Passende Empfehlungen erhöhen die Absätze in Online-Shops deutlich, diese Erfahrung sammeln die Data Scientists der mayato GmbH in zahlreichen E-Commerce-Projekten. Dass sich diese Vorteile auch mit Recommender Systemen nutzen lassen, die auf clusterbasierten Ansätzen aus dem Machine Learning basieren, zeigt das Beratungsunternehmen mit den Schwerpunkten Business Intelligence, Data Science und Analytics anhand einer Anwendung aus dem Automotive Bereich. Caroline Kleist, Leiterin Analytics bei mayato, erklärt dazu: „Es müssen nicht zwangsläufig feingranulare Analysen durchgeführt werden. Einfache Algorithmen genügen im ersten Schritt, um ein Recommender System implementieren zu können, das den Absatz nachhaltig steigert.“
In dem aktuell vorgestellten Projekt segmentierte das Beratungshaus zunächst anhand historischer Verkaufsdaten Kunden und Produkte. Das Wissen um das Kaufverhalten in der Vergangenheit nutzten die Data Scientists anschließend, um eindeutige Präferenzen als Unterscheidungskriterien zur Erstellung von Kundenprofilen zu ermitteln. Die so generierten Profile dienen dann als Vergleichswerte für die aktiven Kunden der Online-Plattform. Kunden mit einer Mindestzahl an getätigten Käufen wurden daraufhin mit dem kMeans-Algorithmus, einem Data Mining-Verfahren des unüberwachten Lernens, geclustert. Die Ergebnisse daraus führten im ersten Schritt zu einer Neustrukturierung der vorhandenen Webseite und schließlich, nach weiteren Segmentierungen, zu 30 gut unterscheidbaren Produktclustern, die dann den entsprechenden Kunden zugeordnet werden können. Diese erhalten bei einem Besuch des Online-Shops gezielte Empfehlungen aus den für sie interessanten Produktgruppen. Uninteressante Angebote werden ausgeblendet. Monatliche Neuberechnungen halten das Modell stets auf dem neuesten Stand. Die detaillierte mayato Case Study dazu finden Sie unter https://www.mayato.com/case-studies/#e-commerce
In dem aktuell vorgestellten Projekt segmentierte das Beratungshaus zunächst anhand historischer Verkaufsdaten Kunden und Produkte. Das Wissen um das Kaufverhalten in der Vergangenheit nutzten die Data Scientists anschließend, um eindeutige Präferenzen als Unterscheidungskriterien zur Erstellung von Kundenprofilen zu ermitteln. Die so generierten Profile dienen dann als Vergleichswerte für die aktiven Kunden der Online-Plattform. Kunden mit einer Mindestzahl an getätigten Käufen wurden daraufhin mit dem kMeans-Algorithmus, einem Data Mining-Verfahren des unüberwachten Lernens, geclustert. Die Ergebnisse daraus führten im ersten Schritt zu einer Neustrukturierung der vorhandenen Webseite und schließlich, nach weiteren Segmentierungen, zu 30 gut unterscheidbaren Produktclustern, die dann den entsprechenden Kunden zugeordnet werden können. Diese erhalten bei einem Besuch des Online-Shops gezielte Empfehlungen aus den für sie interessanten Produktgruppen. Uninteressante Angebote werden ausgeblendet. Monatliche Neuberechnungen halten das Modell stets auf dem neuesten Stand. Die detaillierte mayato Case Study dazu finden Sie unter https://www.mayato.com/case-studies/#e-commerce
