{"id":69268,"date":"2023-12-03T15:31:55","date_gmt":"2023-12-03T15:31:55","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=cases&#038;p=69268"},"modified":"2025-06-04T11:24:50","modified_gmt":"2025-06-04T10:24:50","slug":"conforama-ai-enabled-personalization-boosts-conforama-crm-campaign-revenues","status":"publish","type":"cases","link":"https:\/\/www.artefact.com\/de\/cases\/conforama-ai-enabled-personalization-boosts-conforama-crm-campaign-revenues\/","title":{"rendered":"<span class=\"highlight\"> CONFORAMA <\/span> KI-gest\u00fctzte Personalisierung steigert den Umsatz von Conforama CRM-Kampagnen"},"content":{"rendered":"<p>WATCH : Conforama stellt erfolgreich auf eine schlankere und effizientere kanal\u00fcbergreifende Strategie um, indem eine KI-L\u00f6sung f\u00fcr personalisierte Produktempfehlungen integriert wird.<\/p>\n<p style=\"text-align: center;\"><iframe title=\"YouTube-Video-Player\" src=\"https:\/\/www.youtube.com\/embed\/3bz_QjikNLU?si=YdZ0EWvtNfcsHE2X\" width=\"560\" height=\"315\" frameborder=\"0\" allowfullscreen=\"allowfullscreen\"><\/iframe><\/p>\n<p>Conforama ist <strong>das zweitgr\u00f6\u00dfte Einrichtungshaus in Frankreich<\/strong> und ist in sieben L\u00e4ndern mit 300 Gesch\u00e4ften vertreten, davon 200 in Frankreich.\u00a0<a href=\"https:\/\/www.conforama.fr\/\" target=\"_blank\" rel=\"noopener\">Das Unternehmen<\/a>\u00a0verkauft M\u00f6bel und Dekorationsartikel in Form von Baus\u00e4tzen und erzielte im Jahr 2022 einen Umsatz von 1,7 Milliarden Euro.<\/p>\n<p>Als Gateway-Marke hat sich Conforama zum Ziel gesetzt, \u201cdas, was die Menschen am meisten wollen, zum besten Preis zug\u00e4nglich zu machen\u201d. Diese Ambition wird durch eine Transformation unterst\u00fctzt <strong>Plan zur Bereitstellung eines Omnichannel-Erlebnisses durch data und KI<\/strong>. Eine erste Pr\u00fcfung und data marketing Vision mit\u00a0<a href=\"https:\/\/www.artefact.com\/de\/\">Artefact<\/a>\u00a0identifizierte und priorisierte 12 Anwendungsf\u00e4lle und 25 technische und organisatorische Voraussetzungen. Der erste Anwendungsfall war die Integration einer personalisierten Produktempfehlung in die w\u00f6chentlichen E-Mails des Unternehmens.<\/p>\n<p><strong>Bei diesem Anwendungsfall galt es, mehrere Herausforderungen zu meistern:<\/strong><\/p>\n<ul>\n<li>Wie kann man die Bed\u00fcrfnisse von drei Millionen Kunden verstehen und die relevantesten Produkte aus einem Katalog mit 42.000 Referenzen empfehlen?<\/li>\n<li>Wie k\u00f6nnen Sie nur Produkte vorschlagen, die derzeit vorr\u00e4tig sind, im Angebot sind und den Kunden noch nicht vorgeschlagen wurden?<\/li>\n<li>Wie l\u00e4sst sich die technische L\u00f6sung einfach bedienen und warten?<\/li>\n<\/ul>\n<h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\">Zeitersparnis f\u00fcr Verbraucher, h\u00f6here Produktivit\u00e4t f\u00fcr Unternehmen<\/h2>\n<p>Durch den Einsatz von Algorithmen des maschinellen Lernens zur Analyse von Benutzer data, wie z.B. Vorlieben, Kaufhistorie und Online-Verhalten, schl\u00e4gt artificial intelligence-basierte Produktempfehlung Produkte vor, die f\u00fcr Verbraucher auf eine personalisierte Weise relevant sind. So k\u00f6nnen Unternehmen die Bed\u00fcrfnisse ihrer Kunden besser verstehen und ihnen Produkte empfehlen, die ihren Interessen entsprechen, was zu h\u00f6heren Ums\u00e4tzen und einer st\u00e4rkeren Kundenbindung f\u00fchrt.<\/p>\n<p>Einer der Hauptvorteile dieser L\u00f6sung ist, dass die Kunden Zeit sparen. Anstatt durch unz\u00e4hlige Produktseiten zu bl\u00e4ttern, um das zu finden, was sie suchen, k\u00f6nnen Kunden schnell auf eine Auswahl empfohlener Produkte zugreifen, die genau ihren Bed\u00fcrfnissen entsprechen. <strong>KI-basierte Produktempfehlungen k\u00f6nnen das Online-Einkaufserlebnis verbessern<\/strong> und ermutigen die Kunden zu weiteren K\u00e4ufen. Ein strategischer Vorteil, wenn man bedenkt, dass 72% der Verbraucher nur mit Marketingbotschaften interagieren, die personalisiert und auf ihre Interessen zugeschnitten sind.<\/p>\n<p>Dar\u00fcber hinaus, <strong>KI-basierte Produktempfehlungen k\u00f6nnen die Produktivit\u00e4t von Unternehmen steigern<\/strong>: Algorithmen des maschinellen Lernens k\u00f6nnen gro\u00dfe Mengen von data in Echtzeit analysieren und erm\u00f6glichen es Unternehmen, Kundentrends und Kaufverhalten kontinuierlich zu \u00fcberwachen. Dies kann Unternehmen helfen, die W\u00fcnsche ihrer Kunden besser zu verstehen und ihr Produktangebot schnell entsprechend anzupassen. Au\u00dferdem k\u00f6nnen Unternehmen so ihr Inventar optimieren, indem sie Produkte anbieten, die sich mit gr\u00f6\u00dferer Wahrscheinlichkeit verkaufen lassen, wodurch die Kosten gesenkt und die Gewinne maximiert werden k\u00f6nnen.<\/p>\n<p>Und schlie\u00dflich k\u00f6nnen KI-basierte Produktempfehlungen erhebliche gesch\u00e4ftliche Vorteile bieten. Indem sie den Kunden relevante und personalisierte Produkte vorschlagen, k\u00f6nnen Unternehmen ihre Konversionsrate verbessern, den Umsatz steigern und ihr Markenimage st\u00e4rken. Aus der Marktperspektive betrachtet, hat sich gezeigt, dass KI-basierte Produktempfehlungen ein zus\u00e4tzliches Wachstum von +2,5% erm\u00f6glichen.<\/p>\n<h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\">Ein erster Anwendungsfall konzentriert sich auf die Personalisierung von E-Mail-Kampagnen<\/h2>\n<p>Vor diesem Projekt erhielten alle Conforama-Kunden E-Mails mit denselben acht Produkten, die jede Woche von den Marketingteams ausgew\u00e4hlt wurden. Dies war eine arbeitsintensive Aufgabe, da es erforderlich war, die acht Produkte zu identifizieren, die drei Millionen Kunden am ehesten interessieren w\u00fcrden, von denen jeder seine eigenen Interessen hat. Die gesamte Zeit, die f\u00fcr die Analyse von data aufgewendet wurde, h\u00e4tte f\u00fcr strategischere Aktivit\u00e4ten genutzt werden k\u00f6nnen, z. B. f\u00fcr die Erstellung redaktioneller Inhalte f\u00fcr diese E-Mails.<\/p>\n<p>Heute wird jeden Dienstag eine E-Mail mit acht Produktempfehlungen an jeden Conforama-Kunden verschickt. Diese Empfehlungen werden jedoch anhand der Kaufhistorie personalisiert und ausschlie\u00dflich nach Produkten gefiltert, die gerade im Angebot sind, die in den Gesch\u00e4ften erh\u00e4ltlich sind und die bei fr\u00fcheren Aktivierungen noch nicht vorgestellt wurden.<\/p>\n<p><strong>Die implementierte AI-L\u00f6sung umfasst 4 Hauptverarbeitungsschritte des data:<\/strong><\/p>\n<ul>\n<li>Erfassung von Transaktionshistorien, Kunden- und Produktreferenzen, dann data Vorbereitung;<\/li>\n<li>Aufbau des \u201cCollaborative Filtering\u201d-Modells zur Berechnung des Kundenappetits f\u00fcr den Produktkatalog;<\/li>\n<li>Produktfilterung auf der Grundlage von verf\u00fcgbarem Bestand, kommerziellen Neuigkeiten (Verk\u00e4ufe, Werbeaktionen usw.), fr\u00fcheren Aktivierungen und K\u00e4ufen;<\/li>\n<li>Produkt data Anreicherung (Fotos, Preise, Beschreibungen, etc.) zur Aktivierung.<\/li>\n<\/ul>\n<p>Diese L\u00f6sung basiert auf 16 data-Tabellen, 25 Transformations- und Modellierungsschritten und 40 automatisierten Qualit\u00e4tstests. Dutzende von Iterationen des Modells erm\u00f6glichten es, den effizientesten Ansatz auf der Grundlage der Transaktionshistorie zu w\u00e4hlen. <strong>Dank dieser L\u00f6sung generiert Conforama jetzt jede Woche mehrere Millionen Empfehlungen in 45 Minuten zu einem Preis von 50 Euro pro Woche.<\/strong><\/p>\n<p>Mit anderen Worten: Wenn Sie die Entwicklungs- und Betriebskosten sowie die zus\u00e4tzlichen Ums\u00e4tze mit einbeziehen, wird der Break-Even-Punkt des Projekts mit einer automatisierten und zuverl\u00e4ssigen L\u00f6sung in einer Woche erreicht.<\/p>\n<blockquote><p>\u201cZeitersparnis, ja, aber vor allem ein gesch\u00e4ftlicher Vorteil f\u00fcr 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 zus\u00e4tzlichen Verk\u00e4ufen bedeutet.\u201d<br \/>\nM\u00e9lodie Charles, Marketing Direktorin Conforama<\/p><\/blockquote>\n<h2 class=\"fusion-title-heading title-heading-left fusion-responsive-typography-calculated\">Ein reibungsloser \u00dcbergang zu KI: Lehren aus der Erfolgsgeschichte von Conforama<\/h2>\n<div class=\"fusion-text fusion-text-9\">\n<p>F\u00fcr viele Spieler gibt es drei Herausforderungen, die mit ihrem Reifegrad zusammenh\u00e4ngen:<\/p>\n<\/div>\n<ul>\n<li>Stufe 1: Personalisierung eines derzeit regelbasierten Touchpoints mit Hilfe eines KI-Algorithmus-Ansatzes;<\/li>\n<li>Stufe 2: Ausweitung der KI-basierten personalisierten Empfehlungen auf die gesamte Customer Journey (\u00e4hnliche Produkte \/ erg\u00e4nzende Produkte \/ Vorschl\u00e4ge auf der Grundlage der Kaufhistorie);<\/li>\n<li>Ebene 3: Optimierung der Orchestrierung von Empfehlungen \u00fcber alle Kan\u00e4le hinweg, um ein Omnichannel-Erlebnis zu gew\u00e4hrleisten.<\/li>\n<\/ul>\n<p>Stufe 1 ist oft die schwierigste, da sie die Schaffung der Grundlagen f\u00fcr vier verschiedene Dimensionen erfordert: Zielvision, Benutzererfahrung und Priorit\u00e4ten; data-Quellen; technologische Werkzeuge; Projektteam und Arbeitsmethode.<\/p>\n<p>Das Beispiel von Conforama bietet wertvolle Erkenntnisse \u00fcber diese vier Dimensionen:<\/p>\n<ul>\n<li>W\u00e4hlen Sie einen ersten Anwendungsfall und Funktionalit\u00e4ten, die schnell implementiert und gemessen werden k\u00f6nnen, 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 Gesch\u00e4ften oder die Verbesserung ihres Algorithmus dank des Browsens von data planen kann.<\/li>\n<li>Stellen Sie sicher, dass das data zuverl\u00e4ssig ist. Eine gute data-Modellierung beruht in erster Linie auf einer guten Qualit\u00e4t der data. F\u00fcr Conforama wurden explorative Analysen von mehr als 50 Tabellen durchgef\u00fchrt, um data-Quellen in Bereichen wie Kundenwissen, Produktrepositorien und Transaktionen auszuw\u00e4hlen.<\/li>\n<li>Verwenden Sie Technologien, die es Teams erm\u00f6glichen, eine technische L\u00f6sung schnell und gemeinschaftlich einzusetzen. Conforama hat die f\u00fcr diese Art von Arbeitsablauf am besten geeigneten Tools ausgew\u00e4hlt: DBT, BigQuery ML und Vertex AI aufgrund ihrer Leistung, Modularit\u00e4t und Portabilit\u00e4t.<\/li>\n<li>Aufbau eines engagierten Teams, das in der Lage ist, alle potenziellen Probleme zu bew\u00e4ltigen, und Anwendung eines Test- und Lernansatzes. Zu diesem Zweck wurde ein multidisziplin\u00e4res IT-\/Conforama-Business-Team gebildet und ein 2-w\u00f6chiger Sprint-Ansatz gew\u00e4hlt.<\/li>\n<\/ul>","protected":false},"excerpt":{"rendered":"<p>Conforama stellt erfolgreich auf eine schlankere und effizientere kanal\u00fcbergreifende Strategie um, indem es eine KI-L\u00f6sung f\u00fcr ...<\/p>","protected":false},"featured_media":69798,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"categories":[91],"class_list":["post-69268","cases","type-cases","status-publish","has-post-thumbnail","hentry","category-retail"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/cases\/69268","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/cases"}],"about":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/types\/cases"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media\/69798"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/media?parent=69268"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.artefact.com\/de\/wp-json\/wp\/v2\/categories?post=69268"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}