Recommender-System
Per Empfehlungssystem zu gesteigerter Wertschöpfung
Recommender-Systeme lassen sich in unterschiedlichen Unternehmensbereichen einsetzen, um mit Empfehlungen für interne oder externe Stakeholder die Wertschöpfung zu steigern. Grundlage ist in beiden Fällen die Auswertung von historischen Daten und die Entwicklung eines selbstlernenden Algorithmus, um aus den Daten bestimmte Ergebnisse vorherzusagen. Diese Erkenntnisse werden anschließend für das Empfehlungssystem genutzt.
Ein Beispiel für ein Recommender-System das unternehmensintern zum Einsatz kommt, ist ein Machine Parameter Recommender, der die optimalen Maschineneinstellungen für ein gewünschtes Produktionsergebnis vorschlägt. Ein Marketing-Recommender-System ist hingegen ein Beispiel für ein Empfehlungssystem, dass sich an externe Zielgruppen – in der Regel potenzielle Kunden richtet. Hier macht es auf Basis von prognostizierten Wünschen zielgenaue Produktvorschläge, um den Umsatz zu steigern.
Funktionsweise eines Machine-Parameter-Recommender-Systems
Predictive Analytics als Grundlage
Vor allem bei Fertigungsprozessen haben eine Vielzahl an Faktoren Einfluss auf die resultierende Produktqualität. Hierzu gehören die Beschaffenheit der Ausgangsmaterialien, die Umgebungskonditionen und die Einstellungen an der Fertigungsmaschine. In der Regel stehen diese Informationen – auch mithilfe von Sensoren – als Daten zu Verfügung. Durch deren Analyse lässt sich ermitteln, welche Maschineneinstellungen – in Abhängigkeit von den beiden anderen Faktoren – in der Vergangenheit zu welchen Ergebnissen geführt haben.
Echtzeitvorhersage
Auf Basis der Analyse lässt sich ein Recommender System entwickeln, das per selbstlernendem Algorithmus die optimalen Einstellungen für den konkret vorliegenden Produktionsvorgang ermittelt. Das Ergebnis ist eine Echtzeitvorhersage der Produktqualität auf Basis der vorgenommenen Einstellungen und zugleich eine Empfehlung, welches die optimalen Maschineneinstellungen sind, die zum gewünschten Ergebnis führen.
Ampelsystem
In der Regel kommt hier in einem Dashboard ein Ampelsystem zum Einsatz, das zunächst anzeigt, ob Anpassungsbedarf bei den Maschineneinstellungen besteht. Zugleich liefert das System einen Vorschlag zu den optimalen Parametern. Dadurch lässt sich eine hohe Produktqualität sicherstellen, selbst wenn weniger erfahren BedienerInnen an der Maschine im Einsatz sind. Zudem entfallen etwaiger Ausschuss oder Nacharbeiten, die durch Produktionsläufe mit suboptimalen Einstellungen verursacht worden wären.
Funktionsweise eines Marketing-Recommender-Systems
Marketing-Recommender-Systeme kommen häufig im Consumerbereich vor, um Kundenwünsche vorherzusagen und darauf basierend Produktvorschläge zu unterbreiten. Dazu müssen die Vorlieben, das Verhalten und die Ansprüche der Kunden bestmöglich bekannt sein, das heißt, es Bedarf einer entsprechenden Datenbasis. Die Herausforderung besteht also zunächst darin, aus der großen Kundenvielfalt charakteristische Kundentypen zu identifizieren, damit sich Angebote weitergehend individualisiert verteilen lassen.
Implementierung eines Customer Analytics Hubs
Die Einteilung in charakteristische Kundengruppen ermöglicht eine präzise und wertschöpfende Kundenkommunikation entlang der gesamten Customer Journey. In einem ersten Schritt sind dazu alle relevanten Kundendaten aus unterschiedlichen Quellen in einer zentralen Kundendatenbank – dem Customer Analytics Hub - zu bündeln.
Kundensegmentierung als Grundlage
Darauf aufbauend lassen sich per Data-Science-Verfahren und Maschinellem Lernen Kunden aufgrund ähnlicher Merkmale systematisch und automatisch einer passenden Gruppe zuzuordnen. Durch diese Kundensegmentierung teilt sich die heterogene Kundenmasse in homogene Kundensegmente mit ähnlichen Bedürfnissen, Wünschen und Ansprüchen.
Individualisierte Vorschläge und Kampagnen
Im nächsten Schritt kommt das eigentliche Recommender-System zum Einsatz. Dieses sorgt durch selbstlernende Algorithmen für individualisierte Produktvorschläge und Kampagnen. Unternehmen im Consumerbereich nutzen diese Erkenntnisse beispielsweise für personalisierte und individuelle E-Mail-Angebote. Mit der Auswertung des Kauf- und Kundenverhaltens lassen sich hierbei auch zukünftige Kundenbedürfnisse erkennen.
So können KundInnen auch bis dato unbekannte Produkte angeboten werden, bei denen das System ein potenzielles Bedürfnis voraussagt. So ließen sich beispielsweise im Tourismusbereich KundInnen, die häufig nach Strandurlauben in Spanien suchen, über entsprechenden Kanäle (Werbebanner, Social Media, Newsletter,…) weitere interessante Angebote für Strandurlaube in anderen europäischen Ländern ausspielen. Das Ziel sind Umsatzsteigerungen sowie eine signifikante Verbesserung der Conversion Rate durch passgenau individualisierte Vorschläge.
Passende Beiträge
Mondi – Produktqualität mit intelligenten Algorithmen
Reiseindustrie – Individuelle Angebote für glückliche Kunden
