Personalisierung, also jeden Kunden als Individuum statt als Teil der Masse zu behandeln, ist ein Trend, der seit mehreren Jahren an Fahrt gewinnt. Ein wichtiger Teil davon ist die Entwicklung einer Empfehlungs-Engine, die relevante, hilfreiche Vorschläge macht.

Unternehmen, die das gut beherrschen, erzielen große Erfolge und setzen den Standard für alle anderen. Gute Empfehlungen sind inzwischen so selbstverständlich, dass Kunden sie nicht nur erwarten, sondern erwarten, dass sie gut sind. Hier zeigen wir, wie ISC einem großen Online-Marktplatz zu 65% mehr Klicks, einer 39% höheren Kaufrate und 51% mehr Umsatz verholfen hat.

Creative Market verkauft hochwertige Schriftarten, Grafikdesign-Elemente, Stockfotos und alles Weitere, was Kreative brauchen, um ihre Visionen zum Leben zu erwecken. Bei Millionen von Produkten im Bestand war eine intelligente Empfehlungs-Engine ein anspruchsvolles Ziel.

Das Unternehmen hatte sich als Jahresziel gesetzt, Kunden bessere Personalisierung zu bieten. Das Search-Team wandte sich an Insight Softmax, damit wir ihnen helfen, eine Empfehlungs-Engine zu entwickeln, die jedem Kunden die für ihn relevantesten Produkte zeigt.

Das mag einfach sein, wenn man in einer engen Nische verkauft. Aber wie optimiert man, wenn man mit ständig wechselnden Faktoren wie User-Item-Sparsity, Saisonalität, Artikelkategorisierung und Tagging sowie sehr unterschiedlichem Nutzerverhalten arbeitet? Schon eine kleine Parameteränderung in die falsche Richtung kann Ihre Ergebnisse außer Kontrolle geraten lassen.

Der ISC-Ansatz

Der erste Schritt zu einer erfolgreichen Data-Science-Partnerschaft begann in diesem Fall nicht mit Zahlen, sondern mit Worten. Ein ausführliches Gespräch zwischen ISC und der Führung von Creative Market brachte viele wichtige Informationen ans Licht: den aktuellen Stand der verfügbaren Daten, was diese Daten leisten sollten und die übergeordneten Ziele für die Personalisierung. Diese frühe Zusammenarbeit brachte uns vom ersten Tag an auf den richtigen Weg.

Anschließend analysierten wir ihre Daten und erstellten einen detaillierten Bericht darüber, was Kunden beim Stöbern ansahen und was sie am Ende tatsächlich kauften. So konnten wir Trends und Muster in den Daten herausarbeiten. Dabei entdeckten wir einen echten "Aha!"-Moment: Die Käufe der Creative Market-Kunden folgten Themen (zum Beispiel geschwungene Schriftarten und Glitzerhintergründe). Danach verschwanden diese Kunden und interagierten mehrere Monate lang nicht mit der Website. Als sie Monate später zurückkehrten, waren die Themen ihrer Ansichten und Käufe völlig anders (Metallkanten-Hintergründe und Totenköpfe).

Eine Grundannahme bei Empfehlungs-Engines ist, dass sich Nutzerpräferenzen im Laufe der Zeit nicht drastisch ändern. Als wir diese speziellen Kunden betrachteten, widerlegten sie diese Annahme und machten unseren Prozess noch komplexer. Die Schlussfolgerung: Designer kauften nicht für sich selbst ein. Sie kauften für ihre Kunden. Mit anderen Worten: Ihre persönlichen Vorlieben hatten keinen Einfluss darauf, was sie kauften. Das bedeutet, dass ihre mehrjährige Kaufhistorie für Empfehlungen relevanter Produkte nicht wirklich nützlich war.

Collaborative Filtering und Vorverarbeitung

Die Empfehlungs-Engine, die wir für Creative Market entwickelt haben, nutzt Collaborative Filtering. Ganz einfach gesagt ist das wie Crowdsourcing, um zu bestimmen, ob einem bestimmten Nutzer ein bestimmtes Produkt gefallen wird. Dabei entsteht eine riesige Tabelle, in der:

• jeder Nutzer eine Zeile erhält
• jedes Produkt eine Spalte erhält
• alle Felder der Tabelle mit Nullen gefüllt werden
• jeder tatsächliche Kauf mit einer 1 an der entsprechenden Nutzer-Artikel-Position dargestellt wird
• ein mathematischer Algorithmus ausgeführt wird, um alle leeren Nullen zu füllen
• jede Nutzer-Produkt-Kombination anschließend eine kleine Dezimalzahl enthält
• diese Zahlen pro Nutzer sortiert werden
• der nicht gekaufte Artikel mit der höchsten Bewertung derjenige ist, den der Nutzer als Nächstes am wahrscheinlichsten kauft
• die Bewertung auf einer Analyse einer aggregierten Liste von Artikeln basiert, die alle Nutzer jemals gekauft haben

Vorverarbeitung ist ein entscheidender Schritt in jedem Data-Science-Projekt. Manchmal kann sie die Genauigkeit bzw. den Erfolg des finalen Modells sogar stärker verbessern als das Algorithmus-Tuning. In diesem Fall zeigte uns der erste Bericht, dass sich Nutzerpräferenzen im Laufe der Zeit deutlich ändern. Tatsächlich ändern sie sich manchmal komplett!

Um mit dieser Datenrealität umzugehen, mussten wir die Daten auf irgendeine Weise transformieren. Wir konnten nicht den Nutzern die Schuld geben. Wir mussten uns an sie anpassen. Die entscheidende Frage lautete: "Wann änderten sich die Nutzerpräferenzen?" Anders formuliert: "Wie lange dauerte es bei einem inaktiven Nutzer (in Tagen), bis sich seine Präferenzen änderten?"

Um das zu untersuchen, griffen wir auf die Welt der Audiosignalverarbeitung zurück und betrachteten Fensterfunktionen. Eine einfache Erklärung von Fensterfunktionen lautet ungefähr so:

• Ein Fenster öffnet sich, wenn ein Nutzer seinen ersten Kauf tätigt, und schließt sich, wenn er n Tage lang keine Käufe mehr tätigt
• Sobald das Fenster geschlossen ist, werden alle darin gesammelten Daten zu einem Pseudo-Nutzer
• Das wird fortgesetzt, bis die vollständige Kaufhistorie des Nutzers berücksichtigt ist
• Nur das aktuellste Fenster repräsentiert den tatsächlichen Nutzer; die übrigen werden als Pseudo-Nutzer gespeichert
• Die Empfehlungen dieses Nutzers basieren nur auf dem jüngsten Kauf

Für hochwertige Ergebnisse haben wir außerdem Filter in die Pipeline aufgenommen. Szenarien, in denen ein Mensch aus dem Bauch heraus sagen würde: "Das ergibt keinen Sinn", wurden als Code abgebildet, automatisiert und ausgeschlossen. Beispiele für ausgeschlossene Produkte waren:

• Kostenlose Produkte (die nichts kosteten und bei allen Nutzern sehr beliebt waren)
• Saisonale Produkte (die nur zu einer bestimmten Jahreszeit gefragt waren)
• Weniger beliebte Kategorien (die nicht genug Daten hatten, um einen sinnvollen Beitrag zu leisten)
• 3D-Meshes von Produkten (die fast nie zusammen mit Grafikdesign-Artikeln gekauft wurden)
• Extrem beliebte Produkte (das "Bananenproblem")
• Extrem unbeliebte Produkte (mit so wenigen Käufen, dass sie die Pipeline verlangsamten, ohne Mehrwert zu liefern)

Durch das Entfernen dieser Elemente aus der Vorverarbeitungs-Pipeline konzentrierte sich das Collaborative Filtering auf die relevantesten Daten, die nötig waren, um Creative Markets Jahresziel zu erreichen: ihre Kunden als Individuen zu behandeln.

Die Ergebnisse

Gemeinsam führten wir eine Reihe von A/B-Tests durch, um die optimalen Ergebnisse zu finden. Am Ende landeten wir bei einem Satz von Hyperparametern, der folgende Ergebnisse lieferte:

• Klickrate: Um 65% gestiegen
• Kaufrate: Um 39% gestiegen
• Umsatz: Um 51% gestiegen

Unsere Tests lieferten außerdem wertvolle Daten, die uns bei den nächsten Schritten helfen werden.

Wenn Sie herausfinden möchten, wie Sie den transformativen Wert der Daten Ihres Unternehmens erschließen können, schreiben Sie uns.