One-to-One-Marketing durch regelbasierte Personalisierung bzw. Collaborative

Beim One-to-One-Marketing geht es primär darum Kunden bzw. potentielle Kunden einzeln direkt anzusprechen. Die Kundenansprache wird individualisiert bzw. personalisiert. Dies setzt eine Kundenidentifikation voraus. Es müssen Daten über die einzelnen Kunden gesammelt also Kundenprofile angelegt werden. Auf Basis dieser Kundenprofile ist es mit unterschiedlicher Methoden möglich auf einzelne Präferenzen des Kunden oder potentiellen Kunden zu schließen um ihnen das passende Produkt anzubieten. Hierzu bieten sich eine regelbasierte Personalisierung bzw. Collaborative Filering an.

Regelbasierte Personalisierung: Dabei werden aus der Erfahrung (eigene oder fremde) Verhaltensregeln der Form "WENN DANN" abgeleitet und auf diesen Kunden angewandt. Beispielsweise könnte man mittels Data Mining herausgefunden haben, dass Kunden, die in einem Online Shop Hemden kaufen, meist auch eine passende Krawatte kaufen (WENN Hemd_bestellt DANN Link_auf_KatalogKrawatten). Einem Kunden, der also in einem Shop ein Hemd bestellt, könnte auch ein Link zu dem Krawatten-Katalog angeboten werden. Detailliertere Analysen könnten ergeben haben, dass Käufer eines blauen Hemdes meist rote Krawatten bevorzugen (WENN Hemd_bestellt.blau DANN Link_auf_KatalogKrawatten.rot) usw.

Collaborative Filtering: Aufgrund des Kundenprofils wird ein zu dem aktuellen Kunden möglichst ähnlicher Kunde gesucht (Mentor); dessen Produkt- und Informationspräferenzen werden auf den aktuellen Kunden übertragen. Man unterscheidet dabei zwischen

offenem CF: Dabei werden dem aktuellen Kunden die Präferenzen anderer Kunden offengelegt; bei Amazon beispielsweise wird zu jedem Buch angegeben, welche
Bücher andere Kunden, die ein bestimmtes Buch gekauft haben, ebenfalls gekauft haben. In Communities existieren Foren, wo Teilnehmer ihre Produkterfahrungen bzw. -Präferenzen austauschen können.

verdecktem CF: Bei verdecktem CF merkt der Kunde von dieser Filtermethode nichts. Beispielsweise sei ein aktueller Kunde in einem Buch-Shop 16 Jahre, männlich und habe die Seite mit Mountainbike-Literatur über 10 Sekunden lang betrachtet. In der Kundendatenbank befinde sich das Profil eines Kunden, der ebenfalls diese Merkmale aufweist; dieser Mentor habe dann das Buch "Alpen-Extremtouren mit dem Bike" gekauft. Also wird man dem aktuellen Kunden dieses Buch ebenfalls anbieten und andere dafür nicht.

Beide Personalisierungsmethoden haben ihre spezifischen Vorzüge und Nachteile: Regelbasierte Personalisierung hat beim Kaltstart eines Systems Vorteile, d.h. beispielsweise, wenn ein Shop neu eingesetzt wird und noch keine vergleichbaren Kunden vorhanden sind, wenn jedoch aus anderen Projekten bzw. Bereichen Erfahrungen übertragen werden können. Collaborative Filtering kann weitgehend automatisiert erfolgen und ist in der Lage, zu lernen und ihre Schlussfolgerungen rasch und automatisiert an Veränderungen
in den Kundenpräferenzen anzupassen.

Dies legt nahe, dass man beide Methoden kombiniert: Die regelbasierte Personalisierung könnte dazu verwendet werden, der CF-Methode in der Kaltstartphase "künstliche" Mentoren zu erzeugen, bei der "richtigen" Auswahl von Mentoren zu unterstützen oder Ausreißerfälle bei Mentoren zu relativieren (Mountainbike-Sportler kauft Kochbuch für die Freundin). CF-Verfahren könnten dazu verwendet werden, Regel-Hypothesen zu erzeugen oderRegeln zu validieren.

Personalisierungsmethoden werden in der werblichen Kundenansprache (z.B. über personalisierte Websites, Newsletter, eMails oder Produktkataloge) sowie in Online-Shops angewandt. Bei Amazon beispielsweise bekommt jeder Kunde seinen eigenen Shop. Eine speziell für ihn zusammengestellte Produktauswahl soll dann dafür sorgen, dass er etwas Passendes findet und auch bestellt. Unter dem "Mein Shop"-Tab auf der Startseite von Amazon.de finden Kunden eine individuell für sie zusammengestellte Produktauswahl, deren Zusammensetzung auf ihrem bisherigen Einkaufsverhalten basiert. Jeder Kunde kann die von ihm bevorzugten Produktlinien festlegen und bekommt dann speziell aus diesen Bereichen Vorschläge von Amazon.de.

Grundlage für die Produktauswahl des Shops sind die bisherigen Einkäufe sowie die im Verlauf einer Session angesehenen Artikel, Produkte im Einkaufswagen und Artikel, die vom Kunden positiv bewertet wurden und Produkte, zu denen der Kunde Amazon mitgeteilt hat, dass er sie schon besitzt. Um die richtige
Produktauswahl für jeden Kunden zusammenzustellen, vergleicht Amazon die Vorlieben des Kunden mit denen anderer Kunden und liefert entsprechende Produkttipps aus den verschiedenen Shops. Jeder Kunde kann seinen eigenen Shop mitgestalten, indem er neue Produktlinien hinzufügt, alte löscht oder seine favorisierten Bereiche innerhalb jedes Shops markiert. In "Mein Shop" sind alle Personalisierungsmöglichkeiten bei Amazon zusammengefasst. Der persönliche Shop kann von keinem anderen Kunden eingesehen werden und erscheint nach Anmeldung auf der Amazon.de-Hompepage.

(Quelle: Markus Wirth, KECoS)

aktualisiert von Andreas Duscha, ECC Handel, 18.01.2008