TENquirer(1) Engine

Need    

Approach    

Benefit    

Competition    

Need

Sowohl im eCommerce als auch in der Consumer Industrie wird ständig nach neuen Präsentationsmethoden und Hilfestellungen zur Produktauswahl gesucht. Heutzutage wird von jedem mittleren bis größeren Hersteller bzw. Händler eine Facebook-Seite betrieben, allerdings ohne das Wissen, wie diese populär und unterhaltsam gestaltet werden kann. Der Wunsch nach einer abwechslungsreichen und gleichzeitig verkaufsfördernden Präsentation der eigenen Produktpalette bleibt dabei unerfüllt. Im eCommerce verfolgt man die Vision, dem Kunden eine solide Beratung bieten zu können, welche ebenso fundiert ist wie im Stationärhandel aber ohne die dort unvermeidlichen Personalkosten. In der Otto Group wurden dazu zahlreiche Versuche gestartet, den Kunden direkt mit Hilfe von Dialogsystemen zu beraten. Schauspieler wurden engagiert, die in kleinen Videoeinspielungen mit sonorer Stimme Produktmerkmale und deren Bedeutung erläuterten. Der verwendete Fragebaum war jedoch in allen Fällen nur statisch und meistens nicht einmal ein richtiger Fragebaum, sondern nur eine Liste. So fragte sich der Matratzenfinder(2) auf schlafwelt.de, zwar medial perfekt, jedoch stets durch dieselbe Liste von Fragen. Die dabei gezeigten Videos zogen zusätzlich noch alles in die Länge. Zubehörfinder, Geschenkefinder, Farbfinder, Typfinder etc. erfuhren alle das gleiche Schicksal: Die Kunden spielten sie selten zu Ende und niemals ein zweites Mal. Die CR(3) der so beworbenen Produkte blieb unverändert niedrig. Der große Erfolg der kleinen Webseite akinator.com beweist hingegen, dass die fehlende Akzeptanz von Dialogsystemen nicht am Dialog selbst, sondern an der Langeweile liegt, die bislang dabei aufkam. Viele Kunden sind durchaus dazu bereit, Fragen zu beantworten, wenn folgende Bedingungen erfüllt sind:

  1. Schnelligkeit
    • nicht zu viele Fragen,
    • keine Nachladezeiten,
    • keine ausschweifenden Texte,
    • keine Texteingaben,
    • möglichst Entscheidungsfragen
  2. Unterhaltungswert
    • einfallsreiche, amüsante Fragen,
    • unerwartet (gutes) Ergebnis

Approach

Dem Gründerteam steht mit der TENquirer Engine ein selbstentwickeltes System zur Verfügung, das optimierte Fragebäume erstellt. Diese ermöglichen es, den Kundenwunsch anhand weniger Fragen bestmöglich zu differenzieren. Optimierung bedeutet hier, dass das System selbstlernend erkennt, wie sich die Kundenwünsche clustern lassen. Damit kann es sich sowohl auf neue Trends als auch auf saisonalen Wandel selbstständig einstellen. Die TENquirer Engine versucht jede Frage so auszuwählen, dass sich, z.B. bei Entscheidungsfragen, die Hälfte der Spieler für Ja und die andere Hälfte für Nein entscheidet. Da es sich um einen Baum handelt, folgen auf unterschiedlich gegebene Antworten auch unterschiedlich weitere Fragen.

Anhand der getätigten Antworten wird der Baum neu "ausgewichet"


Ein Baum der lediglich 10 Entscheidungsfragen stellt, bringt es dennoch auf erstaunliche 59.000 verschiedene Empfehlungen. Für die unentschlossenen Spieler gibt es die Option ''Weiß nicht'', ''Vielleicht ja'' und ''Vielleicht nein''. Die Unsicherheit wird in der Empfehlung berücksichtigt. Das Metier der Frage muss nicht zwingend mit dem Metier der Empfehlung identisch sein. Zwischen beiden Welten gibt es eine Mittlerschicht (Thesen). Es kann somit beispielsweise nach dem Musikgeschmack gefragt, dann aber eine passende Modemarke empfohlen werden.
Für das einmalige Einrichten eines solchen Spiels auf der Firmen-Webseite, dem Shop oder der Facebook-Seite steht eine komfortable Pflegeoberfläche zur Verfügung.

Architektur der TENquirer Engine

Benefit

Die Einsatzmöglichkeiten der TENquirer Engine sind vielfältig. Je nach Kundensegment kann das Frage- und Antwortspiel ernsthaft oder humorvoll sein, nach eigenen oder fremden Präferenzen fragen und am Ende Produkte, Personen oder Dienstleistungen empfehlen. Neben der einfachen Variante mit 10 Entscheidungsfragen beherrscht die TENquirer Engine auch Multiple-Choice-Fragen sowie variable Abbruchbedingungen.

Entwurf für eine spaßige KFZ Typ Empfehlung

 Einsatzszenarien der TENquirer Engine

  1. Als Empfehlungssystem im eCommerce
    • ernsthafte Beratungshilfe oder
    • spaßiger Zeitvertreib und Stöberhilfe,
    • Geschenkefinder (zurzeit noch die größte Hürde im Weihnachtsgeschäft)
  2. Perfektes Gadget für Mobile Shopping
    • hilft dem Kunden, aus der Fülle der Angebote eine gelungene Vorauswahl zu treffen, trotz der Einschränkungen der Mobile Devices,
    • viraler Effekt zu erwarten
  3. Kontaktanbahnungen in sozialen Netzwerken
    • unterhaltsames Spiel für Kontaktbörsen,
    • bricht das Eis und gibt ein Thema für weitere Unterhaltungen vor
  4. Mehrwert bei Firmenpräsenzen oder Firmen Facebook-Seiten
    • spielerisch das Sortiment vorstellen,
    • hebt den Unterhaltungswert der Präsenz

Beispielrechnung: Für den Einsatz eines internen Geschenkefinders hat Otto errechnet, dass eine CRO von lediglich 0,1 Prozentpunkten bei Geschenken einen zusätzlichen jährlichen Umsatz von 1.5 Mio Euro generieren würde. Der ROI eines großen Shops wäre damit schon durch ein einziges Weihnachtsgeschäft leicht zu erreichen.

Beispiel Social Media Kontaktanbahnung auf Datingseite

Competition

Ein Anbieter mit einer identischen Engine in der Zielbranche eCommerce ist nicht bekannt. In der folgenden Tabelle werden drei Anbietergruppen analysiert, deren Produkte entweder eine ähnliche Anwendung oder einen ähnlichen technischen Hintergrund haben. Da kein Anbieter beide Kriterien erfüllt, bieten sich alle Hersteller auch zur vertrieblichen Partnerschaft an.

Wettbewerbssituation?Das machen sie gutDas machen wir besserPotentielle Partner?

 
Hersteller nicht dialoggeführter Recommendation Engines

www.prudsys.de, www.smartengine.at

Anwendungsfälle dialoggeführter zu nicht dialoggeführter RE überschneiden sich sehr selten. hoher Automatisierungsgrad Dialogführung liefert präziesere Ergebnisse, höhere Beratungsqualität, auch nicht kaufen erhöht die RE Qualität ja, Angebote ergänzen sich gut, Vertriebspartnerschaft

 
Hersteller statischer dialoggeführter Recommendation Engines

www.smartassistant.com

möglicher Wettbewerb Beratungsqualität schon vom Start (funktioniert ohne Lernmenge) statische Dialoge bringen keine Abwechslung und wenig Akzeptanz, Training verbessert Qualität u.U. da sich Angebote ergänzen

 
Hersteller adaptiver Entscheidungsbäumen

www.empolis.de

Branche überschneidet sich nicht technologisch sehr anspruchsvoll, hohe Beratungsqualität wir können auch eCommerce ja, Branchenerfahrung austauschen

(1) "TENquirer" ... Jemand der 10 Fragen stellt
(2)...mittlerweile wegen Erfolglosigkeit durch Filter ersetzt
(3)Conversion Rate, Verhältnis von Seitenaufrufen zu tatsächlichen Käufen