Machine Learning im Bereich Customer Experience

Wir befinden uns im Jahr 2021 und die Kundenerwartungen werden immer größer. Kunden verlangen ein maßgeschneidertes, personalisiertes Erlebnis – sonst verlassen Sie den digitalen Einkaufswagen sehr schnell. Entweder sie erfahren eines ausgezeichnetes Kauferlebnis oder sie werden sich für die Konkurrenz entscheiden.

Ein moderner Kunde ist sich der vielen Daten bewusst, die bei allen digitalen Interaktionen verarbeitet werden – und erwartet deswegen auch, dass Sie diese Daten nutzen und ein nahtloses Erlebnis bieten. Angesichts der großen Datenmengen, die verarbeitet werden, wird der Einsatz von Machine Learning (ML) vorangetrieben, um einen Mehrwert zu schaffen, der sonst nur schwer zu erzielen ist.

Als strategischer Berater unserer Kunden sehen wir bei NETCONOMY auch die wirtschaftliche Perspektive von ML-gestützten Lösungen. Wir sind der Meinung, dass neue Technologien und Konzepte gezielte Ressourcen erfordern, die sich auf den Ausbau dieses spezifischen Bereichs konzentrieren. Deshalb haben wir ein Machine Learning Team gegründet.

Einer unserer Machine Learning Experten, Vid Jelen, erklärt, worauf sich das Team konzentriert und was ML für unsere Kunden bedeutet.

Erzähle uns die Geschichte hinter dem Machine Learning Team bei NETCONOMY. Wie ist es aufgebaut und wie arbeitet ihr?

Im Allgemeinen sind ML-orientierte Unternehmen heutzutage sehr vielseitig. Sie haben Datenproduktteams und auch verschiedene andere datenorientierte Teams. Diese Unternehmen decken eine Vielzahl von Machine Learning Bereichen ab und verfügen entweder über langjährige Erfahrung im Bereich ML (wie Google) oder sind erst vor kurzem in diese Branche eingestiegen und konzentrieren sich beim Aufbau ihrer ML-Fähigkeiten meist auf bestimmte Teilbereiche. Unser Team ist Teil der NETCONOMY-Bemühungen, die ML-Fähigkeiten, die wir aus der Theorie mitgebracht haben, auf die reale Welt auszuweiten, wobei wir uns derzeit auf ML-Projekte für den Einzelhandel konzentrieren. Die Prognosen für das Marktwachstum im Bereich des Machine Learning sind exponentiell. Es versteht sich von selbst, dass der Anteil von ML nicht nur im E-Commerce, sondern auch in anderen Bereichen sehr schnell wächst. Unser Team hatte von Anfang an viel Unterstützung durch das Management und begann Anfang 2019 mit dem Aufbau interner Kapazitäten. Wir sind ein sehr kleines und stark forschungsorientiertes Team, was bedeutet, dass wir an Technologien arbeiten, die noch entwickelt werden müssen, bevor sie in Projekten eingesetzt werden können, und zwar sowohl in Bezug auf das Know-how als auch auf die Möglichkeiten, sie auf effiziente Weise zu implementieren. Unser Jargon und unsere Fachbegriffe sind sehr spezifisch, sodass sie selbst innerhalb des Unternehmens für viele Menschen noch befremdlich sind. Machine Learning entwickelt sich sehr schnell, und wir müssen ständig lernen und neue Ideen umsetzen, während wir die alten oft komplett verwerfen. Aber es ist auch eine Herausforderung, der sich unser Team gerne stellt, da wir unser Know-how erweitern und neue Lösungen einführen, die unseren Kunden Vorteile bringen können.

Ein weiterer interessanter Aspekt unserer Arbeit ist, dass nicht nur neue Tools entstehen, sondern auch neue, einzigartige Probleme auftauchen – in einem Jahr könnten wir vielleicht Probleme lösen, von denen wir heute noch nicht einmal wissen, dass wir sie haben. Deswegen wollen wir einen Schritt voraus sein und investieren viel in Schulung, Ausbildung und Experimente.

Wir mussten auch die Geschwindigkeit erhöhen, mit der unser Team ML-Lösungen iterieren konnte, also investierten wir in einen eigens für ML-Rechenlasten entwickelten Server vor Ort.

ML-Berechnungen basieren zu einem großen Teil auf linearer Algebra – Matrixadditionen, Multiplikationen usw. Dies sind relativ einfache Prozesse, die jedoch immer wieder durchgeführt werden müssen. Glücklicherweise können sie parallel ausgeführt werden, sodass wir sie beschleunigen können, wenn wir die Parallelverarbeitung nutzen. Dies erfordert viele CPU-Kerne und Arbeitsspeicher, um diese Daten zu speichern, wobei für ML auch Grafikkarten eingesetzt werden können, die Millionen solcher Operationen parallel durchführen können. Dadurch wird die Geschwindigkeit unserer ML-Workloads drastisch erhöht.

Machine Learning ist sowohl ein Modewort als auch ein „heißes“ Feld mit großem Potenzial. Es besteht kein Zweifel, dass ML-Konzepte eine wichtige Rolle bei der Entwicklung von Lösungen und Plattformen spielen können, die das Kundenerlebnis verwalten und verbessern. Aber lass uns einige konkrete Fälle nennen. Wie können Unternehmen zum Beispiel ML-Konzepte nutzen, um ein besseres Empfehlungssystem zu entwickeln?

Wenn es um das Kundenerlebnis geht, gibt es viele Gründe und Möglichkeiten für Unternehmen, das Potenzial von ML zu nutzen. Empfehlungssysteme sind mit Sicherheit eine davon. Die aktuellen Trends zeigen, dass die Personalisierung als Funktion an Fahrt gewinnt und mehr denn je von Bedeutung ist. Nehmen wir an, Sie sind auf der Suche nach einem bestimmten Kleidungsstück. Wenn man ein wiederkehrender Kunde ist, gibt es vielleicht schon einige Datenmuster über Vorlieben und Verhalten aus früheren Interaktionen mit dem Shop. ML-gestützte Lösungen können Marken dabei helfen, diese Muster beim Kauf eines bestimmten Produkts, einer bestimmten Farbe oder Größe zu erkennen. Auf der Grundlage dieser Muster kann das Frontend so angepasst werden, dass es das Einkaufserlebnis personalisiert und einem die am besten passenden Produkte anbietet, ohne dass man manuell nach ihnen suchen muss. Als ML-Lösungsanbieter können wir ein bestimmtes Produkt, eine bestimmte Marke oder einen bestimmten Stil auch in den Suchergebnissen priorisieren. Oder sie ganz oben auf der Startseite platzieren. Das Gleiche gilt für ergänzende Artikel und Upselling. Die Kundendaten helfen beim Aufbau einer personalisierten Lösung und ermöglichen außerdem kontinuierliche Verbesserungen im Laufe der Zeit. Dies geschieht natürlich unter Berücksichtigung der Zustimmung der Kunden, und wir stellen sicher, dass wir Datenvorschriften wie die DSGVO einhalten und diese Erfahrung denjenigen bieten, die sich freiwillig dafür entscheiden.

Die Bilderkennung ist ein weiterer häufiger Anwendungsfall für Lösungen, die durch Machine Learning unterstützt werden. Warum ist das so?

Das Durchsuchen eines Shops mit Bildern anstelle von Text durch die visuelle „Ähnlichkeitssuche“ ist derzeit eines der beliebtesten Themen. Der Bereich des ML, der dies ermöglicht, heißt „Computer Vision“ und hat viele Möglichkeiten entwickelt, Informationen aus Bild- und Videodaten zu extrahieren. Wir Menschen erkennen unbekannte Objekte, die wir noch nie zuvor gesehen haben, wenn sie einem Objekt ähneln, das wir bereits kennen. Für Computer gilt dies nicht – sie müssen ausführlich programmiert werden, um etwas zu tun; aber mit den Techniken der Computer Vision können wir den Computern „beibringen“, Ähnlichkeiten zwischen Objekten zu erkennen, die sie noch nie gesehen haben. Menschen wissen beispielsweise, dass ein Schuh einer Sandale sehr ähnlich ist (beide sind Schuhwerk), und dies ist auch ein Konzept, das wir Computern beibringen können, indem wir „Machine Learning Modelle“ erstellen. In diesen Modellen sind die extrahierten High-Level-Darstellungen der Objekte enthalten, die sie erkennen sollen. Ein solches Modell kann vorhersagen, dass – wenn man ihm das Bild einer Sandale und das Bild eines Hutes zeigt – die Sandale zu den Schuhen gehört, während der Hut höchstwahrscheinlich nicht dazu gehört. Zurzeit ist dies ein sehr beliebter Anwendungsfall, nicht nur wegen der visuellen Vergleichskomponente, sondern auch, weil es ein textfreies Einkaufen ermöglicht. Oder nehmen wir an, Sie sind auf der Suche nach einem bestimmten elektronischen Gerät. Vielleicht ist die Marke sichtbar, aber Sie kennen den genauen Produktcode oder -namen nicht. Normalerweise müssten Sie all diese Informationen eintippen – was sehr viel Zeit kostet. Mit dem visuellen Vergleich können Sie einfach ein Foto machen und den Preis, die Verfügbarkeit und die vollständigen Spezifikationen des Artikels herausfinden oder stattdessen einen Artikel finden, der dem Gesuchten am ähnlichsten ist. Das bedeutet, dass man mit einem Foto den gesamten Shop durchsuchen kann. Auf diese Weise vereinfachen und verbessern wir das gesamte Kundenerlebnis – wir sparen Zeit, bieten mehr Möglichkeiten und entlasten den Kunden von der Eingabe unnötiger Informationen.

Ihr habt bereits an vielen Fällen gearbeitet, die durch Machine Learning unterstützte Lösungen beinhalten. Kannst du einige andere interessante Fälle nennen?

Ja, gerne! Der Bereich ist riesig und es gibt viele Technologien, mit denen wir experimentiert haben, und es gibt viele Möglichkeiten, sie in Projekten im Zusammenhang mit Kundenerlebnis einzusetzen. Die visuelle Ähnlichkeitssuche war einer der Anwendungsfälle – wie oben bereits erwähnt. Ein anderer ist die Analyse von Videoinhalten – man kann Personen und Produkte in einem Video erkennen, eine große Videobibliothek zusammenfassen und auch bestimmte Szenen erkennen. Nehmen wir an, es wird ein Werbespot über bestimmte Lebensmittel gezeigt. Eine Person öffnet den Kühlschrank, und es werden verschiedene Produkte gezeigt. Mit Hilfe von ML können Sie diese Szenen und Produkte schnell erkennen, ohne das gesamte Video noch einmal durchsehen zu müssen.

Ein weiteres interessantes Projekt war die Objekterkennung mit Microsoft HoloLens. Wir haben den HoloLens-Videostream verwendet, um Bounding Boxes von Objekten zu überlagern, die wir mit einem ML-Modell erkennen konnten. Wir haben auch mit Chatbot-Lösungen gearbeitet – sie bieten eine Möglichkeit, den Kundensupport zu automatisieren und einen Großteil der manuellen Arbeit, die dort geleistet werden muss, zu reduzieren. Kunden schätzen einen reaktionsschnellen und hilfsbereiten Support-Kanal als Teil ihrer Erfahrung in einem Online-Shop sehr.

Die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) ist ebenfalls ein sich schnell entwickelnder und interessanter Bereich von ML. Wir haben mit umfassenden Support-Lösungen experimentiert, die NLP-gestützte Komponenten enthalten. Nehmen wir an, ein Kunde kauft etwas und erhält im Geschäft einen Kassenbon. Diese Quittung könnte fotografiert, mit NLP-Methoden analysiert werden und sofort als Daten im Shop für zusätzliche Leistungen, z. B. für das Treueprogramm-System, zur Verfügung stehen. In diesem Fall müsste der Kunde nur ein Foto des Kassenbons machen und es in ein persönliches Online-Shop-Konto hochladen. Die Treuepunkte würden automatisch vergeben, und die Informationen könnten später für die Erstellung personalisierter Angebote und Rabatte verwendet werden.

NETCONOMY Machine Learning Team

Zu guter Letzt möchten wir eine persönliche Meinung hören. Wie ist es, in diesem Team zu arbeiten? Wie siehst du die Entwicklung in der Zukunft?

Zu guter Letzt möchten wir eine persönliche Meinung hören. Wie ist es, in diesem Team zu arbeiten? Wie siehst du die Entwicklung in der Zukunft?

Natürlich gibt es technologiebezogene Herausforderungen, da sich dieser Bereich sehr stark verändert. Aber wenn man früh genug damit anfängt und die Unterstützung des Managements hat, kann das alles leicht gelöst werden.

Was unser Team anbelangt; also wir sind ein kleines Team in einem Bereich, der sehr schnell wächst. Wir haben eine Art „Startup-Mentalität“, die uns ermutigt, zu experimentieren und schnell zu iterieren. Das kann manchmal überwältigend sein, ist aber auch äußerst lohnend, wenn komplexe Implementierungen zum Leben erweckt werden. Ich denke auch gerne an einen anderen sehr gebräuchlichen Begriff, den wir parallel zu einem Startup verkörpern – Wachstum. Mit der Zeit werden die Ideen größer und kühner, die Kunden stellen uns vor immer spannendere und anspruchsvollere Herausforderungen, und wir trauen uns immer mehr zu, komplexere und innovativere Lösungen zu liefern. Die Zukunft sieht toll aus und wird auch sehr aufregend sein – da bin ich mir sicher!