Jahrzehntelang haben Einzelhandelsunternehmen in den verschiedenen Segmenten ihres Geschäfts, einschließlich Marketing und Betrieb, analytische Verfahren eingesetzt. Solche Analysen sind jedoch verstaubt und haben nun ein Ende. Traditionelle Analysemethoden sind veraltet; sie erfordern viele manuelle Schritte, und die gewonnenen Erkenntnisse lassen sich nicht ohne weiteres verallgemeinern. Der Einsatz von Analysemethoden rentiert sich letztlich nur wenig, wenn man den Arbeitsaufwand berücksichtigt, der für die Durchführung der Analysen erforderlich ist. Was kommt dann als Nächstes?
Maschinelles Lernen (ML) kann als Erweiterung der Analytik betrachtet werden. ML nutzt nicht nur Fachwissen und Branchenkenntnisse, die für den Einzelhandel spezifisch sind, sondern erforscht auch neue Datenquellen, die aufschlussreich sein können. Durch den Einsatz von ML werden die Vorbehalte gegenüber der traditionellen Analyse überwunden: Modernste Ansätze werden genutzt, die gewonnenen Erkenntnisse sind in verschiedenen Geschäftsszenarien robust, und die Automatisierung geht über die menschliche Beteiligung hinaus und ist weniger fehleranfällig. Letztendlich steigen auch die Erträge. Der Einzelhandel hat viele Möglichkeiten, ML zu nutzen, von der Logistikoptimierung bis zur Kundenbetreuung durch den Verkauf von Daten und Erkenntnissen an Verkäufer, Nachfrageprognosen, Produktempfehlungen und Werbekampagnen.
In diesem Beitrag konzentriere ich mich auf Werbekampagnen und stelle fest, dass einige dieser ML-Anwendungsfälle damit verwoben sind. "Es kann fünfmal mehr kosten, einen neuen Kunden zu gewinnen, als einen bestehenden Kunden zu halten." Forbes, 2019
Die gezielte Ansprache früherer oder aktueller Kunden durch maßgeschneiderte Werbekampagnen ist für den Einzelhandel von entscheidender Bedeutung. Als Voraussetzung dafür müssen viele Daten gesammelt werden, in der Regel durch Kundenbindungsprogramme. Der Einsatz von ML zum Entwerfen individueller Werbekampagnen ist in der Regel ein schneller Gewinn für die Branche: Es müssen keine zusätzlichen Daten außerhalb von Treueprogrammen erfasst werden, und Einzelhandelsunternehmen müssen nicht in externe Quellen investieren. Der erforderliche Aufwand ist nicht überwältigend und beruht allein auf der ML-Phase ohne umfangreiche neue Datenerfassung und -entwicklung, was die Implementierungskosten im Vergleich zu anderen ML-Anwendungsfällen um bis zu 40 % senken kann. Außerdem ist die Validierung ML-basierter Kampagnen durch A/B-Tests einfach. Mehrere Marketingkampagnen mit ausgewählten Produkten können direkt auf der Grundlage von ML-Erkenntnissen entworfen werden. Einzelhandelsunternehmen nutzen sie, um verschiedene Kundengruppen aus ihren Kundenbindungsprogrammen anzusprechen und diejenigen zu nutzen, die am ehesten reagieren.
Die Erstellung gezielter Werbekampagnen ist ein vierstufiger Prozess:
Die allererste quantitative Aufgabe besteht darin, eine gründliche Nachfrageprognose für jede Produktkategorie, die Sie bewerben wollen, zu erstellen, einschließlich Trends und saisonaler Schwankungen. Historische Verkaufsdaten sind in der Regel ausreichend. Die Nachfrage (d. h. die Käufe) kann für jede Produktkategorie innerhalb eines Zeithorizonts modelliert werden. Die Vorteile sind zweifach:
Zur Lösung solcher Aufgaben gibt es viele Ansätze, wie z. B. additive Modelle, die entweder auf Box-Jenkins ARIMA oder Exponential Smoothing basieren. Solche Modelle haben verschiedene Komponenten, die unterschiedliche Faktoren modellieren: nicht-periodische, aber auch periodische Nachfrageänderungen (wöchentlich, jährlich, saisonal), Ferieneffekte mit Unregelmäßigkeiten und einen Fehlerterm, der sich auf ungewöhnliche Nachfrageänderungen bezieht. Die ML-Gemeinschaft verwendet solche ETS-Modelle (Error, Trend & Season) in großem Umfang. Es gibt verschiedene Implementierungen, zum Beispiel in StatsModels oder Prophet.
Hier bei Aliz sind wir es gewohnt, sie in Kubeflow zu entwickeln und einzusetzen.
Innerhalb der Trending-Kategorien können wir bestimmte Produkte auswählen, die beworben werden sollen, und zwar unter Berücksichtigung zahlreicher Faktoren, darunter:
Diese Aufgabe ist eine konventionelle Optimierung, die nicht in eine ML-Optimierung umgewandelt werden muss.
Im Großen und Ganzen geht es darum, die Gewohnheiten und Vorlieben Ihrer Kunden anhand ihres Kaufverhaltens zu erkennen. Die Kunden werden anhand ihrer Kaufhistorie, die über Kundenbindungsprogramme gesammelt wird, in Gruppen zusammengefasst. Clustering kann als Extraktion ähnlicher Muster im Kaufverhalten der Kunden interpretiert werden. Auf diese Weise lassen sich in der Regel die Gewinne steigern, während die Nutzung von Empfehlungssystemen die Kundenerfahrung verbessert. Viele ML-Ansätze sind geeignet:
In der ML-Gemeinschaft gibt es eine Vielzahl von Implementierungen. Da wir hauptsächlich in Python programmieren, sind wir der Meinung, dass Scikit-Learn die umfassendsten Möglichkeiten für Clustering-Ansätze bietet. Was die Empfehlungsmodelle anbelangt, so finden wir einige von ihnen entweder in Scikit-learn oder in Tensorflow. Bei Aliz führen wir Clustering-Modelle und Empfehlungsmaschinen normalerweise in Kubeflow aus.
Das Ziel ist es, den relevantesten Kunden die richtigen Produkte anzubieten, während die Mittel die verschiedenen Marketingkampagnen sind, die wir entwerfen, um diese Produkte vorzustellen. Zu diesem Zweck werden die gewonnenen Erkenntnisse aus den für das Unternehmen relevantesten Produkten kombiniert, um die relevantesten Kundensegmente anzusprechen. Dabei geht es darum, die Produkte mit den Bedürfnissen und dem Geschmack der Kunden abzugleichen. Dabei können auch zusätzliche Randbedingungen berücksichtigt werden, wie die Verfügbarkeit der Produkte im bevorzugten oder nächstgelegenen Geschäft des Kunden. Obwohl diese Aufgabe quantitativ ist, deckt sie mehr die Optimierung als ML ab.
Eine Werbekampagne wirkt sich auf Einzelhandelskunden in drei verschiedenen Aspekten ihres Kaufverhaltens aus: von Kundenbesuchen über Treueverschiebungen bis hin zu Geldausgaben. Bei einem Treueprogramm gibt es drei Arten von Kunden:
Lebensabschnitte beeinflussen das Treueverhalten der Kunden. Kunden können in einer Produktkategorie Loyalisten und in einer anderen Roamers sein. Darüber hinaus wechseln sie von Loyalisten zu Roamern, da sie von verschiedenen externen Faktoren beeinflusst werden, z. B. von ihrer aktuellen finanziellen und sozialen Situation oder dem Vorhandensein von Kindern im Haushalt.
"Kunden bewegen sich im Laufe ihres Lebens mehrmals auf dem Spektrum der Einkaufspersönlichkeiten hin und her. [...] Zum Beispiel sind sehr junge Verbraucher und die 35- bis 44-Jährigen am ehesten "Roamers", während Millennials und etwa die Hälfte der Verbraucher über 75 eher "Loyalists" sind. [...] Wenn man budgetbewusster wird, wird man eher zu den Roamern. [...] Obwohl Eltern oft unter Zeitdruck stehen, scheinen sie eher statusorientiert und bereit zu sein, für Anreize einzukaufen." Gudat, Consumer Shopping Personalities and their Impact on Customer Brand Loyalty
Der Schlüssel zum Erfolg einer Werbekampagne liegt in der Ausrichtung auf den Umsatz. Roamers sind die Zielgruppe, die am besten auf Werbeangebote anspricht. Die größten normalisierten Umsatzsteigerungen werden in der Regel im Segment der Roamers verzeichnet. Einige Roamers können sogar zu Loyalisten für bestimmte Produktkategorien werden.
Roamers sind auch empfänglich für neue Produktempfehlungen. Per Definition sind sie an Produktkategorien interessiert, die sie in ihren regulären Geschäften nicht kaufen würden. Es ist wichtig, sie mit neuen Produkten anzulocken, die sie potenziell interessieren könnten. Zusammenfassend lässt sich sagen, dass es bei der Definition des Erfolgs einer Kampagne darum geht, über den Umsatz hinaus zu denken, d. h. von Besuchen bis hin zu Loyalitätsänderungen. Dies lässt sich anhand des Lebenszyklus eines Kundenerlebnisses veranschaulichen:
Implementierung und Architektur (der technische Teil)
Bei der Implementierung einer ML-Lösung im Einzelhandel sind viele verschiedene Modelle im Spiel:
Einerseits können alle diese Modelle parallel trainiert werden, was sowohl für die Rechenzeit als auch für die Leistung von Vorteil ist (da sich die Modellfehler nicht gegenseitig aufschaukeln). Andererseits erfordert die beschriebene Modellvielfalt die Orchestrierung einer Modellierungspipeline, damit die Trainingsphase effektiv und reibungslos abläuft, unabhängig von der Häufigkeit der Nachschulung. Cloud Composer ist eine Lösung für die Orchestrierung einer solchen Pipeline. Sie umfasst:
In den meisten Geschäftsszenarien reicht ein asynchrones Schema zur Vorhersageerstellung aus. Grundsätzlich werden statische und zeitnahe Funktionen in BigQuery entwickelt. Die Kubernetes-Engine bedient die Vorhersagen der verschiedenen Modelle, einschließlich Nachfrageprognosen, Kundensegmentierungen und Empfehlungen. Neben der Bereitstellung von Vorhersagen wird die Kubernetes-Engine auch für die Ausführung einiger anderer erforderlicher Aufgaben verwendet, z. B. die Optimierung von Geschäftseinschränkungen für die Produktauswahl und den Querverweis von Produkten und Kundensegmenten während der Targeting-Phase. Das Serving wird durch den Client ausgelöst und hat ein Gateway: die App-Engine, die nachbearbeitet und an das aufrufende System zurückgeschickt wird.
Wenn Einzelhandelsunternehmen ML nutzen wollen, sind die Möglichkeiten endlos. Sie können ML nutzen, um ihr Geschäft zu optimieren und ihre Kapitalrendite (ROI) zu erhöhen. Aus den über Kundenbindungsprogramme gesammelten Daten können Einzelhandelsunternehmen maßgeschneiderte, gezielte Kampagnen erstellen, z. B. mit Werbeangeboten. Der Prozess ist einfach und umfasst viele quantitative Schritte, wie z. B. die Nachfrageprognose für Produktkategorien und die Kundensegmentierung. Solche Zwischenschritte können eigenständig wiederverwendet werden, beispielsweise für weitere analytische Aufgaben.
