Der Superbowl ist Hochsaison zur Datenanalyse von Nutzerverhalten
Für die Forschungsgruppe „Interpretierbare Lernmodelle (ILM)“ vom Lehrstuhl für TMDT ist dieses Event Hochsaison zur Datenanalyse von Kundenverhalten. Mit Deep Learning-Methoden zur Mustererkennung möchten die Wissenschaftler gemeinsam mit dem US-Startup Breinify Kundenverhalten in Online-Shops vorhersagen. Dazu ein Interview mit Miguel Alves Gomes, Wissenschaftlicher Mitarbeiter in der Forschungsgruppe ILM.
Was macht den Superbowl so spannend für einen Datenanalysten?
Miguel Alves Gomes: Das Superbowl-Event ist eine sehr starke Umsatzzeit für Unternehmen in den USA. Vor diesem Event sind tausende Kunden gleichzeitig auf einer Website unterwegs und tätigen Rekordeinkäufe. Lieferservices bringen innerhalb kürzester Zeit die Ware zum Kunden, so dass bis kurz vor Spielbeginn Bestellungen eingehen. Wir beobachten dieses Nutzerverhalten in den Online-Shops.
Wie erkennt eine Künstliche Intelligenz (KI), ob ein Verhalten zum Kauf führt oder nicht?
Miguel Alves Gomes: Der Mensch ist ein Gewohnheitstier und wir suchen mittels KI nach diesen Mustern. Beispielsweise, wie lange sich ein Kunde ein bestimmtes Produkt anschaut, welche Videos oder Links er dabei klickt. Genau dieses Verhalten analysieren wir: Welches Nutzerverhalten spricht für einen schlüssigen oder eher unschlüssigen Kunden? Wie hoch ist die Wahrscheinlichkeit bei Verhalten x zu einem Kauf? Wann ist der bestmögliche Zeitpunkt, den Kunden auf seiner Einkaufstour mit einem Rabatt oder Coupon zu triggern? Wir trainieren eine Künstliche Intelligenz mit diesen Informationen, damit wir voraussagen können, wann und ob ein Kunde einen Einkauf tätigt.
Wo man bisher nur spekulieren konnte, gibt es nun die Möglichkeit, fundierte datenbasierte Aussagen über die Zukunft zu treffen.
Miguel Alves Gomes: Genau das wollen wir erreichen. Durch die Analyse der bisherigen Transaktionsdaten ermittelt unser KI-Modell, mit welcher Wahrscheinlichkeit ein zukünftiges Ereignis eintritt. In den bestehenden Datenmengen werden Muster und Abweichungen erkannt. Mittels statistischer Berechnungen und maschinellem Lernen wird so die Wahrscheinlichkeit für den Kaufabschluss festgestellt. Für uns heißt das: Wenn ein Kunde eine Webseite besucht, wollen wir durch sein Klickverhalten vorhersagen, ob es zum Kauf kommt oder der Kunde demnächst die Website verlässt. Bis zu einem bestimmten Wahrscheinlichkeitswert lassen wir ihn auf seiner Einkaufstour erstmal in Ruhe. Falls dieser Wert aber eine kritische Grenze unterschreitet, können wir dem Kunden zum richtigen Zeitpunkt und in Echtzeit Rabatte, Coupons oder ähnliche Sale-Aktionen als Kaufanreiz anbieten.
Weitere Infos zu unseren Projekten finden Sie hier.
