Pressemitteilung von Laurenz Wuttke

8 erfolgreiche Beispiele für KI im E-Commerce

---

---

Vielen Unternehmen im E-Commerce gelingt es nicht, das Kundenverhalten vorherzusagen. Sie verlieren hierbei mit viel Aufwand gewonnene Neukunden und Bestandskunden, die nicht rechtzeitig ein passendes Angebot bekommen haben. Der Einsatz von Künstlicher Intelligenz (KI) im E-Commerce hilft, die Kundenbedürfnisse vorherzusagen, darauf proaktiv und personalisiert einzugehen und den Umsatz zu steigern.

Den tatsächlichen Kundenwert ermitteln

Der CLV (Customer Lifetime Value) wird durch den Einsatz von KI bzw. durch den Einsatz maschineller Lernmethoden auf Basis der Datensätze aus der Vergangenheit (Kaufhistorie) errechnet.
Mit dem CLV als Indikator können Sie Kundensegmente gezielt entwickeln und Antworten auf die wichtigsten Fragen finden:
- Wie verhalten sich die wertvollsten Kunden?
- Welcher Kunde bekommt welches Angebot?
- Welcher Kunde bekommt welchen Rabatt?
- Welches Werbemittel wird eingesetzt?
Der CLV ist eine extrem wichtige Kennzahl für jedes E-Commerce-Unternehmen, da er dabei hilft, Marketingbudgets gezielt einzusetzen und mehr Umsatz zu generieren.

Den Kaufzyklus vorhersagen

Stellen Sie sich vor Sie wüssten für all Ihre Kunden, wann der nächste Kaufzeitpunkt ist. Sie könnten die Marketingkommunikation darauf abstimmen, um einige Tage vorher den Kunden zu aktivieren. Durch die Anwendung von KI ist das möglich.
Die Kaufhistorie Ihrer Kunden und ihr Klickverhalten trainieren ein Machine-Learning-Modell, das in der Lage ist, den nächsten Kaufzeitpunkt vorherzusagen. Die Genauigkeit der Vorhersage hängt stark von der Datenmenge ab, die untersucht werden kann. Je größer die Datenmenge, desto effizienter und effektiver ist die Verwendung von KI und maschinellem Lernen um den nächsten Kaufzeitpunkts vorherzusagen.

Modellierung der Kaufabsicht

Ein Empfehlungssystem ist in der Regel nicht darauf trainiert, eine Vorhersage der Kundenbedürfnisse für einen definierten Zeitraum zu treffen. Vielmehr liefert es lediglich eine Reihenfolge der relevanten Produkte. Mit der Propensity-Modellierung (vom englischen Wort "propensity": Neigung, Tendenz) kann man vorhersagen, wie hoch die Neigung eines einzelnen Kunden ist, ein bestimmtes Produkt z.B. innerhalb des nächsten Monats zu kaufen, einen Warenkorbabbruch durchzuführen oder sich für den Newsletter anzumelden. Auch hier kann KI entscheidend helfen.

Vorhersage der Kundenabwanderung

Die Akquise eines Neukunden ist aus betriebswirtschaftlicher Sicht um einiges teurer als das Marketing für Bestandskunden. Für Unternehmen ist es deswegen wichtig, die Abwanderung von Kunden und die Gründe dafür vorhersagen zu können. Die Abwanderung (engl. "Churn") kann aktiv erfolgen, etwa durch eine Vertragskündigung, oder passiv, z.B. durch ausbleibende Bestellungen. Nützlich für ein Unternehmen ist es, die Wahrscheinlichkeit von Kündigungen oder Abwanderung seiner Kunden zu berechnen. Dadurch ist es möglich, entsprechend frühzeitig, proaktiv und personalisiert zu reagieren. Diese Prognose, also die Churn Prediction, ist ein datenanalytisches Prognoseverfahren, bei dem Künstliche Intelligenz eingesetzt wird.

Intelligente Produktempfehlungen

Viele Unternehmen nutzen noch nicht das Potenzial, das in ihren Bestandskunden verborgen ist. Meistens deswegen, weil es ihnen nicht gelingt herauszufinden, welche weiteren Produkte für Bestandskunden interessant sein könnten.
Um die richtigen Produkte zu finden, oft aus tausenden von Kombinationen, müssen große Mengen von Daten zusammengefasst und in Algorithmen verarbeitet werden. Einfache Systeme können nur Interaktionen wie Klicks oder Käufe betrachten. Komplexere Systeme, in denen KI eingesetzt wird, nutzen Daten wie Kundeninformationen oder Produktbeschreibungen, um Bestandskunden das genau passende, personalisierte Angebot zu machen.

Zielorientierte Kundensegmentierung

Es gibt Unternehmen die Schwierigkeiten damit haben, Streuverluste zu minimieren und ihre Kampagnen bei den richtigen Kunden zu platzieren. Die Lösung dafür ist eine intelligente Kundensegmentierung.
In der Regel verfolgt das Unternehmen damit ein bestimmtes Ziel, wie zum Beispiel für einen Kauf, für eine Anmeldung oder für eine Terminvereinbarung relevante Kunden zu ermitteln.
Als Datengrundlage eignen sich hier Datenquellen wie Webtracking, die CRM-Datenbank und die Kaufhistorie. Am Ende der Kundensegmentierung steht die Unterteilung der gesamten Kundenbasis eines Unternehmens in überwiegend homogene Zielgruppen, die sich möglichst stark voneinander unterscheiden, so daß sie viel genauer als zuvor angesprochen werden können.

Die nächste Warenkorbgröße vorhersagen

Oft versuchen Unternehmen, den Kunden zu früh und zu schnell in einen Upsell-Pfad zu leiten. Dadurch werden ihnen zu früh Angebote für zu teure Produkte angeboten. Durch den Einsatz von KI kann man diesen Fehler vermeiden und ermitteln, was der Kunde wahrscheinlich als Nächstes kauft, wie groß die Menge ist und wieviel er dafür ausgeben wird.

Retouren-Optimierung im E-Commerce

Retourenquoten von bis zu 50% sind vorrangig im Handel ein großes Problem. Für die KI-unterstützte Retouren-Optimierung werden Transaktions- und Kundendaten verwendet und zwei KI-Modelle erstellt:
- Eine Vorhersage der Retoure-Wahrscheinlichkeit pro Kunde (oder Retouremenge pro Bestellung)
- Eine CLV-Vorhersage für die nächsten 12 Monate
Mit diesen Modellen kann ein Unternehmen ermitteln, welche Kunden aus einer Marketingkampagne ausgeschlossen werden müssen, weil die Kundenbeziehung durch den hohen Retourewert nicht profitabel ist.

Fazit: KI und der nachhaltige Erfolg

Niedrige Loyalität kennzeichnet das Kundenverhalten im E-Commerce. Durch den Einsatz von Künstlicher Intelligenz gelingt es, die Kundenzufriedenheit zu steigern und Unternehmen eine nachhaltige Profitabilität zu sichern. Firmen- & Pressekontakt