Fassen Sie diesen Blogbeitrag wie folgt zusammen:
Anmerkung der Redaktion: Vergessen Sie verstaubte Warenkorbanalysen. Da generative KI (GenKI) in allen Marketingbereichen für Furore sorgt, lohnt es sich, genauer hinzusehen und zu verstehen, wie GenKI die Methoden der Datenwissenschaft revolutioniert. Freuen Sie sich auf intelligentere Empfehlungen, hochgradig zielgerichtete Kampagnen und einen entscheidenden Wettbewerbsvorteil – und revolutionieren Sie Ihren Einzelhandel!
Seit Jahrzehnten steht die Warenkorbanalyse (Market Basket Analysis, MBA) auf der Wunschliste jedes Einzelhändlers (um das Kaufverhalten der Kunden zu verstehen und fundierte Geschäftsentscheidungen zu treffen), aber nur wenige werden dazu gedrängt, den zusätzlichen Aufwand zu betreiben, um dies herauszufinden:
- Empfohlene Prioritätsartikel je nach Saison und Wochentag
- Namensrichtlinien für neue Produkteinführungen
- Kampagnen, die Unternehmen während der Festtage kostenlose Abendessen und Gruppenessen anbieten sollen.
Es handelt sich um eine einfache, aber wichtige Analyse: Man muss verstehen, welche Kunden tendenziell Artikel kaufen, die sich gegenseitig ergänzen. Beispielsweise kaufen Kunden, die Brot kaufen, wahrscheinlich auch Butter, Marmelade und Käse. Doch mit Blick auf das Jahr 2024 werden die traditionellen Methoden der Warenkorbanalyse (MBA) voraussichtlich nicht mehr ausreichen.
Streuen Sie nun noch eine Prise generative KI darüber, und diese Engine verwandelt sich mühelos in einen leistungsstarken Empfehlungsautomaten. (Hallo JARVIS/FRIDAY/EDITH!)
Walmarts GenAI-Produktempfehlungssystem Marketing-Mix-Modell 2.0
Das Analytics- und KI-gestützte MMM für einen höheren Marketing-ROI
E-Book entdecken Wenn Sie mit der Warenkorbanalyse und dem zugrunde liegenden Data-Science-Framework vertraut sind,
Springen Sie direkt zu den unvermeidlichen Umwälzungen, die generative KI für Einzelhändler mit sich bringt >>>
Doch zunächst einmal: Wie funktioniert die Warenkorbanalyse im Einzelhandel?
Das Diagramm verknüpft die Analyse menschlicher Faktoren mit der KI-Identität, um Lösungsansätze für Aufgaben zu verbessern und die interdisziplinäre Zusammenarbeit zu fördern. Es unterstreicht die Bedeutung der Berücksichtigung von kognitiver Belastung, Aufgabenanalyse und Nutzererfahrung bei der Entwicklung von KI-Systemen.
Lift, Confidence und Support verstehen – die Säulen der Warenkorbanalyse
Die traditionelle Warenkorbanalyse im Einzelhandel nutzt vorhandene Kaufdaten, um Muster und Zusammenhänge aufzudecken. Durch die kombinierte Verwendung dieser Kennzahlen gewinnen Einzelhändler wertvolle Einblicke in das Kundenverhalten und können datengestützte Entscheidungen zur Verbesserung ihres Geschäfts treffen. Beispielsweise kann die Identifizierung von Artikelgruppen mit hoher Zustimmung und hohem Kundenvertrauen die Produktplatzierung, Cross-Promotions und gezielte Empfehlungen optimieren.
Warenkorbanalyse – Assoziationsregeln. Quelle: UofT Kehren wir zum Frühstückstisch zurück, um die Konzepte zu verstehen.
Der Supportwert misst, wie häufig eine Artikelgruppe in Transaktionen vorkommt. Er gibt den Prozentsatz der Transaktionen an, die eine bestimmte Artikelgruppe enthalten. Wenn beispielsweise Brot und Butter in 10 % aller Transaktionen gemeinsam vorkommen, beträgt der Supportwert für die Artikelgruppe „Brot & Butter“ 10 %. Ein höherer Supportwert deutet auf eine häufigere Zuordnung der Artikel hin.
Das Konfidenzniveau gibt an, wie wahrscheinlich es ist, dass Kunden, die einen Artikel (Antezedens) kaufen, auch einen anderen Artikel (Konsequens) kaufen. Wenn beispielsweise 80 % der Kunden, die Brot kaufen, auch Butter kaufen, beträgt das Konfidenzniveau für die Regel „Brot → Butter“ 80 %. Ein hohes Konfidenzniveau deutet auf einen starken Zusammenhang zwischen Antezedens und Konsequens hin.
Der Lift-Wert geht noch einen Schritt weiter – er vergleicht die beobachtete Unterstützung für ein Itemset mit der Unterstützung, die man erwarten würde, wenn die Items unabhängig wären. Ein Lift-Wert größer als 1 deutet auf eine positive Assoziation hin (Items werden häufiger zusammen gekauft als erwartet), während Werte kleiner als 1 auf eine negative Assoziation hindeuten (Items werden seltener zusammen gekauft als erwartet).
Traditionelle Methoden haben uns zwar gute Dienste geleistet, aber sie haben ihre Grenzen.
Die traditionelle regelbasierte Warenkorbanalyse (MBA) identifiziert zwar das gemeinsame Auftreten von Artikeln, stößt aber bei komplexen Beziehungen und Kausalitäten an ihre Grenzen. Generative KI nutzt probabilistische grafische Modelle (PGMs), rekurrente neuronale Netze (RNNs) und Techniken zur Kausalanalyse , um die Kausalzusammenhänge zwischen Werbeaktionen, Produktplatzierungen und Kaufentscheidungen zu entschlüsseln.
|
| Funktionen | Herausforderungen | Generative KI-Lösungen |
|---|
|
| Datenerfassung und -aufbereitung | - Wenige Daten und seltene Käufe
- Unvollständige oder ungenaue Daten
- Schwierigkeiten bei der Kundensegmentierung | - Generierung synthetischer Transaktionsdaten zur Anreicherung spärlicher Datensätze
- Fehlende Werte ersetzen und Inkonsistenzen mit realistischen Daten korrigieren
- Erstellung virtueller Kundenprofile für gezielte Analysen |
|
| Algorithmenauswahl & Parameteroptimierung | - Identifizierung optimaler Algorithmen für spezifische Ziele
- Auswahl geeigneter Unterstützungs- und Vertrauensschwellen
- Mangelnde Interpretierbarkeit komplexer Modelle | - Automatische Anpassung der Algorithmusparameter an die gewünschten Ziele
- Erklärbare Modelle mit Schlussfolgerungsfähigkeiten generieren
- Alternative Algorithmen basierend auf den Dateneigenschaften vorschlagen |
|
| Mustererkennung und -interpretation | - Identifizierung von Scheinkorrelationen und falsch positiven Ergebnissen
- Überanpassung aufgrund begrenzter Daten
- Schwierigkeiten beim Verstehen komplexer Zusammenhänge | - Erkennen und Herausfiltern von falschen Assoziationen mithilfe der Anomalieerkennung
- Kontrafaktische Szenarien generieren, um Kausalität zu untersuchen
- Visualisieren Sie Muster in hochdimensionalen Daten mit interaktiven Dashboards |
|
| Umsetzbare Erkenntnisse & Entscheidungsfindung | - Erkenntnisse in praktische Empfehlungen umsetzen
- Priorisierung von Maßnahmen auf Grundlage von Wirkung und Machbarkeit
- Überwindung kognitiver Verzerrungen bei der Interpretation von Ergebnissen | - Empfehlungen für spezifische Produktplatzierungen, Werbeaktionen oder Cross-Selling-Strategien
- Modellierung potenzieller Ergebnisse verschiedener Entscheidungen auf Basis simulierter Daten
- Nutzung von Ansätzen mit menschlicher Beteiligung zur Minderung von Verzerrungen und zur gemeinsamen Entscheidungsfindung |
|
| Ethische und datenschutzrechtliche Überlegungen | - Bedenken hinsichtlich des Datenschutzes und Einwilligungserfordernisse
- Potenzial für diskriminierende Verzerrungen in den generierten Daten
- Mangelnde Transparenz bei KI-Modellen | - Modelle mit datenschutzfreundlichen Techniken wie föderiertem Lernen erstellen
- Fairnessgarantien implementieren und Verzerrungen in Daten und Algorithmen mindern
- Geben Sie klare Erklärungen und Begründungen für KI-generierte Erkenntnisse an. |
Die Abbildung veranschaulicht die Phasen eines Datenanalyseprozesses, symbolisiert durch eine gewundene Straße mit gelben Schildern, die bestimmte Meilensteine markieren. Diese Phasen leiten den Weg von der Datenerfassung bis zur Umsetzung der gewonnenen Erkenntnisse.- Datenerfassung: Artikel, die bei jeder Transaktion gekauft wurden, Datum und Uhrzeit der Transaktion sowie alle anderen relevanten Informationen.
- Datenvorverarbeitung: Entfernen irrelevanter Informationen, Umgang mit fehlenden Werten und Konvertierung der Daten in ein für die Analyse geeignetes Format.
- Algorithmenauswahl: Verwenden Sie Data-Mining-Algorithmen wie Apriori oder FP-Growth, um häufige Artikelmengen zu identifizieren, also Mengen von Artikeln, die oft gemeinsam in einer Transaktion vorkommen.
- Assoziation generieren: Berechnen Sie die Unterstützung und das Konfidenzintervall für jedes häufige Itemset – die Wahrscheinlichkeit, dass ein Artikel gekauft wird, vorausgesetzt, dass ein anderer Artikel gekauft wird.
- Interpretieren Sie die Ergebnisse – Stärke des Zusammenhangs zwischen den Elementen und relevante Erkenntnisse über das Kundenverhalten und die Kundenpräferenzen.
- Erkenntnisse für die Umsetzung: Sie dienen als Grundlage für Geschäftsentscheidungen wie Produktempfehlungen, Optimierung der Ladengestaltung und gezielte Marketingkampagnen.
Umsatzsteigerung durch die Identifizierung von Customer Journeys und versteckten Kaufmustern – Unternehmen können das Einkaufserlebnis personalisieren, um die Konversionsraten und den durchschnittlichen Bestellwert zu steigern, indem sie Produkte vorschlagen, die am ehesten den individuellen Kunden zusagen.
Verbesserte Kundenzufriedenheit: Personalisierte Empfehlungen und relevante Produktvorschläge verbessern das Kundenerlebnis und fördern die Kundenbindung.
Weniger Fehlbestände und Überbestände: Durch die genaue Vorhersage der zukünftigen Nachfrage können Unternehmen kostspielige Fehlbestände und Überbestände vermeiden und so ihr Bestandsmanagement optimieren.
GenAI könnte eine wichtige Rolle bei der Strategieentwicklung für verderbliche Waren spielen – die Verarbeitung externer Daten wie Wetterdaten, Feiertage und Social-Media-Trends dürfte die Prognosegenauigkeit von Warenkorbanalysen für das kommende Jahrzehnt deutlich verbessern. KI kann gezielte Werbeaktionen und Rabatte für Produkte mit nahendem Verfallsdatum vorschlagen, um so den Umsatz zu steigern und Lebensmittelverschwendung zu reduzieren.
Bessere Entscheidungsfindung: KI-gestützte Erkenntnisse ermöglichen ein tieferes Verständnis des Kundenverhaltens und versetzen Unternehmen in die Lage, datengestützte Entscheidungen in allen Bereichen ihrer Geschäftstätigkeit zu treffen .
Generative KI birgt zwar ein immenses Potenzial für die Revolutionierung der Warenkorbanalyse, wirft aber auch wichtige ethische Fragen auf, die verantwortungsvoll angegangen werden müssen. Im Folgenden werden einige wichtige Aspekte beleuchtet:
- Verzerrung und Fairness: Generative KI-Modelle werden mit riesigen Datenmengen trainiert, die bestehende gesellschaftliche Vorurteile widerspiegeln und verstärken können. Dies kann zu unfairen und diskriminierenden Ergebnissen führen, wie beispielsweise voreingenommenen Produktempfehlungen oder ungenauen Vorhersagen zum Kundenverhalten. Unternehmen müssen daher sicherstellen, dass ihre KI-Modelle mit vielfältigen und repräsentativen Datensätzen trainiert werden, um Verzerrungen zu minimieren und Fairness zu fördern.
- Transparenz und Erklärbarkeit: Generative KI-Modelle können komplex und undurchsichtig sein, was es schwierig macht, ihren Entscheidungsprozess nachzuvollziehen. Dieser Mangel an Transparenz kann Unsicherheit erzeugen und das Vertrauen in die Technologie beeinträchtigen. Unternehmen müssen in erklärbare KI-Techniken (XAI) investieren, um Einblicke in die Funktionsweise ihrer Modelle zu gewinnen und verantwortungsvolle Entscheidungen zu gewährleisten.
- Datenschutz und Sicherheit: Generative KI-Modelle benötigen häufig Zugriff auf personenbezogene Daten, was Bedenken hinsichtlich Datenschutz und Datensicherheit aufwirft. Unternehmen müssen daher robuste Maßnahmen zum Schutz von Nutzerdaten implementieren und die geltenden Datenschutzbestimmungen einhalten. Darüber hinaus sollten sie transparent über die Erhebung, Nutzung und Speicherung von Nutzerdaten informieren.
- Rechenschaftspflicht und Verantwortung: Da Unternehmen zunehmend auf generative KI für ihre Entscheidungsfindung setzen, ist es unerlässlich, klare Verantwortlichkeiten und Zuständigkeiten festzulegen. Wer trägt die Verantwortung für die Ergebnisse von KI-Modellen? Wie können wir sicherstellen, dass Unternehmen diese Technologie ethisch und verantwortungsvoll einsetzen?
Die Berücksichtigung dieser ethischen Aspekte durch sorgfältige Planung und Umsetzung ist unerlässlich, um sicherzustellen, dass generative KI im Kontext der Warenkorbanalyse (MBA) zum Wohle der Allgemeinheit eingesetzt wird.
Generative KI bietet Unternehmen einen entscheidenden Wettbewerbsvorteil, um wertvolle Kundeneinblicke zu gewinnen, zukünftige Trends vorherzusagen und das Einkaufserlebnis zu personalisieren. Auf der CES 2024 präsentierte Walmart seine innovative KI-gestützte Suchtechnologie, die das Online-Shopping-Erlebnis verbessern soll. Stellen Sie sich vor, Sie könnten nach Ihren Bedürfnissen statt nach Produkten einkaufen. Diese neue Funktion, entwickelt mithilfe von Microsoft-KI-Modellen und Walmart-Kundendaten, ermöglicht ein nahtloses und intuitives Einkaufserlebnis.
Obwohl es sich lediglich um eine KI-basierte UX-Funktion handelt, die von Walmart eingeführt wurde, um das Einkaufen bequemer zu gestalten, wird erwartet, dass sie die bisher kaum genutzten Vorteile der Warenkorbanalyse für D2C-E-Commerce-Marken aufdeckt.
Typischerweise setzen moderne D2C-Marken stark auf Bekanntheitssteigerung und Aufklärung, wenn sie neue Kategorien von Konsumgütern einführen.
Wenn sie jedoch KI-Modelle mithilfe ihrer proprietären Daten effektiv trainieren können, können sie die Produktfindung reibungslos gestalten, und wir können noch innovativere Anwendungen von KI in der Warenkorbanalyse erwarten, was zu einer neuen Ära der Kundenorientierung und des Erfolgs im Einzelhandel führen wird. Vorteile der Warenkorbanalyse.