Angesichts wachsender Sortimente, neuer Partner und eines stetig größer werdenden Kundenstamms schaffen wir mit Data Science auch die Voraussetzungen dafür, dass wir skalieren und marktdifferenzierende Exzellenz erreichen können. Die über zwei Millionen Artikelpositionen auf otto.de lassen sich schon heute nicht mehr manuell steuern. Mit der Weiterentwicklung unseres Geschäftsmodells zur Plattform wollen wir Netzwerkeffekte erzeugen, denen wir nur mit zunehmend automatisierten Lösungen begegnen können.

Anwendungsfälle von Data Science im E-Commerce

Prognosen von Artikelmengen helfen den Logistikbereichen bei der Planung in den Lagerstandorten. Im Bereich der Artikelempfehlungen haben wir uns von Fremdanbietern unabhängig gemacht: Inzwischen kommen alle Algorithmen dieser Art – für Alternativartikel, Komplementärartikel und persönliche Empfehlungen – aus eigener Feder, gemeinsam entwickelt mit Frontend-Developern des Online-Shops. Damit halten wir wertvolle Daten und wettbewerbsrelevantes Know-how im Haus. Die Reihenfolge der Produktlisten auf otto.de wird nicht mehr auf Basis der bisherigen Artikelperformance festgelegt, sondern mithilfe von Machine Learning. Deep Learning versetzt uns in die Lage, unsere Artikelbilder besser zu klassifizieren und sie in der Kundenansprache gezielter einzusetzen. Und sogar die Effizienz der Otto-TV-Spots kann mithilfe statistischer Verfahren aufgedeckt werden, obwohl wir hier ohne saubere Test-Kontrast-Gruppen auskommen müssen.

Datengetriebenes Online-Marketing

Der wohl größte Kunde von Data Science bei Otto ist das Onlinemarketing. Die Entwicklung eines Prognose-basierten Attributionsmodells war 2012 ein großer Schritt im Aufbau eigener KI-Expertise. Andere Unternehmen steuern immer noch nach der "Last-Cookie"-Logik, die dem letzten beteiligten Browser-Cookie vor dem Kauf den gesamten Umsatz zuschreibt; oder sie vertrauen auf zweifelhafte Ansätze externer Anbieter. Bei Otto hat der "letzte Keks" längst ausgedient. Unser Modell spricht jedem Werbekanal einen individuellen Erfolgsanteil am Kaufprozess jedes Kunden zu und ermöglicht entsprechend effiziente Budget-Allokationen.

Wir stecken viel Arbeit in die Weiterentwicklung dieses Modells, auch in Zusammenarbeit mit universitätsnahen Instituten. Die Erweiterung um Display-Views, Cross-Device-User-Recognition und nicht zuletzt der Unterschied zwischen statistischen Survival-Methoden und spieltheoretischen Erweiterungen der logistischen Regression machen das Thema komplex. Warum der Stress? Bei den immensen Onlinemarketing-Budgets, die Otto monatlich aufbringt, macht es schnell einen großen Unterschied, wie genau man die Wirksamkeit der verschiedenen Werbekanäle auf die Conversion bemessen kann. Ich kenne den Markt und bin stolz darauf, dass wir bei Otto das beste Attributionsmodell im deutschen E-Commerce gebaut haben.

Neben der kanalübergreifenden Steuerung unterstützt Data Science auch die spezifischen Onlinemarketing-Kanäle durch KI-basierte Algorithmen. Im SEO helfen wir bei der Qualifizierung der Keywords. Für Google Paid-Search entwickeln wir Machine-Learning-basierte Bidder und prognostizieren, was der nächste Klick wert sein wird. Die Liste der bereits bearbeiteten und für die Zukunft avisierten Themen ist lang.

Bemerkenswert sind die Synergien. Eine Prognose, die für einen bestimmten Teilprozess entwickelt wurde, erweist sich – mit leichten Anpassungen – als wirksam für einen ganz anderen Use Case. Insbesondere bei der Datenbasis sehen wir, dass es immer wichtiger wird, eine Wiederverwendbarkeit zu gewährleisten. So können wir sie schnell vom einen zum anderen Anwendungsfall übertragen. Wir profitieren stark davon, dass wir unsere Algorithmen in einer zentralen Organisationseinheit entwickeln und betreiben.

Jobs mit Gestaltungsspielraum

Diese Aufstellung als Kompetenzteam ist es auch, die uns als Arbeitgeber attraktiv macht. Wer bei uns anfängt, findet sich umringt von einer Vielzahl von Experten für Algorithmen, für Fachbereichsprozesse sowie für die zugrundeliegenden IT-Systeme und Programmiersprachen. Hinzu kommt, dass Otto auf einem sehr reichhaltigen Datenschatz sitzt, von dem andere Unternehmen nur träumen können.

Erfolgsentscheidend ist, dass sich nahezu jeder Data Scientist auf einen Prozess in der Wertschöpfungskette konzentrieren kann, für den er langfristig Leistungen erbringt. Diese Spezialisierung kann den Unterschied zum Markt ausmachen. Gleichzeitig stärkt sie die Bindung zum Fachbereich und die vertrauensvolle Zusammenarbeit im Sinne des internen Kulturwandels.

Sicherlich ist auch bei uns nicht alles Gold, was glänzt. Aber wenn externe Kollegen während ihres Einsatzes Interesse an interner Mitarbeit entwickeln, bestätigt uns das auf unserem Weg. Zum Fliegen bringen wir unsere KI-Strategie nur mit den richtigen Leuten. Und die suchen wir übrigens laufend: Wenn du über KI nicht nur reden willst, wie es gerade alle tun, komm an Bord, um KI zu machen – in einem der ambitioniertesten E-Commerce-Projekte Europas. Wir haben laufend offene Stellen für begabte und teamfähige Data Scientists und Engineers mit Machine-Learning-Schwerpunkt.

Über den Autor:

Timo Christophersen startete 2008 als Experte für Data Mining in der Otto-Einzelgesellschaft, um in einem kleinen Team kundenbasierte Prognosen zur Steuerung von Direktmarketing-Aktivitäten zu entwickeln. Heute verantwortet er den Data-Science-Bereich von Otto. Sein 40-köpfiges Team entwickelt mit statistischen Verfahren und Methoden der künstlichen Intelligenz Algorithmen, die den Erfolg des Onlinehändlers auch in Zukunft garantieren sollen.


Autor:

W&V Redaktion
W&V Redaktion

Nicht alle W&V-Artikel erscheinen unter dem Namen eines einzelnen Autors. Es gibt unterschiedliche Gründe, warum Artikel mit „W&V-Redaktion“ gekennzeichnet sind. Zum Beispiel, wenn mehrere Autoren daran mitgearbeitet haben oder wenn es sich um einen rein nachrichtlichen Text ohne zusätzliche Informationen handelt. Wie auch immer: Die redaktionellen Standards von W&V gelten für jeden einzelnen Artikel.