Personalisierung von Einkaufserlebnissen mit generativer KI: Jenseits von Empfehlungen
In der heutigen, hart umkämpften Einzelhandelslandschaft ist ein wirklich personalisiertes Kundenerlebnis ein entscheidendes Unterscheidungsmerkmal geworden. Herkömmliche Empfehlungsmaschinen waren lange Zeit die erste Wahl, wenn es darum ging, Produkte zu entdecken und den Umsatz zu steigern. Doch ihre Grenzen, wenn es darum geht, die Präferenzen der Kunden wirklich zu verstehen, sind immer deutlicher geworden. Dies wird besonders deutlich mit der Veröffentlichung von leistungsstarken Large Language Models (LLMs).
In diesem Artikel untersuchen wir, wie die Personalisierung von Einzelhandelserlebnissen mit generativer KI die Grenzen herkömmlicher Empfehlungsmaschinen überwinden kann.
Was ist eine „traditionelle Empfehlungsmaschine“?
Seit Jahren verlassen sich Einzelhändler auf traditionelle Empfehlungsmaschinen, um die Produktentdeckung zu fördern und den Umsatz zu steigern. Tools wie Amazon Personalize und Amazon Forecast, die auf maschinellen Lernmodellen wie XGBoost und Neural Collaborative Filtering basieren, haben sich in der Branche fest etabliert.
Diese Lösungen nutzen historische Kundendaten, Kaufmuster und demografische Informationen, um relevante Produktempfehlungen zu geben. Indem sie Ähnlichkeiten zwischen Nutzern und Artikeln erkennen, können sie fundierte Vermutungen darüber anstellen, wofür sich ein Kunde als nächstes interessieren könnte.
Die wichtigsten Vorteile dieser traditionellen Ansätze sind die Geschwindigkeit der Schlussfolgerungen, die geringen Kosten der Schlussfolgerungen und die hohe Verfügbarkeit. Empfehlungsmodelle können in großem Umfang eingesetzt werden und bieten den Kunden Vorschläge in Echtzeit mit minimalen Latenzzeiten und Ressourcenanforderungen. Das macht sie zu einer zuverlässigen und kostengünstigen Lösung für viele Anwendungsfälle im Einzelhandel.
Es ist zum Beispiel sehr schnell und einfach, XGBoost mit Ihren eigenen Daten zu trainieren, wie wir im folgenden Beispiel sehen können:
import pandas as pd
from sklearn.model_selection import train_test_split
from xgboost import XGBRegressor
from sklearn.metrics import mean_squared_error
# Load the dataset
data = pd.read_csv('dataset.csv')
# Split the data into features and target
X = data.drop('target_column', axis=1)
y = data['target_column']
# Split the data into training and testing sets
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
# Create an XGBoost regressor
model = XGBRegressor(
objective='reg:squarederror',
n_estimators=100,
max_depth=3,
learning_rate=0.1,
random_state=42
)
# Train the model
model.fit(X_train, y_train)
Und manchmal sogar noch einfacher mit Amazon Personalize:
...
try:
create_dataset_import_job_response = personalize.create_dataset_import_job(
jobName=import_job_name,
datasetArn=dataset_arn,
dataSource=s3_data_source,
roleArn='arn:aws:iam::123456789012:role/my-personalize-role'
)
import_job_arn = create_dataset_import_job_response['datasetImportJobArn']
print(f'Dataset import job ARN: {import_job_arn}')
except ClientError as error:
print(f'Failed to create dataset import job: {error}')
# Train a model
solution_name = 'my-solution'
recipe_arn = 'arn:aws:personalize:::recipe/aws-user-personalization'
try:
create_solution_response = personalize.create_solution(
name=solution_name,
datasetGroupArn=dataset_group_arn,
recipeArn=recipe_arn
)
solution_arn = create_solution_response['solutionArn']
print(f'Solution ARN: {solution_arn}')
except ClientError as error:
print(f'Failed to create solution: {error}')
...
Diese traditionellen Ansätze haben jedoch ihre Grenzen. Sie sind oft nicht in der Lage, die nuancierten Vorlieben, emotionalen Triebkräfte und kontextuellen Faktoren, die die Kaufentscheidungen eines Kunden beeinflussen, wirklich zu verstehen.
Empfehlungen können sich generisch und unpersönlich anfühlen und haben nichts mit den individuellen Bedürfnissen und Wünschen des Einzelnen zu tun.
Hinzufügen von Firemind’s Pulse in den Mix
Hier kommt die Leistung der generativen KI ins Spiel, wie sie von Fireminds PULSE ermöglicht wird. PULSE nutzt fortschrittliche Sprachmodelle (LLMs), um dynamisch personalisierte Inhalte, Produktbeschreibungen und Einkaufserlebnisse zu erstellen, die direkt auf die individuellen Vorlieben und Absichten jedes Kunden eingehen.
Anstatt sich nur auf historische Daten zu verlassen, kann PULSE kontextbezogene Hinweise, emotionale Signale und sogar offenes Kundenfeedback in Echtzeit nutzen, um ein Maß an Personalisierung zu erreichen, das bisher unerreichbar war. Das Ergebnis ist ein nahtloses, ansprechendes und wirklich maßgeschneidertes Einkaufserlebnis, das die Markentreue stärkt und nachhaltiges Wachstum fördert.
Die LLM-Fähigkeiten von PULSE ermöglichen es, die nuancierten Präferenzen, emotionalen Triebkräfte und kontextuellen Faktoren zu verstehen, die die Kaufentscheidungen eines Kunden beeinflussen, und gehen damit über die Grenzen herkömmlicher Empfehlungsmaschinen hinaus.
Durch die Nutzung der neuesten Fortschritte in der Verarbeitung natürlicher Sprache und im Deep Learning kann PULSE personalisierte Inhalte und Einkaufserlebnisse schaffen, die jeden einzelnen Kunden ansprechen.
Wie könnte eine Lösung aussehen?
Wenn Sie sich speziell auf eine kostengünstige, fehlertolerante asynchrone Batch-Pipeline konzentrieren, könnte ein typischer Ansatz wie folgt aussehen:
Datenerfassung und -vorverarbeitung: Ingest und Preprocessing von Kunden-, Produkt- und anderen relevanten Daten aus verschiedenen Quellen unter Verwendung von Techniken wie Datennormalisierung, Feature Engineering und Anreicherung.
Traditionelle ML-basierte Empfehlungen: Nutzen Sie vorgefertigte oder benutzerdefinierte Modelle für maschinelles Lernen (z.B. Amazon Personalize, XGBoost, Neural Collaborative Filtering), um erste Produktempfehlungen auf der Grundlage von historischem Kundenverhalten und Artikelähnlichkeiten zu generieren und dabei die Geschwindigkeit, Verfügbarkeit und geringe Latenz der Modelle zu nutzen.
Generative KI-gestützte Erweiterungen: Verwenden Sie große Sprachmodelle (LLMs) von Amazon Bedrock, um personalisierte Produktbeschreibungen, Inhalte und Einkaufserlebnisse zu generieren, die auf den ursprünglichen Empfehlungen aufbauen und die Fähigkeit der LLMs nutzen, Kontext, Stimmung und Kundenabsicht zu verstehen.
Batch-Verarbeitung und Optimierung: Führen Sie die asynchrone Batch-Empfehlungspipeline regelmäßig aus, um die Produktempfehlungen und personalisierten Inhalte zu aktualisieren. Überwachen Sie dabei kontinuierlich die Leistung und verfeinern Sie die herkömmlichen ML-Modelle und LLM-gestützten Erweiterungen.
Inferenz und Bereitstellung in Echtzeit: Integrieren Sie die stapelverarbeiteten Empfehlungen und personalisierten LLM-generierten Inhalte in die kundenorientierte Einzelhandelsplattform und nutzen Sie die Echtzeit-Inferenzfähigkeiten der traditionellen ML-Modelle, um sofortige Empfehlungen zu geben, die nahtlos mit der vorgenerierten Personalisierung verschmelzen.
Definieren einer klaren Ausgabe
Die Ausgabe herkömmlicher Empfehlungsmaschinen erfolgt oft in Form einer Liste oder eines Rasters von Produktempfehlungen.
Die Empfehlungen werden in der Regel auf einfache, datengesteuerte Weise präsentiert. Ein Kunde, der bereits ein bestimmtes Produkt gekauft hat, sieht zum Beispiel eine Liste mit Empfehlungen wie „Kunden, die diesen Artikel gekauft haben, kauften auch…“. Oder ein Kunde, der in einer bestimmten Kategorie stöbert, sieht ein Raster von „Für Sie empfohlenen“ Produkten.
Die Empfehlungen sind in der Regel allgemein gehalten und konzentrieren sich auf Ähnlichkeiten zwischen Produkten und Kunden. Sie können ergänzende Artikel, häufig gemeinsam gekaufte Produkte oder Artikel, die bei Kunden mit ähnlichen Profilen beliebt sind, hervorheben.
Die Sprache, die zur Beschreibung der Empfehlungen verwendet wird, ist oft sachlich und nüchtern und zielt eher darauf ab, einen praktischen Vorschlag zu machen als ein emotionales oder persönliches Erlebnis. Die Empfehlungen werden in der Regel als eine Liste von Produkttiteln, Bildern und Preisen präsentiert, ohne viel zusätzlichen Kontext oder Personalisierung.
Dies erfordert immer noch, dass das Unternehmen den Kontext berücksichtigt und weitere Details anwendet, um hochgradig personalisierte Empfehlungsinhalte, wie z. B. E-Mails, bereitzustellen. Die Ausgabe kann sich jedoch unpersönlich anfühlen und von den einzigartigen Vorlieben und Bedürfnissen des Einzelnen abgekoppelt sein.
Hier kommt die Macht der generativen KI ins Spiel, die durch Tools wie PULSE von Firemind ermöglicht wird. Durch den Einsatz von fortschrittlichen Sprachmodellen und Deep Learning können diese Lösungen hochgradig personalisierte, kontextbezogene und emotional ansprechende Produktempfehlungen und Einkaufserlebnisse schaffen, die über die Grenzen herkömmlicher Ansätze hinausgehen.
Erste Schritte bei der Geschwindigkeit
Es ist sehr einfach, in ein Kaninchenloch zu fallen und ein großes Projekt aufzusetzen, um mit Hypothesen darüber zu experimentieren, wie gute Empfehlungen im Einzelhandel aussehen könnten. Mit dem PULSE-Tool von Firemind können Sie jedoch die Macht der generativen KI nutzen, um wirklich einzigartige und maßgeschneiderte Kundenerlebnisse zu schaffen und zu testen, die über die Grenzen herkömmlicher Empfehlungsmaschinen hinausgehen.
PULSE ist das generative KI-Tool von Firemind, das Unternehmen einen sicheren und berechenbaren Ausgangspunkt für die Nutzung generativer KI-Services auf AWS bietet. Es kann genutzt werden, um das Potenzial der Nutzung generativer KI in einer Pipeline schnell zu validieren, ohne dass eine umfangreiche Infrastruktur eingerichtet werden muss.
PULSE kann dynamisch personalisierte Produktbeschreibungen, Einkaufserlebnisse und sogar benutzerdefinierte Inhalte generieren, die direkt auf die Bedürfnisse und Vorlieben jedes Einzelnen eingehen. Schöpfen Sie das volle Potenzial Ihrer Kundendaten aus und fördern Sie eine stärkere Markentreue mit den KI-gestützten Lösungen von Firemind:
Entdecken Sie PULSE auf dem AWS Marketplace: Der erste Schritt besteht darin, PULSE auf dem AWS Marketplace zu entdecken. So können Sie das Tool problemlos in Ihrer bestehenden AWS-Infrastruktur einsetzen und sicherstellen, dass Ihre Daten sicher und zugänglich bleiben.
Vereinbaren Sie einen Beratungstermin: Wenden Sie sich an das Firemind-Team, um einen Beratungstermin zu vereinbaren. Unsere Experten werden eng mit Ihnen zusammenarbeiten, um Ihre spezifischen Geschäftsanforderungen, Anwendungsfälle und Ihre Datenlandschaft zu verstehen. So können wir Sie dabei unterstützen, PULSE optimal für Ihre Bedürfnisse einzusetzen.
Nehmen Sie an einem Gen AI Discovery Workshop teil: Ziehen Sie in Erwägung, sich für den generativen KI-Entdeckungsworkshop von Firemind anzumelden, einen 3-6-wöchigen Service, der es Ihnen ermöglicht, das Potenzial der generativen KI in einer strukturierten, praktischen Umgebung zu erkunden. Während dieses Workshops haben Sie die Möglichkeit, mit PULSE zu experimentieren und die Fähigkeiten von PULSE in Ihrem Einzelhandelsumfeld zu testen.
Integrieren Sie PULSE in Ihre Arbeitsabläufe: Sobald Sie die Möglichkeit hatten, PULSE zu testen, wird unser Team Ihnen helfen, das Tool nahtlos in Ihre bestehenden Arbeitsabläufe im Einzelhandel zu integrieren. Dazu kann es gehören, PULSE mit Ihren Produktdaten, Kundeninformationen und anderen relevanten Quellen zu verbinden, um personalisierte Erlebnisse zu ermöglichen.
Kontinuierlich optimieren und skalieren: PULSE ist als skalierbare und anpassungsfähige Lösung konzipiert. Während Sie das Tool weiter nutzen, wird unser Team mit Ihnen zusammenarbeiten, um die Konfigurationen zu verfeinern, mit neuen Anwendungsfällen zu experimentieren und die Bereitstellung zu skalieren, um Ihren wachsenden Anforderungen gerecht zu werden.
Wenn Sie mehr darüber erfahren möchten, wie Fireminds PULSE Ihnen dabei helfen kann, die Macht der generativen KI zu nutzen, um Ihr Einkaufserlebnis zu verbessern, füllen Sie bitte das untenstehende Formular aus.
Kontakt aufnehmen
Möchten Sie mehr erfahren?
Haben Sie eine bestimmte Fallstudie oder einen Einblick gesehen und möchten Sie mehr erfahren? Oder denken Sie über Ihr nächstes Projekt nach? Schreiben Sie uns eine Nachricht!
