„Die großen Veränderungen kommen noch“

Vor knapp 20 Jahren hatte Carsten Kraus die Idee, mit linguistischen KI-Technologien eine kundenfreundlichere E-Commerce-Produktsuche zu realisieren. Heute ist er mit dem Produkt „Fact Finder“ in Europa Marktführer für die Suche und Navigation in Online-Shops. Ein Gespräch mit Carsten Kraus, Gründer und Geschäftsführer der Omikron Data Qality, über sprachenunabhängige Suche, die Zukunft von Voice-Search und die KI-Lösung „Predictive Basket“. 

Algorithmen spielen bei der Suche in E-Commerce-Shops schon lange eine wichtige Rolle. Was wird besser, wenn es nun KI-basiert abläuft?

Carsten Kraus: Machine Learning lernt aus dem Benutzerverhalten, was Kunden tatsächlich kaufen wollen, wenn sie einen Suchterm eingeben. Wenn jemand “blaue Hose” sucht, sind oft die ersten Suchtreffer Jeans – das sind ja auch blaue Hosen. Da aber die User mit diesem Suchbegriff andere Hosen meinen – sonst würden sie “Jeans” eingeben –, kaufen sie die Jeans im Suchergebnis eher nicht, sondern Chinos, Stoffhosen, Anzughosen. Machine Learning lernt aus diesem Benutzerverhalten und sortiert die Jeans nach unten – ohne dass man ihm vorher das Konzept von Jeans erklären muss. Auf eine ähnliche Weise kann auch unsere Personalisierung mit Hilfe von KI kundenspezifischere Ergebnisse aussteuern. Insgesamt erhöht sich durch die zunehmende Relevanz der Suchergebnisse die Kaufwahrscheinlichkeit, was sich wiederum positiv auf den Umsatz auswirkt.

Ihr neues Produkt „Fact Finder Next Generation“ arbeitet gewissermaßen sprachenunabhängig. Können Sie das kurz erläutern?

Kraus: Es geht hier um die Ähnlichkeit bei Tippfehlern oder phonetisch falsch geschriebenen Worten. Dazu braucht man einen Ähnlichkeitsalgorithmus. Alle gängigen phonetischen Ähnlichkeitsalgorithmen normalisieren, das heißt sie wandeln die Buchstabenfolgen in Phoneme um. Dazu muss man aber eine bestimmte Sprache zugrunde legen, und es kann pro Buchstabenfolge nur ein Phonem hinterlegt werden. Wenn im Englischen beispielsweise in “ghost” das gh wie ein g ausgesprochen wird, aber in “tough” wie ein f, dann kann man das selbst innerhalb einer Sprache normalerweise nicht abbilden. Unser patentierter Worldmatch-Algorithmus arbeitet nicht normalisierend, sondern assoziativ – und kann daher auch widersprüchliche Ähnlichkeiten verarbeiten. Damit können wir unter anderem im Chinesischen alle Dialekte gleichzeitig berücksichtigen, und auch die optischen Ähnlichkeiten der Schriftzeichen mit einbeziehen. Für Online-Händler, die internationale Märkte erschließen wollen, bedeutet das: Suche, Vorschlagsfunktion und Navigation – also die Schlüsselfunktionen eines Shops – müssen nicht an die jeweilige Sprache angepasst werden, um einen neuen Shop zu launchen. Denn dank Worldmatch können Shop-Besucher sprachenunabhängig suchen und finden. Und das beschleunigt die Time-to-Market enorm.

Glauben Sie daran, dass die Suche künftig verstärkt sprachgesteuert erfolgt?

Kraus: Auf Mobil-Devices: sicher. Hingegen glaube ich nicht, dass sich das Einkaufen über Smart Speaker wie Alexa durchsetzt: Voice ist sequentiell, Choice ist parallel – sobald man auswählen muss, reicht Sprache allein nicht aus.

Was bedeutet das für die Suchtechnologie?

Kraus: Die Suchtechnologie muss in der Lage sein, semantische Zusammenhänge besser zu verstehen, da das Suchverhalten sich bei der Sprachsuche verändert. Suchphrasen werden länger und mit mehr Kontext ausgestattet, dafür weniger präzise, zum Beispiel: “leichtes Notebook mit großem Bildschirm”. Ein noch komplexeres Beispiel wären projektorientierte Suchanfragen wie „Ich möchte ein Baumhaus für meinen kleinen Sohn bauen.“ Aus dieser Anfrage lassen sich eine Menge Informationen ziehen, die wiederum in Produktattribute umgewandelt werden müssen.
 
In Ihrem neuen Tool ist auch die KI-Lösung „Predictive Basket“ integriert, die gewissermaßen vorhersieht, was der Kunde kaufen möchte. Wie intelligent ist diese Lösung?

Kraus: Predictive Basket ermittelt, wann ein Kunde welche Produkte wieder kaufen möchte. Damit werden Bestellungen von Lebensmitteln, Medikamenten oder – im B2B – C-Teilen deutlich erleichtert. Der Kunde spart durch unsere intelligenten Vorschläge zwei Drittel der Zeit für den langweiligen Teil des Einkaufs – oder der Händler kann ihm dazu rechtzeitig eine Mail schicken und damit einen Einkauf bei der Konkurrenz verhindern. Technisch handelt es sich um eine Kombination “klassischer” Data-Science-Verfahren mit einem vierlagigen neuronalen Netz. Predictive Basket zieht dabei nicht nur das Verhalten des einzelnen Kunden in Betracht, sondern erkennt auch automatisch Trends, wie beispielsweise, dass die meisten Kunden im Sommer weniger Gesichtscreme aufbrauchen oder die Pollenflug-Saison vorbei ist. Kauft der einzelne Kunde das Produkt weiterhin, lernt Predictive Basket auch das. Erste Praxisergebnisse sind sehr positiv und unterstreichen die Selbstlernfunktion der KI: So konnte beim Lebensmittelgroßhändler Kastner der durchschnittliche Warenkorb um inzwischen etwa 2,3 Produkte vergrößert werden – das ist eine 30-prozentige Steigerung. Als der Predictive Basket dort frisch eingeführt wurde, war die Steigerung noch geringer: +1,3 Produkte. Die KI hat sich also inzwischen auf fast die doppelte Leistung optimiert.

Wird es schon bald soweit sein, dass wir Produkte angeboten bekommen, von denen wir selbst nicht mal wussten, dass wir sie gerne kaufen würden?

Kraus: Über Recommendation Engines passiert das schon jetzt mit Erfolg. Es ist sicherlich kein Zufall, dass Amazon diese in nahezu jeden Schritt des Kaufprozesses einbaut. Wobei viele Recommendation Engines mit selten verkauften Produkten – Longtail – oder neuen Produkten, zu denen noch keine Erfahrungen vorliegen, Schwierigkeiten haben. In solchen Fällen nutzt unsere Lösung semantische Eigenschaften der Produkte und kann sie trotzdem vorschlagen, wenn sie für einen Kunden besonders gut passen. Zukünftig werden solche Vorschläge aber noch präziser, und zwar nicht nur bezogen auf das Produkt, sondern auch auf den Zeitpunkt und das Format mit der höchsten Kaufwahrscheinlichkeit.

Sie werben damit, dass ihr Tool auch Tipps gibt, wo ein Anbieter sein Sortiment ausbauen sollte. Können Sie dafür ein Beispiel geben?

Kraus: Ein Beispiel sind häufig gesuchte Begriffe, die jedoch keine Suchtreffer liefern: Unser Analytics hilft dabei, diese zu erkennen. Es identifiziert auch Trends von statistisch signifikant zu- oder abnehmenden Suchanfragen, oder zu teure Produkte.

Sie waren seit jeher von Künstlicher Intelligenz fasziniert. Wenn Sie so die aktuelle Entwicklung betrachten: Wo stehen wir gerade?

Kraus: Wir stehen immer noch recht weit am Anfang. Die wirklich großen Veränderungen kommen noch. Auf YouTube finden Sie zum Beispiel eine ganz andere Sicht auf autonome Mobilität aus einem meiner Vorträge. Aber im Gegensatz zu den Experimenten in meiner Jugend gibt es heute bereits viele Anwendungsfälle, bei denen sich Machine Learning rechnet. Seit damals ist die Rechenleistung mehrere Millionen Mal billiger geworden. Machine Learning ohne neuronale Netze konnte man schon länger bezahlen: Unsere Technologie Fact-Finder verwendet Machine-Learning-Verfahren bereits seit 2006.

Das Interview führte Helmut van Rinsum

Carsten Kraus ist Gründer und Geschäftsführer der Omikron Data Quality GmbH, die er bereits in seiner Schulzeit gründete. 1988 lizenzierte Atari die Programmiersprache Omikron-Basic und legte sie mehr als 700.000 Atari-Computern in acht Ländern bei. Kraus hat seit 2016 drei Patente zu neuen KI-Verfahren angemeldet und ist vielgefragter Experte und Speaker in den Bereichen Datenqualität, E-Commerce und Künstliche Intelligenz.

Weitere Interviews:
Sebastian Kielmann, picalike: „Fokus liegt auf aktiven Trends“
Thomas Jesewski, aifora: Dynamic Pricing – KI steigert Umsatz
Jan Oetjen, United Internet: „Zeit, sich von den GAFAs zu emanzipieren“

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.