Bucher: Vorweggeschickt sei, dass es wie in den meisten Konsumbereichen eine hohe Heterogenität der Konsumenten gibt. Einzelne Konsumenten beschäftigen sich sehr ausgiebig mit Bier und sind daher in der Lage, sehr konkret ihre Präferenzen zu beschreiben. Diese Konsumenten nehmen sich auch gerne die Zeit, um sich mit dem Angebot auseinanderzusetzen. Kommt dann zu dem Involvement noch ein Variety-Seeking-Verhalten hinzu, wird über die Zeit auch ein großes Produktangebot aufgearbeitet. Für die allermeisten Konsumenten gilt dies jedoch nicht. Die Motivation der meisten Konsumenten, sich mit Bier auseinanderzusetzen, ist überschaubar.

Wir lieben eine große Auswahl. Nicht ohne Grund warb Amazon.com lange Zeit damit, der größte Buchladen der Erde zu sein. Zum Erfolgsgeheimnis von Amazon, das sich mit der Zeit zum weltweit größten Online-Store entwickelt hat, gehört seit jeher die Auswahl. Bereits 2015 waren unter Amazon.com 488 Millionen verschiedene Artikel gelistet. Tendenz stark steigend.

Wir lieben eine große Auswahl, weil wir nach Abwechslung suchen (Variety-Seeking-Verhalten) und weil wir durch den Konsum unsere eigene Persönlichkeit definieren. Mit dem Konsum von Produkten wollen wir unsere Individualität ausdrücken. Wir wollen daher kein Einheitsprodukt (daher auch die Millionen von Varianten bei der Konfiguration eines Autos), und wenn es schon ein Produkt von der Stange sein muss (wie bei einem Smartphone), dann individualisieren wir dieses, indem wir uns ein Case dazu kaufen.

Gleichzeitig hassen wir eine große Auswahl. Jeden Tag müssen wir in etwa 20.000 Entscheidungen treffen. Diese Vielzahl an Entscheidungen trifft auf eine limitierte Verarbeitungskapazität des Gehirns: Daraus resultiert, dass wir für die einzelne Entscheidung kaum Energie zur Verfügung stellen können.

Die Hassliebe zwischen großer Auswahl und Choice-Overload kann man sich an einer Studie von Lepper/Lyengar deutlich machen. Die beiden Forscher boten Kunden in einem Delikatessengeschäft die Möglichkeit, einmal sechs verschiedene Marmeladen zu testen, ein anderes Mal waren es 24 Marmeladen. Eine größere Auswahl war für die Konsumenten zwar attraktiver, es wurden von diesen in deutlich weniger Fällen anschließend Marmelade gekauft.

Als Folge der limitierten Ressourcen bilden wir ganz schnell habitualisierte Verhaltensmuster, weil wir uns entlasten, wenn wir immer wieder dieselben Marken kaufen, zum selben Friseur gehen oder im selben Hotel absteigen. Das Problem: Das Leben wird dröge. Die Zeit vergeht im Flug, weil wir keine neuen Erlebnisse mehr erfahren. Je älter man wird, desto schneller vergeht die Zeit, weil neue Erlebnisse wie der erste Kuss, das Abschlussfest an der Schule, die erste eigene Wohnung fehlen.

Ein Empfehlungssystem stellt letztendlich nichts anderes als den Versuch dar, diese Hassliebe aufzulösen. Die Konsumenten werden bei der Entscheidung entlastet und erhalten gleichzeitig eine Auswahl an Produkten, die zu ihren Präferenzen passt.

B&B: Werden in der Praxis vom Anbieter nicht auch weiterhin besondere Angebote hervorgehoben (Aktionsware, Saison …), sodass die KI gegenüber dem Kunden/Konsumenten eigentlich nur verlieren kann?

Bucher: Die Frage weist auf ein wichtiges Problemfeld der KI hin. Deren besondere Stärke besteht darin, Muster in einer Datenbasis aufzudecken, die zum Training der KI verwendet wurden. Ergeben sich nun Änderungen (beispielsweise, weil ein Bier als Aktionsware angeboten wird, sich die Rezeptur ändert oder eine Brauerei ein neu designtes Label verwendet), dann werden die gelernten Muster der Situation nur noch bedingt gerecht. Das ist auch für das entwickelte Empfehlungssystem eine große Herausforderung.

Um dieser Herausforderung zu begegnen, gibt es verschiedene Ansatzpunkte. Zentral ist sicherlich, dass im Zeitablauf und mit der wachsenden Datenmenge die Modelle immer wieder neu trainiert werden. Kurzfristige Änderungen, wie das beispielsweise bei Aktionsware oder bei einer Out-of-Stock-Situation der Fall ist, können damit jedoch nicht berücksichtigt werden. Ein zweiter wesentlicher Ansatzpunkt ist es daher, verschiedene Eigenschaften der angebotenen Biere laufend abzugleichen, um diese bei den Empfehlungen berücksichtigen zu können. Ein dritter Ansatzpunkt besteht darin, verschiedene Muster zu identifizieren und diese zur Entwicklung der Empfehlungen zu nutzen. Dadurch fallen Mängel eines einzelnen Musters weniger stark ins Gewicht.

B&B: Hätte neben einem beschreibenden Text eventuell das Erzeugen von Bildern (aus der KI) für den Kunden/Konsumenten einen höheren emotionaleren Wert für die Kauf-/Trinkentscheidung?

Bucher: Ja, diese Frage spricht mir aus dem Herzen. Das Lesen der beschreibenden Texte ist viel zu mühsam. Bilder verarbeiten wir schneller und mit weniger Energie. Zudem haben Bilder eine stärkere emotionale Wirkung, und das ist aus Sicht des Neuromarketings die wesentliche Triebfeder des menschlichen Verhaltens, den emotionalen Nutzen zu maximieren.

Daher macht es auch bei einem Empfehlungssystem Sinn, Bilder in den Vordergrund zu stellen. Einige Ideen dazu liegen dazu vor und warten darauf, umgesetzt und getestet zu werden.

Der Beitrag Was KI für Biershops leisten kann – und was nicht erschien zuerst auf Magazin Bier & Brauhaus.

Der zentrale Unterschied der KI zu traditionellen Softwaresystemen und gleichzeitig deren größte Stärke besteht in deren Fähigkeit, selbständig zu lernen. Gaben früher Ingenieure und Softwareentwickler den Systemen noch ganz genaue Regeln vor, erlernt die KI nun eigenständig Muster, die sie zur Lösung von Aufgaben anwenden kann. Diese Fähigkeit ist insbesondere auf den Feldern interessant, auf denen die Regeln nur schwer definierbar sind. So schlägt die KI beispielsweise schon seit geraumer Zeit auch die besten Spieler in Schach, Go oder Jeopardy.

Versprechen der KI

Insofern scheint die KI prädestiniert für eine Kundenberatung in einem Online-Biershop zu sein. Denn ein festes Regelwerk (beispielsweise in Form einer festen Reihenfolge von Fragen) funktioniert hier nicht. Dazu sind die Kunden viel zu heterogen. Während die einen Kunden sehr spezifische Wünsche mitbringen, haben andere Kunden wiederum allenfalls lose Vorstellungen davon, was für ein Bier sie genau kaufen möchten, und lange nicht jeder Kunde verfügt auch über ein fundiertes Wissen.

Entsprechend findet die KI vielfältigen Einsatz im Bereich der Empfehlungssysteme. Im Rahmen eines Empfehlungssystems kann die KI auf verschiedenen Lernfeldern aktiv sein. Das häufigste Einsatzfeld ist das Erlernen der Kundenpräferenzen. Denn schließlich soll die KI dem Kunden personalisierte Empfehlungen aussprechen. Ein bekanntes Beispiel sind hier die Filmempfehlungen auf Streaming-Portalen wie Netflix und Amazon Prime Video. Daneben gibt es noch eine Vielzahl weiterer Einsatzmöglichkeiten wie beispielsweise das Verstehen von User-Eingaben in natürlicher Sprache oder die Frage, wie ein Dialog mit einem Kunden geführt werden soll.

Dialogorientiertes Empfehlungssystem – Verbindung aus Alt und Neu

Zu einer der zentralen Herausforderungen der KI zählt, dass diese zum Erlenen von Mustern gewöhnlich große Datenmengen benötigt. Häufig liegen diese jedoch nicht im erforderlichen Umfang oder nicht mit der notwendigen Qualität vor. Daher wurde mit dem Reinforcement Learning ein Lernverfahren entwickelt, das (weitgehend) ohne Trainingsdaten auskommt und bei dem der Lernprozess über Belohnungen gesteuert wird. Im Rahmen eines Bierempfehlungssystems könnte die KI beispielsweise immer dann einen Punkt als Belohnung erhalten, wenn es dieser gelingt, einem User ein Bier zu empfehlen, das dieser anschließend kauft. Auf diese Weise wird die KI trainiert, die Verkäufe zu steigern. Das grundsätzliche Problem, dass das System sich zu Beginn noch ganz unten auf der Lernkurve befindet, bleibt aber auch hier bestehen.

Um zu testen, inwiefern sich die KI bewährt, wurde im Rahmen eines Forschungsprojekts an der Dualen Hochschule Baden-Württemberg Stuttgart erstmalig ein hybrides, dialogorientiertes Bierempfehlungssystem für Online-Shops entwickelt und getestet (biertraum-guide.com). Dieses Bierempfehlungssystem verbindet die alte und die neue Welt. So besteht dieses System sowohl aus einem Regelsystem als auch aus einer KI-Komponente, die aus den Eingaben der User in einen Chatbot deren Bewertungen der verschiedenen Biere lernen soll.

Erste Testergebnisse

Die spannende Frage war, ob es der KI gelingt, aus den User-Eingaben in einem Chatbot vorherzusagen, wie die User die verschiedenen, im Online-Shop angebotenen Biere bewerten. Zu diesem Zweck wurde eine Befragung mit 230 Teilnehmern durchgeführt, die zum einen deren Bierpräferenzen in einen Chatbot eingeben und zum anderen die 243 im Online-Shop angebotenen Biere bewerten sollten.

Die aus der Befragung erhobenen Daten wurden genutzt, um ein KI-Modell zu trainieren und zu evaluieren. In diese Auswertung gingen 3.787 User-Äußerungen und Bierbewertungen ein. Zum Trainieren des Modells wurden 2.840 Datensätze genutzt, zum Test 947. Die Aufgabe der KI bestand darin, auf Basis des erlernten Modells für die Testdatensätze möglichst korrekt vorherzusagen, ob ein Bier für einen Besucher des Online-Biershops von Interesse ist oder nicht.

Es wurden mehrere Tests durchgeführt. Variiert wurde dabei unter anderem, welche Kontextinformationen zusätzlich in das Modell mit eingespeist wurden. So wurde beispielsweise der Text in einem Versuch zusätzlich mit dem Namen der Brauerei sowie der Zahl der Flaschen, aus denen das Angebot besteht, erweitert.

Erste Tests ernüchternd

Die Ergebnisse der ersten Tests fielen ernüchternd aus. Die Genauigkeit der Vorhersagen konnte durch die KI kaum verbessert werden. Die Ursache dafür wird deutlich, wenn man sich die User-Eingaben in den Chatbot genauer ansieht. So zeigte sich in einem Pre-Test des Systems, dass die Kundeneingaben in der Mehrzahl der Fälle aus lediglich einem einzigen oder zwei Wörtern bestehen. Hinzu kommt, dass die Chatbot-Eingaben meist sehr allgemein waren und sich vielfach lediglich auf Oberkategorien bezogen.

Die Ergebnisse machen deutlich, dass der Einsatz von KI bei der Bierempfehlung kein Selbstläufer ist. Inwiefern sich die KI im praktischen Einsatz bewährt, ist insbesondere vom Umfang und der Qualität der Daten abhängig und natürlich auch vom Anspruch dessen, was durch die KI gelernt werden soll. Der Schluss von den Chatbot-Eingaben auf die Bewertung einzelner Biere erwies sich als zu anspruchsvoll. Dazu fielen die Äußerungen der Besucher zu kurz und unspezifisch aus. Gleichzeitig ist die Beziehung zwischen einer geäußerten Präferenz und der Bewertung eines Bieres nur lose.

Viele erforderliche Daten fehlen

Bei der Konzeption des Einsatzes einer KI im Rahmen eines Bierempfehlungssystems gilt es, die richtige Relation zwischen dem Umfang und der Qualität der Daten sowie den Ansprüchen an den Lernprozess der KI zu finden. Das ist in der Praxis durchaus anspruchsvoll, zumal zu Beginn eines solchen Projektes die erforderlichen Daten vielfach fehlen. Daher hat sich auch die hybride Vorgehensweise beim Biertraum-Guide bewährt, bei der einzelne Aufgaben durch zwei unterschiedliche Ansätze gelöst werden.

Die Ergebnisse aus den ersten Tests haben zu zahlreichen Änderungen am System geführt. So sind beispielsweise die Möglichkeiten für die User deutlich erweitert worden, dem System über Filter ihre eigenen Präferenzen mitzuteilen, was den Lernprozess der Präferenzen durch die KI vereinfacht. Auch wenn die KI heute noch viel lernen muss, um zuverlässige Bierempfehlungen abzugeben, weist ihr Einsatz in Online-Shops großes Potenzial auf, und es ist zu erwarten, dass Bierliebhaber in Online-Fachgeschäften zukünftig von künstlicher Intelligenz sachkundig beraten werden.

Der Beitrag Was taugen KI-basierte Empfehlungssysteme in Online-Biershops? erschien zuerst auf Magazin Bier & Brauhaus.