In diesem Beitrag diskutieren wir ein wichtiges Thema: Wie künstliche Intelligenz (KI) und insbesondere Personalisierung die Kundenerfahrung verbessern können - entweder die Erfahrungen Ihrer Kunden oder Ihre Erfahrungen als Kunde.
Als Data Science Architect bei Aliz und ehemaliger Senior Data Scientist in der Marktforschungsbranche habe ich mit den Recommendation Engines vieler Unternehmen aus verschiedenen Branchen gearbeitet. Ich habe hauptsächlich mit Einzelhändlern, E-Commerce-Marktplätzen, einschließlich FMCG-Marken oder Fluggesellschaften gearbeitet.
Wenn Unternehmen Aliz beauftragen, ihre Angebote mit KI zu verbessern, ist ihre Motivation nicht altruistisch. Ihr wichtigster Leistungsindikator (KPI) ist mindestens eine erhöhte Kundenkonversionsrate, bestenfalls eine Umsatzsteigerung; auch wenn Kundenzufriedenheit ein Nice-to-have ist, bleibt sie zweitrangig.
Im Einklang mit dieser Beobachtung erörtern wir, wie KI die Kundenerfahrung verbessern kann, wobei die Motivation hinter den Kulissen darin besteht, mehr zu verkaufen.
Aus dem AI Index Report 2018 geht hervor, dass Unternehmen aus der IT-Branche seit 2015 verstärkt in KI und Machine Learning investieren - auf Kosten von Cloud und Big Data.
Diese Tendenzen sind bei Nicht-IT-Unternehmen ähnlich. Seit 2015 sind wir mit dem Aufstieg von KI und maschinellem Lernen konfrontiert, auch wenn die Investitionen in Big Data im Jahr 2017 noch im Vordergrund standen, während das Interesse an der Cloud langsamer abnahm als im IT-Sektor.
All diese Tendenzen sind durchaus legitim, da sich Cloud, Big Data, KI und maschinelles Lernen innerhalb desselben logischen Flusses bewegen.
Erstens wären wir ohne die Möglichkeiten der Cloud nicht in der Lage gewesen, riesige Datenmengen - Big Data - zu sammeln. Allgemein gesprochen hätte sich die KI (und insbesondere das maschinelle Lernen) ohne Unmengen von Daten, die es zu erforschen gilt, nicht verbessern können (d. h. in Bezug auf die Leistung der Modelle). Es lässt sich nicht leugnen, dass Daten heutzutage als reiner Rohstoff betrachtet werden, der mehr wert ist als Öl.
Betrachten wir nun die KI von der Seite der Endnutzer aus. Wir, die Kunden/Konsumenten, werden von der Technologie bedient. Wie sähe unser Leben ohne Technologie aus? Ohne IoT? Ohne das Internet? Technologie ist in unser tägliches Leben eingebettet, in unsere Smartphones, in die Inhalte der sozialen Medien, die wir jeden Tag durchforsten. Diese Technologie basiert auf einem einzigen Paradigma: dem Web.
1992 setzte sich Al Gore, Vizepräsident der USA in der Clinton-Regierung, für eine Gesetzgebung ein, die den Ausbau des ARPANET zum Internet finanzierte - ein Web 1.0, das bis in die 2000er Jahre statisch war. Damals wurden zwei gegensätzliche Seiten unterschieden: Verleger, die Inhalte erstellen, und Verbraucher, die Inhalte konsumieren.
Im Jahr 2004 wurde die Terminologie des Web 2.0 von Tim O'Reilly demokratisiert, um ein dynamischeres Web zu bezeichnen, in dem die Grenze zwischen Verlegern und Verbrauchern verwischt wurde: dieselben Personen konnten nun Inhalte erstellen und konsumieren. Wir befanden uns an der Schwelle zu den sozialen Medien.
Wo stehen wir heute? Es besteht Einigkeit darüber, dass wir im Jahr 2015 in die Ära des Web 3.0 eingetreten sind. Die Technologie, die wir derzeit nutzen, folgt diesem neuen Paradigma.
Trotz einiger technischer Unterschiede zu den früheren Webs ist das Web 3.0 weitgehend das Produkt von KI, einer KI, die uns als Endnutzer dient - mit intelligenten Apps, einem semantischen Web, verhaltensorientierter Werbung oder Verhaltens- und Engagement-Tracking für größere Zwecke.
KI ist zu einem neuen Standard geworden. Sie ist durch die Technologie, die wir nutzen, in unser Leben eingebettet: Google, Gmail, Amazon, eBay, Facebook, Spotify, YouTube, Instagram, Pinterest, etc. jedes einzelne Medium, über das wir Inhalte konsumieren.
KI ist fast überall. Sie ist sogar physisch in unseren Häusern, wenn wir Geräte wie Alexa oder Google Home haben.
Ein wichtiger Aspekt, wie KI das Kundenerlebnis verbessern kann, sind Empfehlungen. Empfehlungen sind die logische Fortsetzung des Suchvorgangs.
Vor zehn Jahren haben wir viel Zeit damit verbracht, in Suchleisten zu tippen und zu recherchieren. Auch wenn es die Suchleisten noch gibt und wir sie immer noch benutzen, verlassen wir uns auch auf Empfehlungen, um große Datenmengen zu konsumieren und die Suchleisten seltener zu benutzen.
Stellen Sie sich vor, wir müssten nach allen relevanten Inhalten suchen, die in unserem Facebook-Newsfeed, in den empfohlenen Spotify-Wiedergabelisten, auf der Netflix-Browsing-Seite, der YouTube-Startseite oder dem Instagram-Explore-Tab angezeigt werden.
Wir als Kunden sind in der Regel sehr an neuen Vorschlägen interessiert, um unsere Erfahrungen zu erweitern. Dies gilt vor allem für schnelllebige Produkte (z. B. FMCGs oder gestreamte Inhalte), da sie billig und schnell zu konsumieren sind. Wir sind in der Regel bereit, mit neuen Inhalten zu experimentieren, denn es kostet uns nichts außer Zeit.
Bei langlebigeren Gütern (z. B. Elektronik, Kleidung, Reisen) sind die Kunden jedoch nicht so bereit, Vorschläge auszuprobieren: Diese Güter sollen nicht kurzfristig ersetzt werden, und sie sind teurer. Für diese Produkte oder Dienstleistungen sollten die Empfehlungen gezielter sein; zusätzliche Erkenntnisse werden in der Regel genutzt, um Menschen zu Käufern zu machen.
In Teil II dieser Serie werden wir uns damit beschäftigen, wie man mit einer Empfehlungsmaschine beginnt: was zu beachten ist, wie man mit dem Aufbau einer solchen Maschine beginnt und welche Faktoren bei der Personalisierung aus der Perspektive des maschinellen Lernens zu berücksichtigen sind. Bleiben Sie dran und abonnieren Sie unseren Newsletter, damit Sie ihn nicht verpassen!
