IKEA Retail (Ingka Group) steigert E-Commerce-Umsatz mit Recommendations AI

In der Customer Journey von IKEA gibt es einige Stellen, an denen verschiedene Arten der Personalisierung das Erlebnis der Kundinnen und Kunden entscheidend verbessern können: etwa mit Produktempfehlungen im Warenkorb, Content-Empfehlungen bei redaktionellen Inhalten, zusätzlichen Vorschlägen auf Produktseiten, und vieles mehr. 

Um diese Personalisierungselemente zu optimieren, gründeten wir eine neue Projektgruppe innerhalb unseres „Empfehlungsteams“ , die sich ausschließlich auf Produktempfehlungen konzentrieren sollte. Die Corona-Pandemie hat zu einem Wandel in puncto Verhalten und Anforderungen der Kund*innen geführt. Nicht zuletzt deshalb entschieden wir uns, unsere Arbeitsweise grundlegend neu zu überdenken. Wir beschlossen, einen verstärkt wissenschaftlichen Ansatz zu verfolgen, um qualitativ hochwertige Produktempfehlungen skalierbar bereitzustellen. Dahinter steckte der Wunsch, eine ganzheitliche Sicht auf unsere Kund*innen zu gewinnen und unseren Personalisierungsgrad entsprechend zu verbessern.

Datengestützte Entscheidungen

Im ersten Schritt mussten wir unsere Fähigkeit, quantitativ hochwertige Nutzungsdaten in großem Umfang zu erfassen, radikal verbessern. Um zu verstehen, wie unsere verschiedenen Empfehlungen die Personalisierung beeinflussten, nahmen wir umfangreiche A/B-Tests des Verhaltens von Kund*innen vor. Dies führte uns zu den folgenden Erkenntnissen:  

1. Für eine harmonische Customer Experience ist vor allem die richtige Mischung aus Benutzungsoberfläche (UX) und Algorithmen entscheidend. 
2. Die einzelnen Personalisierungselemente sollten nicht isoliert betrachtet werden. Statistisch signifikante Werte über die Qualität der Personalisierung als Ganzes erhalten wir nur, wenn wir mehrere Empfehlungen im Verhältnis zueinander testen.

Uns wurde schnell klar, wie wenig wir eigentlich bisher über das Verhalten unserer Kund*innen wussten. Aber da wir nun ein robustes Framework zur Datenerfassung entwickelt hatten, konnten wir damit eine große Anzahl neuer Ansätze genauer untersuchen. Dabei ließen wir keine Option unberücksichtigt. Dieser Prozess vermittelte uns eine neue Sicht auf unsere Personalisierungsabläufe, mit einem von Neugier getriebenen, unverstellten Blick. Wir lernten, auf die Daten zu vertrauen, gerade weil sie uns Dinge aufzeigen können, die wir nicht erwartet hatten. 

Experimente und Learning Framework

Unsere Teams fanden Wege, um experimentelle Modifikationen schnell in unsere bestehende Lösung zu integrieren. So konnten wir mit unterschiedlichen Überschriften und Bildern verschiedene Ansätze zur Erfahrung der Nutzerinnen und Nutzer ausprobieren. Dazu gehörten auch kleinere Änderungen im Backend, wie z. B. das händische Hinzufügen kleiner Details, das Entfernen von Empfehlungen oder die Kombination von selbst und mittels Recommendations AI erstellten Algorithmen.

Diese Flexibilität verursachte zunächst mehr Komplexität und höhere Kosten im Vergleich zu unserem bisherigen Modell, bei dem wir einfach den Empfehlungen der Recommendations AI gefolgt waren. Der große Vorteil war jedoch, dass wir uns dabei  nicht mehr nur auf eine manuelle Auswertung unserer Daten stützen mussten.   . Letztendlich entschieden wir uns für einen datengestützten, qualitativen Ansatz bei der Erstellung der Empfehlungen und beschleunigten unsere Versuchsphase dadurch deutlich. In Verbindung mit einer Optimierung unserer CI/CD-Pipeline konnte unser Team neue Ideen oder Hypothesen in weniger als einer halben Stunde in  A/B-Tests ausprobieren.

Recommendations AI im Test

Da unsere Infrastruktur bereits auf der GCP lief, konnten wir die Recommendations AI ohne große Mühen in unsere Tests einbeziehen.

Wir begannen mit ein paar wenigen Anwendungsfällen und identifizierten Stellen, an denen wir unsere bestehenden Empfehlungsalgorithmen verbessern oder ergänzen  oder unseren Kund*innen zusätzliche personalisierte Empfehlungen zukommen lassen konnten. 

Modellkombinationen zur Recommendations AI

Natürlich kann Recommendations AI lediglich dazu eingesetzt werden, um eine Auswahl an Produktempfehlungen zu erstellen. Je mehr wir uns aber damit auseinandersetzten, um so mehr Optimierungsmöglichkeiten entdeckten wir. Obgleich ein zu hohes Maß an Optimierung zu schlechteren Leistungen führen könnte, stellten wir fest, dass es grundsätzlich eine gute Strategie war, mit verschiedenen Versionen ML-gestützter Empfehlungen zu arbeiten. Je mehr Möglichkeiten zur Personalisierung der Nutzungserfahrung wir ausprobieren konnten, um so größer die Wahrscheinlichkeit, das für unsere Kund*innen beste Modell zu finden.

Recommendations AI-Modelle wie „Speziell für Sie empfohlen“, „Wird häufig zusammen gekauft“ und „Was Ihnen noch gefallen könnte“ sind eng an Geschäftsziele wie einer besseren Konvertierungsrate, eine höhere Klickrate oder mehr Umsatz gekoppelt. Wir experimentierten mit vielen unterschiedlichen Modellkombinationen und benutzerdefinierten Regeln, die sich ganz einfach über die GCP-Konsole konfigurieren ließen. Eine der einfachsten Testkonfigurationen war zum Beispiel, nur Artikel zu empfehlen, die wir auf Lager hatten, und Artikel, die nicht verfügbar waren, durch ähnliche Artikel zu ersetzen. 

Zusammenarbeit mit Google

Die Zusammenarbeit mit Google hat unseren Lernprozess in diesem Projekt deutlich beschleunigt. Besonders in der Produktentwicklungsphase arbeiteten wir eng zusammen. Das Modell bot uns zudem die nötige Flexibilität, um immer wieder die Richtung zu wechseln und mehr Optionen zu integrieren als ursprünglich vorgesehen. Dadurch konnten wir unsere Markteinführungszeiten deutlich verkürzen – und das mit einem Produkt, das ausgezeichnete Ergebnisse lieferte, die wir andernfalls nie erzielt hätten.

Ergebnisse und Schlussfolgerungen

Die personalisierten Echtzeit-Empfehlungen waren ein voller Erfolg: Wir konnten die Zahl der auf einer Seite angezeigten relevanten Empfehlungen um 400 % steigern. Um diese größere Auswahl an Empfehlungen auf der Seite unterzubringen, mussten wir auch die Nutzungserfahrung anpassen, etwa indem wir an manchen Stellen einen horizontalen Bildlauf zum Anzeigen der Produktempfehlungen einbauten.

Eine weitere Konsequenz der stärker personalisierten Empfehlungen war die sichtbare Verbesserung der Konvertierungsrate und des durchschnittlichen Auftragswerts. Unsere Kund*innen profitierten von den Algorithmen der Recommendations AI auf zweierlei Weise:

1. Zum einen waren sie nun in der Lage, gesuchte Produkte schnell zu finden und eine schnellere Auswahl zu treffen. Zum anderen steigerten wir dadurch auch das Vertrauen, einen Einkauf mit nur wenigen Klicks zu tätigen. Und obwohl unsere Empfehlungsmechanismen bereits gut abgestimmt waren, konnten wir mit Recommendations AI die Klickraten um 30 % steigern. 
2. Auch der durchschnittliche Auftragswert stieg um 2 %, da Recommendations AI attraktive Ergänzungsprodukte vorschlug und Kund*innen so statt einzelner Produkte oft ganze Einrichtungslösungen kauften.

Nachdem sich unsere Veränderungen so positiv bei den Geschäftsergebnissen bemerkbar machten, konnte unser Team noch weitere Punkte unserer Customer Journey in Augenschein nehmen, um herauszufinden, wo unser wachsendes Sortiment bei Empfehlungen eingesetzt werden könnte. Anfangs untersuchten wir, ob Empfehlungen in einem bestimmten Kontext überhaupt Sinn machten. Sehr häufig zeigten uns die aus diesen Versuchen gewonnenen Daten, dass wir im Zuge des sich verändernden Kundenverhaltens nach weiteren geeigneten Empfehlungsmöglichkeiten suchen mussten. Dies führte dazu, dass heute die meisten Empfehlungen auf der IKEA-Webseite auf Recommendations AI basieren.

Wir haben gelernt, dass bei einigen Arten von personalisierten Empfehlungen der Einsatz von neueren und besseren Algorithmen von Vorteil ist, auch wenn sie eine große Kompetenz in den Bereichen Data Science und Engineering erfordern. In manchen Fällen funktionieren einfache Ansätze sehr gut und wiederum in anderen ist es besser, überhaupt keine Produktempfehlungen vorzuschlagen. Wer Produktempfehlungen effektiv einsetzen will, sollte all diese Möglichkeiten in Betracht ziehen und die Fähigkeit haben, die jeweils richtige Wahl zu treffen.

Nächste Schritte

Wegen der kontinuierlichen Veränderungen der Nutzungserfahrung ist die Arbeit am Erlebnis von Kundinnen und Kunden ständigen Anpassungen unterworfen. Produktempfehlungen können das Nutzungserlebnis verbessern, aber sie sind nur ein Teil eines größeren Ganzen. Unserer Ansicht nach bieten ein umfangreicher Werkzeugkasten mit unterschiedlichen Optionen sowie ein Team, das sich unablässig dafür einsetzt, das die Customer Journey zu verbessern, einen echten Mehrwert. In Zusammenarbeit mit dem Recommendations AI-Team testen wir auch weiterhin eine ganze Reihe aufregender neuer Funktionen. 

So sehen wir unter anderem die Möglichkeit, die Customer Journey durch eine visuellere Erfahrung zu ersetzen und unsere Kund*innen so zu inspirieren, anstatt sie bei der Zusammenstellung mehrer Produkte ausschließlich ihrer Vorstellungskraft zu überlassen. Vision Product Search bietet diese Möglichkeit bereits, so dass diese Funktion vielleicht schon bald bei uns zum Einsatz kommen wird.

Wenn Sie noch mehr zu diesem Thema erfahren wollen, empfehlen wir Ihnen unsere Session zur Recommendations AI beim letzten Google Cloud Retail Summit: „IKEA’s Approach to Building a Powerful Recommendations Engine“.