Projektvorstellung

Product Recommendation im Online-Shop

Die Ausgangssituation:

Der Online Shop von CERATIZIT wird sowohl von internen als auch von externen Nutzern für die Suche nach passenden Werkzeugen verwendet. Bei fehlender Verfügbarkeit wurden im Online Shop bislang keine Ersatzprodukte vorgeschlagen.

Um den Kunden einen besseren Service bei der Suche nach Alternativprodukten bieten zu können, wurde ein KI-Modell trainiert, das den Vergleich der technischen Spezifikationen von einzelnen Tools erleichtert und sowohl die Kunden als auch die Fachexperten bei der Suche unterstützt.

Status:
Produktivsystem

Branche:
Hersteller für Zerspanungswerkzeuge

Unternehmensgröße:
ca. 8.000 Mitarbeiter

Kategorie:
Empfehlungssystem

Die Ziele:

Mehr Unterstützung für die Benutzer des Online-shops bei der Produktsuche
Vorschläge für Alternativprodukte im Shop generieren
Steigerung des Absatzes und der Kundenzufriedenheit

Die Lösung:

Die Werkzeuge im Online Shop werden nun automatisiert mit allen Produkten aus der gleichen Produktkategorie verglichen. Dabei sind vor allem die technischen Spezifikationen ausschlaggebend. Anhand eines Matching-Scores für die einzelnen Vorschläge erhalten die Nutzer zusätzlich eine Einschätzung darüber, wie ähnlich das vorgeschlagene Alternativprodukt zum gesuchten Werkzeug ist.

Die Umsetzung:

Die Daten:
Die Werkzeugattribute, die für eine technische Vergleichbarkeit der Produkte relevant sind, wurden in enger Zusammenarbeit mit den Fachexperten von CERATIZIT ausgewählt. Außerdem wurde eine Priorisierung der einzelnen Attribute erarbeitet. Diese Priorisierung sorgt dafür, dass unterschiedliche Attribute mit verschieden starker Gewichtung in die Vorhersage einfließen.

Das KI-Modell:
Für die Product Recommendation wurde ein Daten Clustering Ansatz implementiert. Dafür werden die verschiedenen Produkte anhand ihrer technischen Spezifikationen in einem sogenannten Feature Space oder Merkmalsraum platziert (Bild 1). Jedes Werkzeug entspricht hier einem Datenpunkt. Anschließend wird die Distanz des gesuchten Tools zu allen anderen Punkten im Feature Space berechnet (Bild 2). Die Produkte mit der geringsten Distanz werden der Reihe nach als Alternativprodukte ausgewählt, da hier die größte Übereinstimmung der Attribute vorliegt (Bild 3).

Die Integration:
Das technische Matching findet bei einer initialen Datenlieferung oder bei einer Änderung von Produktdaten statt und wird in einem Memory Cache für einen schnelleren Zugriff zum Abfragezeitpunkt abgelegt. Die Matching-Ergebnisse werden über eine REST-API mit Filtermöglichkeiten bereitgestellt. Die KI-Anwendung wurde bei unserem Kunden bereits in die bestehende IT-Infrastruktur integriert. Die Integration der Product Recommendation in das Frontend des Online Shops hat CERATIZIT übernommen.

Ausblick:
Im Zuge dieses Projektes wurde die Product Recommendation für vier Produktkatergorien umgesetzt. Mit der geschaffenen Infrastruktur können weitere Produktgruppen nun deutlich schneller umgesetzt und an die Anwendung angebunden werden.