Data Science Thesis at Akanoo

uplift
Hallo!
Ich bin Tillmann Radmer (26), studiere an der Humboldt Universität Berlin Wirtschaftsinformatik und habe zuvor meinen Bachelor als Wirtschaftsingenieur in Hamburg gemacht. In meiner Masterarbeit erforsche und vergleiche ich neuartige Ansätze zur Optimierung von Uplift-Modellen zur interaktiven Besucheransprache.
Durch ausgeklügeltere Modelle kann Akanoo Kunden gezielter ansprechen und die Conversion Rate für seine Kunden verbessern. Ich möchte hier einen kleine Einführung in das Uplift Modelling zur gezielten Besucheransprache geben.

Uplift Modeling

Often times an important question in direct marketing is which customers to target. This is because some customers will not react to the campaign, while still incurring the variable costs of marketing. Worse, some customers might react negatively to receiving an ad. Generally, there are four types of customers in direct marketing:

  1. Customers who will respond without treatment,
  2. customers who will only respond after receiving a treatment,
  3. customers who will not respond because of a treatment, and
  4. customers who will not respond regardless.

The goal of uplift modeling is to differentiate customers in group 2 from those in the other groups.

Start with A/B-testing

To build an uplift model one needs the result from an A/B-testing experiment. Using two groups and a binary outcome will give four possible combinations as shown below.

Figure 1: Four possibilities in an A/B-test experiment. (Shaar2016)

Given the result one can calculate the uplift as

P(return|treatment)-P(return|control).

Unfortunately, this term is not defined for a single customer, so we cannot simply build a model that maximizes it. Instead there are serveral approaches to maximize it indirectly.

Building a model

The simplest one neglects the control group and models the probability that a customer will return given that she received treatment and given some customer specific information.

P(return|treatment,information)

Throwing away half the data isn’t optimal. For instance this model doesn’t predict which customers will only return when given some treatment, as we required above. Instead it will give all customers that will return regardless of treatment.

A simple extension is to build two models, one for each term in the uplift equation. Formally,

P(return|treatment,information)-P(return|control,information).

While this approach directly models the uplift effect, research suggests that it doesn’t always perform well in practice. One reason for that is that the treatment effect is usually much smaller than the main effect, e.g. if the main effect is 1.0% in the control group and the combined effect is 1.1% in the treatment group, then the uplift effect is only 0.1% (=1.1%-1.0%). Consequently the individual model will mostly focus on the main effect within each group. (Radcliffe, 2011)

An easy way to a single model approach is to apply a class variable transformation to the result from the A/B-test. Both the TR and the CNR groups will be assigned to the positive group (e.g. treatment) and TNR and CR will be assigned to the negative group (no treatment).

Table 1:  Example of the class variable transformation.

Customer

Group

1=Treatment

0=Control

Returned

1=Returned

0=Not Returned

Transformed
1 0 1 0
2 1 0 0
3 0 0 1
4 1 0 0
5 1 1 1
6 0 0 1

The idea is that from the four fields, we would definitely like to treat the customers in the group with the TR outcome. And because we don’t know whether the customers in the CNR would have responded if they had received a treatment, we would also like to treat them. It can be shown that under some assumptions modeling the conditional probability of the transformed class variable is equivalent to modeling the conditional probabilities of the two original variables from uplift equation above.

There are more elaborate techniques that incorporate the maximization of the uplift equation into the training algorithm. However, the straightforward implementation and applicability to any standard machine-learning algorithm make the two models approach and the class variable transformation approach very attractive first choices.

PrefixSpan with Spark

Meetup-Event bei Akanoo

Am 13. August 2015 trafen sich 20 Technologie-Interessierte im Rahmen des “Big Data & NoSQL Hamburg Meetup” im Office bei Akanoo. In entspannter Atmosphäre hielten Frank Wolf und Dr. Gundula Meckenhäuser dort einen Vortrag zum Thema “PrefixSpan with Spark”.

Während Dr. Gundula Meckenhäuser den Teilnehmern einen Einblick in “PrefixSpan for Sequential Pattern Mining” gab, zeigte Frank Wolf die darauffolgende Prefix-Implementierung mit Spark. Die Veranstaltung endete mit einer Diskussion und anschließendem Networking in angenehmer Runde.

Informationen zur Meetup-Veranstaltung von Akanoo finden Sie hier.

Meetup 13.08.2015

Meetup 13.08.2015

Akanoo takes 3rd place at NEOCOM E-Commerce Startup Award

We look back to exciting two days at NEOCOM 2014 in Düsseldorf. NEOCOM is one of the leading conferences for the German e-commerce and mail-order industry. Akanoo was one of few startups that were selected among over 35 applicants to pitch live on stage for the NEOCOM E-COMMERCE STARTUP AWARD. After a great pitch session, Akanoo finished third after Stickvogel and Glossybox of Berlin.

We are very proud of the result, having finished ahead of other great software-as-a-service companies such as channelpilot and our competitors. We recommend any other young company with a focus on services to e-commerce players to join the NEOCOM fair and startup award. Use the opportunity to meet great partners and prospects and see you next year at NEOCOM!

The E-COMMERCE STARTUP AWARD finalists
The NEOCOM 2014 E-COMMERCE STARTUP AWARD finalists

Der persönliche Draht zum Kunden: Personalisierung im E-Commerce

In vielen Online-Shops ist das Versprechen nach einem persönlichen Einkaufserlebnis tatsächlich nicht mehr als: Ein Versprechen. Dabei zeigen Statistiken, dass Besucher sehr positiv auf ein personalisiertes Einkaufserlebnis reagieren. So kommen über 70 Prozent der Besucher deutlich lieber zu Shops zurück, die eine personalisierte Produktauswahl dargestellen. Die Besucher sind fest überzeugt, dass Online-Händler mit personalisierten Angeboten einen besseren Service bieten.

Verständlicherweise gehen viele Internetnutzer vorsichtig mit ihren Daten um. Es ist hier an den Online-Händlern, verantwortungsvoll zu agieren und Transparenz zu schaffen, denn:

  • 57% aller Online-Konsumenten sind bereit, persönliche Daten zu hinterlegen, wenn es ihr Einkaufserlebnis deutlich verbessert
  • 77% vertrauen Online-Händlern mehr, wenn diese erläutern, wie sie die personenbezogenen Daten einsetzen.

(Quelle: Marketingcharts.com)

Ein personalisiertes digitales Einkaufserlebnis ist auch der Leitgedanke für Akanoo. Mit persönlichen Angeboten, die wir durch unseren selbstlernenden Algorithmus zielgerecht den Besuchern eines Onlineshops offerieren, schaffen wir ein individuelles und auf die Kundenwünsche abzielendes Kauferlebnis und können so nachhaltig Umsätze und Gewinne steigern.

Online-Händler aber auch selbst kleine Schritte tätigen und ihren Kunden einen persönlicheren Shopbesuch ermöglichen. Im Lifestyle- und Fashion-Segment ist der amerikanische Anbieter Zappos.com, der schon mit dem Claim „Powered by Service“ große Kundenorientierung demonstriert, ein hervorragendes Beispiel. Unsere Top 3 Ideen von Zappos zur Personalisierung in der Kundenbindung sind:

  • Amazon-Login
    Zappos lässt Kunden einfach mit ihrem bestehenden Facebook- oder Amazon-Login einloggen – und begrüßt sie dann sofort mit ihrem Namen persönlich auf der Seite.
  • Favoriten und Wunschlisten
    Zappos lässt Kunden ihre Favoriten speichern, über Social Media teilen und macht auf Basis dieser Favoriten und der besuchten Seiten sofort passende Vorschläge für andere Produkte auf der Startseite.
  • Helpline und Chat
    Fragen? Kein Problem. Zappos zeigt die Helpline präsent oben auf der Seite an, ohne dass sich die Kunden durch komplizierte FAQs klicken müssen. Für eilige Fragen kann über den Chat direkt das persönliche Gespräch mit einem Kundenberater gesucht werden.

Sinnvolle Maßnahmen in Online-Shops um Besucher in Kunden zu verwandeln

Ein freundliches Gespräch, individuelle Beratung und guter Service: Kundenbindung im stationären Handel basiert häufig auf nicht weniger als dem direkten Kontakt von Mensch zu Mensch. Viele Online-Shops stellt das vor eine echte Herausforderung. Besucher sind anonym. Verlassen sie die Website ohne einen Kaufabschluss oder zumindest eine Registrierung ist ein Nachgang zu selten von Erfolg gekrönt. Bisher bieten Retargeting und CRM-Maßnahmen zwei mögliche Lösungen die Erfolgswahrscheinlichkeit zu erhöhen.

Retargeting ist eine gängige Option um Onlineshop-Besucher zurückzuholen. Leider wirken Maßnahmen bisher oft wenig ausgefeilt. Häufig funktioniert das Predictive-Behavioral Targeting, die Einschätzung der Verhaltensweisen der Besucher, nur mangelhaft. Obwohl der Besucher den eigenen Online-Shop schon einmal besucht hat, bekommt er Banner ohne hinreichend relevanten Anreiz zu Rückkehr und Kauf. Übertragen auf den stationären Handel würde einem Kunden nach dem Verlassen des Geschäfts das Produkt ohne weitere Beratung einfach weiter vor die Nase gehalten. Logisch, dass das häufig eher störend wahrgenommen wird, als zum Kaufabschluss zu führen. Viele Online-Nutzer reagieren darauf recht direkt – etwa durch den Einsatz von Ad-Blockern.

Dem hohen Stellenwert des Bestandskunden trägt die Bedeutung des Customer-Relationship Management Rechnung. Um den Überblick in der Kommunikation mit den Kunden zu bewahren, ist der Einsatz eines intelligenten CRM-Systems sinnvoll. Schließlich besagen Studien, dass die Kaufwahrscheinlichkeit bei bestehenden Kunden mehr als fünfmal so hoch ist wie bei Neukunden; von niedrigeren Akquisekosten gar nicht zu reden. Häufig eignen sich kleine, flexible Lösungen, die die alltägliche Arbeit erleichtern ohne durch überladenen Funktionsumfang zu überfordern. Dazu zählt beispielsweise das Tool des jungen deutschen Start-up Linko, bei dem sich über Schnittstellen Kundeninformationen aus sozialen Netzwerken in einer App zusammenführen lassen. Das hilft den Kunden zu verstehen und ihn so persönlicher anzusprechen. Für den Einstieg in die Verwaltung aller Adressdaten, der E-Mail-Kommunikation und der Umsatzaktivitäten ist beispielsweise CentralstationCRM eine gleichermaßen gute wie kostengünstige Option. Wer mehr Funktionalität sucht, ist bei Zoho gut aufgehoben. Neben der hervorragenden Anbindung an Office und Google bestechen die umfangreichen Möglichkeiten zur Dokumentation. Doch natürlich helfen CRM-Systeme vor allem dann, wenn man den Kunden bereits kennt – etwa im Fall von Service-Anfragen.

Aber warum dem Kunden erst dann hinterherrennen, wenn er den Shop bereits verlassen hat?

Wir haben es uns bei Akanoo zum Ziel gesetzt, Besucher von Anfang an persönlich und individuell im Online-Shop zu begrüßen. So, wie man es bei einem guten Einkaufserlebnis erwartet. Mit Hilfe eines ausgefeilten selbstlernenden Algorithmus analysiert Akanoo das Verhalten von Online-Shop-Besuchern und adressiert sie ganz gezielt nach ihren Kaufabsichten. Wie beim Verkaufsgespräch im Handel kann so die richtige Ansprache gewählt und persönliche Angebote gemacht werden. Damit gelingt es Akanoo, die Conversion von Besuchern in Käufern maßgeblich zu steigern. So schaffen wir treue Kunden, die gerne wiederkommen.