Erhöhen Sie Ihren E-Commerce-ROI indem Sie die Intentionen Ihrer Nutzer vorhersagen

Ciprian Borodescu

Es gibt eine besondere Art von Zufriedenheit, die entsteht, wenn sich alles fügt. Es gibt uns ein Gefühl von Gelassenheit, dass die Dinge gut umgesetzt werden und wenn es darauf ankommt, kann unser Vertrauen wieder hergestellt werden.
Denken Sie darüber nach, wie sich Folgendes anfühlt:

Bei Ihrer ersten Google-Suche das passende Produkt zu finden
Die Jacke zu finden, die Sie im Schlussverkauf gesehen haben (und in Ihrer Größe!)
Eine Lieferung früher als erwartet zu erhalten

Als Kunden schätzen wir diese Art von Erfahrungen. Wir beurteilen und bewerten die Marken und Unternehmen, bei denen wir einkaufen, basierend auf unserer Zufriedenheit mit der Transaktion. Aber wenn wir die Rollen wechseln, von Verbrauchern zu Produkt-Managern, verstricken wir uns in unsere wirklich dringenden Prioritäten und vergessen, wie wichtig es ist, ein großartiges Kundenerlebnis zu schaffen. Unsere Kunden vergessen es jedoch nie und unsere KPIs spiegeln deutlich ihr Zufriedenheitsniveau wider.

Die Bedürfnisse Ihrer Kunden zu verstehen, kann ein Ass in Ihrem Ärmel sein, das Ihnen hilft, ihre Erwartungen (und die Ihres Vorgesetzten) zu erfüllen.

Um die Dinge noch spannender zu machen, können Sie jetzt mit Technologien arbeiten, die sich bis vor kurzem nur die größten Unternehmen der Welt leisten konnten. Sie können maschinelles Lernen und KI-gestützte Optimierungen nutzen, um Ihre Marketingleistung auf ein neues Niveau zu heben.

Kleine Verbesserungen erzielen große Wirkung

Laut Jon Bird, CEO einer führenden Marketing-Kommunikationsagentur und Forbes-Mitwirkender, laufen die E-Commerce-Vorhersagen für die nächste Phase der Marketingtechnologie auf eine gemeinsame Idee hinaus: Einkaufen „wird digitaler sein, sich aber menschlicher anfühlen und Technologie wird weniger sichtbar sein – aber den Kunden viel mehr instand setzen, die Regie zu übernehmen“.

Die Verwendung von KI macht für Ihre Kunden keinen Unterschied, es sei denn, ihre Erfahrung ist besser, schneller, relevanter und zufriedenstellender. Durch die Möglichkeit, ihre nächste Einkaufsphase vorherzusagen, können Sie die Kunden einfacher zu einem Abschluss führen.

Sie können es Online-Käufern einfacher machen, zu einem Abschluss zu kommen, indem Sie ihnen Folgendes geben:

Maßgeschneiderte Angebote
Personalisierte Rabatte
Relevantere Empfehlungen für passende Produkte
Gezielte Benachrichtigungen

Darüber hinaus können Sie eine bessere Rendite für Ihr Marketingbudget erzielen, indem Sie Benutzer segmentieren und jene ansprechen, bei denen Ihre Remarketing-Kampagnen mit einiger Wahrscheinlichkeit zu einem Kauf führen. So macht KI diesen gesamten Prozess einfacher, schneller und effektiver.

Sprechen Sie Benutzersegmente an, von denen Sie nicht einmal wussten, dass sie kaufbereit sind

Die Idee, maßgeschneiderte Erlebnisse für Online-Shopper zu schaffen, ist nicht neu. Meistens bedeutet diese Art der Personalisierung, dass man Segmentierung anstrebt. Dabei werden gemeinsame Merkmale der Kunden identifiziert und diese dann anhand vordefinierter Benutzersegmente gezielt angesprochen.

Traditionell haben Marketingspezialisten ein fiktives Kundenprofil angestrebt, um einen idealen Benutzer zu definieren, der am ehesten konvertiert. Sie haben ihre Annahmen auf Kriterien aus Forschung und Analysen gestützt, wie zum Beispiel:

Alter
Geschlecht
Standort
Eingesetztes Gerät

Dieser Ansatz ist zum Standard geworden; Unternehmen neigen dazu, ähnliche Taktiken anzuwenden. Die herkömmliche Werkzeugkiste für das Marketing umfasst:

Online-Anzeigen
E-Mail-Benachrichtigung, um den Kaufabschluss für Artikel zu veranlassen, die sie in den Warenkorb gelegt oder als Favoriten markiert haben
Rabatte
Regelbasierte Calls to Action

Neben einem starken Wettbewerb um die Aufmerksamkeit der Kunden weist dieser Ansatz einige andere, weniger offensichtliche Nachteile auf.

Zum einen werden „Ausreißer“ überhaupt nicht erfasst: Benutzer, die ebenfalls kaufen möchten, aber nicht die gleichen Kriterien erfüllen. Diese „Geisternutzer“ können zu einer Einnahmequelle für Ihr Unternehmen werden, wenn Sie einen Weg finden, sie wirksam zu erreichen.

Die Kundensegmentierung hat auch andere Nachteile: Diejenigen, die zum gleichen Profil passen (Alter, Geschlecht, Standort), erhalten das gleiche Angebot oder den gleichen Handlungsaufruf, unabhängig davon, wo sie sich auf ihrem Weg zum Kauf befinden: Produktseite, in den Warenkorb legen, zur Kasse gehen usw.

Alle Benutzer in den gleichen Topf zu werfen, unabhängig von ihrer Absicht, stellt eine Lücke dar, die zu verpassten Verkaufschancen, verschwendetem Geld und manchmal sogar frustrierten Kunden führen kann, die ihre Bindung aufgeben, oder auch zu Nutzern, aus denen keine treuen Kunden mehr werden.

Zum Glück kann KI dabei helfen und unser vorgeschlagener Ansatz zur Segmentierung ist differenzierter als ein Standard-Marketing-Ansatz. Anstatt Annahmen über die persönlichen Eigenschaften der Kunden zu treffen, setzen wir auf maschinelles Lernen, um ihre Browseraktivität und ihren Browserverlauf zu analysieren. Wir können Benutzer immer noch miteinander vergleichen, um Muster unter ihnen zu identifizieren, aber wir berechnen jetzt auch die Wahrscheinlichkeit eines Abschlusses auf individueller Ebene. Dies führt zu einem neuen Kriterium für die Zielgruppenadressierung: Konvertierende und nicht-Konvertierende.
So könnte dies funktionieren.

Benutzer identifizieren, die am ehesten konvertieren

Wenn Sie schon eine Weile im E-Commerce arbeiten, sind Sie wahrscheinlich mit den Angeboten von Google Analytics vertraut. Sie können Aktivitätsberichte erstellen oder Benutzer segmentieren, um besser zu verstehen, wer Ihre Website weshalb nutzt. Darüber hinaus finden Sie im Modul Erweiterter E-Commerce eine Übersicht über Ihren Sales Funnel. Dieser Funnel, der im Abschnitt „Einkaufsverhalten“ Ihres GA-Dashboards angezeigt wird, bietet Ihnen eine Übersicht. Er bietet jedoch keine qualitativen Informationen darüber, warum einige Benutzer einen Abschluss tätigen und andere nicht.

Sie können sicherlich in jedem Bericht stärker in die Tiefe gehen. Der Bericht Audience > User Explorer ist beispielsweise besonders nützlich, um das Verhalten einzelner Benutzer zu analysieren. GA identifiziert jeden Benutzer anhand eines Browser-Cookies oder einer Benutzer-ID, die verfügbar ist, wenn Ihre E-Commerce-Anwendung über Benutzerkonten verfügt. Aber egal, wie genau Sie Ihre GA-Daten untersuchen, das Geheimnis bleibt: Wie können Vermarkter Benutzer identifizieren, die kurz vor dem Abschluss stehen?

Verwenden Sie Kundenkontexte, um vorherzusagen, was die Kunden als nächstes tun werden

Wir gingen davon aus, dass die Benutzeraktivität und der Benutzerverlauf die relevantesten Indikatoren für ihre Abschlusswahrscheinlichkeit sind.

Der lernende Algorithmus sagt das Ergebnis der Browsersitzung eines Benutzers voraus aufgrund von Informationen aus früheren Sitzungen. Dabei greift er direkt auf Datenquellen zu wie zum Beispiel Google Analytics (kostenlos oder 360), BigQuery oder einer anderen Analyseplattform von Drittanbietern.

KI/ML teilt nicht nur Benutzer auf in Konvertierende und nicht-Konvertierende, sondern kann für Sie eine sehr viel spezifischere Zielgruppenadressierung erreichen. Dies gibt Ihnen die Möglichkeit, Nutzer basierend auf der voraussichtlichen Einkaufsphase zu adressieren.

Sie können automatisch die Wahrscheinlichkeit berechnen, dass der Kunde:

Weiter Produkte durchsucht
Ein Produkt in den Warenkorb legt
Den Einkauf abschließt oder die Seite verlässt
Die Transaktion abschließt

Durch den Vergleich dieser Wahrscheinlichkeiten kann das ML-Modell Ihnen bei der Identifizierung helfen, in welche Einkaufsphase der Kunde wahrscheinlich eintreten wird. Dadurch können Sie den Benutzer korrekt im entsprechenden Segment platzieren (z. B. diejenigen, die wahrscheinlich ein Produkt ihrem Warenkorb hinzufügen).

Was hinter den Kulissen passiert

Im Hintergrund können wir die aus der Google Analytics-API extrahierten Daten in drei Kategorien einteilen:

Benutzer/Browser: Informationen über den Benutzer (identifiziert anhand der Cookie-ID); enthält Details wie Browser und mobiles Gerät
Sitzungen: Informationen wie Einkaufsphase, Sitzungsdauer, Anzahl der Transaktionen, Umsatz und Tage zwischen den Sitzungen
Treffer: Details (z. B. Preis, Name, Kategorie) zu Produkten, die in den Warenkorb gelegt, durch den Checkout verarbeitet oder gekauft wurden, sowie zu Produkten und anderen Klickereignissen von Google Analytics.

Benutzer haben eine variable Anzahl von Sitzungen und Sitzungen haben eine variable Anzahl von Treffern.

Unser Modell kann eine wiederkehrende Architektur aufweisen: Es verwendet die Daten in einer zeitlichen Abfolge. Die Sitzungs- und Trefferdaten werden von den ältesten zu den neuesten angeordnet und jeweils für eine Sitzung in das KI-Modell eingespeist. Nach der Verarbeitung aller Sitzungen für einen bestimmten Benutzer berechnet das Modell die Wahrscheinlichkeit, dass eine bestimmte Einkaufsphase in einer zukünftigen Sitzung auftritt.

Bisher haben wir langwierige Experimente mit zwei Zuordnungsmodellen durchgeführt:

Lineares Zuordnungsmodell, bei dem eine Transaktion für alle Sitzungen gleich wichtig ist, unabhängig von der Zeit, die zwischen der ersten und letzten Sitzung vergangen ist
Zuordnungsmodell mit Zeitverfall, bei dem man den letzten Sitzungen mehr Wert beimisst, indem man ein Halbwertszeitgewicht aufgrund des Alters der Sitzung anwendet

Ein reales KI-Experiment zur Vorhersage der nächsten Einkaufsphase

Um Ihnen zu zeigen, wie diese praktische KI-Anwendung im wirklichen Leben funktioniert, haben wir ein Experiment erstellt, das auf Daten einer E-Commerce-Website für Möbel basiert. Unsere Daten stammen von 24.188 Online-Shoppern. Von diesen führten 98 während ihrer letzten Sitzung eine Transaktion durch. Der Gesamtumsatz betrug 151.674 US-Dollar mit einem durchschnittlichen Transaktionswert von 1.547 US-Dollar.

In einer realen Situation hätte jeder Zielbenutzer Kosten für die Akquisition verursacht. Für dieses Experiment gingen wir von 50 USD aus. Wir haben die Bruttomarge für die nachfolgenden Berechnungen nicht berücksichtigt.

Ziel des Experiments war es, die Effizienz verschiedener Targeting-Methoden zu bewerten:

Zwei davon basieren auf dem oben beschriebenen maschinellen Lernmodell (mit beiden Zuordnungsmodellen)
Eine zufällige
Eine, die eine statistische Methode verwendet

Für jedes Szenario haben wir den Prozentsatz der echt positiven (korrekt anvisierte Benutzer) und falsch positiven (falsch anvisierte Benutzer) Ergebnisse berechnet.

Basierend auf jedem Benutzer und seines Verlaufs haben wir eine Transaktionswahrscheinlichkeit zwischen 0 und 1 berechnet. Wenn der Benutzer angesprochen wurde und einen Kauf getätigt hat, hatten wir ein echtes Positiv-Ergebnis. Wenn der Benutzer angesprochen wurde, aber die Transaktion nicht abgeschlossen hat, hatten wir ein falsches Positiv-Ergebnis.

So sahen die Ergebnisse aus:

Mithilfe eines Zufallsschemas erhielten wir die meisten echten Positiv-Ergebnisse (korrekt angesprochene Benutzer), aber die hohen Kosten bedeuteten, dass hier kein befriedigender Gewinn erzielt wurde. Im Vergleich dazu wies das lineare Modell, obwohl es auf eine kleinere Gruppe von Nutzern abzielte, einen geringen Prozentsatz an falschen Positiv-Ergebnissen auf (0,41 %). Aus diesen Projektionen geht klar hervor, dass die lineare Zuordnung die profitabelste Methode der Zielgruppenadressierung war.

Steigern der E-Commerce-Leistung mithilfe von Vorhersagen für die Einkaufsphase

Sobald Sie Ihre Vorhersagen für die nächste Einkaufsphase haben, können Sie viel tun, um Ihre E-Commerce-Website und Ihre Marketingabläufe zu optimieren. Sie können dafür sorgen, dass Ihre Kunden das Shopping-Erlebnis bei Ihnen als relevant und hilfreich empfinden, indem Sie:

Suchergebnisse durch Segmentierung der Zielgruppen aufgrund von Absicht verbessern
Empfehlungen aufgrund von Absichten filtern
Popups mit personalisierten Handlungsaufrufen anzeigen
Personalisierte E-Mail-Benachrichtigungen senden
Remarketing für Benutzer, die eher zu einem Abschluss kommen

Die Verwendung einer KI-as-a-Service-Plattform bedeutet, dass Sie Zeit sparen, die Sie sonst mit dem Durchforsten von Google Analytics-Berichten verbracht hätten. Anstatt in Reporting-Meetings festzusitzen, kann sich Ihr Team schneller abstimmen und Ihre Erkenntnisse gut einsetzen.

Darüber hinaus können Vorhersagen über eine API bereitgestellt werden, die Sie einfach in Ihr Reporting-Dashboard integrieren können. Zusätzlich ist eine Infrastruktur, die Modelltrainingsprozesse und Vorhersagen automatisiert, eine praktische und skalierbare Lösung. So funktioniert die Integration in einem E-Commerce-Szenario:

Der Benutzer ruft Ihre E-Commerce-Website auf
Die Website identifiziert den Benutzer per Browser-Cookie und ruft die API auf
Die Wahrscheinlichkeit, dass der Benutzer eine Transaktion abschließt, wird zurückgegeben
Basierend auf der Transaktionswahrscheinlichkeit zeigt die Website ein Popup-Fenster mit einer personalisierten Nachricht an, die einen Handlungsaufruf, einen Rabattcode oder einen kreativen Trigger enthalten könnte

Es besteht kein Zweifel, dass KI/ML ein starker Faktor zur Schaffung besserer Kundenerlebnisse ist. Um das zu erreichen, müssen Sie nur unvoreingenommen und bereit sein, mit neuen Methoden zu experimentieren, Ihre existierenden Daten einzusetzen.

Über den Autor:
Ciprian Borodescu
Leiter von Algolia F&E Rumänien, Spezialist für KI