WATCH : Conforama stellt erfolgreich auf eine schlankere und effizientere kanalübergreifende Strategie um, indem eine KI-Lösung für personalisierte Produktempfehlungen integriert wird.

Conforama ist das zweitgrößte Einrichtungshaus in Frankreich und ist in sieben Ländern mit 300 Geschäften vertreten, davon 200 in Frankreich. Das Unternehmen verkauft Möbel und Dekorationsartikel in Form von Bausätzen und erzielte im Jahr 2022 einen Umsatz von 1,7 Milliarden Euro.

Als Gateway-Marke hat sich Conforama zum Ziel gesetzt, “das, was die Menschen am meisten wollen, zum besten Preis zugänglich zu machen”. Diese Ambition wird durch eine Transformation unterstützt Plan zur Bereitstellung eines Omnichannel-Erlebnisses durch data und KI. Eine erste Prüfung und data marketing Vision mit Artefact identifizierte und priorisierte 12 Anwendungsfälle und 25 technische und organisatorische Voraussetzungen. Der erste Anwendungsfall war die Integration einer personalisierten Produktempfehlung in die wöchentlichen E-Mails des Unternehmens.

Bei diesem Anwendungsfall galt es, mehrere Herausforderungen zu meistern:

  • Wie kann man die Bedürfnisse von drei Millionen Kunden verstehen und die relevantesten Produkte aus einem Katalog mit 42.000 Referenzen empfehlen?
  • Wie können Sie nur Produkte vorschlagen, die derzeit vorrätig sind, im Angebot sind und den Kunden noch nicht vorgeschlagen wurden?
  • Wie lässt sich die technische Lösung einfach bedienen und warten?

Zeitersparnis für Verbraucher, höhere Produktivität für Unternehmen

Durch den Einsatz von Algorithmen des maschinellen Lernens zur Analyse von Benutzer data, wie z.B. Vorlieben, Kaufhistorie und Online-Verhalten, schlägt artificial intelligence-basierte Produktempfehlung Produkte vor, die für Verbraucher auf eine personalisierte Weise relevant sind. So können Unternehmen die Bedürfnisse ihrer Kunden besser verstehen und ihnen Produkte empfehlen, die ihren Interessen entsprechen, was zu höheren Umsätzen und einer stärkeren Kundenbindung führt.

Einer der Hauptvorteile dieser Lösung ist, dass die Kunden Zeit sparen. Anstatt durch unzählige Produktseiten zu blättern, um das zu finden, was sie suchen, können Kunden schnell auf eine Auswahl empfohlener Produkte zugreifen, die genau ihren Bedürfnissen entsprechen. KI-basierte Produktempfehlungen können das Online-Einkaufserlebnis verbessern und ermutigen die Kunden zu weiteren Käufen. Ein strategischer Vorteil, wenn man bedenkt, dass 72% der Verbraucher nur mit Marketingbotschaften interagieren, die personalisiert und auf ihre Interessen zugeschnitten sind.

Darüber hinaus, KI-basierte Produktempfehlungen können die Produktivität von Unternehmen steigern: Algorithmen des maschinellen Lernens können große Mengen von data in Echtzeit analysieren und ermöglichen es Unternehmen, Kundentrends und Kaufverhalten kontinuierlich zu überwachen. Dies kann Unternehmen helfen, die Wünsche ihrer Kunden besser zu verstehen und ihr Produktangebot schnell entsprechend anzupassen. Außerdem können Unternehmen so ihr Inventar optimieren, indem sie Produkte anbieten, die sich mit größerer Wahrscheinlichkeit verkaufen lassen, wodurch die Kosten gesenkt und die Gewinne maximiert werden können.

Und schließlich können KI-basierte Produktempfehlungen erhebliche geschäftliche Vorteile bieten. Indem sie den Kunden relevante und personalisierte Produkte vorschlagen, können Unternehmen ihre Konversionsrate verbessern, den Umsatz steigern und ihr Markenimage stärken. Aus der Marktperspektive betrachtet, hat sich gezeigt, dass KI-basierte Produktempfehlungen ein zusätzliches Wachstum von +2,5% ermöglichen.

Ein erster Anwendungsfall konzentriert sich auf die Personalisierung von E-Mail-Kampagnen

Vor diesem Projekt erhielten alle Conforama-Kunden E-Mails mit denselben acht Produkten, die jede Woche von den Marketingteams ausgewählt wurden. Dies war eine arbeitsintensive Aufgabe, da es erforderlich war, die acht Produkte zu identifizieren, die drei Millionen Kunden am ehesten interessieren würden, von denen jeder seine eigenen Interessen hat. Die gesamte Zeit, die für die Analyse von data aufgewendet wurde, hätte für strategischere Aktivitäten genutzt werden können, z. B. für die Erstellung redaktioneller Inhalte für diese E-Mails.

Heute wird jeden Dienstag eine E-Mail mit acht Produktempfehlungen an jeden Conforama-Kunden verschickt. Diese Empfehlungen werden jedoch anhand der Kaufhistorie personalisiert und ausschließlich nach Produkten gefiltert, die gerade im Angebot sind, die in den Geschäften erhältlich sind und die bei früheren Aktivierungen noch nicht vorgestellt wurden.

Die implementierte AI-Lösung umfasst 4 Hauptverarbeitungsschritte des data:

  • Erfassung von Transaktionshistorien, Kunden- und Produktreferenzen, dann data Vorbereitung;
  • Aufbau des “Collaborative Filtering”-Modells zur Berechnung des Kundenappetits für den Produktkatalog;
  • Produktfilterung auf der Grundlage von verfügbarem Bestand, kommerziellen Neuigkeiten (Verkäufe, Werbeaktionen usw.), früheren Aktivierungen und Käufen;
  • Produkt data Anreicherung (Fotos, Preise, Beschreibungen, etc.) zur Aktivierung.

Diese Lösung basiert auf 16 data-Tabellen, 25 Transformations- und Modellierungsschritten und 40 automatisierten Qualitätstests. Dutzende von Iterationen des Modells ermöglichten es, den effizientesten Ansatz auf der Grundlage der Transaktionshistorie zu wählen. Dank dieser Lösung generiert Conforama jetzt jede Woche mehrere Millionen Empfehlungen in 45 Minuten zu einem Preis von 50 Euro pro Woche.

Mit anderen Worten: Wenn Sie die Entwicklungs- und Betriebskosten sowie die zusätzlichen Umsätze mit einbeziehen, wird der Break-Even-Punkt des Projekts mit einer automatisierten und zuverlässigen Lösung in einer Woche erreicht.

“Zeitersparnis, ja, aber vor allem ein geschäftlicher Vorteil für unsere CRM-Teams. Denn dank dieser Personalisierung klicken die Kunden mehr und kaufen daher auch mehr. Wir haben die Klickrate nach der Personalisierung dieser E-Mails um 15% gesteigert, was mehrere Millionen an zusätzlichen Verkäufen bedeutet.”
Mélodie Charles, Marketing Direktorin Conforama

Ein reibungsloser Übergang zu KI: Lehren aus der Erfolgsgeschichte von Conforama

Für viele Spieler gibt es drei Herausforderungen, die mit ihrem Reifegrad zusammenhängen:

  • Stufe 1: Personalisierung eines derzeit regelbasierten Touchpoints mit Hilfe eines KI-Algorithmus-Ansatzes;
  • Stufe 2: Ausweitung der KI-basierten personalisierten Empfehlungen auf die gesamte Customer Journey (ähnliche Produkte / ergänzende Produkte / Vorschläge auf der Grundlage der Kaufhistorie);
  • Ebene 3: Optimierung der Orchestrierung von Empfehlungen über alle Kanäle hinweg, um ein Omnichannel-Erlebnis zu gewährleisten.

Stufe 1 ist oft die schwierigste, da sie die Schaffung der Grundlagen für vier verschiedene Dimensionen erfordert: Zielvision, Benutzererfahrung und Prioritäten; data-Quellen; technologische Werkzeuge; Projektteam und Arbeitsmethode.

Das Beispiel von Conforama bietet wertvolle Erkenntnisse über diese vier Dimensionen:

  • Wählen Sie einen ersten Anwendungsfall und Funktionalitäten, die schnell implementiert und gemessen werden können, um das Unternehmen auf den Weg des Erfolgs zu bringen. Dieser erste Erfolg bedeutet zum Beispiel, dass Conforama jetzt den Einsatz von Produktempfehlungen in den Geschäften oder die Verbesserung ihres Algorithmus dank des Browsens von data planen kann.
  • Stellen Sie sicher, dass das data zuverlässig ist. Eine gute data-Modellierung beruht in erster Linie auf einer guten Qualität der data. Für Conforama wurden explorative Analysen von mehr als 50 Tabellen durchgeführt, um data-Quellen in Bereichen wie Kundenwissen, Produktrepositorien und Transaktionen auszuwählen.
  • Verwenden Sie Technologien, die es Teams ermöglichen, eine technische Lösung schnell und gemeinschaftlich einzusetzen. Conforama hat die für diese Art von Arbeitsablauf am besten geeigneten Tools ausgewählt: DBT, BigQuery ML und Vertex AI aufgrund ihrer Leistung, Modularität und Portabilität.
  • Aufbau eines engagierten Teams, das in der Lage ist, alle potenziellen Probleme zu bewältigen, und Anwendung eines Test- und Lernansatzes. Zu diesem Zweck wurde ein multidisziplinäres IT-/Conforama-Business-Team gebildet und ein 2-wöchiger Sprint-Ansatz gewählt.