Empfehlungsmaschinen erfreuen sich zunehmender Beliebtheit, seit Netflix gezeigt hat, wie man seinem gesamten Nutzerstamm in großem Umfang erfolgreich neue Filme empfehlen kann. Es ist jedoch nicht trivial zu wissen, wann eine recommendation engine für Ihre Zwecke geeignet ist und wann nicht. Außerdem wird recommendation engine oft mit dem Modell des nächstbesten Angebots (NBO) verwechselt, was nicht verwunderlich ist, da sie Teilen mehrere Eigenschaften aufweisen. Dieser erste Beitrag einer dreiteiligen Serie taucht tiefer in die Welt der Empfehlungsmaschinen ein und zeigt, wie Sie diese nutzen können, um Geschäftsergebnisse zu erzielen.
In der Regel besteht der Zweck einer Empfehlungsmaschine darin, die Erfahrung mit Ihrem Produkt oder Ihrer Dienstleistung zu verbessern, indem Sie Ihren Kunden gute und relevante Empfehlungen geben. Das Ziel Ihrer Empfehlungsmaschine ist nicht der kurzfristige Verkauf von Produkten, sondern die Verbesserung des Kundenerlebnisses und damit die Stärkung der Kundenbindung an Ihr Produkt und Ihre Marke. Dadurch entsteht indirekt ein langfristiger positiver Wert für Ihr Unternehmen. Im Gegensatz dazu ist das Ziel des NBO-Modells der Upsell eines Produkts oder einer Dienstleistung an Ihren Kunden, was einen direkten Wert für Ihr Unternehmen darstellt. Da aber beide Modelle Produkte identifizieren, die in irgendeiner Weise für den Kunden relevant sind, obwohl sie unterschiedliche Ziele verfolgen, können sie manchmal mit großem Erfolg austauschbar eingesetzt werden
Um besser zu verstehen, wie eine recommendation engine sein volles Potenzial ausschöpfen kann, müssen wir einen kurzen Blick auf die Logik werfen, die diesem zugrunde liegt. Nehmen wir an, wir wollen unsere Freundin Jane in den Urlaub einladen und möchten ein Reiseziel auswählen, das ihr gefallen wird. Wir wissen, dass Jane schon einmal auf Mallorca war, wo es ihr gut gefallen hat, und dass sie auch in Thailand war, was ihr nicht so gut gefallen hat. Wir haben noch einige andere Freunde, die von diesen Reisezielen genauso begeistert waren, also haben wir sie gefragt, welche Reiseziele sie mögen, die Jane noch nicht besucht hat. Viele von ihnen sagten, dass sie ihren Aufenthalt auf Gran Canaria genossen haben, und da sie ähnliche Reiseziele wie Jane mögen oder nicht mögen, ist es wahrscheinlich, dass es ihr dort auch gefallen wird. Wir haben beschlossen, Jane zu einem Urlaub auf Gran Canaria einzuladen. Dieser Prozess wird oft als kollaboratives Filtering bezeichnet.

Schaubild 1: Janes Begeisterung für Gran Canaria wird anhand der Daten von Personen mit ähnlichen Ansichten geschätzt
Betrachten wir nun das Beispiel eines abonnementbasierten Musikstreamingdienstes, bei dem die Kunden eine monatliche Gebühr zahlen, um unbegrenzt Lieder zu hören. Die Empfehlung von Liedern oder Künstlern an bestehende Kunden bringt dem Unternehmen keinen kurzfristigen Mehrwert durch direkte Verkäufe, es sei denn, der Dienst erhebt Gebühren für das Abspielen einzelner Lieder oder für das "Freischalten" neuer Künstler. Es ist wahrscheinlicher, dass die Empfehlung eines Liedes kurzfristig zusätzliche Lizenzkosten verursacht, da sie die Anzahl der Abspielungen des Liedes erhöht. Durch Empfehlungen, die von den Nutzern geschätzt werden, verbessert sich jedoch das Erlebnis des Musik-Streaming-Dienstes, und die Nutzer werden eher dazu geneigt sein, diesen Dienst weiter zu nutzen, anstatt zu den Diensten eines Wettbewerbers zu wechseln. Im Laufe der Zeit wird dadurch eine Loyalität für den Dienst und die Marke aufgebaut, was wiederum dazu beiträgt, Kunden zu halten und Einnahmen aus künftigen Abonnementgebühren zu sichern. Somit hat der recommendation engine indirekt einen langfristigen Mehrwert für das Unternehmen geschaffen.
Im Vergleich dazu würde das NBO-Modell (next best offer) erkennen, dass mehrere Geräte regelmäßig dasselbe Abonnement nutzen, und dem Kunden vorschlagen, dass ein Upselling auf ein Familienpaket der beste Weg ist, um den Umsatz direkt zu steigern. Das Upselling auf ein Familienpaket bringt dem Unternehmen einen direkten Mehrwert, während der recommendation engine indirekt dafür sorgt, dass die Einnahmen langfristig gesichert sind. In Kombination ergänzen sich die beiden Modelle und stellen eine überzeugende und automatisierte Methode dar, um sowohl kurz- als auch langfristig positive Ergebnisse zu erzielen.
Eine oft übersehene Anwendung des recommendation engines besteht darin, diesen zur Überprüfung des Produktportfolios einzusetzen. Wie oft ein Produkt oder eine Dienstleistung empfohlen wird, ist ein guter Indikator für die allgemeine Stimmung Ihrer Kunden. Anhand dieser Informationen können Sie mehr Mittel für die Werbung für Produkte bereitstellen, die Ihre Kunden mit größerer Wahrscheinlichkeit ansprechen, und weniger Werbegelder für Produkte ausgeben, die wahrscheinlich weniger beliebt sind. Außerdem können Sie auf diese Weise feststellen, welche Produkte Sie aufgrund ihrer mangelnden Beliebtheit nicht mehr verkaufen und pflegen sollten.
Lesen Sie den Analytics Tactic Spotlight: Customer Lifetime Value
Zusammenfassend lässt sich sagen, dass ein reommendation engine hervorragend dazu geeignet ist, die Kundenerfahrung zu verbessern und damit langfristig einen Wert für Ihr Unternehmen zu schaffen. Eine Herausforderung besteht dann darin, die Auswirkungen Ihres recommendation engines auf den tatsächlichen finanziellen Wertes zu messen. Eine Möglichkeit, dies zu tun, besteht darin, die Veränderung des Lebenszeitwerts Ihrer Kunden zu modellieren und zu messen, wenn diese mit Ihrem recommendation engine in Kontakt kommen. Das Modell des Customer Lifetime Value (CLV) wird das Thema des nächsten Teils dieser dreiteiligen Serie sein.
Wenn Sie mehr über den recommendation engine wissen wollen oder wie wir Ihnen bei der Entwicklung eines solchen helfen können, zögern Sie nicht, uns zu kontaktieren!
Kontaktieren Sie uns
Geschrieben von Fredrik Kihlberg und Henrik Nordström