Produktempfehlungen mithilfe von KI – Umsatzbringer oder Nerd-Technik?

Lassen sich passende Produktempfehlungen durch KI (Künstliche Intelligenz – Chat GPT erklärt) Software ermitteln? Durch die breiten Diskussionen in der Öffentlichkeit über die Einsatzmöglichkeiten von Künstlicher Intelligenz führen auch im B2B eCommerce dazu, das mögliche Einsatz-Szenarien, die mithilfe dieser Technologie möglich werden, intensiv geprüft werden.

 

Versprechungen, dass durch den Einsatz von künstlicher Intelligenz, z.B. im Bereich Personalisierung und Produktempfehlungen, der Umsatz erheblich gesteigert werden kann, stehen von den Technologieanbietern im Raum. Doch was genau ist davon zu halten? Ist es Umsatzbringer oder Nerd-Technik? Wir möchten am Beispiel „Produktempfehlungen“ die Möglichkeiten und Erfolgsvoraussetzungen aufzeigen.

 

Künstliche Intelligenz (KI) – Was genau ist das eigentlich?

Bevor wir genauer in das Thema automatisierte Empfehlung einsteigen, lohnt es sich die Begrifflichkeiten genauer zu definieren.

Künstliche Intelligenz, kurz KI, ist ein Teilgebiet der Informatik und beschäftigt sich damit, menschenähnliche Wahrnehmungs- und Entscheidungsstrukturen nachzubilden und insbesondere aus den eigenen Entscheidungen zu „lernen“. KI kann in vielen Bereichen komplexe Aufgaben besser, schneller und zuverlässiger erledigen, als der Mensch. Dies geht häufig mit der Vorstellung einer sogenannten „starken“ KI einher, die menschliche Intelligenz außerhalb eng definierter Handlungsfelder nachzubilden vermag und eigene intrinsisch motivierte Handlungsziele ausbildet.

 

Solche „Superintelligenzen“ sind allerdings bis heute nicht realisiert und es wird mindestens noch Jahrzehnte dauern, bis solches Systeme existieren. Um hier eine Abgrenzung vorzunehmen, werden heutige KI Systeme als „schwache“ KI bezeichnet. Die Problemlösungskompetenzen solcher Systeme sind dabei immer auf bestimmte Handlungsfelder spezialisiert. So gibt es heute z.B. Systeme, die sehr gut Röntgenbilder auswerten können.

 

Die Grundlage für dieses „Lernen“ bei solchen „schwachen“ KI-Systemen bilden neuronale Netze, die von der Architektur und Funktionsweise von Gehirnen inspiriert sind. Die Wissenschaft unterscheidet folgende Stufen von lernenden Systemen:

  • Maschinelles Lernen (Machine Learning)
    Greift auf historische Daten zurück, um basierend auf Erfahrungswerten Muster zu erkennen. Mit Hilfe dieser Muster werden neue Daten interpretiert und Voraussagen bzw. Wahrscheinlichkeiten für Empfehlungen, Warnungen oder Entscheidungen generiert. Sofern ein kontinuierlicher Input an hochwertigen Daten sichergestellt ist, wir der Output mit der Zeit immer präziser und zuverlässiger.
  • Vertieftes Lernen (Deep Learning)
    Deep Learning ist ein Teilgebiet des Machine Learnings. Solche Systeme sind in der Lage mit großen und unstrukturierten Daten umzugehen. Sie werden deshalb z.B. bei der Sprach-, Text-, Bild- und Videoverarbeitung eingesetzt. Bei solchen Systemen kommen mehrschichtige neuronale Netze zum Einsatz..

KI ist im Grundsatz nicht neu und wird als Forschungsgebiet bereits seit den 50ziger Jahren betrieben. Damals mit dem Fokus, das Maschinen sprechen lernen und abstrakte Konzepte bilden sollten.

Technologiebedingt hat sich dabei der Fokus der KI Forschung in den letzten Jahrzehnten aber deutlich verändert.

In den 80ziger Jahren lag, aufgrund von Einschränkungen bei Sensoren, durch teuren Speicherplatz und unzureichender Rechenleistungen, der Fokus auf „Logik“. Über sogenannte Expertensysteme wurde versucht Wissen in regelbasierten Systemen abzulegen. Abstrahieren oder Wahrnehmen war so gut wie nicht möglich.

 

Ab ca. 2006 rückten vermehrt die sogenannten lernenden Systeme in den Fokus. Diese hatten, im Vergleich zu ihren Vorgängern, einen viel stärkeren Fokus auf Wahrnehmung und Lernen statt auf Logik. Abstrahieren ist mit diesem Ansatz immer noch nur wenig möglich.
Die zukünftigen echten KI Systeme sollen die Mankos der Vorgänger ausgleichen und stattdessen einen Transfer von erlerntem Wissen ermöglichen. Dies ist zumindest die Vision.

 

Technologische Innovationen – Welche Hürden muss man nehmen?

Ausgangspunkt für die Entwicklung technologiegetriebener Innovationen, und letztlich ist KI nichts anderes, ist zwar immer der Kunde, dennoch ist die Hürde nicht zu unterschätzen, Kunden aktiv von Mehrwerten solcher Innovationen zu überzeugen. Kunden verstehen häufig die Mehrwerte, die ihnen Innovationen bieten, nicht. Dies führt dazu, dass Innovationen häufig mit viel Aufwand in den Markt gebracht werden müssen.

 

Die Bandbreite zwischen Innovatoren und Nachzüglern bzgl. des Einsatzes von neuer Technologie, wird eher größer statt geringer. Dies gilt auch für die Akzeptanz von KI. Die Bewertung von Künstlicher Intelligenz ist häufig noch geprägt von Skepsis und Angst. Der Verlust von Arbeitsplätzen, unpersönliche Kommunikation und Datenmissbrauch sind nur einige der Befürchtungen die, laut einer Erhebung des IFH Köln, bei Kunden vorherrschen. Allerdings verringern sich diese, sobald der Nutzen der Technologie greifbar wird und sich im Alltag zeigt. Dann überwiegen häufig die positiven Assoziationen.

 

Laut einer Studie aus 2019 des ECC Köln und der Otto Group geben nur 19% aller befragten Personen an, dass Ihre Daten für maßgeschneiderte Inhalte und Services zur Verfügung stellen würden. Allerdings setzt sich bei den Befragten auch die Erkenntnis durch, dass bei gewissen Inhalten und Services maßgeschneiderte Inhalte positiv sind. Hier seien z.B. Google Suchergebnisse oder auf die persönlichen Interessen zugeschnittene Nachrichten genannt.

 

Trotz der allgemeinen Skepsis gegenüber der Preisgabe von Daten für personalisierte Inhalte, gaben immerhin ein Drittel der Befragten an, dass sie sich unsicher sind, welche Daten sie tatsächlich preisgeben bzw. preisgegeben haben. Die meisten jedoch sind sich der Datenpreisgabe gar nicht bewußt. In der Befragung des ECC gaben 51% an, noch nie Daten zum Kaufverhalten preisgegeben zu haben, aber 90% nutzen Onlinekäufe und 74% Kundenkarten. Noch stärker ist der Widerspruch bei der Freigabe von persönlichen Kontakten. Hier glauben 63% noch nie persönliche Kontakte preisgegeben zu haben, 95% nutzen aber regelmäßig WhatsApp.

 

Da die Realität oft ganz anders aussieht, ist für die Zukunft eher mit einem stärkeren Bewusstsein rund um die Bedeutung von persönlichen Daten zu rechnen. Schon aufgrund der intensiven Diskussion über z.B. DSGVO in der Presse und bei Berichterstattungen.

Ein vertrauenswürdiger Umgang mit Daten und nachvollziehbare, transparente Lösungen sind daher mittel- und langfristig wichtige Voraussetzungen für die Akzeptanz.

 

Wer sich dafür entscheidet, künstliche Intelligenz als Technologie nutzen zu wollen, tut gut daran damit transparent und offen umzugehen. Wenn Kunden den Nutzen, den sie davon haben verstehen und schätzen, kann Innovation zum echten Wettbewerbsvorteil werden. Bequemlichkeit und Zeitersparnis stehen schließlich bei allen Befragten hoch im Kurs. Hier kann eine Mehrwertdarstellung gut ansetzen.

 

Produktempfehlungen – Wie kann künstliche Intelligenz hier helfen und wo sind die Grenzen?

Softwareprodukte für eine KI basierte Produktempfehlung bieten mittlerweile fast alle großen eCommerce Plattform Hersteller und versprechen ein personalisiertes Shoppingerlebnis mit maßgeschneiderten Inhalten. Nur so lässt sich die Kundenbindung nachhaltig stärken und der Umsatz steigern – so sagen zumindest die Hersteller.

 

Doch ist die Technologie für Produktempfehlungen hier wirklich so vielversprechend, wie die Hersteller behaupten? Stellen wir uns einfach mal den Idealzustand vor, dass wir eine mathematische Formel hätten, die bezogen auf einen Kunden, alle möglichen Produktkombinationen auf Relevanz korrekt ermitteln kann. Mit Hilfe der ersten und zweiten Ableitung, die einige Leser vielleicht noch aus Ihrer Schulzeit kennen, wären wir in der Lage die Maxima und Minima, bzw. die Produktkombinationen mit der höchsten und der geringsten Relevanz für jeden Kunden, zu berechnen. Damit wäre jede Produktempfehlung auf der Basis von künstlicher Intelligenz überflüssig.

 

Allerdings kennen die meisten Unternehmen eine solche Formel nicht. Ein neuronales Netz kann jetzt, auf der Basis von vorliegenden Daten, diese nicht vorhandene Formel durch KI Technologie „erlernen“.  „Erlernen“ bedeutet, das ein neuronales Netz den Funktionsgraf anhand von bisherigen Entscheidungen beigebracht bekommt.

 

n mit Bewertungen der Verkaufs-Wahrscheinlichkeit zur Verfügung gestellt werden. Sobald eine Produktkombination mit hoher Verkaufs-Wahrscheinlichkeit gefunden wurde, wird diese „gelernt“. Reagieren genügend Kunden auf diese vorgeschlagenen Produktempfehlungen, wird die Gewichtung für diese Regel im neuronalen Netz immer stärker. Wenn beim obigen Beispiel nur Trainingsdaten für die Produktkombination 7 vorliegen, wird diese sich bei den Produktempfehlungen durch das neuronale Netz durchsetzen und dazu führen, dass Kunden als Produktempfehlung immer die Produktkombination 7 gezeigt bekommen.

 

Selbst wenn irgendwann jemand die bestmögliche Produktkombination 7 für sich selber zusammenstellt, ist das Neuronale Netz in seinem lokalen Maximum gefangen und erkennt nur sehr schwer die Fehleinschätzung.

 

Der Einsatz von KI im Bereich der Produktempfehlungen steht und fällt somit mit den zur Verfügung stehenden Trainingsdaten. Stehen diese ausreichend zur Verfügung, kann KI sehr gute Ergebnisse auch bei Produktempfehlungen erzielen. Ein Bereich, wo dies z.B. hervorragend funktioniert, ist der Einsatz von KI in der medizinischen Bilderkennung. Hier ist die Trefferrate bei der Tumorerkennung sehr gut, da hier ausreichend viele bewertete Trainingsdaten zur Verfügung stehen. Produktempfehlungen sind aber schwieriger zu standardisieren.

 

Fazit zu Produktempfehlungen mit KI

Das Daten das Öl des 21zigsten Jahrhunderts sind, zeigt auch der Einsatz von KI. Die Hersteller von Technologie werden natürlich immer den Wert Ihrer Produkte herausstellen. Bei KI stellt sich der Nutzen aber erst dann vollumfänglich ein, wenn entsprechende Daten zur Verfügung stehen. Solange das nicht der Fall ist, wäre unsere Empfehlung mit der Analyse und Generierung von Daten zu beginnen und erst dann, wenn der Abdeckungsbereich der Daten tatsächlich repräsentative Aussagen ermöglicht, Technologie zu evaluieren. Das gilt auch für Produktempfehlungen. Geht man anders herum vor, ist eine Enttäuschung fast vorprogrammiert. Somit sollten Sie für automatisierte Produktempfehlungen erstmal die Datenaufgaben erledigen, bevor Sie automatisierte Produktempfehlungen bei Ihren Kunden einsetzen.

Produktempfehlungen ermitteln

Produktempfehlungen ermitteln

Die Problematik beim „Erlernen“ liegt in den Daten, die zum Erlernen zur Verfügung stehen. Je weniger Daten, oder mögliche Produktkombinationen, für das neuronale Netz als Trainingsgrundlage verwendet werden können, um so größer ist die Gefahr, dass sich „lokale Maxima“, bzw. Relevanzwerte für Produktkombinationen zu einem Kunden, auf Dauer als bestmögliche Kombination etablieren. In der obigen Grafik ist z.B. die „beste Kombination“, bzw. die mit der höchsten Verkaufs-Wahrscheinlichkeit, die „Kombination 3“.

 

Das neuronale Netz „lernt“, in dem ihm Produktkombinationen als Trainingsdaten mit Bewertungen der Verkaufs-Wahrscheinlichkeit zur Verfügung gestellt werden. Sobald eine Produktkombination mit hoher Verkaufs-Wahrscheinlichkeit gefunden wurde, wird diese „gelernt“. Reagieren genügend Kunden auf diese vorgeschlagenen Produktempfehlungen, wird die Gewichtung für diese Regel im neuronalen Netz immer stärker. Wenn beim obigen Beispiel nur Trainingsdaten für die Produktkombination 7 vorliegen, wird diese sich bei den Produktempfehlungen durch das neuronale Netz durchsetzen und dazu führen, dass Kunden als Produktempfehlung immer die Produktkombination 7 gezeigt bekommen.

 

Selbst wenn irgendwann jemand die bestmögliche Produktkombination 7 für sich selber zusammenstellt, ist das Neuronale Netz in seinem lokalen Maximum gefangen und erkennt nur sehr schwer die Fehleinschätzung.

 

Der Einsatz von KI im Bereich der Produktempfehlungen steht und fällt somit mit den zur Verfügung stehenden Trainingsdaten. Stehen diese ausreichend zur Verfügung, kann KI sehr gute Ergebnisse auch bei Produktempfehlungen erzielen. Ein Bereich, wo dies z.B. hervorragend funktioniert, ist der Einsatz von KI in der medizinischen Bilderkennung. Hier ist die Trefferrate bei der Tumorerkennung sehr gut, da hier ausreichend viele bewertete Trainingsdaten zur Verfügung stehen. Produktempfehlungen sind aber schwieriger zu standardisieren.

 

Fazit

Das Daten das Öl des 21zigsten Jahrhunderts sind, zeigt auch der Einsatz von KI. Die Hersteller von Technologie werden natürlich immer den Wert Ihrer Produkte herausstellen. Bei KI stellt sich der Nutzen aber erst dann vollumfänglich ein, wenn entsprechende Daten zur Verfügung stehen. Solange das nicht der Fall ist, wäre unsere Empfehlung mit der Analyse und Generierung von Daten zu beginnen und erst dann, wenn der Abdeckungsbereich der Daten tatsächlich repräsentative Aussagen ermöglicht, Technologie zu evaluieren. Das gilt auch für Produktempfehlungen. Geht man anders herum vor, ist eine Enttäuschung fast vorprogrammiert. Somit sollten Sie für automatisierte Produktempfehlungen erstmal die Datenaufgaben erledigen, bevor Sie automatisierte Produktempfehlungen bei Ihren Kunden einsetzen.

 

Ähnliche Beiträge