KLiNGEL Gruppe führt automatisches Empfehlungssystem ein

Viele Kundinnen kombinieren zu diesem Blazer …“ oder „Dieser Schal aus unserer neuen Kollektion rundet Ihr Outfit perfekt ab.“ Empfehlungen für ein Cross- oder Upselling sind ein wichtiges Marketinginstrument im Onlinehandel. Was für Kundinnen und Kunden zusätzlichen Komfort bedeutet, stellt Unternehmen vor enorme Herausforderungen – vor allem, wenn das Sortiment aus rund 130.000 Artikeln besteht wie bei einem der größten deutschen Multichannel Distanzhändler K – Mail Order GmbH & Co. KG (KLiNGEL Gruppe). Um das Empfehlungsmarketing künftig noch effizienter, treffsicherer und damit erfolgreicher zu machen, setzt das Pforzheimer Unternehmen jetzt auf ein hochleistungsfähiges, computergestütztes Produktempfehlungs-System. Die eigens für KLiNGEL entwickelte Recommendation-Software namens „Zebra“ löst das bisherige manuelle System ab, bei dem Einkäufer Artikel einzeln eingeben und pflegen mussten – ein aufwändiger Prozess, der zudem nicht das vollständige Warenspektrum abbilden konnte. Zebra erfasst nun alle Artikel vollautomatisch nach Attributen wie Farbe, Material und Warengruppe und errechnet Ähnlichkeiten zu anderen Produkten. Auch Topseller und erfolgreiche Empfehlungen werden vom System erfasst und entsprechend berücksichtigt. Kundinnen von KLINGEL, WENZ, MONA & Co. haben damit eine noch größere Auswahl an passenden Empfehlungen, die individuell auf ihre Vorlieben und Bedürfnisse zugeschnitten sind. Für die KLiNGEL Gruppe hat Zebra neben einer Optimierung von Cross- und Upselling den zusätzlichen Vorteil, dass Empfehlungen auf deren Wirksamkeit getestet und so weiter optimiert werden können. Außerdem lassen sich jederzeit weitere Empfehlungslogiken hinzufügen, zum Beispiel zum Stil der Kundin passende Artikel oder Outfit-Empfehlungen.

Im Gegensatz zu vergleichbaren automatisierten Empfehlungssystemen benötigt Zebra zur Ermittlung von Ähnlichkeiten keine Klickdaten aus dem Webshop, sondern greift allein auf die Datenbank des Einkaufs sowie auf Verkaufsdaten zurück. Die Verarbeitung der Daten und die Generierung der Empfehlungen läuft auf Basis des Big Data Frameworks Apache Hadoop sowie des Machine Learning Systems Apache Mahout. Die eigentliche Ausspielung der Daten erfolgt über derzeit 13 in Java geschriebene Microservices, von denen jeder einen Teil der Gesamtfunktionalität abbildet. Aus diesen Services kann die Liste der Empfehlungen nach Belieben zusammengestellt werden. So ist es möglich, an verschiedenen Stellen unterschiedliche Empfehlungslogiken anzuzeigen.

Die größte Herausforderung – die Empfehlungen für ein komplett neues Produkt ermitteln – löst Zebra über einen Vergleich mit ähnlichen Produkten aus früherem Bestand. So ist eine hochqualitative Empfehlung gleich zum Start des Produkt-Lebenszyklus möglich.

„Zebra war ein sehr herausforderndes Projekt, weil es für alle 17 Marken der KLiNGEL Gruppe international eingesetzt werden sollte“, berichtet Jan Wind, Geschäftsführer des Data Consulting Unternehmens dataqube, einer Tochter der KLiNGEL Gruppe. „Ein erster Prototyp war schon nach acht Wochen fertig, der komplette Rollout dauerte aber am Ende sechs Monate. Schließlich mussten wegen der unterschiedlichen Sortimente der einzelnen Marken enorm große Datenmengen verarbeitet werden. Jetzt haben wir ein System, das nicht nur automatisiert passende Zuordnungen aus den verschiedenen Datenquellen ermittelt, sondern auch lernfähig ist, also jeden Tag besser wird.“