Herausforderung
Datenbasierte Produktempfehlungen sind für Retail-Unternehmen eine hervorragende Maßnahme, um kundenindividuelle Umsatz- und Margenpotenziale zu aktivieren. Mit sogenannten Recommender-Systemen werden historische Warenkörbe analysiert, um Muster und Ähnlichkeiten zwischen Kund:innen oder Warenkörben aufzudecken.
Unser Kunde, ein nationales Retail-Unternehmen, stand vor der Herausforderung, kunden- und warenkorbspezifische Informationen in einem Recommender-System zu kombinieren, um beide Informationsquellen zur Generierung von Empfehlungen nutzen zu können.
Ansatz
Zunächst wurden historische Transaktionsdaten aufbereitet, um die Produkt- und Warenkorbinformationen pro Kund:in zu extrahieren. Diese wurden dann in einem rekurrenten Deep Learning Modell verarbeitet. Der Vorteil solcher Modelle besteht darin, dass sie nativ kunden-, produkt- und warenkorbspezifische Faktoren gleichzeitig berücksichtigen können. Daneben wurden verschiedene Benchmarks wie zum Beispiel naivere Ansätze wie Last Basket oder einfache Machine Learning Modelle berechnet, um die Performance des neuen Ansatzes besser bewerten zu können.
Ergebnis
Im Ergebnis zeigte der neue, auf Deep Learning basierte Ansatz eine deutliche Verbesserung gegenüber den naiven Modellen. Auf Produktebene war die Prognose des nächsten Warenkorbes im Vergleich zu naiven oder einfachen modellbasierten Vorschlägen um einen Faktor vier bis fünf genauer. Das Vorschlagssystem wird nun in verschiedenen On- und Offline-Marketinganwendungen eingesetzt.