Der Einsatz von künstlicher Intelligenz im E-Commerce ist aktuell in aller Munde. Hauptsächlich bekannt ist diese Technologie in den Bereichen einer Recommendation Engine oder bei Chatbots, wie Amazon Alexa oder dem Google Assistant. Aber auch abseits dieser Anwendungsbereiche sind bereits heute großartige Umsetzungen möglich, die man auf den ersten Blick so gar nicht vermutet.
KI basierte Bilderkennung ist wohl durch Amazon oder Zalando bekannt, wo man über die App ein Bild hochladen kann und einem dann vergleichbare Produkte aus dem jeweiligen Produktkatalog gezeigt werden. Im Rahmen eines Shopware Projektes wurden wir vor die Herausforderung gestellt, möglichst automatisiert Landingpages für Produktgruppen zu erstellen. Dabei viel auf, dass der manuelle Pflegeaufwand für die Artikelstammdaten viel zu groß wäre und in einem Meeting jemand den Gedanken laut äußerte, dass es doch super wäre, wenn Shopware Bilder "verstehen" würde. Genau hier entstand die Idee mittels eines Machine Learning Algorithmus Produktbilder zu verstehen und die Produktinformationen in die jeweiligen Artikel zurückzuschreiben.
Bilderkennung auf Basis einer künstlichen Intelligenz
Das Sortiment des Händlers umfasste rund 100.000 Artikel (inkl. Varianten), welches je nach Marke ca. 2 - 4 Mal im Jahr wechselte. Diese hohe Fluktuation war ausschlaggebend für die Erkenntnis, dass diese Aufgabe manuell nicht zu lösen wäre. Also begannen wir gemeinsam die Produktdaten zu analysieren und zu ermitteln welche Daten wir aus einem Bild so alles herausbekommen können. Ein Mitarbeiter in der Produktanlage geht üblicherweise so vor, dass Stammdaten wie SKU, EAN, Preis, etc. importiert werden. Dann schaut sich der Mitarbeiter die Produktbilder an und anhand dieser Informationen wird ein Artikel mit einer Beschreibung, Filter, usw. ausgestattet. Dieser 2. Prozess konnte in Teilen automatisiert werden.
Nun begann die Arbeit an der KI, indem wir von allen ermittelten Produkttypen (z.B. T-Shirts, Schuhe, Hosen) Bilder geclustert und gelabelt haben. Diese Cluster mit je 200 - 1000 Bilder waren die Trainingsgrundlage für unseren auf Tensorflow basierenden Machine Learning Algorithmus. Nach schon wenigen Stunden Training konnten nicht bekannte Bilder mit über 90% Genauigkeit dem richtigen Cluster zugeordnet werden. Mit immer mehr Beispielen und Trainingszeit wurden die Zuordnungen immer genauer. Somit konnten wir die erste aus einem Produktbild abgelesene Information in einen Artikel zurückschreiben. In unserem Fall war das genau der Produkttyp, welcher in Shopware als Filter angelegt gewesen ist. Somit wurden auf einen Schlag bei ca. 25.000 Stammartikeln der Filterwert T-Shirt, Jeans, Hemd, etc. bei der Filtergruppe Produkttyp hinterlegt.
Dieses Erfolgserlebnis beflügelte die Ambitionen und es wurden immer detailliertere Cluster gebildet. Neben den Farben konnten auch z.B. der Style beim Kragen eines T-Shirts ermittelt werden. Demzufolge wurden bei T-Shirts die Filter mit "Rundhals" oder "V-Ausschnitt" automatisch beschrieben. Es führte dazu, dass mittlerweile alle Filter (über 200!!!) an einem Produkt durch die Bilderkennung ausgefüllt wurden und darüber hinaus noch ein paar Freitextfelder. Ebenfalls konnte durch die Farberkennung eine automatische Zuordnung der Bilder zur Farbvariante programmiert werden.
Schon alleine dieser Anwendungsfall zeigte, dass man durch den Einsatz von künstlicher Intelligenz einen deutlich hochwertigeren Produktkatalog erhalten und dazu noch die eigenen Mitarbeiter deutlich entlasten kann. In der Produktanlage konnte man sich nun viel mehr der SEO Optimierung der Texte widmen.
Produktdaten und Synonyme dienen zur Landingpage-Erstellung
Da wir nun über einen sehr gut pflegten Produktkatalog verfügten, der auch nach den regelmäßigen Sortimentswechseln weiter automatisch gepflegt wird, konnten wir uns an die eigenen Landingpages machen. Hierzu haben wir feste Regeln definiert aus welchen Stammdaten, Filtern und Freitextfeldern ein dynamisches Produktlisting generiert werden sollte. Als einfaches Beispiel können hier die Filter Produkttyp, Farbe und Einsatzzweck genommen werden. Für alle Artikel mit dem Produkttyp "T-Shirt", der Farbe "rot" und dem Einsatzzweck "Sport" wurde ein individuelles Listing mit H1 Überschrift erstellt. Ebenfalls wurden die betroffenen Produkte mit dem Tag versehen und von der Produktdetailseite aus verlinkt. Alleine dies brachte eine signifikante Anzahl an Landingpages und nach einer gewissen Zeit auch deutliche Rankingverbesserungen bei Google hervor.
Nun ist es ja so, dass die Deutsche Sprache schon eine recht komplexe Sprache ist und man für ein Wort viele Synonyme hat. Es ist vollkommen normal, dass je nach Bevölkerungsschicht, Alter und Region für ein und das selbe Wort völlig unterschiedliche Bezeichnungen benutzt werden. Das spiegelt sich natürlich auch in der Google Suche wieder. Nehmen wir einfach mal das Wort "Turnschuh". Alleine hierzu gibt es die Synonyme "Sportschuh", "Sneaker", "Joggingschuh" und "Laufschuh". Durch das Anbinden einer Synonyme-Datenbank konnten wir sehen, dass es teilweise für einen Produkttyp über 40 verschiedene Synonyme gegeben hat. Auch hierzu wurden nun automatisiert Landingpages zu erstellt. Mit dieser Maßnahme konnte der Sichtbarkeitsindex nachhaltig in nur 6 Monaten um über 250% gesteigert werden!
Fazit
Diese Lösung zeigt, dass unter bestimmten Voraussetzungen die Kombination von KI Verfahren und klassischen Denkweisen und Programmierungen sich wirklich innovative Lösungen erstellen lassen. Allerdings ist es auch so, dass die hier beschrieben Lösung natürlich nicht bei jedem Onlineshop sinnvoll gewesen wäre. In der Summe werden sehr viele Trainigsdaten benötigt, was ein Händler mit gerade mal 1000 Artikeln gar nicht bereitstellen kann. Auch lässt sich diese Lösung nicht einfach adaptieren. Die intensive Sondierung der Produktdaten muss gemacht werden. Auch müssen die Machine Learning Modelle zur Bilderkennung bei jedem Händler ganz individuell erstellt und trainiert werden!
Allerdings hätte sich die Integration dieser KI basierten Bilderkennung bei diesem Händler alleine schon gelohnt, nur um die Produktdaten deutlich und nachhaltig zu verbessern. Je nach Produktsortiment und Datenmenge können Erkennungsraten von annähernd 100% erreicht werden. Dies ist sogar besser als bei menschlichen Mitarbeitern, denn eine KI langweilt sich nicht nach dem hundertsten Artikel und macht somit in Summe deutlich weniger Fehler!
