Entwicklung einer ertragreicheren Handelsstrategie mit Künstlicher Intelligenz.

Ausgangslage & Ziel:

Jeden Monat wird an MediaMarkt Club Mitglieder ein Newsletter verschickt. Die Performance der Newsletter im deutschsprachigen Raum soll optimiert werden. Gemessen wird die Performance in: Sales per Contact, -Rate (d.h. Click-to-buy Rate), Click-to-open Rate.

Aufgabenstellung:

7LYTIX sollte, unter dem Einsatz von Künstlicher Intelligenz, vier personalisierte Produktempfehlungen pro Kunde bzw. Club Mitglied liefern. Die Performance der Produktempfehlungen von 7LYTIX sollte dann mit jenen Produktempfehlungen, die von MediaMarkt selbst ausgespielt wurden, verglichen werden.

Datengrundlage:

Vom Customer Analytics Team von MediaMarkt erhielten wir folgende Daten als Basis für die personalisierten Produktempfehlungen: Verkaufsdaten, anonymisierte demographische Kundendaten, Produktdaten und historische Newsletter-Daten.

Vorgehensweise:

Es kamen die neuesten Methoden der Künstlichen Intelligenz zum Einsatz, im Speziellen Deep Neural Networks, die in der Lage sind, Kunden-Produkt-Interaktionen darzustellen. Und weil insbesondere auch das Timing von Angeboten eine entscheidende Rolle spielt, haben die Modelle auch gelernt, Produkte je nach Zeitpunkt des Angebots entsprechend zu ranken.

Output:

7LYTIX lieferte eine Liste von 4 personalisierten Produktempfehlungen für mehr als eine Million Club-Kunden. Dann wurde evaluiert, ob diese Kunden die vorgeschlagenen Produkte in den 7 Tagen nach Newsletter-Erhalt gekauft haben. Und die Resultate nach zwei Runs bzw. Durchläufen waren durchaus interessant:

1. RUN

- A/B Test: Mailing Ende 2019
- KPI: Conversion-Rate in jeder Gruppe
- Resultat: mehr als 500 % Uplift für 7LYTIX auf Produktebene (z.B. ein spezifischer Fernseher) und 6,5 % auf Produktgruppenebene (andere Fernseher). Der Vollständigkeit halber soll erwähnt sein, dass MediaMarkt mit seinen eigenen Recommendations einen höheren Gesamtwarenkorbwert erzielte.

Erkenntnisse:

7LYTIX hat viel weniger Produkte als MediaMarkt empfohlen (300 vs. mehr als 8.000). Der Algorithmus, bzw. unser Deep Learning Modell lernte, eine höhere Conversion Rate zu erzielen.

2. RUN:

- A/B Test: Mailing Anfang 2020
- KPI: Verhältnis der Conversion-Rate zur Holdout Group – also welche empfohlenen Produkte wurden gekauft, im Vergleich zu einer Testgruppe, die keinerlei Produktempfehlungen erhielt.
- Resultat: +53,0 % für 7LYTIX, +21,5 % für Media Markt im Vergleich zur Holdout Group.

Erkenntnisse:

Man muss mit viel Bedacht definieren, was man optimieren möchte. Eine Änderung des Ziels hat hier große Auswirkungen auf die Ergebnisse, also sollte einem bewusst sein, welchen Business Value einzelne Metriken haben. Unterm Strich kann man festhalten:
7LYTIX erzielte bessere Resultate als MediaMarkt selbst.

Zusammenfassung:

Wir haben gezeigt, dass unser Deep Neural Networks Ansatz sehr flexibel ist, wenn es darum geht, die Optimierung verschiedener Targets bzw. KPIs für eine Aufgabenstellung zu ‚lernen‘. Auch hat sich bestätigt, dass es unumgänglich ist, das Setup und auch was optimiert werden soll genau zu definieren. Der Senior Manager für Innovation Projects von MediaMarkt, Dr. Christopher Bayer bestätigte, dass es durch die Zusammenarbeit mit 7LYTIX eine sehr steile Lernkurve gab, für beide – für MediaMarkt und dank der großartigen Kooperation auch für 7LYTIX.