Gartenfachmarkt24 - KI-basierte Produktempfehlung
Das Projekt auf einen Blick
Kunde: gartenfachmarkt24.de
Branche: Garten & Möbel
Technologie: Shopware, Hublify
Aufgabe: Anstelle eines allgemeinen Kundennewsletters sollen Kunden mit Hilfe von Machine Learning individuelle Produktempfehlungen auf Basis der Kaufhistorie vorgeschlagen werden.
Die Herausforderung: Produkte empfehlen, die für den Kunden relevant sind
Der Onlineshop gartenfachmarkt24.de verfügt über mehr als 15 Jahre Erfahrung und ein breites Sortiment rund um Haus und Garten zu attraktiven Preisen. Der Umsatz ist stark abhängig von der Jahreszeit. Kann ein personalisierter Newsletter das Kaufinteresse auch in der Saure-Gurken-Zeit steigern?
Selektion aus mehr als 4000 Produkten
Ein großes Sortiment, ein langjähriger Kundenstamm mit entsprechender Kaufhistorie - eine Vielzahl von Daten gilt es zu analysieren, die noch mehr mögliche Kombinationen für Produktempfehlungen ergeben. Eine manuelle Herangehensweise ist quasi unmöglich.
Persönliche Kundenansprache soll Kaufinteresse steigern
Niedrige Öffnungsraten des allgemeinen Newsletters, eine saisonbedingte, umsatzschwache Zeit - Abhilfe sollen individuelle Empfehlungen schaffen. Sie basieren auf den zur Verfügung stehenden Daten der Kaufhistorie und des Geschlechts.
Produktempfehlungen direkt im Newsletter ausspielen
Eine Analyse und Ergebnisvorschläge allein genügen nicht. Die Produktempfehlungen sollen in den Newsletter direkt eingespeist, versandt und getrackt werden. Insights to Execution eben.
Die Lösung: Machine Learning generiert relevante Produktempfehlungen
Welche Empfehlungen werden als für den Kunden relevant erachtet? Auf Basis welcher Merkmale und Trainingsdaten und mit welcher Technologie entwickelt Hublify das Empfehlungssystem? Wie werden die Ergebnisse validiert und ausgespielt?
Relevanz bestimmen: Merkmale & Methodik
Es sollen Produkte vorgeschlagen werden, die der Kunde noch nicht gekauft hat, die sich aber an der Kategorie und am Preissegment seiner Kaufhistorie orientieren, geschlechtsspezifisch. Gartenfachmarkt24.de verfügt über ein sehr heterogenes Sortiment von teurer, hochwertiger Gartenausstattung wie Pools, Pavillons oder Sitzgruppen bis hin zu günstigen Accessoires wie Grillzubehör oder Dartscheiben. Je nachdem, wie die Wohnsituation des Kunden ist, spielt die Auswahl der Produktkategorie und des Preissegments eine wichtige Rolle.
Auf Basis der Kaufhistorie (Auftragsdaten wie Bestelldatum, Preis, Menge, Artikel, Produktkategorie, Marke, etc.) der Wiederkäufer wird das Modell trainiert. Die Ergebnisse werden an Erstkunden validiert, indem vergleichbare Empfehlungen ein höheres Kaufinteresse erzeugen sollen.
Die Auswahl der Merkmale hängt davon ab, welche Daten in welcher Qualität zur Verfügung stehen und was für die jeweilige Branche wichtig ist.
Collaborative Filtering Model mit Python & Pandas
Das eigentliche Empfehlungssystem wird mit Python und Pandas entwickelt. Es wird davon ausgegangen, dass ähnliche Nutzer auch ähnliches Verhalten zeigen. Produktkorrelationen, die sich bei einem Wiederkäufer zeigen, werden für einen ähnlichen Erstkäufer empfohlen.
Der Machine Learning-Algorithmus filtert aus den über 4000 Produkten diejenigen heraus, die entsprechend des Modells für Erstkäufer infrage kommen. Und das nicht nur einmal, sondern immer wieder, für egal welche Marketing-Kanäle.
Überführung in den personalisierten Newsletter
Gartenfachmarkt24.de nutzte das Komplett-Angebot von Hublify, nämlich die vorgeschlagenen Produktempfehlungen direkt in Hublify in einem Newsletter, nach Gartenfachmarkt24.de Vorgaben gestaltet, automatisch zu versenden und zu tracken. Genauso können die Ergebnisse aber auch in andere, bereits bestehenden Mailing-Tools exportiert werden.
Mit Hublify können Mailings nicht nur als Massenmail, sondern gemäß 1:1 Personalisierung für jeden Kunden einen eigenen Newsletter versandt werden. Und in der Kundendatenbank hinterlegt werden. So ist bei jedem Kunden nachvollziehbar, wer den Newsletter erhalten, geöffnet und geklickt hat, welche Produkte ihm bereits in der Vergangenheit vorgeschlagen worden sind. Diese Verknüpfung der Newsletter-, Kunden- und Produktdaten ist für die Customer Journey ein wichtiges Asset.
Das Ergebnis: Weniger Arbeit und gesteigertes Kaufinteresse
Der personalisierte Newsletter hat sich in mehrerer Hinsicht gelohnt.
Höhere Email-Klickrate
Durch einen A/B-Test wurde folgendes Ergebnis deutlich: Im Vergleich zum unpersönlichen Newsletter mit einem Angebot für alle, konnte die Klickrate auf die empfohlenen Produkte nahezu verdoppelt werden.
Umsatzsteigerung
Im allgemeinen Newsletter wurden üblicherweise Produkte vorgeschlagen, die für jedermann von Interesse waren (zB Sonnenschirme). Durch die individuelle Produktempfehlung konnte insbesondere der Abverkauf von Produkten gesteigert werden, die nur für bestimmte Kundengruppen interessant sind (beispielsweise mit großem Garten).
Manuelle Produktauswahl adé
Während vorher bei jedem Mailing über die Produktauswahl nachgedacht werden musste, erfolgt die Erstellung der Empfehlung nun automatisiert durch das KI-basierte Empfehlungssystem.
Nicht nur die Auswahl erfolgt nun automatisiert, sondern auch der nächste Prozessschritt, nämlich der Versand von one-to-one personalisierten Newslettern.
Engere Kundenbindung
Im Newsletter-Marketing ist bekannt, dass eine persönliche Ansprache und relevante Empfehlungen das Interesse des Empfängers steigern. Einmal geöffnet und sogar geklickt, erlebt der Kunde eine positive Erfahrung mit der Marke und den Produkten. Ein wichtiger Baustein, um sich in Erinnerung zu rufen und die Kundenbindung zu steigern.
"Es lag mir schon lange am Herzen, unsere Kunden persönlicher anzusprechen und unsere jahrelange Erfahrung und Daten zu nutzen. Mit dem Empfehlungssystem und Hublify als Daten Hub, das nicht nur das Futter für die KI aufbereitet, sondern auch die Ergebnisse gleich in Aktionen umsetzt, habe ich kaum mehr Arbeit und wesentlich zielgerichteteren Output."
Wenn du Interesse daran hast, wie eine KI-basierte Produktempfehlung deine Marketing-Kanäle befeuern kann, dann melde dich bei uns.