Anwendungs-szenarien von KI im E-Commerce - Am Beispiel von personalisierten Produktlisten & Modetrend-Vorhersagen
←
→
Transkription von Seiteninhalten
Wenn Ihr Browser die Seite nicht korrekt rendert, bitte, lesen Sie den Inhalt der Seite unten
Anwendungs- szenarien von KI im E-Commerce Am Beispiel von personalisierten Produktlisten & Modetrend-Vorhersagen Josefine Kuka Data Scientist, Otto Group data.works GmbH
Otto Group
… in etwas anderen Zahlen
>340 TB >50 Mio. 40
Daten Besucher pro Monat datengetriebene Köpfe
Produktdaten, aus vielen Shops der 30 Otto Group data.works GmbH &
Transaktionsdaten, wesentlichen Otto Group Holding
Trackingdaten, … Unternehmensgruppen
Josefine Kuka – KI-Summit Hamburg 2020 2
Anwendungsfälle entlang der Wertschöpfungskette
Beschaffung Marketing Online-Shop Logistik Service
• Top und Flop- • Vermarktungs-Profile • Aggregierte • Zeitreihen- • Chatbots im
Erkennung für & Segmente Produktrezensionen vorhersagen für Kundenservice
Einkaufsprozesse Abwicklungsmengen
• Contextual Targeting • Vermeidung von • Betrugserkennung
Nulltreffer-Suchen
• Katalogsteuerung
• Personalisierte
Produktlisten
Josefine Kuka – KI-Summit Hamburg 2020 3
Personalisierte Produktlisten Verbessert sich das Kundenerlebnis durch ein personalisiertes Ranking der Produkte im Webshop? Josefine Kuka – KI-Summit Hamburg 2020 4
…sucht
dringend ein
Kleid für den
Urlaub
Marita, 34,
Herausforderung Größe 44, verh. Mutter
preissensitiv, Desktop,
Buxtehude, Montag 12 Uhr
○ Produktlisten basieren auf einem komplizierten
Regelwerk, teilweise manuell beeinflusst
…geht ihrem
○ Alle Kunden sehen die gleichen Produkte in der Hobby
gleichen Reihenfolge, keine Berücksichtigung der Online-
persönlichen Interessen shopping
nach
○ Technische Limitation für die Ausspielung
personalisierter Produktlisten
Claudia, 32,
Größe 36/38, Single
sportaffin, Smartphone,
München, Sonntag 21 Uhr
Josefine Kuka – KI-Summit Hamburg 2020 5
Lösungsarchitektur
XGBoost
Modell
Daten aller Gradient
Clustering
Kunden Boosted
Decision Trees
Clustering: Ranking:
Basierend auf Eigenschaften der Kunden werden Für jedes Produkt wird (je Nutzersegment) der Umsatz/Ertrag für
Nutzersegmente gebildet, z.B. den Folgetag vorhergesagt.
• Kategorie-Interessen • Produkteigenschaften
• Preissensitivität • Kauf-Historie
• Farbaffinität • Klick-Historie
• … • …
Josefine Kuka – KI-Summit Hamburg 2020 6
Ergebnisse
Prädiktives Ranking
• Vorhersage des Zielwertes +1.9% Umsatz- oder Ertragssteigerung pro
Build
(Umsatz/Ertrag) bis 8% Visitor
• Einsatz in 8 Unternehmen
Learn Measure
Personalisierung
• Conversion steigern bei
gleichem Umsatz/Ertrag >1% Conversion-Steigerung zum Kauf
Iterative Entwicklung mit AB-
• Einsatz in 1 Unternehmen;
Tests, stetiger Verbesserung
Roll-Out aktuell bei 5
und mehreren Ausbaustufen
weiteren
Josefine Kuka – KI-Summit Hamburg 2020 7
Top- und Flop-Erkennung im Einkauf Kann eine Künstliche Intelligenz Modetrends vorhersagen? Josefine Kuka – KI-Summit Hamburg 2020 9
Herausforderung
○ Design und Einkauf neuer Artikel findet ca. 9
Monate vor ihrer Vermarktung statt
○ Artikel verkaufen sich in sehr unterschiedlichen
Mengen
• Lager ist voll mit Flop-Artikeln, Abverkauf mit
Verlusten
• Top-Artikel sind ausverkauft, Nachorder
dauert zu lang
Josefine Kuka – KI-Summit Hamburg 2020 10
Lösungsarchitektur
• Vereinfachte und beispielhafte Darstellung
Täglicher Absatz: 20.2 eines Entscheidungsbaumes
Zielpreis • XGBoost Modell beinhaltet über 1000
Entscheidungsbäume, deren Summe die
>15€Ergebnisse Confusion Matrix
Top 25%
Predicted Label
✓ Ranking mit guten Ergebnissen dient als 25-50%
Entscheidungshilfe für den Einkauf, Flop-Artikel
nicht einzukaufen 50-75%
✓ Abschaffung von aufwändigen Kleinstmengen- Flop 25% 80%
Tests für die Top-Produkt-Erkennung
Top 25%
Flop 25%
25-50%
50-75%
True Label
Merkmal Merkmalsausprägung Einfluss
Länge_Ca. 100 0.31
✓ Modellergebnisse sind interpretierbar:
Rock-/Kleidlänge knieumspielend 0.23 Einfluss von Merkmalen jedes Artikels auf
Muster gepunktet 0.22 dessen Prognose werden bereitgestellt und
Hauptfarbe Indigo -0.17 helfen den Einkäufern bei Artikel-Optimierungen
… … -0.14
Josefine Kuka – KI-Summit Hamburg 2020 12○ Mit den personalisierten Produktlisten sehen
unsere Kunden Produkte im Online-Shop, die
ihrer Kundengruppe entsprechen. Die
verbesserte Experience lässt sich mit einem
Uplift in der gewünschten
Unternehmenskennzahl messen.
○ Mit dem Modell zur Top- und Flop-Erkennung
lassen sich vielleicht noch keine komplett
neuen Modetrends vorhersagen. Dennoch
kann der Einkauf mithilfe des Modells
datengetrieben entscheiden, welche Artikel in
größeren Mengen eingekauft und welche
Artikel gar nicht beschafft werden.
○ Es gibt vielfältige Anwendungsfälle für KI im
E-Commerce. Der Erfolg der entwickelten
Projekte lässt sich z.B. durch AB-Tests
messen. Mit einer iterativen Entwicklung ist
die Einstiegshürde niedriger und mit den
Zusammenfassung
Erkenntnissen aus frühzeitigen Tests wird die
Lösung schrittweise verbessert.
Josefine Kuka – KI-Summit Hamburg 2020 14Anwendungs- szenarien von KI im E-Commerce Josefine Kuka, Data Scientist +49 (40) 6461 3147 Josefine.Kuka@ottogroup.com
Sie können auch lesen
