutzt StitchFix persönliche Angaben, aber auch Informationen von sozialen Medien oder das Wetter. Je nach Art der Retouren wird der Inhalt weiterer Boxen individuell angepasst. Je länger die Kundin das Angebot nutzt, desto besser kann sich StitchFix auf den individuellen Geschmack einstellen. Wie der aussieht, das knobelt die Maschine aus. Besser gesagt: Der Algorithmus modelliert ein Bild des Kunden, prüft eigenhändig neue Thesen – immer mehr ohne menschliche Intervention.
Machine Learning kann also helfen, dass ein Webshop eine bessere personalisierte Kundenerfahrung bietet. Weil die Analysen und Vorhersagen passendere Artikel vorschlagen oder die Webseite anhand der bisherigen Customer Journey optimieren.
Einsatzgebiete im Onlinehandel sind daher unter anderem:
Treiber der Entwicklung im Handel sind daher neben den Softwaren-Anbietern die üblichen Verdächtigen: Amazon, eBay, wo man vollmundig erklärt, wie eBay’s Technologie für maschinelles Lernen Grenzen einreißt, Zalando, Google oder auch Otto im Verbund mit der Software-Tochter Blue Yonder.
Eher spielerisch zeigt künftige Möglichkeiten das Projekt „Muze“ von Zalando und Google auf. Auf der Online-Plattform www.projectmuze.com kann man persönliche Vorlieben angeben und wird dann mit einem personalisierten Mode-Entwurf belohnt. Kaufen kann man das Design aber noch nicht. Project Muze basiert auf Googles Open-Source-Plattform TensorFlow, nutzt ein neuronales Netzwerk und arbeitet mit Informationen aus dem Google Fashion Trends Report und Zalandos Expertise im Mode-Trend-Bereich. Der britische Onlinehändler Ocado nutzt die Open-Source-Plattform TensorFlow beispielsweise bereits im Kundenservice. Die Maschine sortiert die Kundenfragen und lernt dabei, wie sie die Anfragen für den Mitarbeiter im Call Center immer besser strukturiert.
Konkret zeigt sich Machine Learning bei eBay bei einem der zentralen Elemente im Online-Shop - der Suche: Der Online-Marktplatz schafft mithilfe von Algorithmen zum Maschinellen Lernen ein neues und innovatives Sucherlebnis auf der Plattform.
„Bei eBay wenden wir Techniken des maschinellen Lernens an, um einzelne Angebote einem konkreten Produkt zuzuordnen, Preise zu prognostizieren und Artikel zu kategorisieren“, sagt Selcuk Kopru, einer der Wissenschaftler, der daran arbeitet, maschinelles Lernen in die eBay-Suche zu integrieren. „Wir nutzen sie auch für die Zuordnung von Attributen, um die richtigen Namen für Browse Nodes zu generieren, Produktbewertungen zu filtern und für vieles mehr. Maschinelles Lernen hilft uns dabei, die Relevanz für die Käufer bei der Suche und der Navigation zu optimieren.“
Maschinelles Lernen macht bei eBay auch den „Best Match“ genauer. Dazu analysiert ein Algorithmus alle verfügbaren Daten wie die Beliebtheit eines Artikels, den potentiellen Wert für den Käufer bis hin zu den Servicebedingungen wie dem Rückgabegerecht. Das Ergebnis: mehr relevante Angebote, aber auch wenige irrelevante Deals.
Für große Cloud-Anbieter wie Amazon, Google oder Microsoft ist es angesichts des wachsenden Interesses an Machine Learning ein lohnendes Geschäft, den Marketing- und E-Commerce-Spezialisten Werkzeuge bereitzustellen, mit denen diese entsprechende Anwendungen nutzen können. So wirbt beispielsweise Amazon damit, dass sein Angebot "Machine Learning" über die Amazon Web Services auch in einer IT mit geringen Vorkenntnissen leicht einsetzbar sei, ohne dass die Anwender komplexe Algorithmen oder die Technologie erlernen müssen. Trotzdem soll der Service unter anderem bei der Erkennung von betrügerischen Einzelhandelstransaktionen und der vorausschauenden Personalisierung von Inhalten helfen. Google erklärt zudem im Video, wie leicht so ein bisschen Code zu programmieren ist.
Je mehr sich Händler, diese Chancen zu eigen machen, desto mehr wird sich das Bild des Handels wandeln. Händler können bei Preis, Produkt, Logistik, Marketing, Vertriebskanal und Service voneinander völlig losgelöste und atomisierte Strategien fahren, von denen sie mit einer hohen Wahrscheinlichkeit wissen, sie funktionieren auch.
Machine Learning erhöht damit trotz aller Investitionskosten die Effizienz. Der Zauberkasten weiß, welche Kunden einen höheren Einsatz lohnen. Das hat übrigens auch Auswirkungen auf schon jetzt weit verbreitete Elemente wie Predictive Analytics. Diese Modelle, die sich noch auf eine überschaubare Anzahl von Parametern stützen, werden künftig noch genauere und weitreichendere Prognosen abgeben können.
Das wiederum hat auch Auswirkungen auf das Verhalten der Kunden. Die werden sich weniger denn je mit einem Einkaufserlebnis von der Stange zufrieden geben, desto weiter die technologischen Innovationen im Handel voranschreiten.
Natürlich ist Machine Learning nicht allmächtig und es wird noch ein wenig dauern, bis die Rechensysteme und Chatbots uns besser kennen, als wir uns selbst.
Aber in einer nicht allzu fernen Zukunft könnten Apples Siri oder die Amazon-Software Alexa bereits einen ziemlich guten Tipp abgeben, was wir gerade von unserem digitalen Assistenten wollen. Weil sie genau das gerade durch unsere Eingaben und ihre eigenen Fehler lernen. Sie lernen zudem aus Verhaltensweisen, die zunächst einmal gar nichts oder nicht direkt mit unserem Shoppingverhalten zu tun haben müssen.
Probleme bleiben. Ein Dauerthema: Welche Metriken und Daten gilt es innerhalb des Systems wie zu gewichten? Die Komplexität kann immer wieder ein Schnippchen schlagen. Eindrücklich schildert das ein Blog-Beitrag von Julie Zhuo, Facebooks VP Product Design: „Metrics Versus Experience“.
Aber das sind Luxusprobleme, die manch ein Händler erst einmal gerne hätte.