KI – kein anderes Versprechen hat die Fantasie der Menschen mehr angeregt als die Aussicht auf die Erschaffung einer neuen künstlichen Form von Intelligenz. Und das zu Recht, denn Large Language Models (LLMs) und andere KI-Modelle haben immer größere Auswirkungen auf viele wichtige Felder wie etwa Wissenschaft, Bildung und natürlich auch den eCommerce. Kein Wunder also, dass eCommerce Technologie Anbieter den Begriff KI so häufig verwenden wie Sundar Pichai auf der letzten Google I/O.

Image Author: Maurizio Pesce  Source: flickr.com  License: Attribution 2.0 Generic 

Das Problem dabei: es ist viel einfacher, über KI zu reden, als tatsächlich ein leistungsfähiges Modell zu entwickeln, das sich positiv auf deine eCommerce KPIs auswirkt. Aus diesem Grund haben wir diesen Blogpost in Zusammenarbeit mit den klügsten Köpfen bei FactFinder (unseren KI-Forschern und -Entwicklern) verfasst, um dir echte Einblicke zu geben, wie sich unsere Atlas AI von anderen unterscheidet und warum dieser Unterschied einen großen Einfluss auf deine eCommerce-Ziele haben kann.

Bevor wir dazu kommen, wollen wir kurz klären, warum andere Modelle ihre Versprechen nicht einhalten können.

Warum Product Discovery ein schwieriges Problem für KI ist:

Wenn man eCommerce auf die grundlegendste Ebene herunterbricht, dann geht es um nichts anderes als Angebot und Nachfrage in einem Shop im Internet zusammenzubringn. Einfach, oder? In einer perfekten Welt sollten Shopper einfach sagen, was sie wollen, und der Shop zeigt ihnen das bestmögliche Angebot. Leider ist das nicht so einfach. Es gibt Hunderte von Hindernissen beim Auffinden und Ranken der bestmöglichen Produkte – und diese Probleme kosten Online-Shops nach einer Studie von Harris Poll, allein in den USA rund 300 Milliarden Dollar pro Jahr!

Die derzeitigen KI-Modelle können diese Probleme nur bis zu einem gewissen Grad lösen, und zwar aus drei Hauptgründen:

  1. Suchanfragen sind für eine Maschine schwer zu verstehen
    Das verstehen von Sprache ist im eCommerce keine leichte Aufgabe. Dafür gibt es viele Gründe, darunter Tippfehler, Homonyme (z. B. „Eis“ hat mehrere Bedeutungen), Wörter mit demselben Wortstamm (z. B. „Wasser“ und „Wassermelone“), Käufer, die verschiedene Wörter zur Beschreibung desselben Artikels verwenden (z. B. „Handy“ und „Smartphone“) und so weiter.
  2. Zu wenig Interaktionsdaten für echte 1:1-Personalisierung
    Die meisten Kunden kaufen nur sehr selten in einem bestimmten Online-Shop ein. Bei Tausenden oder gar Millionen von Produkten ist es für ein KI-Modell aufgrund fehlender Interaktionsdaten extrem schwierig, daraus Schlüsse zu ziehen, die für eine echte Personalisierung ausreichend sind. Wenn du zum Beispiel im April einen Toaster und im Oktober ein Kissen gekauft hast, liefert dies der KI nicht genügend Daten, um deinen nächsten Kauf vorherzusagen.
  3. Personalisierung mittels Segmentierung funktioniert nicht
    Dieser Mangel an Daten (Problem 2) ist der Grund, warum die meisten Personalisierungslösungen versuchen, Käufersegmente zu bilden, die sich alle gleich verhalten. Das Problem ist, dass wir in einer individualisierten Welt leben und demografische Daten kein guter Indikator für Präferenzen sind. Wie du in der Abbildung unten sehen kannst, würden König Charles und Ozzy Osbourne in das gleiche Segment fallen – und es ist unwahrscheinlich, dass sie das Gleiche kaufen.

Es ist schwer seine Kunden wirklich zu verstehen. Unternehmen, die über KI-Technologien verfügen, mit der sie die Bedürfnisse ihrer Kunden besser antizipieren können, verbessern ihre Onsite-Conversion deutlich – was zu Wachstum und höherer Rentabilität führt. Es handelt sich also um Probleme, die es wert sind, gelöst zu werden.

„Wir sind selbst überrascht, wie schnell sich die Umstellung auf FactFinder in den Verkaufszahlen niedergeschlagen hat. Unsere suchgenerierte Conversion Rate ist seit dem Go-Live um 20 Prozent gestiegen.“ – David Büschler, Leiter Online-Marketing Globus Baumarkt

Warum Atlas AI einen neuen Weg geht

Wir haben uns dem Problem auf eine andere Weise genähert – wir haben es umgedreht. Während sich alle anderen Lösungen auf das verstehen von Sprache konzentrieren (verstehen der Anfrage und Abgleich mit dem Sortiment), konzentriert sich unsere KI darauf, deine Produkte zu verstehen, sodass sie ein menschenähnliches Verständnis des Sortiments erlangt. Das bedeutet, dass die Anfragen und Interaktionen der Kunden auf eine viel intelligentere Weise verarbeitet werden können.

“It really works to tackle much of life by inversion where you just twist the thing around backwards and answer it that way. All kinds of problems that look so difficult, if you turn them around, they are quickly solved.” – Charlie Munger, Investor und Philanthrop

Wir haben unser einzigartiges Modell „Atlas AI“ genannt, da es kontextbezogene neuronale Karten deines Sortiments erstellt. Indem wir das Modell mit deinen vektorisierten Produktdaten trainieren, können wir alle Merkmale und Attribute eines Produkts extrahieren. Diese Trainingsdaten werden verwendet, um eine große Anzahl von neuronalen Netzen zu erstellen, die als detaillierte Darstellung deines Sortiments dienen. Anders gesagt, gruppiert Atlas AI Produkte, die in einem ähnlichen Kontext stehen, und erstellt so kontextbasierte Karten deines Sortiments. Die Abstände auf der Karte veranschaulichen die Unterschiede zwischen den Produkten. Die neuronalen Karten, die Atlas AI erstellt, bestehen aus mehreren Ebenen, sodass die KI deine Produkte und deren Beziehungen untereinander auf sehr granulare Weise verstehen kann. Die erste Ebene kann so einfach sein wie die Gruppierung der Produkte innerhalb derselben Kategorie (z. B. Smartphones).

Sobald die erste Ebene erstellt ist, erzeugt das Modell eine tiefere Ebene (z. B. Bildschirmgrößen), gefolgt von einer weiteren (z.B. Preis) und so weiter, bis es ein kontextbezogenes, menschenähnliches Verständnis deines Sortiments hat. Wie tief das Modell geht, hängt von deinem spezifischen Katalog ab.

Wenn Kunden jetzt deinen Shop betreten und etwas suchen oder anklicken, interagieren sie nicht mit deinen tatsächlichen Produkten, sondern mit dem KI-Modell von Atlas. Und da Atlas dein Sortiment in einer kontextbezogenen, menschenähnlichen Weise versteht, lernt es viel mehr von nur einem einzigen Klick – und löst damit das bereits erwähnte Problem der wenigen Interaktionsdaten. Das ist die Grundlage für 1:1-Relevanz in einer noch nie dagewesenen Weise. Durch das kontextbezogenen Verständniss deines Sortiments hat Atlas AI 4 Hauptvorteile gegenüber anderen Lösungen:

1. Atlas schafft Relevanz – automatisch, schnell und flexibel
Da dein Sortiment nun tiefgreifend verstanden und in detaillierten neuronalen Netzen abgebildet ist, wird das Verstehen der menschlichen Sprache und des menschlichen Verhaltens viel einfacher. Sobald Atlas also gelernt hat, wie sich Käufer auf der Website verhalten, erzeugt es automatisch allgemeine Relevanz in deinen Suchergebnissen. Deine Vorteile:

  • Atlas reduziert die Notwendigkeit der manuellen Optimierung von Suchergebnissen (dein Shop lernt automatisch, dass deine Nutzer, die nach iPad suchen, iPads kaufen wollen und nicht z.B. Hüllen für iPads, siehe Gif)
  • Anpassungsfähigkeit: Atlas AI ist flexibel und lernt innerhalb weniger Interaktionen, dass die Suche nach einem „Helm“ im Sommer etwas anderes bedeuten kann (Fahrradhelm) als im Winter (Skihelm)
  • Steigert deine eCommerce-KPIs, da Kunden genau finden, was sie suchen

2. Atlas versteht den Intent von Shoppern in Echtzeit
Nehmen wir an jemand sucht nach einem „LG-Fernseher“ und anschließend nach der Marke „Samsung“. In diesem Fall weiß Atlas, dass sich der Käufer in der TV-Abteilung befindet (ähnlich wie bei einem Einkauf in einem örtlichen Elektronikgeschäft). In diesem Fall wird die Suche die Anfrage mit Fernsehern beantworten, anstatt einen allgemeinen Überblick über Samsung-Produkte zu geben. Dies schafft ein reibungsloses, individuelles Einkaufserlebnis und erhöht so die Conversion und Kundenbindung.

3. Atlas versteht persönliche Vorlieben von jedem Shopper
Nehmen wir nun an, Lisa kauft die teuerste Metall-Espressomaschine von Sage by Heston. Dadurch lernt unsere KI viele Dinge, wie zum Beispiel, dass Lisa nicht sehr preissensibel ist, dass sie metallische Küchengeräte zu bevorzugen scheint und dass sie eine Vorliebe für die Marke Sage by Heston hat. All diese Informationen werden im richtigen Kontext verstanden, was eine intelligente 1:1-Personalisierung ermöglicht. Wenn Lisa dann zum Beispiel nach einem Toaster sucht, der sich in einem ähnlichen Kontext wie die Espressomaschine befindet (Küchengeräte), wendet das KI-Modell alles an, was es gelernt hat (siehe Gif). Wenn Lisa später dann auch noch nach Badezimmermöbeln sucht, behält die KI nur die Elemente bei, die Sinn machen, z.B. nicht sehr preisempfindlich sind, und entfernt Elemente, die keinen Sinn machen, wie zB. den Metall-Look. Dies schafft eine viel stärkere 1:1-Customer Experience und erhöht dadurch die Conversion, AOVs und Kundenbindung – alles vollständig DSGVO-konform.

4. Atlas arbeitet im Einklang mit der menschlichen Intelligenz

Ein Grundprinzip von FactFinder ist KI zu entwickeln, die mit eCommerce-Teams harmoniert. Deshalb haben wir eine einfach zu bedienende Benutzeroberfläche entwickelt, die es dir ermöglicht, die KI auf der Grundlage deiner Geschäftsziele zu steuern. Gleichzeitig erledigt die KI die meisten Product Discovery Aufgaben automatisch.

“We used to spend about 30 hours a month keeping our search up to date. Now we spend a maximum of four hours a month doing that. It’s a big improvement for us because it frees up time and resources for other areas of the business.”
– Joachim de Boer​, Co-founder DeOnlineDrogist.nl​

Was hat der jüngste Hype um GPT damit zu tun?

ChatGPT brauchte nur 5 Tage, um mehr als 1 Million Nutzer zu erreichen und ist damit eine der am schnellsten wachsenden Online-Plattformen – und das nicht ohne Grund: Richtig eingesetzt, haben Large Language Models (LLMs) das Potenzial, einen Mehrwert für eine Vielzahl von Aufgaben zu schaffen und in unserem Fall eCommerce-Experiences zu optimieren.

Neben der Automatisierung von Aufgaben in deiner Benutzeroberfläche (bald gibt es von uns dazu Neuigkeiten zu GPT Synonymen) arbeiten wir derzeit an der Integration von LLMs in den Trainingsprozess von Atlas AI. Dies wird das Produktverständnis von Atlas geradezu übermenschlich machen. Stellen dir vor, Atlas kennt alle deine Produkte bis ins letzte Detail, ohne dass du einen umfassenden und strukturierten Produktdaten-Feed bereitstellen musst. Darüber hinaus testen wir derzeit, wie LLMs in unsere Suche integriert werden können, um:

  • Atlas mehr Kontext zu spezifischen Anfragen zu geben, um die Relevanz der Ergebnisse noch weiter zu verbessern.
  • eine multimodale Suche zu ermöglichen, die es den Käufern erlaubt, auch Bilder als Eingabe für die Suchanfrage zu verwenden.

Noch eine letzte Sache… wir freuen uns sehr, dir mitteilen zu können, dass Atlas AI bald in FactFinder Next Generation verfügbar sein wird! Stay tuned, bald kommen weitere Produkt-Updates.