When and What Will Customers Buy Next? A Dual-Task Deep Learning Framework for Repurchase Prediction in E-Commerce
Diese Studie schlägt ein auf LSTM basierendes Dual-Task-Deep-Learning-Framework vor, das gleichzeitig den Zeitpunkt des Wiederkaufs von Kunden und die Auswahl des nächsten Produkts vorhersagt, eine überlegene Leistung gegenüber bestehenden Modellen auf groß angelegten E-Commerce-Daten demonstriert und ein praktisches KI-Agenten-System für die automatisierte Marketingoptimierung bietet.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Kristallkugel des Shoppings
Stellen Sie sich vor, Sie gehen durch ein riesiges, endloses digitales Einkaufszentrum, in dem jede Sekunde Millionen von Menschen Dinge kaufen. In der Welt der Datenwissenschaft ist dies das Reich des E-Commerce – ein Ort, an dem Unternehmen ständig versuchen, zwei knifflige Fragen zu beantworten: „Wird dieser Kunde zurückkommen?“ und „Wenn ja, was wird er kaufen?“ Lange Zeit haben Wissenschaftler und Geschäftsinhaber versucht, dies mithilfe der klassischen Mathematik vorherzusagen, indem sie vergangene Gewohnheiten wie ein Detektiv bei der Durchsicht einer Akte untersuchten. Sie wussten, dass jemand, der kürzlich viel gekauft hat, wahrscheinlich bald wieder kaufen würde. Aber es gab einen Haken: Die meisten dieser Methoden waren so, als würde man ein Foto einer Person betrachten und deren Zukunft erraten, wobei man ignorierte, dass Menschen sich bewegen, verändern und in einer Sequenz über die Zeit handeln.
Um diese neue Studie zu verstehen, müssen Sie etwas über eine spezielle Art von Computergehirn namens Deep Learning wissen, speziell einen Typ namens LSTM (Long Short-Term Memory). Stellen Sie sich ein normales Computerprogramm wie einen Schüler vor, der bis zum Beginn der heutigen Stunde alles von der gestrigen Lektion vergessen hat. Ein LSTM ist wie ein Super-Schüler, der ein perfektes Gedächtnis der letzten Tage des Unterrichts hat, was es ihm ermöglicht, Muster in einer Geschichte statt nur isolierter Fakten zu erkennen. Diese Studie nutzt dieses Super-Gedächtnis, um die Einkaufsgeschichte eines Kunden wie einen Film zu beobachten und versucht, die nächste Szene vorherzusagen: genau wann er zurückkehren wird und welches Teil er aus dem Regal greifen wird.
Der zweiköpfige Orakel
Die Forscher Gia Bao Huynh und Thi Thuy Hanh Nguyen bauten ein „zweiköpfiges“ Computermodell, um ein Problem zu lösen, das die meisten anderen Modelle ignorieren. Normalerweise versucht KI nur eine Sache vorherzusagen: „Werden sie kaufen?“ oder „Was werden sie kaufen?“. Dieses neue Modell ist anders, weil es versucht, beide Fragen gleichzeitig zu beantworten, wie eine Wahrsagerin, die Ihnen nicht nur sagt, was passieren wird, sondern auch, wann es passieren wird. Sie fütterten ihr Modell mit einem massiven Datensatz von über 540.000 Transaktionen aus einem echten Online-Shop, der Tausende verschiedener Produkte umfasst.
Das Modell lernte, indem es beobachtete, wie sich Kunden durch die Zeit bewegten. Es betrachtete die letzten fünf Dinge, die ein Kunde gekauft hatte, wie viel er ausgab und wie lange er zwischen den Käufen wartete. Dann traf es zwei Vorhersagen gleichzeitig. Erstens tippte es auf die Anzahl der Tage bis zum nächsten Kauf. Zweitens tippte es auf den spezifischen Produktcode des nächsten Artikels. Das Ziel war zu sehen, ob das Lehren des Computers, beide Aufgaben gleichzeitig zu erledigen, ihn klüger machen würde, als wenn er sie getrennt voneinander versuchen würde.
Die Ergebnisse: Eine Mischung aus Magie und Realität
Als die Forscher ihr „zweiköpfiges“ Modell testeten, waren die Ergebnisse eine faszinierende Mischung aus unglaublicher Genauigkeit und einigen sehr spezifischen Eigenheiten des menschlichen Kaufverhaltens.
Die Zeitvorhersage:
Das Modell war überraschend gut darin, vorherzusagen, wann Menschen zurückkehren würden. Es sagte die Zeit bis zum nächsten Kauf mit einem durchschnittlichen Fehler von nur 1,62 Tagen voraus. Das bedeutet, wenn das Modell sagte, ein Kunde würde in 5 Tagen zurückkehren, lag es meistens um weniger als zwei Tage daneben. Noch beeindruckender: Für mehr als die Hälfte der Kunden war das Modell absolut präzise, mit einem Fehler von 0 Tagen. Die Forscher fanden jedoch eine seltsame Wendung in den Daten: In etwa 75 % der Fälle kauften Kunden mehrere Dinge am exakt selben Tag. Aus diesem Grund hatte das Modell manchmal Schwierigkeiten mit den seltenen Kunden, die sehr lange (wie etwa 30 Tage oder mehr) warteten, um wieder einzukaufen. Während das Modell großartig bei den häufigen, schnellen Rückkehrten war, machten diese seltenen, langen Wartezeiten den statistischen Wert (R²) etwas negativ; dies lag nicht daran, dass das Modell schlecht war, sondern weil die Daten so voll von Tageskäufern waren, dass dies die Mathematik für die Langzeit-Wartenden durcheinanderbrachte.
Die Produktvorhersage:
Bei der Frage, was ein Kunde als Nächstes kaufen würde, stand das Modell vor einer viel schwierigeren Herausforderung. Der Shop hatte 3.655 verschiedene Produkte. Wenn man einfach nur zufällig raten würde, wäre die Chance, das richtige Produkt zu treffen, winzig klein – etwa 0,027 % für die beste Vermutung. Aber das Modell rät nicht zufällig. Es schaffte es, das richtige Produkt in seiner Top-Vorhersage in 2,35 % der Fälle zu treffen. Noch aufregender: Wenn man dem Modell erlaubte, seine Top-5-Tipps zu geben, lag es in 9,17 % der Fälle richtig. Um dies einzuordnen: Das war 67 Mal besser, als einfach mit einem Würfel zu raten. Es bewies, dass das Modell echte Muster gelernt hatte, wie zum Beispiel zu wissen, dass man, wenn man ein Telefon kauft, vielleicht bald eine Hülle kauft, anstatt nur blind zu raten.
Warum das wichtig ist
Die Autoren schlagen vor, dass dieser „zweiköpfige“ Ansatz besser als ältere Methoden ist, weil er aus der gesamten Geschichte der Einkaufshistorie eines Kunden lernt und nicht nur aus einer Momentaufnahme. Sie schlugen auch eine coole Idee für die Zukunft vor: einen KI-Agenten. Stellen Sie sich einen Roboter-Assistenten vor, der nicht nur vorhersagt, was Sie wollen, sondern Ihnen automatisch einen Gutschein oder eine Erinnerung in dem exakten Moment sendet, in dem Sie wahrscheinlich kaufen werden, ohne dass ein Mensch auf einen Knopf klicken muss. Dies könnte Unternehmen Geld sparen und ihnen helfen, ihre Kunden zufrieden zu halten, indem sie genau dann präsent sind, wenn sie gebraucht werden.
Obwohl das Modell nicht perfekt ist – insbesondere für jene seltenen Kunden, die Monate warten, um wieder einzukaufen – zeigt es, dass Unternehmen durch den Einsatz von Deep Learning zur gleichzeitigen Betrachtung von Zeit und Produkt ein viel klareres Bild ihrer Kunden gewohnheiten erhalten können. Es verwandelt einen chaotischen Strom von Transaktionen in eine lesbare Geschichte und hilft Geschäften zu wissen, nicht nur wer zurückkommt, sondern exakt, was sie als Nächstes kaufen werden.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.