Case Studies

Vier Praxisbeispiele: Wie künstliche Intelligenz die User Experience verbessert

30.04.2024 - Kunden verstehen, Interessenten beraten, Inhalte aufbereiten, Support optimieren ... zahlreiche Unternehmen haben Künstliche Intelligenz schon jetzt tief in ihr Benutzererlebnis eingebettet. Mit überzeugenden Ergebnissen.

von Dominik Grollmann

Künstlicher Intelligenz wird derzeit viel zugetraut und tatsächlich lässt sich mit einem System, dass gesprochene Sprache verstehen und Bilder erkennen kann, das Inhalte zusammenfassen und wiedergeben, sowie selbstständig Analysen aus umfangreichen Daten ziehen kann, eine Menge anfangen. Ganze Berufsbilder, angefangen von administrativen Tätigkeiten in Buchhaltung und Verwaltung, bis hin zu hochdotierten Berufszweigen wie Juristen, Marketer und Ärzten, werden von KI-Systemen - Stichwort Prozessautomatisierung - unterstützt oder, je nach Sichtweise, gefährdet.

ONEtoONE 1/2024 - Customer Experience

Künstliche Intelligenz ist aber nicht nur in der Lage, Arbeit zu erleichtern. KI lässt sich auch hervorragend einsetzen, um die User Experience der KundInnen zu verbessern. Wie das funktionieren kann, hat kürzlich der Online-Händler Amazon vorgestellt. Mit Rufus, einem Chatbot, der mit allen Produktbeschreibungen, Reviews und Communityfragen des weltgrößten Online-Händlers gefüttert ist, sollen Amazon-KundInnen bald eine Beratung erhalten, die der eines Verkäufers gleicht.

Das System, das zunächst in den USA als Beta getestet wird, erklärt Amazon   am Beispiel eines Schuhkaufs: So kann der Kunde schon zu Beginn seiner Recherche Unterstützung erbeten ("Was ist beim Kauf von Laufschuhen zu beachten?"), spezifische Vergleiche anfordern ("Was sind die Unterschiede zwischen Trail- und Straßenlaufschuhen?") und auch konkrete Fragen zu einem bestimmten Produkt stellen ("Sind diese Schuhe haltbar?"). Die Antworten werden im ChatGPT-Stil in leicht verständlichem Text ausgegeben.

Aber nicht nur Online-Giganten wie Amazon setzen auf die Möglichkeiten der KI, um die User Experience (UX) und Customer Experience (CX) zu verbessern. ONEtoONE hat nach Beispielen aus der Praxis gesucht, die Kundenerlebnisse schon jetzt verbessern.


1 - Case Study Personalisierung - Stoffe.de: Die bessere Auswahl

Online-Shopping ist schnell, einfach und bequem. Doch an die Customer Experience eines entspannten Einkaufsbummels kommen Web-Shops nicht heran. Denn auch wenn die Auswahl riesig ist, fehlt doch oft die Inspiration. Mit der richtigen Personalisierung kann sich das ändern.

Das Problem kennen Händler wie Shopper: Der Internet-Einkauf fühlt sich merkwürdig uninspiriert an. Während ein Schaufensterbummel im echten Leben immer auch Spaß macht, fehlt im Online-Shop das Erlebnis. Klar, auf der Startseite gibt es meist eine lebendige Produktinszenierung. Aber spätestens, wenn der Kunde tiefer in eine Produktkategorie klickt, dominieren schnell die scheinbar endlosen und gleichförmigen Listen- oder Kachelansichten. Optische Orientierungsmöglichkeiten, Hingucker und Highlights sind dagegen Fehlanzeige. Als Navigationshilfe dienen technische Filtermöglichkeiten wie Farbe, Marke, Material und Größe sowie eine Suchfunktion. Ob der Pullover oder sein Stoff nun aber lässig oder elegant, sportlich oder gediegen, funktionell oder raffiniert sein soll - schlicht: welcher Stil gefragt ist, das lässt sich schlecht einstellen.

Die Herausforderung: Online-Einkaufserlebnis mangelhaft

"Im echten Leben wäre eine solche Customer Experience nicht vermittelbar", meint Dr. Ralph Hünermann, Chef der Customer Engagement Plattform Odoscope   , und erinnert daran, wie ein Real-World-Einkauf aussieht. "Ein Verkäufer erkennt ohne zu fragen, was dem Kunden gefallen könnte. Und jedes Geschäft ist so eingerichtet, dass der Kunde sofort weiß, was ihn wo erwartet." Basecaps sind irgendwo bei den Hoodies einsortiert. Polo-Shirts bei Chino-Hosen und Merino-Pullovern. Und Business-Suites bei Hemden und Mänteln.

Im Web funktioniert das nicht so einfach. "Zum einen ist das Sortiment im Onlinehandel oft viel größer. Zum anderen kann der Shopbetreiber die Artikel nur schwer entsprechend den Vorlieben eines einzelnen Kunden sortieren - weil er ihn meist gar nicht kennt", beschreibt Hünermann das Dilemma. Selbst wenn der Shopbetreiber Kundenkonten anbietet, stöbern rund 80 Prozent der durchschnittlichen BesucherInnen zunächst als anonyme Kontakte auf der Website. Cookies werden häufig abgelehnt und Session-übergreifendes Tracking ist ohnehin kaum noch möglich. Für den Händler bedeutet das: Bei der großen Mehrzahl der KundInnen startet er immer wieder bei Null. Die meisten KundInnen sind ein weißes Blatt Papier.

Die Lösung: Interessen mit Lookalike-Audience erkennen

Genau für dieses Problem hat Odoscope eine Lösung entwickelt. "Shopbetreiber verfügen nur über sehr wenige Informationen ihrer unbekannten Besucher", sagt Hünermann. "Deswegen braucht es eine intelligente Lösung, die diese Daten clever analysieren und die Customer Experience deutlich verbessern kann".


Dazu setzt Odoscope auf eine Lookalike-Audience. Herkömmliche Recommendation Engines und Next-Best-Offer-Systeme berechnen meist eine einfache Kaufwahrscheinlichkeit. Motto: "Kunden, die diese Hose kauften, kauften oft auch einen dieser drei Pullis". Der Nachteil: Bevor der Kunde seine erste Auswahl trifft, agiert der Händler noch weitgehend blind. Und auch danach werden alle KundInnen über einen Kamm geschoren. Denn: Selbst wenn die besten drei Next-Offers zusammen auf eine Kaufwahrscheinlichkeit von 40 Prozent kämen, wären sie für die Mehrzahl der KundInnen immer noch irrelevant. In den restlichen 60 Prozent der Fälle haben die KundInnen aber vielleicht aus 50 weiteren Artikeln gewählt. Kaum möglich, hier eine signifikante Aussage zu treffen.

Hünermann wählt deswegen einen anderen Ansatz: Odoscope sucht nach Vergleichsgruppen in der Käuferhistorie, sogenannten Lookalike-Audiences. Schon beim Erstbesuch eines Kunden kann er auf Informationen wie Gerätetyp, Betriebssystem, Browser, Location, Uhrzeit Wochentag, IP-Adresse (Provider), Referrer-Adresse und sogar das Wetter zugreifen - ohne dass ein Consent erforderlich ist. In Echtzeit sucht Odoscope nach KundInnen mit ähnlichem Profil, wertet aus, was für diese relevant war und sortiert die Angebote im Shop entsprechend.

Fügt der Besucher eine weitere Information hinzu - etwa indem er in die Kategorie "Pullover" klickt oder einen Filter (Farbe, Größe) aktiviert - wird die Vergleichsgruppe erneut angepasst und damit auch die Produktpräsentation. "Das Konzept der Realtime Look-alike-Audience funktioniert so gut, weil ähnliche Kunden ähnliche Eigenschaften mitbringen", betont Hünermann. So kann sich im echten Leben durchaus zeigen, dass KundInnen mit einer bestimmten Kleidergröße andere Produkte oder Muster bevorzugen. Einfach, weil sie andere Ansprüche an den Schnitt stellen. Aufgrund solcher Effekte sind die Ergebnisse von Lookalike-Audiences oft besser als die reiner Wahrscheinlichkeitsberechnungen.

Das Ergebnis: Bis zu 29 Prozent mehr Umsatz

Der Onlinehändler stoffe.de   konnte durch den Einsatz von Odoscope beispielsweise den Net Promoter Score (NPS) um 25 Prozent steigern, der Umsatz-Uplift betrug gar 29 Prozent, sagt Hünermann.

Ein paar Vorraussetzungen muss ein Händler allerdings mitbringen: Das Sortiment sollte wenigstens ein paar hundert Produkte betragen und es sollte mehr KundInnen als Artikel geben. "Klingt selbstverständlich, ist es aber nicht", warnt Hünermann. "Bei einem Buchhändler kann sich das Verhältnis auch schnell umdrehen." Außerdem sollte das Sortiment nicht nur über funktionale Kriterien zugänglich sein, sondern auch eine emotionale Komponente bedienen. Der Schraubenhändler würde weniger profitieren, der Stoffversand dagegen mehr. Und natürlich werden die Vorhersagen präziser, je mehr das System über die BesucherInnen weiß. Trotzdem entsteht gerade bei unbekannten Surfern die größte Hebelwirkung. Der einfache Grund: Wenn nach einem Kundenlogin die individuelle Einkaufshistorie und die CRM-Daten bekannt sind, kommen auch andere Personalisierungsverfahren zu guten Ergebnissen. Die viel größere Kunst liegt aber darin, die Vorhersage ohne diese Daten zu treffen - ohne Cookie, ohne Consent und ohne Login, nur mit einem einfachen Session-Tracking. Das ist eine Stärke der Odoscope-Lösung.

Aber auch unter Idealbedingungen stoßen Personalisierungs-Engines an natürliche Grenzen: Eine Produktempfehlung kann leicht zu einer Self Fulfilling Prophecy werden. Wird ein gut laufendes Produkt häufig beworben, wird es sich automatisch noch besser verkaufen. Das System sieht sich bestätigt und bevorzugt das Produkt noch mehr. Tatsächlich kann es aber sein, dass sich ein anderes Produkt noch besser verkaufen würde, wenn es genauso intensiv beworben würde.

Außerdem kann je nach Anzahl der ausgewerteten Merkmale die Vergleichsgruppe so klein werden, dass sie keine statistische Relevanz mehr besitzt. Die KI muss die Gruppe dann wieder weiter fassen, um mehr Inspiration zu bieten.

Jede KI lernt zudem immer aus der Vergangenheit. Bei saisonalen Produkten und kurzlebigen Trends kann die Einkaufshistorie daher in die Irre weisen. Aller Leistungsfähigkeit zum Trotz muss es deswegen immer auch eine manuelle Eingriffsmöglichkeit für den Händler geben. Zumal dafür manchmal auch ganz pragmatische betriebswirtschaftliche Gründe sprechen: Bestimmte Produkte bieten eine bessere Marge, sind noch in großer Stückzahl am Lager oder haben - umgekehrt - eine miese Retourenquote. "Damit eine Recommendation Engine ihre volle Wirkung auf die Customer Experience entfalten kann, ist daher immer auch Know-how und menschliche Expertise erforderlich". Einer KI alleine kann man das Feld nicht überlassen. "Erst die Kombination aus Mensch und Maschine sorgt für das optimale Ergebnis", so Hünermann.


2 - Case Study WhiteWall: Bester Support bei hoher Kundenzufriedenheit

Zwischen Handwerk und Hightech: So hilft Zendesk WhiteWall, Qualität und Innovation zu verbinden.
Dass Online-Fotolabor WhiteWall   in Frechen bei Köln hat sich seit seiner Gründung 2007 einen hervorragenden Ruf unter KünstlerInnen und FotografInnen erarbeitet. Die Spezialisten für Fotokunst und Wandbilder in Galeriequalität sind weltweit gefragt: Zwei Drittel der produzierten Produkte werden in eines von über weltweit 50 Länder geliefert.

Dabei bietet WhiteWall seinen B2C- und B2B-KundInnen einen vielfältigen Baukasten für individuelle Produkte mit zahlreichen Optionen. Das erfordert einen hohen Aufwand in der technischen Umsetzung, aber auch im Kundenservice - vor allem, wenn man wie das Fotolabor Produkte bis zur Größe eines durchschnittlichen WG-Zimmers versendet.

Die Herausforderung: Internationaler Kundenservice - erstklassig und schnell

WhiteWall erkannte früh, dass komplexe Produkte einen besonderen Kundenservice erfordern, der über das übliche Maß hinaus geht. Zu Beginn gab es verschiedene Insellösungen für Chat und Telefonie. "Nichts davon war miteinander verknüpft, alles lief kreuz und quer. Der Wechsel auf die Zendesk-Suite war die Lösung, alles zu vereinheitlichen", erinnert sich Bertram Lüdtke. Bereits 2013 fiel daher die Wahl auf eine cloudbasierte Omnichannel-Lösung mit browserbasiertem Ticketsystem und die flexible Konfiguration des US-Anbieters Zendesk   . Inzwischen ist die Vereinheitlichung im Kundendialog vollzogen, mehr noch: WhiteWall bildet nicht nur den Kundenservice, sondern alle Kommunikations-Kanäle in der zentralen CX-Software ab.

Aber WhiteWall will auch für kommende Kundenbedürfnisse gewappnet sein. Den Trend sieht das Unternehmen im Bot-gestützten Messaging, also in der Abbildung verschiedener Instant Messenger in einem Kanal. Schon heute liegt der Anteil der telefonischen Anfragen bei unter 50 Prozent, wozu auch Self-Service-Angebote wie das Help Center und FAQs beigetragen haben. Für die Zukunft erwartet Bertram Lüdtke eine weitere Verschiebung des Anfragevolumens von telefonischen hin zu textbasierten Anfragen.

Die Lösung: Messaging mit Advanced AI

Daher hat sich das Unternehmen bereits früh mit dem Zendesk Guide und dem Answer Bot mit Künstlicher Intelligenz (KI) beschäftigt, an einem Early Access Programm für Intelligent Triage teilgenommen und nutzt nun die Zusatzfunktion Advanced AI. Für das Unternehmen lohnt sich der Einsatz schnell, immerhin kommen weltweit pro Monat 6.000 bis 12.000 Kundenanfragen zustande.

Natürlich kann eine solches Volumen nur mit vordefinierten Antworten effektiv bewältigt werden. Im Sinne eines guten Kundenerlebnisses sollen sich die Textbausteine aber nicht nach einem Standardfall anhören. Statt auf vorgefertigte Texte über Makros setzt das Unternehmen daher auf Prompts, die über das Zendesk Advanced AI Feature ausgeführt werden: "Über die Zusatzfunktionen habe ich einen ausformulierten Text, der immer ein bisschen anders ist, nicht nach Copy and Paste klingt und runder in der Formulierung ist, als es der Mitarbeiter vielleicht mit einem angepassten Makro realisiert. Das erhöht für mich die Qualität, deshalb nutzen wir Advanced AI", sagt Bertram Lüdtke.

Einen großen Mehrwert bieten auch die integrierten Übersetzungsfunktionen. Das sorgt dafür, dass zum Beispiel nicht mehr nur französischsprachige MitarbeiterInnen französische Tickets bearbeiten können, sondern alle KollegInnen. Nicht unpraktisch, wenn man KundInnen in über 50 Ländern hat.

Das Ergebnis: Hohe Kunden- und Mitarbeiterzufriedenheit

Durch den Einsatz von KI konnte WhiteWall die Antwortzeiten im Kundenservice um rund 30 Sekunden und im Partnerservice sogar um 90 Sekunden verkürzen. Vor allem bei umfangreichen Anfragen, bei denen das Serviceteam komplexere Antworten verfassen muss, hilft die KI, Zeit und Geld zu sparen.

Unterm Strich kann WhiteWall das Ticketvolumen von bis zu 12.000 Anfragen pro Monat mit lediglich zehn Supportmitarbeitenden erfolgreich bearbeiten und gleichzeitig eine hohe Kundenzufriedenheit mit einem Customer Satisfaction Score (CSAT) von 80 bis 85 Prozent erreichen.

Ein weiterer schöner Nebeneffekt: Es erleichtert WhiteWall wiederum die Rekrutierung von Servicemitarbeitenden. Denn nicht nur die Customer Experience (CX), sondern auch die Employee Experience (EX) hat sich durch den KI-Einsatz verbessert. Das Onboarding gelingt schneller, durch die Zentralisierung aller Kanäle wird die Komplexität der Arbeit deutlich reduziert und durch den KI-Einsatz praktisch erleichtert. Die MitarbeiterInnen können sich auf das Wesentliche konzentrieren und ihre Aufmerksamkeit komplexen Anfragen widmen. "Die Zendesk AI hat das Leben unserer Agenten vor allem in herausfordernden Situationen vereinfacht und gleichzeitig den administrativen Aufwand reduziert", bilanziert Bertram Lüdtke.


3 - Case Study Produktbeschreibungen: Wie Metav KI für eine kundenzentrierte Produktkommunikation einsetzt

Die Firma Metav Werkzeuge GmbH   , ein Anbieter von hochtechnischen Werkzeugen, verfügt über ein Sortiment von über 25.000 Artikeln in Bereichen wie Messtechnik, Mikroskopie und Zerspanungstechnik. Ihr Geschäftsführer Stephan Bayer sieht ein erhebliches Potenzial in der kundenzentrierten Produktkommunikation im E-Commerce, insbesondere durch den Einsatz von KI-Technologie, die in Sachen Beratung und Personalisierung nahezu unbegrenzte Möglichkeiten bietet.

Die Herausforderung für Metav Werkzeuge GmbH

Wie für nahezu alle Online-Händler ist es für das Unternehmen eine wesentliche Herausforderung, die vielen Produkte im Shop ansprechend zu präsentieren und die KundInnen mit einer hilfreichen Produktbeschreibung zu unterstützen. Gerade diese ist aber ein wesentliches Kriterium für eine gelungene Customer Experience.

Auch Metav-Chef Bayer ist davon überzeugt, dass die Unternehmensergebnisse signifikant davon profitieren, wenn die Produktbeschreibungen die Informationsbedürfnisse der KundInnen erfüllen. Gleichzeitig war das aber eine Aufgabe, die sich von dem 4-köpfigen Team mit hoher technischer Kompetenz, aber wenig Textroutine nur mühselig bewältigen ließ.

Angefangen mit einer rudimentären Produktbeschreibung kann Metav Werkzeuge GmbH durch kontinuierliche Verbesserungen inzwischen eine ausführliche Produktbeschreibung anbieten. (Bild: Metav, Screenshot)
Angefangen mit einer rudimentären Produktbeschreibung kann Metav Werkzeuge GmbH durch kontinuierliche Verbesserungen inzwischen eine ausführliche Produktbeschreibung anbieten.

Die Lösung

Das Unternehmen suchte daher eine Vereinfachung - und fand ein genau für diesen Anwendungsfall konzipiertes System: Die Plattform des Stuttgarter Anbieters AX Semantics beschreibt sich selbst als "Textfabrik", die Produktbeschreibungen aus "menschlicher Autorenarbeit, GPT, DeepL und API-Workflow" kombiniert. Oder nüchtern beschrieben: Data2Text Automatisierung, Large Language Models und Machine Learning automatisieren den Textworkflow und erstellen qualitativ hochwertige Produktbeschreibungen mit geringem menschlichen Eingriff.

Metav verkürzt so sein Time-to-Market, bringt seine Produkte schneller in den Shop und kann seine MitarbeiterInnen entlasten - ohne das Team erweitern zu müssen. Daneben kann das Unternehmen auch die Bedürfnisse seiner KundInnen besser berücksichtigen:
  • Personalisierung: Mit der Personalisierungsfunktion ist es möglich, KundInnen anhand ihrer unterschiedlichen Motivationen in der Customer Journey gezielt in ihrem individuellen Kontext anzusprechen. Die Software unterscheidet dabei unterschiedliche Kundentypologien (erstmaliger Besucher, Informationssucher, Produkt-Vergleicher, Käufer). Die Software kann die jeweiligen Interessen unterscheiden: So haben KundInnen, die sich erst einmal inspirieren lassen, einen anderen Informationsbedarf als solche, die schon ihre Kaufentscheidung getroffen haben oder jene, die die Produkte und Anbieter vergleichen.

  • Lokalisierung: Zu einer optimalen User Experience gehört eine lokalisierte Ansprache. Mit der eingesetzten Technologie lassen sich Lokalisierungen im Handumdrehen erledigen - ideal für expandierende Unternehmen. Metav konnte so zwei neue Sprachräume für sich erschließen.

  • Kontinuierliche Verbesserungen: Dank der Automatisierung lassen sich innerhalb von Minuten Veränderungen oder Ergänzungen sowie Kundenfeedbacks oder neue Markttrends in die Produktbeschreibungen einpflegen. So können die jeweiligen Highlights der Produkte unterschiedlich betont werden, mit neuen Herstellerinformationen ergänzt oder um spezifische Angebote erweitert werden.

Das Ergebnis: Verbesserte UX, kurze Time-to-Market, entlastete MitarbeiterInnen

Einen Monat nach dem Ausrollen der Personalisierung lässt sich auf den personalisierten Produktseiten eine um 28 Prozent höhere Engagement-Rate messen. Sie sagt aus, wie intensiv sich ein Besucher mit der Produktbeschreibung befasst. Und: Die Conversion-Rate der personalisierten Beschreibungen liegt im Vergleich zu den nicht-personalisierten um 57 Prozent höher. Darüber hinaus scheint eine beratende Produktbeschreibung aufzugehen: Das Unternehmen erhält spürbar weniger Rückfragen bei gleichbleibenden Bestellungen.

Und zuletzt sind Stephan Bayer und sein Team einfach glücklich, denn sie haben mit der Automatisierung der Produktbeschreibungen einen massiven Effizienzgewinn erzielt.

Innerhalb von 5 Tagen konnte das Team 7.000 Produktbeschreibungen in zwei weiteren Sprachen bereitstellen. Eine Integration von kleinen Up- und Cross-Selling-Verbesserungen bei mehreren tausend Produkten beanspruchte gerade einmal 15 Minuten Zeit.

Stephan Bayer beschreibt den Gewinn durch KI so: "Bei allem Hype um KI - im Falle von GPT kann ich klar für mich sagen: ich finde die Entwicklung klasse, weil sie uns hilft, die fehlende Schreibkompetenz im Team abzudecken, aber die wesentlichen Vorteile für uns entstehen erst durch die Kombination einer generativen mit einer regelbasierten KI, so wie es AX Semantics anbietet. Damit kann ich die Vorteile von KI nutzen, aber gleichzeitig die Ergebnisqualität steuern - das ist der wahre Produktivitätsgewinn."

4 - Case Study e-dialog: KI im Retail - Mit personalisierten Empfehlungen wird aus Online-Shopping ein Einkaufserlebnis

Auch in Zeiten mit verringerten Budgets bleibt die Erwartungshaltung der KundInnen hoch. Diese Erfahrungen machen sowohl Einzelhändler aus dem stationären Bereich als auch Online-Händler. Erfolgreich sind nur diejenigen, die eine langfristige Kundenbeziehung etablieren können und vom Erstkontakt bis zum Kaufabschluss und darüber hinaus eine persönliche Ansprache bieten.

Die Herausforderung: Intelligente Personalisierung

Personalisierung ist der Schlüssel für eine verbesserte User Experience entlang der gesamten Customer Journey. In der entscheidenden Anfangsphase des Kaufprozesses ist die Website für den E-Commerce einer der wichtigsten Touchpoints, neben klassischer oder Online-Werbung, Social Media und persönlichen Empfehlungen. Optimierte Website-Funktionalitäten sind daher entscheidend, wenn sie den gestiegenen Erwartungen ihrer KundInnen nach einem personalisierten Einkaufserlebnis entgegenkommen wollen. Unterstützt werden diese Funktionalitäten durch den Einsatz von Künstlicher Intelligenz (KI).

Das Fullservice-Beratungshaus e-dialog   , Spezialist für Data-Driven Marketing, erhielt die Aufgabe, den umfangreichen Online-Produktkatalog eines Einzelhändlers aus dem deutschsprachigen Raum im Bereich der personalisierten Angebote und Website-Funktionalität zu verbessern. Der Retailer erwartete darüber hinaus ein Ergebnis, das schnell und vollständig automatisiert integriert werden konnte.

Die Lösung: Google Cloud personalisiert Angebote und Empfehlungen

Mithilfe der Empfehlungs- und Such-KI erstellte das Team eine Lösung, die VerbraucherInnen im Rahmen ihrer personalisierten Suchanfragen individuelle und relevante Produktempfehlungen vorschlägt. Dabei kam die Google Cloud Platform zum Einsatz, die diesen neuen Personalisierungsansatz insbesondere mithilfe ihrer Echtzeitsignale, Machine Learning-Fähigkeiten und definierten Key Performance Indicators (KPIs) unterstützt.

Ziel war es, die Suche nach Produkten bei jedem Einkauf so einfach wie möglich zu gestalten. Die KI erstellt aus Datensätzen wie der Kaufhistorie, Suchanfragen sowie weiteren Informationen ein individuelles Einkaufserlebnis und liefert hierbei Suchergebnisse, Browsing und Empfehlungen in Google-Qualität. Alles was es hierzu braucht, ist der Produktkatalog, sowie die entsprechenden User-Events beispielsweise aus Google Analytics. Die KI nutzt dann die Interaktionsdaten von Usern in Echtzeit zur Optimierung der Empfehlungen, Suchergebnisse und des Browsingerlebnisses. Dies geschieht laufend anhand der ebenfalls bereitgestellten Geschäftsziele. Hierdurch steigt die Relevanz der empfohlenen Inhalte und zugleich nachweislich die Kaufwahrscheinlichkeit.

Da im konkreten Fall bereits Userdaten aus Google Analytics sowie Produktdaten aus dem Feed vorhanden waren, war für die Integration wenig Aufwand erforderlich. Nach der Orchestrierung und Analyse der Userevents aus Google Analytics konnten gezielte Marketingkampagnen durchgeführt, Produktangebote individualisiert und Empfehlungen auf Grundlage von Kundenpräferenzen ausgespielt werden.

Zusätzlich lernt das KI-Modell und erweitert sich selbstständig. Für eine optimale Leistung der KI werden Trainingsdaten über einen Zeitraum von 60 bis 90 Tagen empfohlen. Sofern diese in Form von historischen Daten bereits vorliegen, ist die KI nach Abschluss des Trainings in Kürze einsatzbereit. In diesem Fall lagen die benötigten Daten bereits vor und e-dialog nutzte diese, um die KI von Beginn an zu trainieren und so ein beschleunigtes Machine Learning und Go-Live zu garantieren.

Das Ergebnis: Follow-up - selbstständiges Machine Learning

Das verbesserte Einkaufserlebnis wirkt sich direkt auf die Conversion Rate und die Steigerung des Warenkorbwertes aus. Durch den Einsatz der KI konnte eine um 17,2 Prozent erhöhte Conversion Rate in der Suche erzielt werden. Zusätzlich wurden mehr als 800 linguistische Filter- und Geschäftssignale auf jede Suchanfrage angewandt. Auf diese Weise wurden Suchabbrüche reduziert und eine stark personalisierte User Experience erreicht. Darüber hinaus konnten zusätzliche Wettbewerbsvorteile wie Skalierbarkeit, Flexibilität und beschleunigte Verarbeitung festgestellt werden.

Im vorliegenden Fall konnte die KI nicht nur die Customer Journey durch personalisierte Einkaufserlebnisse erheblich verbessern, sondern ermöglichte auch gezieltere Online Marketing-Kampagnen, vereinfachte Marketing-Prozesse durch Automatisierung und ermöglicht so eine optimierte Kundenansprache. Dabei sollten bei der Nutzung von KundInnendaten für personalisierte Dienstleistungen der Datenschutz und die Datensicherheit immer höchste Priorität haben. e-dialog und Google empfehlen (und praktizieren!) daher Technologien zur Anonymisierung personenbezogener Daten.

Ihr Guide im New Marketing Management - ab 6,23 im Monat!

Hat Ihnen diese Beitrag weiter geholfen? Dann holen Sie sich die ONEtoONE-Premium-Mitgliedschaft. Sie unterstützen damit die Arbeit der ONEtoONE-Redaktion. Sie erhalten Zugang zu allen Premium-Leistungen von ONEtoONE, zum Archiv und sechs mal im Jahr schicken wir Ihnen die aktuelle Ausgabe.

Vorträge zum Thema:

  • Bild: Michael Poganiatz
    Joachim Graf
    (ibusiness.de)

    Die Zukunft der KI. Die Zukunft der Daten. (Der Weg zum empathischen Zero-Party-Data-Marketing)

    Wohin entwickelt sich die KI in den kommenden zehn Jahren? Und was wird dann aus dem datengestützten Marketing, wenn First-Party-Data erheben für eine erfolgreiche Customer Experience immer schwieriger wird? Zukunftsforscher Joachim Graf stellt aktuelle Studien vor, die über die zunehmend prekäre Lage an der Datenfront zeigen. Er zeigt, wie diese Entwicklung sowohl KI- als auch Personalisierungsansätze gefährdet und warum die KI dieses Problem trotz technischer Fortschritte auf absehbare Zeit nicht lösen kann. Er stellt Strategien vor für den Weg zum empathischen Zero-Party-Data-Marketing: Die Methode, um Personalisierung und KI nach wie vor einzusetzen trotz wachsender Datenzurückhaltung und immer schlechter werdenden Datenqualität.

    Vortrag im Rahmen der Daten & KI 2023. Virtuelle Kongressmesse über Customer Experience mit datengestütztem Marketing und Vertrieb am 06.06.23, 09:00 Uhr

www.hightext.de

HighText Verlag

Mischenrieder Weg 18
82234 Weßling

Tel.: +49 (0) 89-57 83 87-0
Fax: +49 (0) 89-57 83 87-99
E-Mail: info@onetoone.de
Web: www.hightext.de

Kooperationspartner des

Folgen Sie uns:



Besuchen Sie auch:

www.press1.de

www.ibusiness.de

www.neuhandeln.de