Maschinelles Lernen im E-Commerce: 10 Anwendungsfälle, Beispiele und Best Practices

Ähnlich wie bei Empfehlungssystemen geht es bei dieser Technik darum, den Absatz durch individuelle Anpassung zu fördern. Potenzielle Neukunden können anhand einer Vielzahl von Parametern wie ihrer Interaktionen in sozialen Medien, früheren Online-Einkäufen (auch in virtuellen Geschäften), dem Google-Suchverlauf und anderen Arten von großen Daten, die im E-Commerce verwendet werden, segmentiert und mit maßgeschneiderten Anzeigen angesprochen werden. Anschließend verarbeiten Algorithmen des maschinellen Lernens diese Informationen, um das Verhalten und die Kaufgewohnheiten der Kunden zu erfassen und vorauszusagen, welche Produkte ihnen gefallen könnten.

Traditionelle Suchmaschinen, die in E-Commerce-Shops integriert sind, gleichen die für die Website-Suche verwendeten Schlüsselwörter mit denen ab, die zur Beschreibung der vorrätigen Produkte gewählt wurden. Erweitert um Deep-Learning-basierte Funktionen zur Verarbeitung natürlicher Sprache können diese Tools jedoch ein viel tieferes Kontextverständnis erreichen. So kann eine ML-gesteuerte Engine beispielsweise eine breitere Palette von Synonymen berücksichtigen. Sie kann auch den Suchprozess auf der Website in Echtzeit anpassen, indem sie einige Ergebnisse entsprechend den Kaufgewohnheiten und dem Geschmack der einzelnen Nutzer priorisiert.

Einige E-Commerce-Plattformen und Online-Shops nutzen maschinelles Lernen, um ihre Preisstrategien zu optimieren und Rabatte oder andere Werbeaktionen zu personalisieren. Diese Technik, die in der Regel als dynamische Preisgestaltung bezeichnet wird, beinhaltet regelmäßige und individuelle Preisanpassungen (im Falle von Amazon sogar alle paar Minuten) auf der Grundlage persönlicher Nutzerdaten, der Preisentwicklung ähnlicher Produkte, Verkaufstrends, Angebote der Konkurrenz, der Nachfrage im Vergleich zum Angebot und mehr.

Im Gegensatz zu herkömmlichen, regelbasierten Bots, die nur einfache Anfragen lösen können, verstehen moderne Chatbots, die mit natürlicher Sprachverarbeitung arbeiten, auch den Kontext, in dem sie agieren, und lernen vor allem aus Erfahrung, d.h. aus früheren Interaktionen mit anderen Nutzern. Dadurch sind Chatbots in der Lage, eine realistische Konversation zu führen und Menschen bei einer Vielzahl von Kundensupportaufgaben vollständig zu ersetzen. So können sie beispielsweise die verfügbaren Versandoptionen erläutern, Fragen stellen, um die Präferenzen der Kunden zu verstehen, und je nach deren Antworten Gutscheine anbieten.

Ein weiteres wichtiges Beispiel für maschinelles Lernen in der E-Commerce-Branche, das speziell dazu dient, Kunden zu Produkten zu führen und ihnen ein interaktiveres Erlebnis zu bieten, sind kontextbezogene Einkaufslösungen. Mit Hilfe von maschinellem Lernen und Computer-Vision-Technologien erkennen diese Anwendungen bestimmte Produkte oder Marken, die in Online-Videos erscheinen, und heben sie hervor. Die Verkäufer können Links zu den entsprechenden Produktseiten einbetten, so dass die Nutzer diese Artikel kaufen können, ohne die Multimedia-Inhalte zu verlassen.

ML kann Einzelhändlern dabei helfen, Angebot und Nachfrage aufeinander abzustimmen, indem sie die kommenden Verkaufstrends im E-Commerce vorhersagen und die Wiederauffüllung der Bestände planen. Dies ist auch für die Optimierung des Katalogs nützlich, wodurch die Lagerauslastung und das Risiko des Verderbens von Lebensmitteln verringert werden. Zu den berücksichtigten Variablen gehören wirtschaftliche Bedingungen, saisonal bedingte Kaufmuster, die Stimmung in den sozialen Medien, Produktbewertungen und -rezensionen. All diese Datenpunkte stammen aus verschiedenen Quellen, wie sozialen Medien, E-Commerce-Websites oder POS-Lösungen.

Maschinelles Lernen im Einzelhandel und E-Commerce erleichtert den Produktvertrieb durch Lösungen zur Lieferoptimierung. Sie verarbeiten Daten aus früheren Fällen und schlagen die besten Versandmethoden und -bedingungen (z. B. kostenlose oder eintägige Lieferung) entsprechend den Kundenerwartungen vor. Der eigentliche Versand kann durch eine auf maschinelles Lernen gestützte Routenplanung beschleunigt werden. Diese Lösungen analysieren Echtzeit-Verkehrsdaten, Wetterbedingungen sowie die Erfahrung und Leistung der Fahrer, um die schnellste Route zu empfehlen.

Eine weitere Form des maschinellen Lernens zur Verbesserung der Produktauslieferung ist der Einsatz von selbstfahrenden Fahrzeugen, die mit ML-Algorithmen, Deep Learning und Computer Vision arbeiten. Allerdings befinden wir uns noch im Bereich der Erprobung und nicht in der Phase der vollständigen Umsetzung. Dennoch investieren einige Pionierunternehmen wie Amazon und Kroger in diese Technologien mit recht vielversprechenden Ergebnissen, insbesondere um die Auslieferung auf der letzten Meile zu beschleunigen und die Kosten zu minimieren.

Viele Unternehmen haben bereits ML als potenzielle Waffe zum Schutz ihrer ecommerce/portale vor einer Vielzahl krimineller Handlungen, einschließlich Identitätsdiebstahl und betrügerischer elektronischer Zahlungen, ins Auge gefasst. ML-Algorithmen können in den von ihnen verarbeiteten Daten wiederkehrende Muster erkennen, aber auch feststellen, wenn etwas "gegen die Regeln" verstößt. In der Tat wird ML in der Betrugserkennung häufig eingesetzt, um Anomalien unter den untersuchten Kreditkartenkonten zu erkennen (z. B. eine zunehmende Häufigkeit von Transaktionen), die Anzeichen für Betrugsversuche sein können.