Reply ist der ideale Ort, um eine unglaubliche Vielfalt von enthusiastischen, leidenschaftlichen und ideenreichen Menschen zu treffen, die etwas bewegen und verändern wollen.Möchtest du mehr erfahren?
Konsumgüterunternehmen waren die ersten, die auf veränderte Kundenerwartungen reagierten – denken Sie beispielsweise an Amazon, Netflix, Walmart und Spotify. In vielerlei Hinsicht ist unsere Kundenerfahrung mit diesen Marken weit mehr als das, was wir von ihnen kaufen. Es geht dabei auch um das Kauferlebnis bei diesen Unternehmen.
So wartet beispielsweise auf über 100 Millionen Spotify-Benutzer jeden Montag eine neue Playlist. Sie heißt Dein Mix der Woche und ist ein individueller Mix von 40 Songs, die sie nie zuvor gehört haben, aber wahrscheinlich lieben werden.
Dieses Feature beweist ein hohes Maß an Kundenbindung und zeigt gleichzeitig, wie Empfehlungs-Engines zu einem entscheidenden Aspekt der Online-Erfahrung des Benutzers geworden sind.
Sie können sich eine Empfehlungs-Engine als Blackbox vorstellen, die bestimmte Daten (zur Benutzer-Item-Interaktion) als Eingabe verwendet und eine Liste mit Items (Angeboten) ausgibt, die mit einem Score verknüpft sind, nach dem auch die Sortierung erfolgt. Dieser Score ist der Index für die Neigung des Kunden in Bezug auf das Item.
Empfehlungs-Engines tragen Echtzeitdaten und historische Daten der Kunden zusammen sowie Zeitreihenereignisse wie die Besuchshäufigkeit auf einer Website, besuchte Seiten, Verweildauer auf bestimmten Seiten, angeklickte Produkte und getätigte Einkäufe, um die Beziehungen zwischen Produkten und Dienstleistungen auf der Grundlage der inhärenten komplementären Natur der Items zu finden. Alle Kundeninteraktionen müssen über mehrere Kanäle hinweg gesammelt und ausgewertet werden, um eine interaktive, gewinnende, komfortable und zugängliche Kundenerfahrung zu ermöglichen. In Märkten wie dem Einzelhandel führen Empfehlungen nachweislich im Durchschnitt zu einer Umsatzerhöhung von 3-5 % und einer Erhöhung des Bestellwerts um 30-70 % pro Besucher.
Machine-Learning-Technologien sind heute bereits gängige Praxis. Tools wie Apache Spark oder PredictionIO bieten eine Reihe von vorimplementierten und ausführlich getesteten Empfehlungsalgorithmen, mit denen jeder sein eigenes Empfehlungssystem aufbauen kann.
Reply hat das Robotics for Customers Framework, entwickelt, eine Synthese der verschiedenen Reply-Unternehmen, das Kunden den Kunden den Aufbau eines Time-to-Value-Empfehlungssystems ermöglicht und problemlos in jede vorhandene Plattform integriert werden kann.
Der datengesteuerte Prozess beginnt mit dem frühen Stadium des Entwicklungs-Lebenszyklus, der beim Aufbau von Empfehlungssystemen von großer Bedeutung ist. Der simple Prozess der Codierung/Freigabe ohne Ausführung des A/B-Tests bedeutet beispielsweise das sichere Scheitern des Projekts. Das Robotics for Customers Framework stellt eine Reihe von kleinen, agilen Schritten zur Verfügung, um jede mögliche Problemstelle zu reduzieren/eliminieren:
• Validierung: In dieser Phase nutzen wir die Quelldaten, um auszuarbeiten, wie die Erfolgsmetriken des Projekts definiert werden sollen. Es ist wichtig, die Erfolgsmetriken zu diesem Zeitpunkt zu definieren. Um die Ziele des Projekts zu klären und zu verhindern, dass das Ergebnis der A/B-Tests den falschen Eindruck liefert, müssen diese Metriken unter Berücksichtigung der folgenden drei Aspekte definiert werden : - Zielgruppe: Wie groß ist die Zielgruppe, die Sie erreichen? - Tiefe: Was ist die Penetrationstiefe in die Zielgruppe? - Bindung: Wie viele von den erreichten Benutzern können Sie als Kunden binden? • Prototyp: Erzeugen Sie einen ersten kleinen Prototyp; • A/B-Test – Verfeinerung: Hier können zahlreiche Iterationen notwendig sein. Die Anwendung des A/B-Tests auf fortschreitend größere Gruppen stellt ein konstantes Feedback zum Prototyp sicher. Dieses Feedback wird zur Verbesserung des Original-Prototyps verwendet; • Freigabe: Geben Sie das fertige Produkt in die Produktion frei.
Das Robotics for Customers Framework wurde erfolgreich in Projekten und Initiativen in verschiedenen Bereichen übernommen und unterstützt die Kunden beim kostengünstigen Aufbau von Time-to-Value-Empfehlungssystemen.
Bei der Auswahl des geeigneten Empfehlungssystems müssen einige Punkte berücksichtigt werden. Der beste Algorithmus ist nicht immer der Algorithmus, der die passendsten Gesamtempfehlungen liefert. Wenn Daten in einem Datenset enthalten sind, die vielen verschiedenen Gruppen (Klassen) angehören, wie z. B. Item-Gruppen oder verschiedenen Genres, kann die Genauigkeit der Empfehlungen für verschiedene Arten von Items unterschiedlich sein. Das bedeutet, dass einige Benutzer präzise Empfehlungen erhalten, während andere, die einen schwieriger vorherzusagenden Item-Typ bevorzugen, erheblich ungenauere Empfehlungen erhalten. Wir haben vier verschiedene Faktoren als die zentralen Themen bei der Entscheidung über den geeigneten Algorithmus identifiziert:
• Bewertungsschema , Es gibt zwei Arten von Schemata - implizit: wenn die Benutzer-Produkt-Interaktion ein binärer Wert ist (1 im Falle einer Interaktion zwischen dem Benutzer und dem Produkt, andernfalls 0); - explizit: wenn der Benutzer das Produkt explizit bewertet (am häufigsten auf einer Skala von 1 bis 5) • Benutzer-Item-Interaktion : Die gelieferte Empfehlung profitiert von der Analyse eines einzigen Verhaltensereignisses der Benutzer-Item-Interaktion, oder möglicherweise von der Kombination des gleichzeitigen Auftretens von mehreren Ereignissen (Benutzer/kauft/Item, Benutzer/sucht nach/Item etc.) • Verarbeitungszeit : Die meisten Empfehlungssysteme führen eine Batch-Verarbeitung zur Bereitstellung von Vorhersagen aus. Daher ist die Verarbeitungszeit ein wichtiger Parameter für die Evaluierung der Performance eines Empfehlungsalgorithmus. • Unkompliziertheit: Das Modell muss selbsterklärend sein; die gelieferte Vorhersage muss sinnvoll sein.
Reply kann auf Erfahrung und ein fundiertes Know-how bei der Lösung dieses Problems in verschiedenen Marktumgebungen zurückgreifen und somit problemlos den richtigen Algorithmus identifizieren oder eine Gruppe von Algorithmen hinsichtlich ihrer Eignung vergleichen.
Reply hat mehrere PoCs entwickelt und sich hierbei der neuesten open-source-basierten Big-Data-Technologien bedient. Diese stehen jetzt als Paketlösungen zur Verfügung und bieten Ihnen die folgenden Möglichkeiten:
• schnelle Erzeugung und Einführung einer Empfehlungs-Engine als Microservice in der Produktion mit individuell einstellbaren Algorithmusvorlagen; • Reaktion auf dynamische Anfragen in Echtzeit nach der Einführung als Microservice; • Evaluierung und systematische Feineinstellung mehrerer Algorithmusvarianten; • Zusammenführung der Daten von mehreren Plattformen in Batch-Verarbeitung oder Echtzeit für eine umfassende, prognostizierende Auswertung; • Beschleunigung der Machine-Learning-Modellierung mit systematischen Prozessen und vordefinierten Evaluierungskennzahlen; • Unterstützung von populären Machine-Learning- und Datenverarbeitungsbibliotheken wie Spark MLLib und OpenNLP; • Implementierung Ihrer eigenen Machine-Learning-Modelle und deren nahtlose Integration in Ihre Engine; • vereinfachte Verwaltung der Dateninfrastruktur; diese Paketlösung kann problemlos als Docker Container eingesetzt werden, daher ist sie kompatibel mit On-Premise- und Cloud-basierten Installationen.