Mit der richtigen E-Commerce Data Science zum Erfolg

DIE STETIGE WEITERENTWICKLUNG UNSERER RECOMMENDATION ENGINE.

Unser E-Commerce Data Sciencefür relevante Empfehlungen

Machine Learning, Data Mining, Big Data, Predictive Analytics….nicht nur Schlagworte, sondern das Handwerkszeug unseres E-Commerce Data Science. Unsere Data Scientists optimieren täglich mit ihrem Know-how unsere Recommendation Engine zur Generierung relevanter Empfehlungen. Dafür werden Theorien für den Online Shop und das E-Mail-Marketing entwickelt, getestet und umgesetzt.

Wie die Weiterentwicklung unsererRecommendation Engine funktioniert

Analyse des Online-Shops

Wir analysieren das tägliche Geschehen im Online-Shop, indem wir uns in die Geschäftsbereiche und Produkte des Kunden hineindenken.

Entwicklung von Theorien

Wir nutzen unser gesammeltes Wissen aus dem Bereich der Konsum-Psychologie, um neue Theorien zu entwickeln, die zu noch besseren Empfehlungen führen. Anschließend überführen wir die Theorien in das Design unseres Algorithmus.

Feinschliff des Algorithmus

Es wird ein bestimmtes Ziel vorgegeben, das innerhalb eines grob abgesteckten Rahmens optimiert werden soll. So lässt sich schnell ermitteln, welche Theorie die Beste ist und welche Parameter-Einstellungen zum Einsatz kommen.

Verifizierung der Theorie

Wir verifizieren über A/B-Tests die Effektivität der gewonnenen Theorie im Hinblick auf den Status quo. Hier führen wir statistische Maßnahmen durch, um eine hohe Entscheidungsgenauigkeit zu erlangen.

Data Mining und Machine LearningAuf das Zusammenspiel kommt es an

Data Mining

_________

Im Bereich Data Mining geht es um die explorative Datenanalyse. Wir setzen dazu statistische Methoden ein, um wertvolle Erkenntnisse aus den Daten (Big Data) zu gewinnen.

Machine Learning

_________

Im Bereich Machine Learning ist die künstliche Intelligenz zu Hause. Methoden und Techniken aus Supervised und Reinforcement Learning werden genutzt, um unsere Recommendation Engine selbstständig lernen zu lassen.

Klassische Statistik

_________

Hierbei handelt es sich um eine quantitative Datenauswertung. Es wird das Eintreten einer Größe, unter bestimmten Bedingungen analysiert, wie z. B. die durchschnittliche Höhe des Umsatzes. Damit überprüfen wir unsere Theorien innerhalb der A/B-Tests auf Zufall oder Muster.

Supervised Learning

_________

Hier wird eine Eingangsgröße und eine Zielgröße definiert. Der Algorithmus muss von der Eingangsgröße zur Zielgröße gelangen. Hierzu erhält er Beispiele, um zu lernen, wie er diese Vorgabe erreicht.

Bayessche Statistik

_________

Hier wird die Wahrscheinlichkeit zwischen zwei Elementen berechnet  wie z. B. die Wahrscheinlichkeit, dass es regnet, wenn eine schwarze Wolke auftritt (Berechnung von Verbundwahrscheinlichkeiten). Anders gesagt, wenn jemand Produkt A kauft, wie wahrscheinlich ist es, dass derjenige Produkt B kauft? Damit überprüfen wir unsere Theorien innerhalb der A/B-Tests auf Zufall oder Muster.

Reinforcement Learning

_________

Learning by doing mit anschließender Anpassung, basierend auf dem Ergebnis. So lernt der Algorithmus, was am besten funktioniert.

Output

Die richtige Kombination der Techniken und Methoden aus dem Bereich Data Mining und Machine Learning, in Verbindung mit einem hohen Maß an Konsum-Psychologie, ermöglichen uns wertvolle Vorhersagen für die Zukunft zu treffen (Predictive Analytics). Dadurch schafft es unser E-Commerce Data Science Team, unsere Recommendation Engine stetig weiterzuentwickeln.

Woher kommen die ganzen Daten?

Die Daten werden in Echtzeit aus dem Klick- und Kaufverhalten im Online Shop und der E-Mail gewonnen. Es können aber auch weitere Daten mit einfließen, z. B. aus:

  • einem CRM-System,
  • dem stationären Handel (Kaufdaten, Kundenkarten etc.)
  • den Produktattributen im Produktkatalog
  • verschiedenen externen Datenquellen (z. B. Retourendaten aus einem Warenwirtschaftssystem)

Unser Data Science TeamDie Experten im Hintergrund

Das Data Science Team ist eng mit dem Customer Care Team verbunden. Auch wenn man nicht direkt mit dem Data Science Team spricht, sie verfolgen die Tickets mit und stehen mit Rat und Tat zur Seite. Die Expertise fließt in generelle Einstellungen und das Customizing mit ein.

Michael

Professor

#gründer #forscher #innovator #komahacker #tellerrandsurfer

CPO & Founder

Steffen

Zahlenschubser

#maschinenraum #ai #kreativ #abtests #budgie #writer #datasciencekrieger

Data Scientist

Eric

Spyder Man

#maschinenraum #reinforcementLearning #visuell #schüchtern #kommunikativ #kickerlehrling #datasciencekrieger

Data Scientist

Erfahr mehr überunsere Recommendation Engine

Jetzt informieren!

Die neuesten Blogartikelzur Recommendation Engine

Recommendation Engine

Mit Reco Engines den Warenkorbwert steigern

13. Juni 2017

Personalisierte E-Mail|Recommendation Engine|Technologie

e-Commerce Recommendations – via Cluster oder Personalisierung?

24. April 2017

Recommendation Engine|Technologie

Predictive Retailer – Realität oder Vision?

24. Januar 2017

Beginne zu tippen und drücke Enter zum suchen