Smarte Shops: Wie ChatGPT zum Verkaufsturbo wird

Künstliche Intelligenz und Machine Learning gilt in der Digitalbranche schon seit Jahren als wichtigster Trends überhaupt. Insofern ist es schon fast überraschend, welche Hysterie eine Anwendung wie ChatGPT im Jahr 2023 noch auslösen konnte. Andererseits: Auch das erste iPhone vereinte im Wesentlichen bereits bekannte Technologien. Rein nach Features war es sogar einem Nokia-Handy der Mittelklasse unterlegen - Stichworte: Bluetooth und UMTS. Trotzdem entstand aus der Art und Weise, wie das iPhone bestehenden Technologien verband, ein einzigartiges Produkt. Am Ende schuf es ein ganzes Marktsegment, ist aus unserem Leben nicht mehr wegzudenken ist und läutete für Marktführer Nokia den Untergang ein.

Ähnliches gilt für ChatGPT: Im Kern ist die Anwendung nicht sensationell, nutzt bekannte Technologien und weist einige Schwächen auf. Trotzdem entsteht aus der Kombination der Einzelteile ein verblüffendes Produkt, das durchaus einen Meilenstein markiert.

Umso wichtiger ist die Frage, wie diese Entwicklung ECommerce-Anwendungen beeinflussen kann. Werden sich Kaufgewohnheiten, Angebotsformate, das Online-Marketing oder ECommerce-Tools verändern? Die Antwort - Vorsicht Spoiler! - in Kurzfassung: ChatGPT hat die KI nicht neu erfunden. In den meisten ECommerce-Lösungen und Marketing-Anwendungen sind schon längst KI-Funktionen integriert, die von der jüngsten Entwicklung kaum profitieren. Sie entwicklen sich linear weiter. Aber es gibt einen schmalen Grat, der durch ChatGPT einen wahren Turbo erfährt: Das faszinierende Sprachverständnis erlaubt eine einfache und natürliche Kommunikation zwischen Mensch und Maschine. Darauf lässt sich aufbauen.

Wie ChatGPT den E-Commerce verändert

Maschinelle Lernalgorithmen und künstliche Intelligenz helfen letztlich dabei, Daten zu analysieren und Muster zu erkennen - sie zu "verstehen" - und darauf basierend günstige Entscheidungen vorzuschlagen. Der ECommerce-Klassiker besteht darin, Kaufverhalten vorherzusagen und den Kunden personalisierte Angebote zu unterbreiten. Etwa, indem eine Recommendation Engine versucht, passende Produkte zu finden oder eine Marketing Automation-Lösung E-Mails personalisiert. Zum richtigen Zeitpunkt. Mit dem richtigen Produkt. Und der richtigen Ansprache.

Damit das funktioniert, sind Daten notwendig. In hoher Qualität und in großer Quantität. Ob in einer E-Mail ein "Herr Müller" oder eine "Frau Müller" angesprochen wird, können wenige hochwertige CRM-Daten verraten oder kann anhand von Kauf- und Klickhistorie mit einer gewissen Wahrscheinlichkeit errechnet werden. Am besten ist natürlich die Kombination aus beidem: Viele Daten. Und hochwertige Daten. Das führt zwangsläufig zum besten Ergebnis.

Allerdings ist es für einen Shop-Betreiber gar nicht so einfach, an diese Daten zu gelangen. Die gängigen Strategien lauten: Gutscheincode für die Newsletter-Anmeldung; Bonus für die Eröffnung eines Kundenkontos; Prämien für die Teilnahme an einem Loyalty-Programm. Damit lässt sich schon viel erreichen: Der Händler verfügt so über korrekte Stammdaten und hat die notwendigen Zustimmungen erhalten, um Kauf- und Klickverhalten aufzeichnen. Wenn er geschickt ist, konnte er über eine Auswahl verschiedener Newsletter vielleicht noch etwas über die Interessen und die persönliche Lebenssituation des Kunden erfahren. Aber ganz ehrlich: Nun wird es zäh. Die wenigsten KundInnen haben ein weiteres Interesse daran, ihre Kaufgründe, -wünsche oder -restriktionen mitzuteilen. Wozu auch?

Gerade ein maschineller Lernalgorithmus muss aber möglichst viele, möglichst aussagekräftige Daten verarbeiten können, um schlauer zu werden. Wenn sich nun die Zahl der relevanten Kundeninteraktionen nur schwer erhöhen lässt, muss man eben an den Daten arbeiten, die durch die vorhandene Anzahl der Interaktion zur Verfügung gestellt werden.

Produktdaten als Schlüssel zum Kundenbedürfnis

"Wenn wir wissen, auf welche Produkte unsere Kunden klicken, was sie kaufen, was sie retournieren, können wir etwas sehr wertvolles über unsere Kunden erfahren", erklärt Philipp Göller , Chef der Softwarefirma Paraboost   aus Markgröningen. "Denn hinter jedem Artikel steht ein Bedürfnis, das er befriedigt. Wir können also die Bedürfnisse unsere Kunden verstehen."

Für einen menschlichen Verkäufer mag das trivial sein. Man merkt einem Kunden im Laden schnell an, wie er "tickt". Wer sich beim Kauf eines hochwertigen City-Rads für Komfortfeatures interessiert, wird vielleicht auch auf eine praktische Tasche, bequeme Bekleidung oder einen Airbag-Helm ansprechen. Wer sich dagegen eher für unknackbare Schlösser interessiert und sich beklagt, dass ihm nun schon das dritte Fahrrad geklaut wurde, signalisiert vielleicht eher Interesse an einer Zusatzversicherung. Der sportliche Mountainbiker will dagegen vermutlich auch eine gute Figur auf seinem Rad abgeben und legt größeren Wert auf Marken, Status und stylische Sonnenbrillen.

Einem menschlichen Verkäufer fallen diese Einschätzungen leicht. Ein wenig Einfühlungsvermögen und Menschenkenntnis reichen. Eine Recommendation Engine hat es viel schwerer. Naturgemäß kann sie Menschen und deren Bedürfnisse nicht verstehen. Außerdem redet niemand mit ihr.

So ist die Maschine alleine auf historische Daten angewiesen: Zu Clip-on-Schutzblechen werden häufig Akkulampen geordert. Wer ein Kinderrad kauft, nimmt oft zusätzlich einen Sicherheitswimpel und eine lustige Glocke mit. Bestenfalls kann das System noch Kundendaten (Alter, Geschlecht) und einige Produktdaten (Farbe, Größe, Einsatzzweck) der bereits gekauften Produkte berücksichtigen.

Aber genau hier liegt das Problem: "Die Unternehmen kennen Artikeldaten wie Farbe, Größe, Gewicht - die Standards - recht gut", hat Göller erkannt. "Für die Kaufentscheidung ist es aber viel wichtiger, zu wissen, welchen Nutzen der Artikel stiftet. Und hier fehlen die Daten." Am wenigsten mangelt es dabei an Wissen. Denn dass ein teures Schloss ein großes Sicherheitsbedürfnis befriedigt, weiß im Grunde jeder. Die Information ist nur nicht in der Produktbeschreibung enthalten.

Maslow weiß, was KundInnen wünschen

Diese Überlegung hat Göller auf die Idee gebracht, die fehlenden Informationen durch eine KI anreichern zu lassen. Bedeutet: ChatGPT klassifiziert die vorhandenen Produktinformationen. Göller hat dazu die Maslow'sche Bedürfnishierachie, auch als Bedürfnispyramide bekannt, gewählt. Dabei handelt es sich um ein sozialpsychologisches Modell des US-amerikanischen Psychologen Abraham Maslow  (1908 - 1970), das auf vereinfachende Art und Weise menschliche Bedürfnisse und Motivationen in einer hierarchischen Struktur beschreibt und versucht, diese zu erklären. 

Maslow stellte fest, dass manche Bedürfnisse Priorität vor anderen haben und unsere Handlungen bestimmen. Luft und Wasser sind beispielsweise physiologische Grundbedürfnisse, die wir dringender als alle andere brauchen. Sind sie jedoch gestillt, treten andere Bedürfnisse in den Vordergrund, die sofort dringender erscheinen (obwohl sie natürlich faktisch weniger wichtig sind). Sprich: Sofern wir Durst haben, werden wir uns vordringlich diesem Bedürfnis widmen und sogar bereit sein, dafür Risiken einzugehen. Zumindest, wenn der Durst sehr groß wird. Ist er jedoch gestillt, treten sofort andere Bedürfnisse in den Vordergrund. Wir werden uns zum Beispiel wieder in Sicherheit bringen.

Maslow unterscheidet fünf wesentliche Bedürfnisse, die hierarchisch geordnet wirken:

• Physiologische Grundbedürfnisse
  
• Sicherheitsbedürfnisse
  
• Soziale Bedürfnisse
  
• Individualbedürfnisse
  
• Selbstverwirklichung

Auch wenn sich die Bedürfnisse überlappen, gibt es in jeder Phase ein Bedürfnis mit der höchsten Intensität. Dieses ist nicht das alleinige, aber in diesem Moment das vorherrschende Motiv unseres Handelns (siehe Grafik). Und: Je nach Bedürfnislage sind auch verschiedene Produkte oder Varianten gefragt.

Entscheidender Einfluss auf die CLV-Berechnung - und mehr

Zunächst geht es also darum, die Bedürfnislage zu erkennen, um daraus die passenden Schlüsse zu ziehen. Dazu hat Göllers Firma Paraboost den kompletten Produktkatalog eines ECommerce-Kunden von ChatGPT danach bewerten lassen, welche der Bedürfnisse aus der Maslow'schen Hirarchie von den einzelnen Artikeln befriedigt werden. Daraus lässt sich ablesen, in welcher Phase sich ein Käufer gerade befindet, der sich für bestimmte Produkte interessiert. Etwa: Steht beim Sicherheitswimpel für das Kinderfahrrad eher der Aspekt "Sicherheit" (reflektierende Signalfarbe) oder der Aspekt "Individualisierung" ("Lillifee"-Motiv) im Vordergrund?

"Aber mit dieser Information lässt sich noch weit mehr anfangen, als die Produktempfehlung zu verbessern", weiß Paraboost-Chef Göller. Von entscheidender Bedeutung ist es im Marketing, die Bestandskunden klug zu segmentieren. Nicht nur, um die Ansprache des Werbemittels zu verbessern, sondern auch, um das Werbebudget optimal einzusetzen: "Wir haben festgestellt, dass die Maslow'schen Bedürfniskategorien zu den Top-Variablen zur Errechnung der Customer Lifetime Value gehören", sagt Göller. Das zukünftige Käuferverhalten und die Kaufwahrscheinlichkeit lässt sich anhand der Bedürfnisphasen präzisieren, weil sich die Persönlichkeitsentwicklung auch im Kaufverhalten widerspiegelt.

Und auch zu Personalisierungzwecken lässt sich künstliche Intelligenz hervorragend einsetzen. Während in einem Newsletter Aufmachung, Ansprache und Produktauswahl oft personalisiert sind, endet dies in der Regel bei der Produktbeschreibung im Shop. Der Aufwand wäre einfach zu hoch, für Tausende von Artikeln mehrere Text-Varianten zu schreiben und vorzuhalten. Mit ChatGPT ist das möglich. "Wir nutzen die Maschine, um conversionstarke Produkttexte automatisiert zu erzeugen", verrät Göller. "Die KI fasst die vorhandenen Texte zusammen und generiert daraus Beschreibungen mit Tagline, hervorgehobenen Selling Points und verkaufsstarker Botschaft."

Für die Maschine ist es aber auch kein Problem, Verkaufsargumente und sprachlichen Stil an eine männliche und weibliche Zielgruppe, ein älteres oder jüngeres Publikum anzupassen. Und selbst die Maslow'schen Bedürfnisse können berücksichtigt werden - zumindest in einer standardisierten Form, um die Variantenvielfalt nicht explodieren zu lassen.

Denn gerade zu Anfang ist es wichtig, den Überblick zu behalten. Das Prompting, also die Bedienung einer generischen KI will durchaus gelernt sein. "Es lohnt, damit zu spielen und sich an die richtigen Einstellungen heranzutasten", sagt Göller. Zu viel "Temperatur" sorgt für übertrieben schräge Texte, zu wenig "Temperatur" für sehr trockene Ergebnisse. Man kann ChatGPT zudem mit verschiedenen Anreizen zu besseren Ergebnissen bringen. "ChatGPT mag gerne spielerische Herausforderungen", hat Göller festgestellt. Und: "Es lohnt sich auch, ChatGPT die eigenen Ergebnisse bewerten zu lassen."

Auf jeden Fall sollte man sich zunächst mit einer gewissen Vorsicht herantasten. Denn: Für das, was in der Produktbeschreibung steht, haftet in jedem Fall der Händler. Egal, wer den Text geschrieben hat.