Prognosen zum Kundenverhalten (1)

21.02.2019, Lesezeit: ~3min

In dieser vierteiligen Blog-Reihe stellt das BI-Team von Cards & Systems ein Beispielprojekt vor und erklärt, wie alle Teile unseres Teams bei der Bereitstellung unserer Lösung zusammenarbeiten. Fern Watson, die für das Data Science Team schreibt, gibt die technische Lösung vor. Sebastian Pisarski, Vertreter unserer Experten für Datenvisualisierung, schreibt über die Art und Weise, wie Dashboards das Projekt unterstützen. Schließlich gibt Claudia Grünberger die Marketing-Perspektive und erklärt, wie man Erkenntnisse aus dem Verbraucherverhalten in Aktionen umsetzt.

Zusammenfassung

Ein Lebensmittelgeschäft möchte Kunden, die ihre Website aufrufen, in eine von zwei Kategorien einteilen. Sie sind sehr daran interessiert, Kunden diesen Gruppen korrekt zuzuordnen. Erfolg kann zu einer Umsatzsteigerung führen, aber eine falsche Zuordnung kann dazu führen, dass Personen die Website verlassen, ohne einen Kauf zu tätigen. Das BI-Team von Cards & Systems erläutert diesen Anwendungsfall näher.

Ein Lebensmittelgeschäft plant, gleichzeitig Werbeaktionen für Fleisch und vegane Produkte in seinem Online-Shop durchzuführen. Es stehen dafür Werbebanner für jede dieser Aktionen zur Auswahl und ein neutrales Werbebanner, das nur eine generische Auswahl an Artikeln zeigt.

Das Unternehmen zieht es vor, das generische Banner nicht zu zeigen, weil es nicht viele zusätzliche Verkäufe bewirken wird, aber es will auch nicht das falsche Angebot dem falschen Kunden zeigen! In diesem Fall könnte es zu einer Beleidigung führen und dazu, dass einige Kunden sich entscheiden, überhaupt keinen Kauf auf dieser Homepage zu tätigen.

Das Lebensmittelgeschäft entwickelt eine Strategie, um das neutrale Banner zunächst zu präsentieren und es entweder auf das Fleisch oder die vegane Promotion umzustellen, wenn es überzeugt ist, dass der Kunde in eine dieser Kategorien fällt. Bei zu großer Unsicherheit kann das neutrale Banner auf dem Bildschirm bleiben, was das Risiko minimiert.

In diesem Online-Shop müssen Kunden kein Konto haben. Das bedeutet, dass es unmöglich ist zu wissen, was sie in der Vergangenheit gekauft haben, und dass Informationen nicht verfügbar sind, um eine Strategie zu informieren. In diesem Fall muss der Algorithmus die Kunden "on the fly" kategorisieren, während sie mit der Website interagieren.

Es stehen jedoch historische (anonyme) Daten über Benutzersitzungen und die zugehörigen Warenkörbe zur Verfügung. Während es klar ist, dass der Kauf von Artikeln wie Steak oder Tofu unterschiedliche Präferenzen anzeigt, können maschinelle Lernalgorithmen subtilere Muster in diesen Daten finden.

Um dieses Problem zu lösen, können die Datenwissenschaftler von Cards & Systems damit beginnen, die historischen Kaufdaten in Sitzungsinformationen zu trennen, einschließlich des Verhaltens der Benutzer während der ersten Aktionen auf der Website (Aktionen sind Dinge wie Suchen, Klicken und Hinzufügen von Elementen zu ihrem Warenkorb) und den endgültigen Warenkorb. Der endgültige Korb wird dann als "Fleisch" oder "Nicht-Fleisch" kategorisiert, so dass er in der maschinellen Lernphase des Projekts als Etikett verwendet werden kann.

Im nächsten Blog werden wir die technische Lösung, mit der dieses Problem gelöst wurde, warum es ausgewählt wurde, sowie einige Alternativen vorstellen. Bleiben Sie auch dran für Teil 3, der die Visualisierung dieser Daten abdeckt, und Teil 4, der das Projekt aus Marketing-Sicht betrachtet.


Dr. Fern Watson

Data Scientist

  • Teilen:

We keep you informed

Mit unserem Blog-Newsletter informieren wir Sie regelmäßig über Spannendes, Ungewöhnliches, Neues & Kommendes aus der IT-Welt.

We keep you informed

Mit unserem Blog-Newsletter informieren wir Sie regelmäßig über Spannendes, Ungewöhnliches, Neues & Kommendes aus der IT-Welt.

Kontakt