Erfolgsgeschichten der künstlichen Intelligenz im E-Commerce-Bereich

Die Suche nach einem perfekten Produktbild

Ein von vornherein unscheinbares Prinzip, aber eines, das so internationale E-Commerce-Unternehmen wie Inditex stets einsetzen, ist die Bildersuche. Sie wurde vor ein paar Jahren im Rahmen von Googles Cloud Vision API eingeführt. Damit kann man nach Bildern suchen, die den Suchvorschlägen ähneln und findet so heraus, wo diese eigentlich herkommen.

Dieses Suchsystem funktioniert durch die Erkennung von markanten Stellen im Bild, ähnlich der mittlerweile weit verbreiteten biometrischen Gesichtserkennung. Auf Basis der gewonnenen Daten sucht das System mit Hilfe von künstlicher Intelligenz nach ähnlichen Ergebnissen.

Im Onlinehandel hat sich daraus die Möglichkeit entwickelt, anhand bestimmter Kriterien ein Produkt zu finden, das dem auf einem Foto eines Nutzers gleicht oder ähnlich ist. Handelt es sich um denselben Shop (wie im Fall von Zara), zeigt die Anwendung selbst das gewünschte Produkt, ähnliche Kleidungsstücke (wie beispielsweise ein weißes Hemd, wenn nicht allzu viele Filtereinstellungen ausgewählt sind) oder sogar neue Vorschläge zu einem Bild anderer Händler.

Machine Learning beim Einkauf und während der Customer Journey

Es ist wichtig, sich mit der Customer Journey Ihrer Nutzer vertraut zu machen, um zu verstehen, was sie zum Kauf bewegt, in welcher Lebenssituation sie sich befinden und welche Bedürfnisse sie haben. An dieser Stelle kommt das Machine Learning ins Spiel, das die nächsten Einkäufe von Kunden bereits vorab prognostizieren kann.

Der Machine-Learning-Algorithmus von Amazon leistet genau das. Sie fragen sich nun vielleicht zu Recht woher das Unternehmen diese Informationen nimmt. Es unterbreitet seinen Kunden gezielt Vorschläge für ihre nächsten Einkäufe. Diese basieren teils auf ihrer eigenen Kaufhistorie und zum Teil auch auf der anderer Kunden mit einem ähnlichem Geschmack bzw. Bedarf. Diese Machine-Learning-Technologie ist bereits in allen Produkten von Jeff Bezos, wie z. B. in Alexa-Geräten, implementiert. Dank des sogenannten Deep Learning, bieten sie eine hohe Suchpräzision und liefern eine Vielzahl an Vorschlägen.

Genauso war Tealeaf ein Tool, das IBM jetzt noch weiter perfektioniert hat und das Ihnen ermöglicht, zu verstehen, wie Nutzer auf der Website Ihres E-Commerce navigieren bzw. wie sie mit den einzelnen Elementen Ihres Onlineshops umgehen. So können die Stärken und Schwächen bzw. weniger gute Bereiche der Website identifiziert werden, die Ihnen Umsatzeinbußen bescheren könnten.

Das Einkaufserlebnis wird für den Nutzer zweifelsohne durch ein zufriedenstellendes Gefühl verbessert. Ein anschauliches Beispiel, das sich in allen analysierten Erfolgsgeschichten wiederholt: Die niederländische Decathlon-Website konnte ihre Conversion Rate um 5,2 % erhöhen, nachdem sie begann ihren Nutzern personalisierte Produktempfehlungen zu liefern.

Dynamische Preisgestaltung mit künstlicher Intelligenz

Das ist zweifellos eine der Stärken von Softwareunternehmen wie Reactev. In diesem Fall besteht das Ziel der Anwendung von künstlicher Intelligenz darin, Preisänderungen auf dem Markt, unter Berücksichtigung von Preisschwankungen bei Mitbewerbern, sowie abhängig von Angebot und Nachfrage, verfolgen zu können.

Mit diesem Wissen kann man Verhaltensänderungen der Kunden, Kaufschübe oder eine Durststrecke aufgrund schlechter Konjunktur voraussagen. Dieses System zur Vorhersage und Optimierung von Preisen wird von allen großen Marketplaces wie Alibaba und Amazon sowie von Shops für Verbrauchsgüter genutzt, die mit dynamischen Preisstrategien arbeiten.

Und welchen Vorteil hat der Einsatz von künstlicher Intelligenz für Ihre Preisstrategie? Keine Verkaufschancen zu verpassen und jederzeit die größtmögliche Gewinnmarge zu erzielen.

Generell ist die Anwendung von Dynamic Pricing in Verbindung mit künstlicher Intelligenz eine Erfolgsgeschichte für sich. Dies hat Vorteile, die von der Bestandskontrolle und -prognose bis hin zur detaillierten Berechnung der erzielten Gewinnmarge reichen.