Produktempfehlungen verfolgen das Ziel, passende Produkte auszuspielen, die den Kunden inspirieren und schlussendlich zu einem höheren Warenkorbwert führen. Um das zu erreichen werden selbstlernende Algorithmen und Regressionsbäume benötigt, die für jede individuelle Situation eine passenden Regel berechnen. Die Regelketten sollen dabei für die jeweiligen Situationen stets optimiert werden und somit mehr Umsatz bewirken. Wie das funktioniert, zeigen wir dir im dritten Teil unserer Blogreihe Reinforcement-Learning-Prozess.

Im zweiten Teil unserer Reihe über unseren Reinforcement-Learning-Prozess gehen wir darauf ein, wie wir Real Time Analytics verwenden, um die Surfhistorie eines Online-Shop-Benutzers so aufzubereiten, dass der Agent damit arbeiten und gute Entscheidungen treffen kann. Hier steht er vor der Herausforderung in kurzer Zeit relevante Informationen aus der Menge aller gesammelten Daten herauszufiltern, um diese für Empfehlungen nutzen zu können.

Reinforcement Learning ist ein Verfahren der Künstlichen Intelligenz, bei der ein sogenannter Agent lernt, möglichst gut mit seiner Umgebung zu interagieren. In den letzten Jahren sind viele Anwendungen entstanden, die das Verfahren populär gemacht haben. Es wurden Programme entwickelt, die Menschen bei Spielen wie Schach oder Go oder auch bei einfachen Atari-Spielen schlagen können. Sie helfen Robotern erfolgreich Fußball zu spielen oder waghalsige akrobatische Helikopterflüge hinzulegen. In dieser dreiteiligen Blogreihe zeigen wir dir wie Reinforcement Learning angewendet werden kann, um Online-Shop-Empfehlungen zu personalisieren.

Mit dem Einsatz künstlicher Intelligenz im E-Commerce sollen Händler zum Predictive Retailer werden. Spezifische Kundenbedarfe werden vor dem Besuch im Online-Shop vorhergesehen und das gewünschte Produkt zur richtigen Zeit empfohlen. Dadurch soll beispielsweise einer berufstätigen Mutter, das passende Produkte für einen bevorstehenden Ausflug ihres Kindes, im Online-Shop eingeblendet werden. Realität oder Vision?