Get in touch
Die Interaktion zwischen Machine Learning (ML) und intelligenten Suchmaschinen kann Unternehmen helfen, Prozesse, Businessperformance und Kundenkommunikation zu verbessern. In dieser zweiteiligen Blog-Reihe werde ich einen Blick darauf werfen, wie ML E-Commerce-Angebote beeinflussen kann sowie die Anwendbarkeit von Machine Learning auf Suchmaschinen.
Machine Learning kann in verschiedenen Bereichen gefunden werden, von Foto-Tagging und Darlehensgenehmigungen über Spracherkennung und Sprachübersetzung bis hin zu autonomen Fahrzeugen. Das klingt zwar wie futuristische Technologie, die sich in letzter Zeit im Enterprise-IT-Sektor durchgesetzt hat, aber ihre Geschichte reicht bis in die späten 1950er Jahre zurück, als der IBM-Forscher Arthur Samuel erstmals ein maschinelles Lernprogramm entwickelte, das erfolgreich das Brettspiel Dame erlernte.
Heute kann Machine Learning weit mehr als nur ein einfaches Brettspiel beherrschen. Eine der vielen Möglichkeiten, wie ML eingesetzt wird, ist es, aussagekräftige Einblicke in Rohdaten zu gewähren. Dadurch können Unternehmen komplexe, datenreiche Geschäftsprobleme schnell lösen. Dies geschieht durch inkrementelles Lernen aus den Daten, was es Computern ermöglicht, verschiedene Arten von verborgenen Mustern zu erkennen, ohne explizit dafür programmiert zu sein. In dieser zweiteiligen Reihe werden wir uns mit ML und E-Commerce sowie der Anwendbarkeit von Machine Learning auf Suchmaschinen befassen.
ML hat sich als ein so hilfreiches Instrument erwiesen, dass 45 Prozent aller Einzelhandelsunternehmen es zur Kundenbindung einsetzen – ein Wert, der in den nächsten Jahren voraussichtlich noch steigen wird.
Im E-Commerce kann Machine Learning dazu verwendet werden, kundenbezogene Interaktionen in Verbindung mit einem Produkt zu verfolgen und zu verstehen. Die zu diesem Zweck verwendeten Algorithmen können erweitert werden, um das Kundenverhalten vorherzusagen, z. B. um zu wissen, welche Zielgruppen ein bestimmtes Produkt am ehesten kaufen werden – und so bessere Kundenbeziehungen aufzubauen.
Darüber hinaus können Produktinformationen durch ML verbessert werden, um Benutzeranfragen besser abzugleichen und ein Produkt für Kunden leichter auffindbar zu machen. Die Unterstützung der Zielgruppen beim schnelleren und genaueren Auffinden relevanter Informationen schafft eine bessere Customer Experience.
In Anbetracht all dessen ist es für Unternehmen wichtig, die Anforderungen von Machine Learning und die Vorteile, die ML bieten kann, zu verstehen. Unter anderem kann ML:
In E-Commerce-Prozessen hilft Machine Learning bei der Bewältigung der folgenden Use Cases:
Wenn wir speziell über unsere eigene Such- und Recommendation-Engine, Searchperience, sprechen, gibt es eine Reihe von ML-Methoden, die zur Verbesserung der User Experience und der Qualität der auf der Ergebnisseite angezeigten Suchergebnisse eingesetzt werden können.
Ein wesentliches Unterscheidungsmerkmal zu anderen Suchlösungen auf dem Markt ist, dass wir unsere Algorithmen an die spezifischen Bedürfnisse unserer Kunden anpassen, was zu präziseren und genaueren Ergebnissen führt.
Searchperience kann Benutzerinteraktionen verfolgen und aufzeichnen, indem ein spezielles JavaScript in den Online-Shop eingebettet wird oder die API des Trackers verwendet wird. Die Interaktionen werden zur späteren Verarbeitung gespeichert. Diese Informationen werden als Daten in den verschiedenen ML-Algorithmen verwendet, die die Suchergebnisse anreichern.
Die Interaktion der Kunden im System bietet eine konkrete Grundlage für die Entdeckung und Berechnung von Beziehungen zwischen Suchanfragen und bestimmten Produkten, Online-Shop-Kategorien, Marken und sogar Einzelhändlern. Diese Beziehungen dienen dazu, diese Objekte bei der Suche besser auffindbar zu machen.
Durch die Analyse der Tracking-Daten, also der verschiedenen Benutzerinteraktionen rund um das System, kann berechnet werden, welche Suchanfragen zu einem Kauf führen. Es ist auch möglich, die Ansichtsanzahl oder die Verkaufsinformationen zu jedem Produkt im Online-Shop zu berechnen. Je nach Fall sind diese Informationen pro Variante und pro Produkt verfügbar. Die berechneten Ergebnisse werden zur Anreicherung von Produkten verwendet.
Der Indexer von Searchperience ist in der Lage, Text zu analysieren und Sprache und Begriffe automatisch zu erkennen (Named-Entity-Erkennung). Darüber hinaus können entsprechend geschulte, überwachte Lernmodelle Dokumente bei der Indexierung automatisch klassifizieren. Durch die Verwendung von KI-APIs können auch Bilder automatisch mit Anmerkungen versehen werden.
Die vom Tracker gesammelten Daten werden verwendet, um verschiedene Recommendation-Modelle zu erlernen, beispielsweise um personalisierte Produktempfehlungen an Benutzer mit sogenannten kollaborativen Empfehlungen („Benutzer, die x gekauft haben, haben auch y gekauft“) zu geben.
In der heutigen Geschäftswelt dreht sich der Erfolg um den Kunden. Machine Learning eignet sich ideal dafür, um Zielgruppen besser kennen zu lernen, was Unternehmen dabei hilft, bessere Kundenbeziehungen aufzubauen. Gleichzeitig schafft ein stärkerer automatisierter Ansatz zum Verständnis des Marktes und des Wettbewerbsumfelds, in dem ein Unternehmen tätig ist, eine solidere Grundlage für die Problemlösung und Produktentwicklung.
In meinem nächsten Beitrag werde ich die Searchperience-Funktionen, die Machine Learning nutzen, näher untersuchen, einschließlich der Möglichkeit, Produktempfehlungen und Produktähnlichkeiten zu berechnen; ich werde mich in die Personalisierung durch den Einsatz von Such-Widgets vertiefen und einen kurzen Blick in die Zukunft mittels Learning to Rank werfen.
