Open Access

Kevin Golob

• Machine Learning ist seit vielen Jahren ein aufstrebender Begriff in der IT-Branche. Unabhängig von der jeweiligen Branche werden in nahezu allen Unternehmen, die Produkte oder Services an Kunden vertreiben, Daten über die Kunden im Rahmen des Verkaufsprozesses in diversen Formen gespeichert. Produktempfehlungen oder personalisierte Inhalte sind dabei ein Weg, die Kunden noch direkter und effektiver anzusprechen. Oft verwenden Unternehmen dazu Analysen aus Marketingabteilungen und legen statische Regeln für diese Inhalte fest. Diese Aufgabe kann jedoch auch Machine Learning übernehmen. Dabei sind vor allem bislang unbekannte Zusammenhänge innerhalb der verfügbaren Daten von Interesse. Welche neuen Informationen können mittels automatisierter Analysen gewonnen werden? In dieser Arbeit wurde eine Clusteranalyse von 250.000 anonymisierten Onlinekunden des weltweit zweitgrößten Möbelhändlers, der auch im E-Commerce vertreten ist, mithilfe von Machine Learning Algorithmen vorgenommen. Dazu wurde ein Experteninterview durchgeführt, um die für das Unternehmen interessanten Aspekte der Kunden in die Analyse aufnehmen zu können. Es wurden statische Regeln für eine Einteilung der Kunden erstellt, die im Anschluss mit den Ergebnissen aus der automatisierten Clusteranalyse gegenübergestellt wurden. Nach dem Vergleich mehrerer Ansätze wurde festgestellt, dass der K-means Algorithmus die gestellten Anforderungen für eine anschließende Analyse der Clusterinhalte am besten erfüllen konnte. Die abschließende Analyse der erstellten Cluster hat gezeigt, dass eine Verwendung von automatisch erstellten Segmenten zur Anwendung von Personalisierung machbar ist. Die Gemeinsamkeiten von Kunden innerhalb einzelner Cluster konnten anhand der Daten belegt werden. Darüber hinaus konnten neue, interessante Zusammenhänge aus den Clustern gelesen werden. So hat sich zum Beispiel herausgestellt, dass es nicht die vom Experten genannten Zielgruppen waren, die häufig bestellt oder viel Geld ausgegeben haben.
• The IT industry’s attention is being increasingly drawn to machine learning. Every product- or service-provider collates customer data. Product recommendations or personalised content can help customers. Static rules based on marketing analyses are often used to provide this content. Machine learning algorithms can perform this duty. The conclusions which can be drawn from the data can be of great interest, potentially identifying information beyond the scope of automatic analysis. This thesis examines data from 250,000 anonymised online customers, provided by the second biggest furniture retailer in the world, into a machine learning cluster analysis. An expert interview is conducted to gather all relevant customer attributes. These attributes are then analysed. To compare the result of the automatic clusters, static rules for segmentation are defined based on the chosen attributes. After comparing different approaches, the Kmeans algorithm is shown to fit the needs and requirements for an analysis of the cluster contents best. The final examination of the clusters shows that automatic created clusters can be used for personalisation. Common features of customers inside the clusters from the data can be shown. Beyond the cluster contents, there is interesting and unexpected information hidden in the data. The target groups defined by the expert are not the ones that had a high volume of orders or spent large sum of money.