März 13, 2018
Teilen

3 Brands – 3 innovative Wege, Machine Learning einzusetzen

 

In der umkämpften Retailbranche kommt es heutzutage vor allem auf Relevanz an. Machine Learning ist dafür das Tool der Wahl. Diese Technologie ist in der Lage, große Datenmengen zu analysieren und dadurch Trends und neue Kundenvorlieben zu identifizieren sowie Prognosen zur zukünftig effektivsten Interaktion zwischen Käufern und Unternehmen zu treffen.

Die folgenden drei Brands setzen Machine Learning ein, um sich besser mit ihren Käufern zu vernetzen. Sie nutzen Big Data, um das Markenerlebnis kanalübergreifend zu personalisieren.

1. Under Armour

Under Armour hat Machine Learning in die Fitness App des Unternehmens, Record, integriert. Die App analysiert die Gesundheit und Fitness ihrer User kontinuierlich; dazu nutzt sie Daten aus vielfältigen Quellen: Apps anderer Anbieter, Smart Watches, Daten, die die User direkt eingeben usw. So kann sie den Usern effektive, individuelle Ratschläge zur Ernährung und zum Trainingsprogramm geben.

Abbildung © Under Armour.

„Die App basiert ihre Empfehlungen sowohl auf den Ergebnissen anderer User mit ähnlichem Gesundheits-/Fitnessprofil, als auch auf physiologischen und Verhaltensdaten sowie Informationen aus Ernährungsdatenbanken“, so der Business Insider. Die App berücksichtigt zudem Faktoren wie Schrittzahlen, Ernährung, Schlafrhythmen sowie Trainingsdaten, zum Beispiel Herzschlag, Geschwindigkeit, Distanz und verbrannte Kalorien.

Damit ist die App im Prinzip ein mobiler Personal Trainer und somit eine wertvolle, personalisierte und ausgesprochen einfach nutzbare Ressource. Je mehr man sie nutzt, umso besser lernt sie den User kennen – und umso besser kann sie ihre Empfehlungen auf die individuellen Bedürfnisse anpassen.

2. Mazda

Mazda setzte Machine Learning ein, um die richtigen Influencer für die Promotion eines neuen Modells, des CX-5, auf dem SXSW Festival in Austin zu identifizieren.

Das japanische Automobilunternehmen kooperierte dabei mit Influential: Diese Influencer- und Marketingplattform nutzte die KI von IBM Watson, um künstlerisch veranlagte, extrovertierte Menschen in den sozialen Medien aufzuspüren; dieser Persönlichkeitstyp passte besonders gut zu den Fans des Festivals.

Abbildung © Mazda.

Influential analysierte mittels Machine Learning Posts in den unterschiedlichen sozialen Netzwerken, um im ersten Schritt herauszufinden, anhand welcher Indikatoren sich diese Personen identifizieren lassen –zum Beispiel Ausrufezeichen und Emojis. Anschließend bestimmte das System die idealen Kandidaten.

Für das SXSW Festival wurden so vier Leute ausgewählt, die in einem CX-5 durch Austin fahren und Zeit in Mazda Studio verbringen sollten; anschließend sollten sie über ihre Erlebnisse twittern sowie auf Instagram und Facebook posten.

Dieser datenzentrierte Ansatz für das Influencer Marketing erlaubte es Mazda, Content zu personalisieren und so eine äußerst spezifische Zielgruppe anzusprechen: Die Mitglieder dieser Zielgruppe sind sehr viel stärker an Kreativität interessiert als der Durchschnitt – das SXSW ist schließlich ein Festival für Musik, Film, Technologie und Innovation.

 (Mehr erfahren: Würdest Du in einer Welt ohne Technologie überleben? Finde es heraus – mit unserem interaktiven Quiz (Englisch). )

3. The North Face

The North Face nutzt einen digitalen persönlichen Assistenten, den Expert Personal Shopper (XPS) von Fluid, um Online-Kunden auf Basis ihrer Interessen Produkte zu empfehlen und ihnen so ein personalisiertes Shoppingerlebnis zu bieten.
XPS überträgt damit die Reputation des Unternehmens, ausgesprochen kundenorientiert und hilfsbereit zu sein, vom Geschäft in die digitale Welt. Außerdem sammelt das Unternehmen mithilfe von Machine Learning Daten für die Optimierung der Website und für zukünftige Produkte.

Abbildung © The North Face.

The North Face bietet den Kunden des Onlineshops darüber hinaus unter der Bezeichnung „Shop with IBM Watson“ ein maßgeschneidertes Shoppingerlebnis.

Nachdem sie die App installiert haben, können Käufer via Voice mit der App kommunizieren. Genau wie ein echter Verkäufer Kunden dabei unterstützt, die beste Wahl für ihre Bedürfnisse zu treffen, kann der virtuelle Assistent Fragen stellen, von den Antworten lernen und so wirklich relevante Produkte anbieten.

Der ROI von Machine Learning

Die vorhersagenden Fähigkeiten machen Machine Learning zu einem einflussreichen Tool für das Commerce Marketing. Machine Learning erlaubt es Brands, historische und aktuelle Kundendaten zu analysieren, um zukünftiges Verhalten und neue Trends vorherzusagen.

Auf der Vertriebsseite können auf Machine Learning basierende Modelle etwa die beste Zeit vorhersagen, um bestimmte Produkte anzubieten, z. b. wann die Kunden in der besten Stimmung für Weihnachtseinkäufe sind. ML kann Retailern zudem helfen, zu bestimmen, welche Artikel sie in welcher Stückzahl lagern sollen – vor allem in Hochphasen des Geschäfts wie etwa am Black Friday oder Cyber Monday.

Machine Learning hilft also, unnötige Ausgaben zu vermeiden (etwa verschwendete Werbebudgets oder nicht verkaufte Produktbestände) und gleichzeitig durch die Prognose von Kundenbedürfnissen das Marketing zu optimieren. Das Ergebnis: mehr Umsatz und mehr Gewinn.

Mehr Informationen zum Einsatz von Machine Learning im Retail findet ihr in unserem E-Book.