Personalisierung in der Kundenkommunikation mittels KI

Personalisierung in der Kundenkommunikation mittels KI

Die individuelle Zuschneidung eines Angebots auf Einzelpersonen ist im Marketing schon lange ein erfolgreiches Mittel zur Kundenbindung und Absatzgenerierung. Der Einsatz von Künstlicher Intelligenz und maschinellem Lernen erschafft hier zusätzliche Potenziale.

Personalisierung umschreibt allgemein das „Zuschneiden“ eines Angebotes auf bestimmte Personen oder Personengruppen. Die Personalisierung kann nach der erfolgreichen individuellen (Erst-)-Ansprache verschiedene weitere Dimensionen umfassen, von der erstmaligen „Darreichung“ eines Produktes, beziehungsweise einer Dienstleistung, über dessen individuell angepasste Verwendung, bis hin zu zielgerichteten Maßnahmen im Kundenbindungs- und Kundenrückgewinnungsmanagement. Letztlich dient Personalisierung der effektiveren und effizienteren Bedienung der Bedürfnisse des Kunden, der schnelleren und qualitativ höherwertigeren Abwicklung der Interaktionen mit diesem und folglich der Erhöhung der Kundenzufriedenheit sowie der Wahrscheinlichkeit wiederholter Kontakte und Transaktionen. Insofern können Personalisierungsmaßnahmen eines Unternehmens von der Kundengewinnungsphase bis hin zur Kundenbeziehungs- oder sogar der Trennungsphase reichen.

Personalisierung vs. Customization

Der Begriff der Customization ist mit dem der Personalisierung verwandt und wird teilweise auch synonym verwandt. Im Kern lässt sich jedoch hinsichtlich der Akteure eine Unterscheidung treffen: Personalisierung ist als gezielte und aktive Marketingmaßnahme des Unternehmens zu verstehen. Customization umfasst hingegen die Bereitstellung einer entsprechenden Möglichkeit für den Kunden, ein Produkt oder eine Dienstleistung für seine spezifischen Bedürfnisse zu individualisieren, der Kunde „personalisiert“ also selbst innerhalb eines vorgegebenen Rahmens.

Oft spricht man in Bezug auf Personalisierung auch von „Next best action“- oder „Next best offer“-Marketing. Damit wird auf den Paradigmenwechsel hingewiesen, der als Konsequenz aus einem solch dezidierten personalisierten Marketing erwächst: Unter der Maßgabe der Unternehmensziele erfolgt eine intensive Fokussierung auf den Kunden und seine Bedürfnisse. Statt, wie klassischerweise, für ein vorab formuliertes Angebot potenzielle Interessenten zu finden und anzusprechen, wird der Kundendialog situativ entschieden – jeweils nach den in einer spezifischen Konstellation vermuteten Bedürfnissen, Vorlieben und Befindlichkeiten. Es geht also darum, jedem einzelnen Kunden zum „richtigen“ Zeitpunkt das jeweils „richtige“ Angebot zu unterbreiten.

Vom Targeting zur Personalisierung

Technisch baut Personalisierung, auch in den auf die werbliche Ansprache folgenden Phasen, unter anderem auf die Instrumente des Targetings auf und wird durch weitere verfügbare Informationen, insbesondere aus dem unternehmenseigenen Umfeld, angereichert. Daraus werden individuelle Profile erstellt, die eine Zurechnung einzelner Nutzerhandlungen ermöglichen. Aus den erhobenen Daten lassen sich zudem Prognosen über die Interessen und das zukünftige Verhalten der Kunden ableiten. Diese Informationen dienen unter anderem dazu, im Einklang mit den Unternehmens- und abgeleiteten Marketingzielen, den Kunden „ideal“, ohne Friktionen, durch das Angebot zu „leiten“. Je mehr Informationen und auch je mehr Kanäle für die Durchführung des Kundendialogs existieren, umso höher sind die Anforderungen an das Entscheidungssystem. Es liegt auf der Hand, dass hier somit ein geradezu „idealtypisches“ Einsatzszenario für intelligente Systeme und maschinelles Lernen entstanden ist. Entsprechend lassen sich in diesem Kontext zahlreiche Anwendungsbeispiele zur Individualisierung von Angebotsmechanismen mit Hilfe von KI finden.

Recommendation Engines

Das Spektrum reicht von „Recommendation Engines“, die im Online-Shop automatisiert und zielgerichtet Vorschläge für ein „Cross“- oder „Upselling“ und zur Auswahl „passende“ Produktempfehlungen unterbreiten, bis hin zu anspruchsvollen Customer-Journey-Analysen über verschiedene Kontaktpunkte hinweg, die eine vollumfängliche Analyse des Kunden und seiner Vorlieben gestatten, bis hin zu individuellen und automatisch erstellten Ansprachen – wie personalisierten Texten und Webseiten.

Die Ausspielung individueller Produktvorschläge durch „Recommendation Engines“ kennt man schon seit langem im digitalen Marketing. Amazons „Kunden, die das gekauft haben, haben auch gekauft…“ ist ein auch in diesem Buch bereits vielzitierter Klassiker, der auf der Identifizierung von Mustern im Konsumentenverhalten setzt, um aus der Ähnlichkeit von Kundentypen eine effiziente Angebotsunterbreitung abzuleiten. Grundsätzlich sind diese „Empfehlungsdienste“ nicht auf den Bereich des eCommerce begrenzt, auch im Bereich der digitalen Medien kommen sie immer stärker zum Einsatz, wenn es gilt, redaktionelle Inhalte oder Werbebotschaften der Anzeigenkunden zielgerichtet auszuspielen. Auch Akteure wie Netflix oder Spotify greifen intensiv auf derartige Verfahren zurück. Und im Prinzip erfolgt auch die „organische“ Ausgabe der Suchergebnisse bei Google entlang dieser Logik.

Zuschneidung des Angebotes

Meist funktioniert dies über die Quantifizierung des individuellen, potenziellen Interesses eines Nutzers an einem „Angebot“, worüber dann die personelle Ausspielung gesteuert wird. Im Prinzip geht es dabei immer um eine Filterung der insgesamt möglichen Vorschläge, also die Konzentration auf diejenigen, zu denen am ehesten eine Affinität aus dem gesammelten Datenmaterial berechnet werden kann. Während für den Nutzer idealerweise damit mehr „Übersichtlichkeit“ erzielt wird, ist es das Ziel aus Sicht des Unternehmens auf diese Weise das Angebot entlang ökonomischer Kennzahlen zu optimieren. In der Regel geschieht dies mit dem Ziel einer höheren „Conversionrate“, die beispielsweise den Anteil derjenigen, die ein Produkt kaufen beziehungsweise nutzen oder allgemein eine bestimmte gewünschte Handlung ausführen, im Verhältnis zu der Zahl der Nutzer, die insgesamt mit dem Angebot konfrontiert wurden, ausdrückt.

Zwei Arten von Empfehlungen

Grundsätzlich lassen sich zwei Empfehlungstypen beschreiben: zum einen „inhaltliche und kontextuelle Empfehlungen“, zum anderen „kollaborative Empfehlungen“. 

  • Inhaltliche und kontextuelle Empfehlungen basieren auf der individuellen Nutzung des Angebotes durch den Nutzer selbst. Aus seinem persönlichem Konsum- und Informationsverhalten sowie aus seinem Umgang mit dem Angebot wird auf bestimmte Neigungen und Interessen geschlossen. Hier spiegelt sich gewissermaßen die Logik des Behavioural Targetings wider.
  • Kollaborative Empfehlungen beruhen hingegen auf der Gegenüberstellung mit vergleichbaren Nutzerprofilen („Kunden, die das gekauft haben, haben auch…“). Das entspricht in den Grundzügen der Wirkungsweise des Predictive Behavioural Targetings

Daneben sind auch weitere regelbasierte Formen („Wenn – dann“) von Empfehlungen denkbar. Im Rahmen von Clustering-Verfahren des „Unsupervised Learnings“ könnte KI dabei auch zusätzliche, „neue“ Übereinstimmungen und Regeln identifizieren, die dem menschlichen Auge zunächst verborgen geblieben sind.

Personalisierung & Customization in der Praxis

Eine der weltweit größten Online-Galerien, „Saatchi Art“, die Künstlern damit eine Plattform bieten, um direkt und mit möglichst großer Reichweite in Kontakt zu Kunstliebhabern zu treten, stand vor dem Problem, wie die über die Jahre stark angewachsene Anzahl an Kunstwerken noch marktorientiert und übersichtlich angeboten werden konnte. Bei Produkten wie diesen, die sich nicht einfach nach übereinstimmenden Merkmalen klassifizieren lassen, sondern individuelle „ästhetische“ Qualitäten aufweisen, erweisen sich klassische kollaborative Empfehlungen wie „andere Kunden kauften auch diese Kunstwerke“ oder „weitere Bilder dieses Künstlers“ nur als bedingt zielführend. Stattdessen versuchte man, Muster im spezifischen „geschmacklichen Empfinden“ der einzelnen Nutzer – anhand der Katalognutzung, etwa der Verweildauer auf einzelnen Kunstwerken, und der bisherigen Kaufhistorie zu identifizieren. Mittels Einsatz von Deep Learning sei es gelungen, die Conversion Rate deutlich zu erhöhen, wie ein A/B-Test angeblich belegte.

Ziel: Conversionoptimierung

Die britische Hotelkette „Jurys“ deckte mit Hilfe von Verfahren zur Mustererkennung auf den ersten Blick nicht offensichtliche Zusammenhänge zwischen dem Mediennutzungs- und dem Buchungsverhalten ihrer Kunden auf. Es zeigte sich, dass hierbei eine Korrelation zwischen einer Zimmerbuchung und einem medialen Interesse an Sportthemen bestand, die bisher in dieser Form nicht aufgefallen war. Eine tiefergehende Analyse brachte jedoch zu Tage, dass viele dieser gewonnenen Kunden, zuvor zielgerichtet nach Hotels in unmittelbarer Nähe von Fußballstadien suchten und dies insbesondere an Tagen, an denen Spiele der britischen Premier League terminiert gewesen waren. Ausgestattet mit dieser Erkenntnis erstellte die Hotelkette spezifische Inhalte, um diese Klientel entsprechend aufzufangen und zu kanalisieren. Die Zahl der Conversions konnte somit merklich gesteigert werden.

Koordinierung von Angebot und Nachfrage

Einen weiteren spannenden und vermutlich richtungsweisenden Versuch hat die temporäre Zimmer- und Wohnungsvermittlung „Airbnb“ unternommen. Eine interne Analyse ergab hier, dass es bei der Zimmersuche auf der Plattform notwendig ist, sich nicht nur an den Präferenzen der Mieter zu orientieren, sondern auch diejenigen der Vermieter bei der Ergebnisausgabe der Angebote passender Unterkünfte zwingend miteinzubeziehen. Ein Vertrag kommt schließlich nur dann zustande, wenn die potenziellen Vermieter auch bereit sind, einen bestimmten Übernachtungsgast zu akzeptieren – und nur dann wird auch die entsprechende Provision für Airbnb fällig.

Aus diesen Erkenntnissen entwickelte man ein komplexes Modell zur Verbesserung der Suchergebnisanzeigen, das anschließend in der Realität getestet und anhand der Conversionzahlen (also mit dem Ziel einer steigenden Anzahl von zustande gekommenen Vermietungen) optimiert wurde.

AirBnB: Abgleich Vermieter und Mieter

Ursprünglich hatte man die Relevanz und damit die Sortierung der Suchergebnisse allein an den potenziellen Mieter ausgerichtet, für die neben der Bewertung durch vorherige Nutzer, wohl vor allem Faktoren wie der Preis und der Lage bei der Entscheidung für ein bestimmtes Angebot eine Rolle spielten. Die Kriterien auf der Vermieterseite können – so das Ergebnis der Analyse –  jedoch deutlich variieren. Einerseits dürften diese tendenziell ein Interesse an möglichst wenig belegungsfreien Tagen innerhalb ihrer zeitlichen Angebotsspanne haben. Tatsächlich akzeptierten viele Anbieter eher Gäste, die eine weitgehend lückenlose Belegung ermöglichten. Andererseits steht diesem ökonomisch rationalen Verhalten auch eine eher „gelegentliche Vermietungshaltung“ gegenüber. Diese ließ sich vor allem für „kleinere“ Märkte mit vergleichsweise weniger Angebot an Unterkünften feststellen. Daneben spielten aber auch andere Faktoren eine Rolle: Ein spezifisch unterschiedliches Verhaltensmuster der Anbieter war auch bei der Vorlaufzeit einer Vermietung auszumachen.

Während im Durchschnitt Gastgeber auf Airbnb demnach zwar bevorzugten, eine Buchung mindestens eine Woche im Voraus zu erhalten, fanden sich auch durchaus Gruppen, denen ein sehr kurzfristiger Bezug lieber war. Tatsächlich stellte sich heraus, dass die diesbezüglichen Vorlieben sehr weit auseinanderklafften. Gleiches galt für andere Entscheidungsfaktoren wie die Anzahl der Gäste oder die Art des Aufenthaltes – sei es ein Wochenendtrip oder eine beruflich veranlasste Reise. Diese Erkenntnisse legten den Schluss nahe, dass eine rein durchschnittliche Betrachtung Nachteile birgt hinsichtlich der Optimierung der Conversion Rate, weil dann spezifische Gruppen mit Merkmalen jenseits des Durchschnitts auch eher unspezifisch, also letztlich unbefriedigend, angesprochen werden würden. Stattdessen könne eine sinnvolle, auf jeden Einzelfall abgestimmte Vorgehensweise die jeweils besten Ergebnisse liefern.

Dynamische Modellierung

Durch die Variabilität sowohl der Nachfrage- als auch der Angebotsseite ergibt sich eine Anforderung von hoher Komplexität an den Algorithmus, der die Ergebnisausgabe auf der Plattform steuert. Um nicht nur interessierten Zimmersuchenden ein Angebot zu unterbreiten, sondern auch gleichzeitig eine Übereinstimmung zwischen den Anbietern und Nachfragern auf der Web-Plattform erzielen zu können, bedarf es einer „dynamischen Modellierung“ mit dem Ziel, im Verhältnis zu den Ausgaben der Suchergebnisse möglichst viele Mietvereinbarungen zustande kommen zu lassen. Für jede Suchanfrage eines möglichen Gastes auf der Website berechnet das System nun die Wahrscheinlichkeit, dass ein dafür relevanter Anbieter auch bereit ist, diesem eine Unterkunft zu vermieten. Dies bestimmt dann, neben den durch die Mietpräferenz geprägten Faktoren, an welcher Stelle das jeweilige Suchergebnis in der Ergebnisanzeige ausgeben wird. Erreicht wurde dies über eine mechanisierte Auswertung vorliegenden Datenmaterials und dem Training mittels „echter“ Praxisdaten und einer laufenden „Nach-Modellierung“ anhand originärer Sucheingaben mit dem Zielkriterium der Optimierung der Conversion Rate. 

Der Artikel beruht auf dem Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019

Mehr zum Thema hier:

Vortrag/Keynote von Prof. Dr. Andreas Wagener: „Ein neues Zeitalter im Marketing: Künstliche Intelligenz, maschinelle Kreativität, virtuelle Realitäten & DNA-Targeting„:

Mehr Informationen zum Thema KI im Marketing finden Sie im Buch von Andreas Wagener Künstliche Intelligenz im Marketing – ein Crashkurs, Haufe, Freiburg, 2019:

gedruckt:                als eBook:

Mehr zu Themen wie Industrie 4.0, Big Data, Künstliche Intelligenz, Digital Commerce und Digitaler Ökonomie finden Sie auf unserer Newsseite auf XING sowie auf Facebook.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert