Frequently Asked Questions

Die Recommender Engine ist ein auf künstlicher Intelligenz (KI) basierendes Empfehlungsmanagentsystem der Alfa Software GmbH. Es basiert auf der automatisierten KI-Analyse von Produktbildern und bildet daraufhin Empfehlungen für Artikel, die ein Mensch auch als ähnlich bzw. passend betrachten würde.

Dabei werden von den KI-Algorithmen verschiedene Merkmale wie Form, Farbe (oder Farbton) und Muster berücksichtigt. Der Bezug der empfohlenen Bilder untereinander erfolgt in Verbindung mit den Kategorie-Stammdaten des Online Shops.

Die Ähnlichkeiten können übergreifend über Produktkategorien hinweg ermittelt werden.

Die Recommender Engine ist derzeit speziell auf den Fashion E-Commerce inklusive Accessoires ausgerichtet. Sie eignet sich optimal für Empfehlungen innerhalb der Ansicht eines vom Endkunden ausgewählten Basis-Artikels.

Das Empfehlungsmanagement kann auch sehr gut im E-Mailmarketing, für personalisierte Newsletter und die Anzeige von Empfehlungen innerhalb von Warenkörben genutzt werden.

Die Anwendung ist optimal für große Artikelbestände. Kleine Tiefenbestückungen sind ebenfalls geeignet, da gerade hier manuelle Empfehlungen noch unrentabler sind.

Die Recommender Engine ermöglicht Umsatzsteigerungen durch Up- und Cross-Sales, generelle Skalierbarkeit, vielfältige Produkt-Kombinationen sowie eine kosteneffiziente Nutzung im Vergleich zu manuellen oder teilautomatisierten Empfehlungen.

Es gibt keine Einschränkungen bezüglich der empfohlenen Kategorien und letztendlich eine deutlich verbesserte Endkundenerfahrung durch passende Empfehlungen. Die Suche nach Produkten wird erleichtert und Kaufabbrüche minimiert.

Endkunden finden "ihre" Produkte im Online Shop schnell und ohne Umwege.

Eine evtl. Überforderung der Endkunden aufgrund von Suchvorgängen in diversen Produktkategorien wird durch die Recommender Engine in gezielte Ergebnisdarstellung umgewandelt und es sollte deutlich weniger Kaufabbrüche geben.

Die Recommender Engine repräsentiert durch die Ausrichtung auf visuelle Elemente und deren KI-Analyse die Zukunft des Empfehlungsmanagements.

Die Recommender Engine analysierte bereits über 25 Millionen Bilddaten aus dem Fashion-Bereich. Diese Analyseergebnisse fließen in die Empfehlungen ein. Und das "Lernen" geht weiter.

Die Empfehlungen erfolgen unabhängig von einzelnen menschlichen Bewertungseinflüssen und basieren auf speziell entwickelten KI-Algorithmen für das Empfehlungsmanagement.

Für die KI reicht eine interne Auflösung von 224 x 224 Pixeln, wobei vor allem Pixelmuster analysiert werden. Das Bild sollte ein Produktbild ohne Model sein, um Ablenkungen vom Produkt zu vermeiden.

Sollten keine reinen Produktbilder verfügbar sein, muss ggf. ein Umweg zum Entfernen der z.B. menschlichen Komponenten aus dem Bild vorangeschaltet werden.

Bzgl. der Nutzung von Bildern mit z.B. Mannequin-Torso-Puppen sprechen Sie uns bitte für eine Bewertung an.

Es können bis zu 36 Empfehlungen pro Bild erstellt werden. Diese dann jeweils für die eigene Produkt-Kategorie des Artikels und eine flexible Anzahl weiterer Kategorien. Bild 1 in der jeweiligen Kategorie ist dabei gemäß KI-Analyse die beste Wahl.

D.h., für ein Bild können z.B. bis zu 360 Bildempfehlungen generiert werden, wenn 10 Kategorien (wie Hüte, Jacken, Hosen, Schuhe, Taschen etc.) empfohlen werden sollen.

Es sollte darauf geachtet werden, nur Empfehlungsdaten für Bilder zu erstellen, für die Empfehlungen dann auch im Shop genutzt werden (keine Verschwendung von Zeitbedarf für Empfehlungsläufe, Server- und Energieressourcen).

In der Regel wird nur eine geringe Bild-Anzahl an Empfehlungen für einen Artikel gezeigt, um den Endkunden in der Ansicht nicht zu überfordern. Die Anzahl der benötigten Bilder kann jederzeit nach Start angepasst werden. Die Anzahl an Empfehlungen pro Bild sollte allerdings ausreichend sein, um neue Bilder bei eventuellen Ausverkäufen "aufrücken" zu lassen.

Sie als Shop-Betreiber haben natürlich die Hoheit über alle Entscheidungen. Die Entscheidungen sollten im Vorfeld allerdings zwischen Ihnen als Kunden, dem Shop-Host (sofern extern) und uns (beratend) abgestimmt werden.

Es gibt ein der Cloud-Datenbank angehängtes Dashboard für eine Matrixeingabe der gewünschten Produktkategorie-Kombinationen. Diese Matrix-Inhalte basieren auf den Stammdaten der Shop-Kategorien und regeln die Empfehlungsbereiche.

Eine direkte Funktion für Outfit-Erstellung ist nicht vorgesehen. Allerdings findet die KI bereits im Standard passende Empfehlungen aus verschiedenen Kategorien in Bezug auf den Ausgangsartikel.

Die Nutzung unter Outfit-Gesichtspunkten hängt somit von den gewählten Hosting-Ansichten im Shop und den im Dashboard festgelegten Kategoriekombinationen für das Empfehlungsmanagement ab.

Nein, die Einbindung der Recommender Engine API ist flexibel und unabhängig von den genutzten Shop-Systemen. Bei gewünschten Plugins für bestimmte Plattformen bitte mit uns abstimmen.

Eine parallele Nutzung zusammen mit anderen Empfehlungssystemen sollte rel. problemlos möglich sein. Stimmen Sie sich dazu bitte mit uns ab.

Der genaue Aufwand wird nach einem ersten Abstimmungsgespräch beziffert.

Die Integration erfolgt über Stamm- und Bilddatenlinks und eine Rest-API im JSON-Format. Es gibt große Flexibilität bei Kategorien und Filtern. Die Sichtung der Artikel- und Kategorie-Stammdaten sollte frühzeitig erfolgen.

Für eine automatisierte Abwicklung werden Stammdaten über die Produktkategorien im Online Shop benötigt. Die Kategorieempfehlungen untereinander (Matrix) für Hosting und Shop-Visibility können direkt über eine Dashboard-Maske in der Cloud gestaltet werden. Sie als Kunde müssen somit lediglich die gewünschten Empfehlungskategorien in einer Dashboard-Matrix festlegen und die empfohlenen Artikel in den Shop integrieren.

Nach den finalen gemeinsamen Testings und rund um den Go-Live empfehlen wir die Durchführung von AB-Tests.

Nach der Implementierungsphase ist der Aufwand minimal, da das Empfehlungsmanagement vollautomatisiert abläuft.

Änderungen an der Empfehlungsmatrix können im Bedarfsfall über das Cloud-Dashboard direkt von Ihnen angepasst werden.

Es wird empfohlen, die KPIs der Artikelumsätze und Conversion Rates zu monitoren. Erfolge sollten sich rel. schnell einstellen.

Ein Empfehlungslauf mit sehr vielen gegenseitigen Empfehlungen kann bis zu einigen Stunden dauern.

Der Prozess erfolgt dementsprechend für die Shop Usability unkritisch im Hintergrund und ist nicht in Live-Prozesse des Shops eingebunden.

Datentransfers über die Schnittstelle erfolgen dann gemäß der abgestimmten Frequenz. Bei wenig Artikelwechseln im Shop reicht einmal in der Woche.

Bei vielen Wechseln innerhalb der Produkte durch Neuwaren, wiedereintreffende Retouren bereits ausverkaufter Artikel und über Abverkäufe, kann ein Transfer auch täglich erfolgen.

Berechnet werden die Basis-Bilder, für die Empfehlungen generiert werden. Ein einzelnes Bild kann sogar z. B. hunderte Artikel-Empfehlungen haben, die nicht extra berechnet werden.

Die Preise sinken mit steigender Menge der Bilder, für die Empfehlungen generiert werden. Ein entsprechendes Rabatt-Gerüst stellen wir Ihnen gerne detailliert vor.

In der Regel reicht für passende Empfehlungen ein größenunabhängiges Produktbild, also ein Bild pro Style (Style = gleiches Produkt mit verschiedenen Größen). Es würde dementsprechend auch nur das eine größenunabhängige Bild berechnet, obwohl die Empfehlungen für alle Bilder eines Styles genutzt werden können.

Ein Setup Fee wird nach Absprache und Kenntnis der primären Aufwände abgestimmt. Ab einer gewissen Größenordnung an Bild-Empfehlungen im laufenden Prozess wird das Setup Fee bei der monatlichen Rechnungsstellung (teilweise oder sogar vollständig) angerechnet.

Im Nachgang eines Monats erfolgt lediglich die Berechnung für den Empfehlungslauf eines Monats, der die größten Bildmengen hatte. Alle anderen Empfehlungsläufe sind kostenlos.

Für den Abschluss entsprechender Kontingente mit Ein-, Zwei- oder Dreijahresverträgen - anstatt kurzfristiger Vereinbarungen - gibt es attraktive Rabattstaffeln. Eine Festlegung muss erst erfolgen, nachdem Sie sich von der Leistungsfähigkeit der Recommender Engine überzeugen konnten.