Die Kundenwünsche vorhersagen: Zalando setzt auf Deep Learning

Zalando will in Zukunft die Wünsche seiner Kunden vorhersagen. Das Projekt ist ambitioniert, aber machbar. An einer technischen Lösung arbeitet der Modehändler bereits. Sie basiert auf dem Konzept des Deep Learning.

Genau zu wissen, was die Kunden wollen, am besten schon dann, bevor diese es selber wissen: Das ist der Traum vieler Online-Händler. Zalando will ihn real machen. Deswegen arbeitet der Berliner Konzern an entsprechenden Lösungen und setzt dabei auf Deep Learing, indem er sich auf cloud-basierte Ansätze stützt. Die eingesetzte Technologie soll aus der Erfahrung lernen, so die Idee. Hierbei geht es vor allem darum, aus komplexen Konzepten einfachere zusammenzubauen.

Die Kundenwünsche vorhersagen: Zalando setzt auf Deep Learning
pixabay.com ©nvodicka (Creative Commons CC0)
Die Kundenwünsche vorhersagen: Zalando setzt auf Deep Learning 1

Wichtig für die Mode-Branche

Warum die Technologie gerade in der Mode-Branche wichtig ist, erklärt Eric Bowman, der bei Zalando als Vizepräsident für den Bereich Digital Foundation zuständig ist: „Eine große Herausforderung für Vorhersagen ist der saisonale Wechsel, wobei beliebte Marken kommen und gehen. Zudem wird jeden Tag eine große Menge an neuen Artikeln auf unserer Plattform aufgenommen. Dies erfordert ein häufig aktualisiertes Training und permanente Modell-Entwicklung, wobei Methoden für Deep Learning enorme Kapazitäten an Datenverarbeitung, Rechenzeit und Prozessorleistung benötigen. Unsere Hybrid-Cloud-Architektur ist der einzig mögliche Weg, um diese Anforderungen zu erfüllen“, so der Fachmann.

Funktionsweise von Zalandos Deep-Learing-System

Um die künftigen Modeinteressen der Verbraucher vorauszusagen, entwickelte Zalandos «Adtech Lab» in Hamburg ein spezielles Deep-Learning-System, mit dem sich das bisherige Verhalten der Kunden und deren Online-Interaktionen analysieren lassen. Dabei kommen periodische neuronale Netze (Recurrent Neural Networks) genauso zum Einsatz wie verschiedene Datenverarbeitungstools, die aus den Amazon Web Services stammen. Konkret bedeutet das: Es werden zunächst Event-Stream-Daten aus dem Online-Shop gesammelt. Daraufhin erfolgt eine Zusammenstellung von Kundenhistorien, die anonymisiert sind. Diese fügt der Modehändler in die periodischen neuronalen Netze ein, indem er Datenverarbeitungsprozesse nutzt. Dieser Vorgang dient dem Modell-Training. Dieses wird im nächsten Schritt in die Cloud verlagert, „um eine stabilere und skalierbare Lösung zu erhalten“, erklärt Bowman. „Anschließend wollen wir Echtzeitvorhersagen generieren. Wir möchten die Vorhersage-Genauigkeit erhöhen und die Einsatzszenarien erweitern.“

Letzte Artikel von Eugen (Redakteur) (Alle anzeigen)