Künstliche Intelligenz

Behrens AG: Vertriebsdaten mit KI gewinnbringend nutzen

Planungen und Vorhersagen gehören zu den täglichen Aufgaben eines Vertrieblers: Wie wird sich der Kunde verhalten? Welche Produkte sind aktuell relevant? Wie groß ist die Abschlusswahrscheinlichkeit? Bei der Beantwortung dieser Fragen kann Künstliche Intelligenz helfen. Das Mittelstand 4.0-Kompetenzzentrum Kiel erarbeitet für und mit der Behrens AG eine Konzeption für den Aufbau eines Empfehlungssystems.

Behrens AG
ca. 450 Mitarbeitende
produzierendes Gewerbe
ImpulsWerft

Über gesammelte Informationen das Kaufinteresse eines Kunden vorhersagen, um gezielt Produkte oder Services anzubieten – und das weltweit: so das Wunschszenario der Ahrensburger Behrens AG. KI-basierte Empfehlung sind im Internet bereits an vielen Stellen anzutreffen: Amazon-Nutzer*innen kennen „Kunden, die XX kaufen, kauften auch XX“. Was vor einigen Jahren ausschließlich den großen Unternehmen vorbehalten war, hält heute Einzug bei kleinen und mittleren Unternehmen. So auch bei der Behrens AG. Mit ihren Vertriebspartnern in über 40 Ländern und mehr als 20.000 Kunden würde eine Bewertung der Daten nach bspw. geografischen und verhaltensbezogenen Faktoren nicht nur die Abschlusswahrscheinlichkeit erhöhen, sondern den Vertriebs- und Marketingteams Zeit und Geld einsparen, da sie gezielt vorgehen können.

Die Basis für diese individuell zugeschnittenen Empfehlungen sind Daten. Und diese will die Behrens AG jetzt aktiv nutzen. Um sich mit dem Thema vertraut zu machen und eine Entscheidungsgrundlage für die Zukunft zu treffen, werden jetzt folgende Schritte geplant:

Daten für Künstliche Intelligenz vorbereiten

1. Datenbeschaffung

Die Produktdaten und die Kundeninteraktionsdaten werden erfasst. Sie bilden die Trainingsgrundlage für das Empfehlungssystems. Je mehr Trainingsdaten vorhanden sind, desto genauer wird die Vorhersage ausfallen.

2. Datenerkundung

Um die weiteren Schritte definieren zu können, müssen die Daten kennen gelernt werden.

Wie sehen die Daten aus?
Welche Informationen enthalten sie?
Was sind die statistischen Merkmale der Daten?
Gibt es fehlende Datenwerte, Ausreißer oder Rauschen?

3. Datenvorbereitung

Die Daten werden für die Merkmalsextraktion vorbereitet. Zu der Datenverarbeitung gehören:

Interpolation fehlender Daten: Fehlende oder unvollständige Daten können sich sehr negativ auswirken. Es muss festgelegt werden, wie damit umgegangen wird, wobei die Strategie von Löschen bis zu Methoden zur Schätzung fehlender Werte reichen kann.
Datennormalisierung: Inkonsistenzen, Redundanzen und Anomalien müssen gefunden und beseitigt werden
Entdeckung und Entfernung von Ausreißern und Rauschen
Tokenisierung: Zerlegung in verarbeitbare Elemente
Stemming und Lemmatisierung: Reduzierung auf einen Wortstamm
Entfernen von Stoppwörtern: Worte, die in der Regel keine Relevanz für den Inhalt besitzen

4. Merkmalsextraktion

Mittels einer Merkmalsextraktionmethode werden Merkmalsvektoren (Zusammenfassen der relevanten Merkmale) aus den vorverarbeiteten Daten erstellt. Die Qualität der Merkmalsextraktion bestimmt die Genauigkeit der Vorhersage des Empfehlungssystems.

5. Aufbau der Popularitätsempfehlungssysteme

Beim Popularitätsmodell empfiehlt das System einem Kunden die beliebtesten Produkte anhand der Kundeninteraktionsdaten. Um ein Popularitätsempfehlungssystem aufzubauen, werden die folgende Aufgaben durchgeführt:

Festlegen der verschiedenen Metriken zur Bewertung der Beliebtheit von Produkten.
Berechnung des Beliebtheitswerts für jedes Produkts anhand der Metriken.
Sortieren der Produkte anhand der Beliebtheitswerte und Vorschlagen der Top-N Produkte.
Bewertung der Popularitätsempfehlungssysteme und Festlegung des besten Empfehlungssystems.

6. Aufbau der inhaltsbasierten Empfehlungssysteme

Inhaltsbasierte Empfehlungssysteme (Content-Based Filtering) empfehlen einem Kunden Produkte basierend auf Produktprofilen und dem Profil des Kunden. Die folgende Aufgaben gehören zum Aufbau eines besten inhaltsbasierten Empfehlungssystem

Modellierung von Produktprofilen aus Produktdaten.
Modellierung von Kundenprofilen aus Kundeninteraktionsdaten.
Finden der Produkte aus Produktprofilen, die dem Kundenprofil entsprechen.
Bewertung der inhaltsbasierten Empfehlungssysteme und Festlegung des besten Empfehlungssystems.

7. Aufbau der kollaborative Empfehlungssysteme

Kollaborative Empfehlungssysteme (Collaborative Filtering) berechnet die Empfehlungen ausschließlich basierend auf den Interaktionen der Kunden mit Produkten. Kenntnisse über die Eigenschaften der Produkte sind nicht erforderlich.

Aufbau speicherbasierter kollaborative Empfehlungssysteme:

Berechnen der Kundenähnlichkeiten anhand der Produkte, mit denen Kunden interagiert haben.
Berechnen der Produktähnlichkeiten anhand der Kunden, die mit Produkten interagiert haben.
Auswahl von Top-N ähnlichen Kunden für einen Kunden.
Bestimmen der Produkte, die ähnlichen Kunden gefallen haben.
Bewertung der speicherbasiert kollaborativen Empfehlungssysteme und Festlegung des besten Empfehlungssystems.

Aufbau modellbasierter kollaborativer Empfehlungssysteme:

Berechnung der Kunden-Item-Matrix aus den Merkmalsvektoren.
Verwendung eines Latenzfaktormodells, um eine hochdimensionale, spärliche Matrix in mehreren kleinen und dichten Matrizen zu komprimieren.
Verwendung verschiedener Algorithmen des maschinellen Lernens und Hyperparameter, um die Zusammenhänge zwischen Produkten und Kunden zu lernen und Empfehlungssystems zu erstellen.
Bewertung der modellbasiert kollaborativen Empfehlungssysteme und Festlegung des besten Empfehlungssystems.

8. Aufbau des hybride Empfehlungssystem

Um qualitativ hochwertige Vorhersagen zu erzeugen wird ein hybrides Empfehlungssystem durch die Kombination der besten grundlegenden Empfehlungssysteme erstellt.