Entwicklung einer zusätzlichen Empfehlungsmaschine für einen führenden Low-Cost-Carrier in CEE

Dies ist unsere Geschichte der Entwicklung eines personalisierten Empfehlungssystems auf der Grundlage von Google Analytics 360 Suite, Google BigQuery und einer Plattform für künstliche Intelligenz (KI).

Der Kunde für Zusatzempfehlungen

Die führende mittel- und osteuropäische Low-Cost-Airline konzentriert sich als wertorientierte Fluggesellschaft auf Innovation in jeder Phase der Customer Journey. Ihr Ziel ist es, ihren Kunden erschwingliche Dienstleistungen mit einem großartigen Benutzererlebnis zu bieten.

Um ihre Kernwerte erfolgreich zu vertreten, muss sie in der Lage sein, auf die Bedürfnisse ihrer Kunden einzugehen und personalisierte Empfehlungen für Zusatzprodukte wie Sitzplätze und Priority Boarding zu geben.

Auf diese Weise kam Aliz ins Spiel. Durch die frühere Zusammenarbeit mit der Fluggesellschaft wusste man, dass Aliz in der Lage sein würde, diese Vision zu verwirklichen.

Die Herausforderung der zusätzlichen Empfehlung

Nach einigen sehr informativen Treffen, in denen die Bedürfnisse des Kunden im Detail besprochen wurden, beschlossen wir, ein personalisiertes System für Zusatzempfehlungen auf der Grundlage von Google Analytics 360 Suite, Google BigQuery und der KI-Plattform zu entwickeln.

Der Kunde hatte bereits E-Mail-Kampagnen vor der Abreise durchgeführt, aber da diese Kampagnen nicht seinen Erwartungen entsprachen, wollte er sie mit personalisierten Nachrichten und Empfehlungen verbessern.

Sie hatten auch Google Analytics 360 Suite (Analytics 360) verwendet, um die Interaktionen der Nutzer auf ihren Online-Plattformen aufzuzeichnen, aber sie hatten die gespeicherten Daten noch nicht genutzt.

Das Problem: Wie kann man den richtigen Kunden die richtigen Angebote wie Zusatzleistungen empfehlen

Ausgehend von den Geschäftsfaktoren unseres Kunden standen wir vor zahlreichen Herausforderungen.

• Wir mussten nützliche Funktionen aus Google Analytics 360 extrahieren.
• Wir mussten die richtigen Angebote (Zusatzleistungen) für die richtigen Kunden finden.
• Dann mussten wir Kundensegmente identifizieren, um effektive Zielgruppen für Marketingkampagnen zu erhalten.
• Außerdem mussten wir personalisierte Nachrichten entwerfen, indem wir sowohl die Empfehlungen als auch die individuellen Präferenzen der Kundensegmente nutzten.
• Schließlich mussten wir eine Datenpipeline aufbauen und in die Marketingplattform des Unternehmens integrieren.

Die Ziele waren:

• Nachzuweisen, dass personalisierte Kommunikation einen kommerziellen Uplift bringt.
• Testen der Google Cloud für einfachere Skalierbarkeit/höhere Verfügbarkeit.
• Nachweis, dass Google Cloud eine bessere Markteinführungszeit bieten kann.

Die Lösung

Wir entwickelten ein personalisiertes zusätzliches Empfehlungssystem auf der Grundlage von Google Analytics 360 Suite, Google BigQuery und der KI-Plattform. Das Projekt dauerte 3,5 Monate mit A/B-Tests und einem technischen Gesamtaufwand von 77MDs.

Wir haben eine Lösung implementiert, die die in Google Analytics gesammelten Daten in Google BigQuery nutzt und darauf aufbauend Modelle für maschinelles Lernen erstellt.

Da sich die Google Analytics 360-Daten bereits in Google BigQuery befanden, wurde die ETL-Pipeline (Extrahieren, Transformieren, Laden) zur Gewinnung nützlicher Funktionen ebenfalls in BigQuery entworfen und implementiert. Da die GA 360-Daten nicht so strukturiert sind, dass sie die Merkmale direkt enthalten, waren mehrere Transformationsschritte erforderlich, um sie zu extrahieren.

• Kontextbezogene Daten
• Historisches Nutzerverhalten (Kauf und Suche)
• Historische Flugdaten

Da einige dieser Schritte voneinander abhängig sind, haben wir Cloud Composer verwendet, um die Aufgaben zu orchestrieren und zu planen. Cloud Composer ermöglicht es den Nutzern auch, die Ausführung leicht zu überwachen, und warnt sie im Falle von Fehlern.

Bei der Nutzersegmentierung ist es immer wichtig, praktikable Zielgruppen für ein bestimmtes Unternehmen zu finden. Mit den extrahierten Merkmalen waren wir in der Lage, die Kunden in Segmente zu unterteilen, die sowohl zielgerichtet als auch aussagekräftig waren.

Wir haben zwei verschiedene Arten von Modellen erstellt und kombiniert:

• Eine Empfehlungsmaschine, die aus vier Modellen für die Kombinationen Sitzplatz/Priorität und Einweg/Rückgabe besteht.
• Kundensegmente basierend auf Kauf- und Suchhistorie: Reiseliebhaber, Familienreisende, Erstreisende, Geschäftsreisende und One-Way-Reisende.

Anschließend kombinierten wir diese beiden Modelltypen, um die E-Mail-Kampagnen einem A/B-Test zu unterziehen und die Wirksamkeit der Personalisierung zu messen.

Die wichtigsten Leistungsindikatoren zur Bestimmung der Effektivität waren wie folgt:

• Öffnungsrate der E-Mail
• Click-Through-Rate
• Zusatzverkäufe

Zunächst erstellten wir Propensity-Scoring-Modelle für die beiden Zusatzleistungen: Sitzplatz und Priority Boarding.

Die Empfehlungsmaschine bestand aus vier Modellen für die Kombinationen Sitzplatz/Priority und One-Way/Return. Wir erlaubten maximal eine Empfehlung für jeden Nutzer. Die enge Zusammenarbeit mit dem Team unseres Kunden während des gesamten Modellierungsprozesses ermöglichte es uns, ihr Geschäftswissen in die Modelle einfließen zu lassen, um eine maximale Leistung zu erzielen.

Anschließend erstellten wir Kundensegmente auf der Grundlage der Kauf- und Suchhistorie.

Wir identifizierten fünf verschiedene Segmente: Reiseliebhaber, Familienreisende, Erstreisende, Geschäftsreisende und Einwegreisende. Jedes dieser Segmente hat seine eigenen Merkmale. Reiseliebhaber sind zum Beispiel ständig auf der Suche nach neuen Reisen und verreisen jeden zweiten Monat. Sie sind ein kleines Segment, das jedoch einen hohen Umsatzbeitrag leistet. Familienreisende planen lange im Voraus, reisen mit Kindern und haben eine längere Aufenthaltsdauer.

Dann haben wir die Ergebnisse der Empfehlungsmaschine und der Segmentierung kombiniert, um die endgültigen Werbebotschaften zu liefern.

Wir analysierten die Wirksamkeit mit A/B-Tests.

Die Ergebnisse und der Geschäftswert

Durch die Implementierung der ersten personalisierten E-Mail-Empfehlungspipeline konnten wir unserem Kunden helfen, die Machbarkeit des vorgeschlagenen Konzepts zu demonstrieren. Die A/B-Tests zeigten, dass die personalisierten Kampagnen im Vergleich zur Kontrollgruppe einen signifikanten Anstieg der Verkaufszahlen bewirkten. Das Projekt führte zu einem ROI von 19,85 %.

Für uns war der wichtigste Wert jedoch die enge Zusammenarbeit zwischen dem Kunden und uns. Aliz hat dazu beigetragen, das Unternehmen auf den Weg zu bringen, einen datengesteuerten Ansatz für die Betreuung seiner Kunden zu erwerben.

Möchten Sie mehr über unsere Lösungen erfahren?

Sehen Sie sich unsere Angebote an und zögern Sie nicht, uns unter hello@aliz.ai zu kontaktieren.