Dieses Start-up weiß vorher, was wir später kaufen wollen

Produktempfehlungen in Onlineshop basieren gegenwärtig vor allem auf Daten, die durch bisherige Einkäufe, Surf-Historie und allgemeine sozio-demographische Daten gewonnen werden. Das wird dann meist zu einem mehr oder minder passabler Cluster verklumpt.

Der Kanadier Eric Brassard, ein ehemaliger Manager der Kaufhauskette Saks, will mit Propulse nun zeigen, dass das besser geht, genauer geht, individueller geht und sein System dem Kunden tatsächlich vorher Produkte zeigt, die dieser später kaufen will – Produkte, die der Kunde vorher vielleicht noch gar nicht im Sinn hatte. Weil die Empfehlungsmaschine von Propulse nicht bloß ein paar Daten aus der Customer Journey kennt, sondern den Geschmack des Kunden erkennen und vorhersagen will.

Individuelles Vorhersage-Modell

Statt der antiquierten Empfehlung „Kunden, die diesen Artikel gekauft haben, kauften auch“ soll das Vorhersage-Modell Ergebnisse liefern, die den tatsächlichen Interessen und Vorlieben des Kunden entsprechen. Und das, so der vollmundige Ansatz, ohne persönliche Daten des Kunden zu kennen.

Bilderkennung mit rund 40.000 Variablen

Ein etwas hochtrabend “Purchase Path Neural Network” genanntes System soll unter anderem über eine Bilderkennung mit rund 40.000 Variablen und entsprechende Algorithmen den Geschmack des Kunden kennenlernen und so Vorschläge für die aktuelle Einkaufssituation, aber auch für spätere Gelegenheiten machen. Das System lernt dabei aus der jeweiligen Reaktion des Kunden in Echtzeit dazu. Das Ziel: Die Maschine soll Instinkt und Erfahrung eines guten Verkäufers im Laden abbilden.

Mit immerhin 1,4 Millionen Dollar Finanzierung im Rücken ist Propulse zu Monatsbeginn gestartet und zielt trotz seiner technisch aufwändig klingenden Lösung vor allem auf kleine und mittelgroße Händler als Abnehmer. Zu den ersten Kunden gehört das US-Modelabel Frank & Oak. Dort erzählt man Techchrunch, dass die Konversionsrate mit der neuen Empfehlungsmaschine, deren Daten auch für andere Marketing-Kanäle (beispielsweise E-Mail-Werbung) einsetzbar sind, um das 2,5fache gesteigert wurde.

Vorbild Netflix: Ausgefuchste Empfehlungsalgorithmen

Propulse ist natürlich nicht allein mit derartigen Versprechen. So sammelt beispielsweise StitchFix, eigentlich ein Modeanbieter rund um das betreute Shoppen ala Outfittery, in Serie Daten ein, um die Inhalte der Pakete treffsicherer zu machen.

Dort ist als Chief Analytics Officer Eric Colson an Bord. Der kommt von Netflix, das für seine Datenexpertise und ausgefuchste Empfehlungsalgorithmen fast schon berüchtigt ist. Entsprechend vertraut StitchFix nicht nur auf das Gespür der Stylisten und zueinander passenden Käuferdaten, sondern greift für seine Algorithmen unter anderem auch auf Kundenbewertungen auf anderen Plattformen, Social Media sowie beispielsweise Wetterdaten zurück.

Lernende Recommendation Engines bieten auch hierzulande eine Reihe von Anbietern. Der Otto Versand arbeitet beispielsweise inzwischen mit IBM Campaign, um Bestandskunden Offerten zu unterbreiten, die auf Basis der bisher gekauften und betrachteten Artikel generiert werden. Und zwar möglichst 1:1 auf den Kunden zugeschnitten.

---