![\"Meme:](\"https:\/\/www.fact-finder.com\/blog\/wp-content\/uploads\/2023\/07\/Meme_02.jpg\")
<\/a><\/h6>\nImage Author: Maurizio Pesce<\/a>\u00a0 Source:\u00a0flickr.com<\/a>\u00a0 License:\u00a0Attribution 2.0 Generic<\/a>\u00a0<\/em><\/p>\nDas Problem dabei: es ist viel einfacher, \u00fcber KI zu reden, als tats\u00e4chlich ein leistungsf\u00e4higes Modell zu entwickeln, das sich positiv auf deine eCommerce KPIs auswirkt. Aus diesem Grund haben wir diesen Blogpost in Zusammenarbeit mit den kl\u00fcgsten K\u00f6pfen bei FactFinder (unseren KI-Forschern und -Entwicklern) verfasst, um dir echte Einblicke zu geben, wie sich unsere Atlas AI von anderen unterscheidet und warum dieser Unterschied einen gro\u00dfen Einfluss auf deine eCommerce-Ziele haben kann.<\/p>\n
Bevor wir dazu kommen, wollen wir kurz kl\u00e4ren, warum andere Modelle ihre Versprechen nicht einhalten k\u00f6nnen.<\/p>\n
Warum Product Discovery ein schwieriges Problem f\u00fcr KI ist:<\/span><\/h4>\nWenn man eCommerce auf die grundlegendste Ebene herunterbricht, dann geht es um nichts anderes als Angebot und Nachfrage in einem Shop im Internet zusammenzubringn. Einfach, oder? In einer perfekten Welt sollten Shopper einfach sagen, was sie wollen, und der Shop zeigt ihnen das bestm\u00f6gliche Angebot. Leider ist das nicht so einfach. Es gibt Hunderte von Hindernissen beim Auffinden und Ranken der bestm\u00f6glichen Produkte \u2013 und diese Probleme kosten Online-Shops nach einer Studie von Harris Poll, allein in den USA rund 300 Milliarden Dollar pro Jahr!<\/p>\n
Die derzeitigen KI-Modelle k\u00f6nnen diese Probleme nur bis zu einem gewissen Grad l\u00f6sen, und zwar aus drei Hauptgr\u00fcnden:<\/strong><\/p>\n\n- Suchanfragen sind f\u00fcr eine Maschine schwer zu verstehen <\/strong>
\nDas verstehen von Sprache ist im eCommerce keine leichte Aufgabe. Daf\u00fcr gibt es viele Gr\u00fcnde, darunter Tippfehler, Homonyme (z. B. „Eis“ hat mehrere Bedeutungen), W\u00f6rter mit demselben Wortstamm (z. B. „Wasser“ und „Wassermelone“), K\u00e4ufer, die verschiedene W\u00f6rter zur Beschreibung desselben Artikels verwenden (z. B. „Handy“ und „Smartphone“) und so weiter.<\/li>\n- Zu wenig Interaktionsdaten f\u00fcr echte 1:1-Personalisierung
\n<\/strong>Die meisten Kunden kaufen nur sehr selten in einem bestimmten Online-Shop ein. Bei Tausenden oder gar Millionen von Produkten ist es f\u00fcr ein KI-Modell aufgrund fehlender Interaktionsdaten extrem schwierig, daraus Schl\u00fcsse zu ziehen, die f\u00fcr eine echte Personalisierung ausreichend sind. Wenn du zum Beispiel im April einen Toaster und im Oktober ein Kissen gekauft hast, liefert dies der KI nicht gen\u00fcgend Daten, um deinen n\u00e4chsten Kauf vorherzusagen.<\/li>\n- Personalisierung mittels Segmentierung funktioniert nicht
\n<\/strong>Dieser Mangel an Daten (Problem 2) ist der Grund, warum die meisten Personalisierungsl\u00f6sungen versuchen, K\u00e4ufersegmente zu bilden, die sich alle gleich verhalten. Das Problem ist, dass wir in einer individualisierten Welt leben und demografische Daten kein guter Indikator f\u00fcr Pr\u00e4ferenzen sind. Wie du in der Abbildung unten sehen kannst, w\u00fcrden K\u00f6nig Charles und Ozzy Osbourne in das gleiche Segment fallen – und es ist unwahrscheinlich, dass sie das Gleiche kaufen.<\/li>\n<\/ol>\n![\"Vergleich:](\"https:\/\/www.fact-finder.de\/blog\/de\/wp-content\/uploads\/2023\/07\/Ozzy_vs_Chales_v02-880x590.jpg\")
<\/p>\n
Es ist schwer seine Kunden wirklich zu verstehen. Unternehmen, die \u00fcber KI-Technologien verf\u00fcgen, mit der sie die Bed\u00fcrfnisse ihrer Kunden besser antizipieren k\u00f6nnen, verbessern ihre Onsite-Conversion deutlich \u2013 was zu Wachstum und h\u00f6herer Rentabilit\u00e4t f\u00fchrt. Es handelt sich also um Probleme, die es wert sind, gel\u00f6st zu werden.<\/p>\n
„Wir sind selbst \u00fcberrascht, wie schnell sich die Umstellung auf FactFinder in den Verkaufszahlen niedergeschlagen hat. Unsere suchgenerierte Conversion Rate ist seit dem Go-Live um 20 Prozent gestiegen.“ – <\/span><\/em>David B\u00fcschler, Leiter Online-Marketing Globus Baumarkt<\/span><\/p><\/blockquote>\n<\/div>\n<\/div>\nWarum Atlas AI einen neuen Weg geht<\/h4>\n
Wir haben uns dem Problem auf eine andere Weise gen\u00e4hert \u2013 wir haben es umgedreht. W\u00e4hrend sich alle anderen L\u00f6sungen auf das verstehen von Sprache konzentrieren (verstehen der Anfrage und Abgleich mit dem Sortiment), konzentriert sich unsere KI darauf, deine Produkte zu verstehen, sodass sie ein menschen\u00e4hnliches Verst\u00e4ndnis des Sortiments erlangt. Das bedeutet, dass die Anfragen und Interaktionen der Kunden auf eine viel intelligentere Weise verarbeitet werden k\u00f6nnen.<\/span><\/p>\n\n\u201cIt really works to tackle much of life by inversion where you just twist the thing around backwards and answer it that way. All kinds of problems that look so difficult, if you turn them around, they are quickly solved.\u201d<\/i> \u2013 Charlie Munger, Investor und Philanthrop<\/span><\/p><\/blockquote>\n<\/div>\nWir haben unser einzigartiges Modell \u201eAtlas AI\u201c genannt, da es kontextbezogene neuronale Karten deines Sortiments erstellt. Indem wir das Modell mit deinen vektorisierten Produktdaten trainieren, k\u00f6nnen wir alle Merkmale und Attribute eines Produkts extrahieren. Diese Trainingsdaten werden verwendet, um eine gro\u00dfe Anzahl von neuronalen Netzen zu erstellen, die als detaillierte Darstellung deines Sortiments dienen. Anders gesagt, gruppiert Atlas AI Produkte, die in einem \u00e4hnlichen Kontext stehen, und erstellt so kontextbasierte Karten deines Sortiments. Die Abst\u00e4nde auf der Karte veranschaulichen die Unterschiede zwischen den Produkten. Die neuronalen Karten, die Atlas AI erstellt, bestehen aus mehreren Ebenen, sodass die KI deine Produkte und deren Beziehungen untereinander auf sehr granulare Weise verstehen kann. Die erste Ebene kann so einfach sein wie die Gruppierung der Produkte innerhalb derselben Kategorie (z. B. Smartphones).<\/span><\/p>\n
Das Problem dabei: es ist viel einfacher, \u00fcber KI zu reden, als tats\u00e4chlich ein leistungsf\u00e4higes Modell zu entwickeln, das sich positiv auf deine eCommerce KPIs auswirkt. Aus diesem Grund haben wir diesen Blogpost in Zusammenarbeit mit den kl\u00fcgsten K\u00f6pfen bei FactFinder (unseren KI-Forschern und -Entwicklern) verfasst, um dir echte Einblicke zu geben, wie sich unsere Atlas AI von anderen unterscheidet und warum dieser Unterschied einen gro\u00dfen Einfluss auf deine eCommerce-Ziele haben kann.<\/p>\n
Bevor wir dazu kommen, wollen wir kurz kl\u00e4ren, warum andere Modelle ihre Versprechen nicht einhalten k\u00f6nnen.<\/p>\n
Warum Product Discovery ein schwieriges Problem f\u00fcr KI ist:<\/span><\/h4>\nWenn man eCommerce auf die grundlegendste Ebene herunterbricht, dann geht es um nichts anderes als Angebot und Nachfrage in einem Shop im Internet zusammenzubringn. Einfach, oder? In einer perfekten Welt sollten Shopper einfach sagen, was sie wollen, und der Shop zeigt ihnen das bestm\u00f6gliche Angebot. Leider ist das nicht so einfach. Es gibt Hunderte von Hindernissen beim Auffinden und Ranken der bestm\u00f6glichen Produkte \u2013 und diese Probleme kosten Online-Shops nach einer Studie von Harris Poll, allein in den USA rund 300 Milliarden Dollar pro Jahr!<\/p>\n
Die derzeitigen KI-Modelle k\u00f6nnen diese Probleme nur bis zu einem gewissen Grad l\u00f6sen, und zwar aus drei Hauptgr\u00fcnden:<\/strong><\/p>\n\n- Suchanfragen sind f\u00fcr eine Maschine schwer zu verstehen <\/strong>
\nDas verstehen von Sprache ist im eCommerce keine leichte Aufgabe. Daf\u00fcr gibt es viele Gr\u00fcnde, darunter Tippfehler, Homonyme (z. B. „Eis“ hat mehrere Bedeutungen), W\u00f6rter mit demselben Wortstamm (z. B. „Wasser“ und „Wassermelone“), K\u00e4ufer, die verschiedene W\u00f6rter zur Beschreibung desselben Artikels verwenden (z. B. „Handy“ und „Smartphone“) und so weiter.<\/li>\n- Zu wenig Interaktionsdaten f\u00fcr echte 1:1-Personalisierung
\n<\/strong>Die meisten Kunden kaufen nur sehr selten in einem bestimmten Online-Shop ein. Bei Tausenden oder gar Millionen von Produkten ist es f\u00fcr ein KI-Modell aufgrund fehlender Interaktionsdaten extrem schwierig, daraus Schl\u00fcsse zu ziehen, die f\u00fcr eine echte Personalisierung ausreichend sind. Wenn du zum Beispiel im April einen Toaster und im Oktober ein Kissen gekauft hast, liefert dies der KI nicht gen\u00fcgend Daten, um deinen n\u00e4chsten Kauf vorherzusagen.<\/li>\n- Personalisierung mittels Segmentierung funktioniert nicht
\n<\/strong>Dieser Mangel an Daten (Problem 2) ist der Grund, warum die meisten Personalisierungsl\u00f6sungen versuchen, K\u00e4ufersegmente zu bilden, die sich alle gleich verhalten. Das Problem ist, dass wir in einer individualisierten Welt leben und demografische Daten kein guter Indikator f\u00fcr Pr\u00e4ferenzen sind. Wie du in der Abbildung unten sehen kannst, w\u00fcrden K\u00f6nig Charles und Ozzy Osbourne in das gleiche Segment fallen – und es ist unwahrscheinlich, dass sie das Gleiche kaufen.<\/li>\n<\/ol>\n<\/p>\n
Es ist schwer seine Kunden wirklich zu verstehen. Unternehmen, die \u00fcber KI-Technologien verf\u00fcgen, mit der sie die Bed\u00fcrfnisse ihrer Kunden besser antizipieren k\u00f6nnen, verbessern ihre Onsite-Conversion deutlich \u2013 was zu Wachstum und h\u00f6herer Rentabilit\u00e4t f\u00fchrt. Es handelt sich also um Probleme, die es wert sind, gel\u00f6st zu werden.<\/p>\n
„Wir sind selbst \u00fcberrascht, wie schnell sich die Umstellung auf FactFinder in den Verkaufszahlen niedergeschlagen hat. Unsere suchgenerierte Conversion Rate ist seit dem Go-Live um 20 Prozent gestiegen.“ – <\/span><\/em>David B\u00fcschler, Leiter Online-Marketing Globus Baumarkt<\/span><\/p><\/blockquote>\n<\/div>\n<\/div>\nWarum Atlas AI einen neuen Weg geht<\/h4>\n
Wir haben uns dem Problem auf eine andere Weise gen\u00e4hert \u2013 wir haben es umgedreht. W\u00e4hrend sich alle anderen L\u00f6sungen auf das verstehen von Sprache konzentrieren (verstehen der Anfrage und Abgleich mit dem Sortiment), konzentriert sich unsere KI darauf, deine Produkte zu verstehen, sodass sie ein menschen\u00e4hnliches Verst\u00e4ndnis des Sortiments erlangt. Das bedeutet, dass die Anfragen und Interaktionen der Kunden auf eine viel intelligentere Weise verarbeitet werden k\u00f6nnen.<\/span><\/p>\n\n\u201cIt really works to tackle much of life by inversion where you just twist the thing around backwards and answer it that way. All kinds of problems that look so difficult, if you turn them around, they are quickly solved.\u201d<\/i> \u2013 Charlie Munger, Investor und Philanthrop<\/span><\/p><\/blockquote>\n<\/div>\nWir haben unser einzigartiges Modell \u201eAtlas AI\u201c genannt, da es kontextbezogene neuronale Karten deines Sortiments erstellt. Indem wir das Modell mit deinen vektorisierten Produktdaten trainieren, k\u00f6nnen wir alle Merkmale und Attribute eines Produkts extrahieren. Diese Trainingsdaten werden verwendet, um eine gro\u00dfe Anzahl von neuronalen Netzen zu erstellen, die als detaillierte Darstellung deines Sortiments dienen. Anders gesagt, gruppiert Atlas AI Produkte, die in einem \u00e4hnlichen Kontext stehen, und erstellt so kontextbasierte Karten deines Sortiments. Die Abst\u00e4nde auf der Karte veranschaulichen die Unterschiede zwischen den Produkten. Die neuronalen Karten, die Atlas AI erstellt, bestehen aus mehreren Ebenen, sodass die KI deine Produkte und deren Beziehungen untereinander auf sehr granulare Weise verstehen kann. Die erste Ebene kann so einfach sein wie die Gruppierung der Produkte innerhalb derselben Kategorie (z. B. Smartphones).<\/span><\/p>\n
- \n
- Suchanfragen sind f\u00fcr eine Maschine schwer zu verstehen <\/strong>
\nDas verstehen von Sprache ist im eCommerce keine leichte Aufgabe. Daf\u00fcr gibt es viele Gr\u00fcnde, darunter Tippfehler, Homonyme (z. B. „Eis“ hat mehrere Bedeutungen), W\u00f6rter mit demselben Wortstamm (z. B. „Wasser“ und „Wassermelone“), K\u00e4ufer, die verschiedene W\u00f6rter zur Beschreibung desselben Artikels verwenden (z. B. „Handy“ und „Smartphone“) und so weiter.<\/li>\n- Zu wenig Interaktionsdaten f\u00fcr echte 1:1-Personalisierung
\n<\/strong>Die meisten Kunden kaufen nur sehr selten in einem bestimmten Online-Shop ein. Bei Tausenden oder gar Millionen von Produkten ist es f\u00fcr ein KI-Modell aufgrund fehlender Interaktionsdaten extrem schwierig, daraus Schl\u00fcsse zu ziehen, die f\u00fcr eine echte Personalisierung ausreichend sind. Wenn du zum Beispiel im April einen Toaster und im Oktober ein Kissen gekauft hast, liefert dies der KI nicht gen\u00fcgend Daten, um deinen n\u00e4chsten Kauf vorherzusagen.<\/li>\n- Personalisierung mittels Segmentierung funktioniert nicht
\n<\/strong>Dieser Mangel an Daten (Problem 2) ist der Grund, warum die meisten Personalisierungsl\u00f6sungen versuchen, K\u00e4ufersegmente zu bilden, die sich alle gleich verhalten. Das Problem ist, dass wir in einer individualisierten Welt leben und demografische Daten kein guter Indikator f\u00fcr Pr\u00e4ferenzen sind. Wie du in der Abbildung unten sehen kannst, w\u00fcrden K\u00f6nig Charles und Ozzy Osbourne in das gleiche Segment fallen – und es ist unwahrscheinlich, dass sie das Gleiche kaufen.<\/li>\n<\/ol>\n<\/p>\nEs ist schwer seine Kunden wirklich zu verstehen. Unternehmen, die \u00fcber KI-Technologien verf\u00fcgen, mit der sie die Bed\u00fcrfnisse ihrer Kunden besser antizipieren k\u00f6nnen, verbessern ihre Onsite-Conversion deutlich \u2013 was zu Wachstum und h\u00f6herer Rentabilit\u00e4t f\u00fchrt. Es handelt sich also um Probleme, die es wert sind, gel\u00f6st zu werden.<\/p>\n
„Wir sind selbst \u00fcberrascht, wie schnell sich die Umstellung auf FactFinder in den Verkaufszahlen niedergeschlagen hat. Unsere suchgenerierte Conversion Rate ist seit dem Go-Live um 20 Prozent gestiegen.“ – <\/span><\/em>David B\u00fcschler, Leiter Online-Marketing Globus Baumarkt<\/span><\/p><\/blockquote>\n<\/div>\n
<\/div>\nWarum Atlas AI einen neuen Weg geht<\/h4>\n
Wir haben uns dem Problem auf eine andere Weise gen\u00e4hert \u2013 wir haben es umgedreht. W\u00e4hrend sich alle anderen L\u00f6sungen auf das verstehen von Sprache konzentrieren (verstehen der Anfrage und Abgleich mit dem Sortiment), konzentriert sich unsere KI darauf, deine Produkte zu verstehen, sodass sie ein menschen\u00e4hnliches Verst\u00e4ndnis des Sortiments erlangt. Das bedeutet, dass die Anfragen und Interaktionen der Kunden auf eine viel intelligentere Weise verarbeitet werden k\u00f6nnen.<\/span><\/p>\n
\n\u201cIt really works to tackle much of life by inversion where you just twist the thing around backwards and answer it that way. All kinds of problems that look so difficult, if you turn them around, they are quickly solved.\u201d<\/i> \u2013 Charlie Munger, Investor und Philanthrop<\/span><\/p><\/blockquote>\n<\/div>\n
Wir haben unser einzigartiges Modell \u201eAtlas AI\u201c genannt, da es kontextbezogene neuronale Karten deines Sortiments erstellt. Indem wir das Modell mit deinen vektorisierten Produktdaten trainieren, k\u00f6nnen wir alle Merkmale und Attribute eines Produkts extrahieren. Diese Trainingsdaten werden verwendet, um eine gro\u00dfe Anzahl von neuronalen Netzen zu erstellen, die als detaillierte Darstellung deines Sortiments dienen. Anders gesagt, gruppiert Atlas AI Produkte, die in einem \u00e4hnlichen Kontext stehen, und erstellt so kontextbasierte Karten deines Sortiments. Die Abst\u00e4nde auf der Karte veranschaulichen die Unterschiede zwischen den Produkten. Die neuronalen Karten, die Atlas AI erstellt, bestehen aus mehreren Ebenen, sodass die KI deine Produkte und deren Beziehungen untereinander auf sehr granulare Weise verstehen kann. Die erste Ebene kann so einfach sein wie die Gruppierung der Produkte innerhalb derselben Kategorie (z. B. Smartphones).<\/span><\/p>\n
- Zu wenig Interaktionsdaten f\u00fcr echte 1:1-Personalisierung