Blog
Maximierung der Personalisierung: Echtzeit-Kontext und Persona sorgen für besser angepasste Produkte und Kundenerlebnisse
Haben Sie schon einmal nach etwas gesucht, das nicht typisch für Sie ist? Vielleicht haben Sie auf Amazon nach einem Geschenk für Ihre Großmutter gesucht oder wollten auf Spotify Musik für Kinder hören. Auch wenn es vielleicht nicht Ihrem üblichen Geschmack oder Ihrer Persönlichkeit entspricht, erwarten Sie von diesen Plattformen doch einen personalisierten Ansatz, der Ihnen hilft, das zu finden, was, sagen wir, Ihrer Großmutter oder Ihren Kindern gefallen könnte.
Das bedeutet, dass Spotify oder Amazon in der Lage sein sollten, in Echtzeit zu erkennen, dass sich Ihr aktuelles Verhalten von Ihrem historischen Profil unterscheidet. Sie sollten in der Lage sein, Ihre Bedürfnisse auf der Grundlage Ihrer aktuellen Aktivitäten zu erkennen und den Echtzeit-Kontext Ihrer Suche zu berücksichtigen. Im Wesentlichen sollten sie in der Lage sein, Ihre aktuelle Persona zu erkennen und diese Informationen zu nutzen, um Ihnen die besten Empfehlungen zu geben. Wenn Sie hingegen das nächste Mal etwas suchen, aber nur für sich selbst, sollten diese Plattformen vor allem Ihr historisches Profil (z.B. Ihren Musikgeschmack) berücksichtigen, um Ihnen die besten personalisierten Empfehlungen zu geben.
Die Berücksichtigung des Echtzeitkontextes beim Surfen auf Ihrer Website, beim Einkaufen auf Ihrer E-Commerce-Website, beim Anhören Ihrer Musik oder beim Ansehen Ihrer Videos kann das Engagement der Nutzer und Ihren Umsatz steigern. Es ist jedoch auch wichtig, die Konsequenzen zu verstehen, wenn der Echtzeit-Kontext nicht berücksichtigt wird. Schauen wir uns zum Beispiel an, was einigen Spotify-Nutzern zu Weihnachten 2012 passiert ist. Dies ist eine reale Geschichte und wurde sogar von meinem Ex-Kollegen von Spotify auf einem der Tech-Events präsentiert (Link zu den Folien).
Wann Sie NICHT für ein relevantes Produkt werben sollten
Hier ist die Geschichte. Einige Erwachsene, die Spotify nutzen, hörten viel romantische Musik, vor allem abends und an den Wochenenden. Der Algorithmus zur Anzeigenpersonalisierung stufte sie als Nutzer ein, die für Erwachsene relevante Anzeigen hören könnten. Dann, in der Weihnachtszeit, hörten dieselben Nutzer unter anderem während des Abendessens mit ihrer Familie oder den Kindern ihrer Geschwister Weihnachtsmusik. Plötzlich hörten sie Kondomwerbung, was ihnen die Weihnachtsstimmung verdarb. Der Algorithmus für die Anzeigenplatzierung berücksichtigte nur ihr historisches Profil und ihre aktuellen Musikvorlieben und ignorierte den Echtzeitkontext der Weihnachtszeit und der Weihnachtsmusik. 
Folien aus der Präsentation "Real time ads personalization @ Spotify" von Spotify
Was könnte Spotify im Jahr 2012 anders machen?
Indem Sie den Echtzeit-Kontext berücksichtigen, können Sie eine Blacklist mit Anzeigen erstellen, die für einen bestimmten Nutzer zu einer bestimmten Zeit nicht geschaltet werden sollten, sowie eine Whitelist mit Anzeigen, die angemessen oder sogar opportunistisch sind. In diesem Weihnachtsbeispiel könnten Sie Produkte oder Veranstaltungen für kleine Kinder oder Familienveranstaltungen in einem nahe gelegenen Ort während der Weihnachtszeit anzeigen.
Natürlich hat Spotify dieses Problem gelöst und diesen Anwendungsfall mit Streaming-Pipelines umgesetzt, die Daten in Echtzeit verarbeiten.
Real-Time Persona für die Auswahl von personalisierten Geschenken
Wenn Sie einen Echtzeit-Kontext berücksichtigen, können Sie auch mehr verkaufen. Das folgende Beispiel könnte von jeder großen E-Commerce-Plattform stammen, wie Amazon, Alibaba, Allegro oder Zalando, die zahlreiche Produkte online verkauft. Meistens kaufe ich dort Produkte für mich selbst, aber manchmal suche ich auch nach einem Geschenk für meine Frau oder meine Mutter. Wenn die Suchmaschine oder der Produktempfehlungsalgorithmus mir in solchen Fällen Produkte auf der Grundlage meines historischen Profils anzeigt, werden die Empfehlungen nicht gut sein, weil meine Vorlieben sich von denen meiner Frau oder Mutter unterscheiden. Das ist wichtig, denn für Menschen wie mich ist es nicht leicht, Geschenke zu finden.
In diesem Fall würden wir erwarten, dass die E-Commerce-Plattform schnell erkennt, dass wir nach einem Produkt für eine 33-jährige Frau wie die Ehefrau von jemandem oder eine 65-jährige Frau wie die Mutter von jemandem suchen und Produkte vorschlägt, die ihnen gefallen könnten. Das würde Zeit sparen und die Wahrscheinlichkeit erhöhen, dass wir ein Produkt auf ihrer Plattform kaufen. Ansonsten würden wir lieber mit ChatGPT sprechen, damit es uns erfolgreiche Geschenke für unsere Lieben empfiehlt, wenn die E-Commerce-Plattform nicht in der Lage wäre, dies auf bequeme Weise zu tun.
Um in solchen Situationen hilfreich zu sein, müssen E-Commerce-Plattformen die Echtzeit-Bedürfnisse erkennen und Produkte vorschlagen, die diese Bedürfnisse erfüllen können, auch wenn sie weit vom historischen Profil und den typischen Käufen des Kunden entfernt sind.
Unverzügliche Hilfe in Notsituationen
Das nächste Beispiel, bei dem das Verständnis des Echtzeitkontextes notwendig ist, sind Notfallsituationen, die atypischer Natur sind und sich von Ihrem normalen historischen Profil unterscheiden. Das Beispiel stammt aus dem Bankensektor. Stellen Sie sich vor, Sie sind mit Ihrer Familie im Urlaub in Italien und Sie kommen bei der Carsharing-Firma an, um Ihr Auto zu holen. Es ist spät am Abend, und Ihre Frau und Ihre beiden Kinder sind sehr müde. Sie versuchen, für das Auto zu bezahlen, aber Ihre Zahlung wird nicht akzeptiert, weil Ihre Limits dies nicht zulassen. Leider können Sie das Limit nicht einfach über Ihre mobile App erhöhen.
In dieser Situation wäre es toll, wenn jemand von Ihrer Bank das Problem bemerken würde. Man könnte sehen, dass Sie im Ausland sind, dass es spät am Abend ist, dass die Zahlung eines bestimmten EUR-Betrags nicht akzeptiert wurde, und auf der Grundlage Ihres Echtzeitkontexts und Ihres historischen Profils eine geeignete Lösung vorschlagen. Dies könnte eine Erhöhung des Zahlungslimits auf Ihrer Karte sein oder sogar die Möglichkeit, einen Kredit aufzunehmen, wenn Ihr historisches Profil zeigt, dass Sie diesen problemlos und ohne Risiko für die Bank zurückzahlen können. Dies ist einer der interessanten Anwendungsfälle, über die ich kürzlich mit meinem Kollegen gesprochen habe, der in einer großen Bank mit Daten und Analysen arbeitet.
Solche Notsituationen können auch in vielen anderen Lebensbereichen auftreten, z.B. wenn Sie die Gigabytes Ihres mobilen Internetplans überschreiten, wenn Sie im Ausland arbeiten. Was erwarten Sie in einer solchen Situation von Ihrem Mobilfunkanbieter? Kcell, eines der größten kasachischen Telekommunikationsunternehmen, und unser Unternehmen, das sich auf Echtzeit-Streaming spezialisiert hat, hielten einen interessanten Konferenzvortrag darüber, wie Echtzeit-Streaming in der Telekommunikation implementiert und eingesetzt werden kann, um den Nutzern zu helfen, jederzeit bessere Dienste anzubieten (unter Berücksichtigung des Echtzeit-Kontextes), Betrug aufzudecken und interne Prozesse zu unterstützen. 
Einhaltung knapper Fristen mit Echtzeit-Kontext: Schnelle und intelligente Entscheidungsfindung
Ein Verständnis für den Echtzeit-Kontext ist auch entscheidend, wenn es darum geht, intelligente Entscheidungen unter strengen Fristen zu treffen. Denken Sie zum Beispiel an einen Marketingexperten, der während des Black Friday Wochenendes oder zu Weihnachten eine Marketingkampagne durchführt und nur ein begrenztes Budget zur Verfügung hat, das er in kurzer Zeit effizient optimieren muss. Mit Echtzeit-Feedback und Kontext über die aktuelle Leistung der Kampagne ist es möglich, fundiertere Entscheidungen darüber zu treffen, wie das verbleibende Budget für den bestmöglichen Return on Investment (ROI) eingesetzt werden kann. Diese Informationen erhalten Sie über ein Marketing-Tool oder einen Marktplatz, auf dem Produkte oder Dienstleistungen beworben werden, wie z.B. eine Podcasting-App oder eine Social Media-Plattform, die in der Lage sein sollten, Metriken in Echtzeit zu liefern.
Erhöhung der seltenen Chancen für eine hochprofitable Konversion
Während Unternehmen wie Uber, Alibaba und Spotify Echtzeit-Streaming in großem Maßstab einsetzen, ist es dennoch sinnvoll, es auch in kleinerem Maßstab zu nutzen. Vor allem, wenn Sie etwas sehr Teures verkaufen und jeder Kunde zählt.
Nehmen wir nun das Beispiel eines Autokaufs. Wenn Sie ein Auto kaufen, ist das in der Regel mit einer bedeutenden Veränderung in Ihrem Leben verbunden, z. B. wenn Sie Ihr erstes Kind erwarten, einen besser bezahlten Job bekommen oder leider einen Autounfall hatten. Die Navigation auf den Websites der Autohersteller kann jedoch angesichts der zahlreichen Modelle, Typen, Optionen und komplexen Preise eine Herausforderung sein.
Um dieses Problem zu lösen, hat ein europäischer Autohersteller mit Hilfe von Xebia ein Echtzeit-Bewertungssystem implementiert, das das Online-Autosuchverhalten eines Benutzers analysiert und ihn in Kategorien einteilt. Zu diesen Kategorien gehört, ob sie ein großes Familienauto oder einen Kleinwagen suchen, ob sie sich nur umschauen oder dringend ein Auto kaufen möchten, ob sie an einer Standard- oder Premium-Ausstattung interessiert sind.
Diese in Echtzeit berechneten Einblicke geben der Website des Herstellers die Möglichkeit, den Kunden schnell zu navigieren und ihm Autos vorzuschlagen, die aufgrund von Größe, Preis und Verfügbarkeit am ehesten seinen Bedürfnissen entsprechen. Ohne dies wären sie nicht in der Lage, dem Kunden bei seinem ersten und manchmal einzigen Besuch auf der Website des Herstellers zu helfen. 
Dank eines solchen Echtzeitsystems ist die Wahrscheinlichkeit höher, dass der Kunde eine Probefahrt bucht, das Auto konfiguriert, um den Endpreis zu prüfen, oder per Chat oder Kontaktformular Fragen stellt, was die Wahrscheinlichkeit eines Verkaufs erhöht.
Beliebte Technologien zur Verarbeitung von Echtzeitströmen
Ich habe Beispiele dafür gegeben, warum Echtzeit-Streaming besser ist als die herkömmliche Stapelverarbeitung. Wenn Daten nur stündlich oder täglich von Batch-Pipelines verarbeitet werden, verpassen Sie möglicherweise wichtige Gelegenheiten oder - noch schlimmer - bieten einen schlechten Service auf der Grundlage historischer Daten. Mit Echtzeit-Streaming können Sie Ihre Dienstleistungen und Produkte verbessern, indem Sie die Daten in Echtzeit verarbeiten, sobald sie ankommen. Wenn Sie Interesse haben, können Sie sich unsere Präsentation über den Vergleich zwischen Echtzeit-Streaming und traditioneller Stapelverarbeitung auf der Big Data Spain(Video) ansehen. 
Lassen Sie uns nun einen genaueren Blick auf einige der Technologien werfen, die zur Umsetzung dieser Anwendungsfälle eingesetzt werden können.
Apache Flink ist derzeit eine der ausgereiftesten und am weitesten verbreiteten Stream Processing Engines auf dem Markt. Es handelt sich um eine Open-Source-Technologie, die auf jeder Cloud- oder On-Premise-Plattform frei verwendet werden kann. Flink ist äußerst zuverlässig und kann große Datenmengen verarbeiten. Sie wird von Unternehmen aus der ganzen Welt eingesetzt, darunter Netflix, Uber, Comcast, eBay, Lyft, Alibaba, Zalando und ING, um nur einige zu nennen.
Bei Xebia haben wir Flink in etwa 10 Produktionsprojekten eingesetzt, unter anderem in den Bereichen Telekommunikation und Banken. Bei unserem jüngsten Projekt haben wir Flink und Kafka eingesetzt, um ein Echtzeit-Marketing-Automatisierungssystem für eine große europäische Bank zu entwickeln, das personalisierte Produkte in Echtzeit anbietet. Diese Stream-Processing-Plattform wird jetzt auch für Betrugserkennung, Geschäftsautomatisierung, ML-basierte Online-Produkte, Echtzeit-Benachrichtigungen für Kunden und vieles mehr eingesetzt. Auf der anderen Seite haben wir mit Networks! ein Echtzeit-Analyseprojekt umgesetzt, das 50 % des Mobilfunknetzes in Polen kontrolliert. Die Fähigkeit, Daten in Echtzeit für Mobilfunknetze zu analysieren, ist entscheidend für die Diagnose und die Sicherstellung der Servicequalität für Endkunden. Um dies zu erreichen, haben wir eine Echtzeit-Ingestions- und Analyseplattform entwickelt, die täglich 2,2 Milliarden Nachrichten von der Hardware der Mobilfunknetze verarbeitet. Diese Lösung umfasst die Berechnung von mehr als 5000 KPIs und 1500 Aggregationen, die in SQL definiert sind, auf 750 Kafka-Themen. Mehr dazu sehen Sie in unserer YouTube-Präsentation(Video).
Bei Xebia haben wir auch einen Open-Source dbt-flink-adapter veröffentlicht, mit dem Sie in SQL definierte Pipelines in einem dbt-Projekt auf Flink ausführen können. Eine Beschreibung des Adapters und ein kurzes Tutorial finden Sie hier.
Viele Cloud-Anbieter bieten auch ihre eigenen Cloud-nativen Dienste für Echtzeit-Streaming an. Google Cloud Platform (GCP) bietet beispielsweise den Dataflow-Dienst, der Flink sehr ähnlich ist, aber nativ auf GCP läuft und gut mit anderen GCP-Diensten wie PubSub oder BigQuery integriert ist. Bald werden Sie auch die Confluent-Plattform mit einer nativen Integration mit Flink nutzen können, da
Natürlich kann man Flink nicht erwähnen, ohne Ververica zu erwähnen, das Unternehmen, das von den ursprünglichen Entwicklern von Apache Flink gegründet wurde. Ververica bietet sein eigenes Enterprise Stream Processing & Analytics an. Wir bei Xebia haben diese Plattform auch in unseren Produktionsprojekten eingesetzt und sie ist dank ihrer Unternehmensfunktionen und der ansprechenden Benutzeroberfläche für zahlreiche Unternehmen interessant.
Es gibt Produkte von Drittanbietern, die die Entwicklung von Echtzeit-Streaming-Anwendungen erleichtern. Eines dieser Produkte ist Decodable, das Streaming demokratisiert, indem es es jedem zugänglich macht, der SQL kennt. So können nicht nur Dateningenieure, sondern auch Analytiker und Datenanalysten Streaming-Fälle mit kostenpflichtigen und vollständig in der Cloud verwalteten Diensten implementieren und problemlos mit gängigen Datenquellen und -senken (z.B. OLTP-Datenbanken, Caches, Streaming-Systeme, Suchsysteme) integrieren.
Zu guter Letzt bietet Xebia seine eigene Streaming Analytics Platform an, die die oben beschriebenen Lösungen ergänzt und auf ihnen aufbaut. Unsere Plattform wurde entwickelt, um die Entwicklung von Echtzeit-Streaming-Anwendungen zu vereinfachen, indem sie Analytikern ein komfortables, notebookähnliches Erlebnis bietet. Eine der einzigartigen Funktionen unserer Plattform ist die Streaming Analytics Workbench, mit der Sie experimentieren und Ihre Streaming-Anwendung in SQL oder Python mit Hilfe eines Notebooks schreiben können. Die Plattform fördert die besten DataOps-Prinzipien und ermöglicht es Ihnen zum Beispiel, Ihre Anwendung zu Testzwecken lokal auszuführen, bevor Sie sie in der Produktionsumgebung bereitstellen, sei es vor Ort oder in der Cloud. Unsere Plattform ergänzt die oben genannten Lösungen (z.B. Decodable, Confluent, Aiven), denn ihr Schwerpunkt liegt auf dem Prototyping und der Entwicklung von Echtzeit-Streaming-Anwendungen, z.B. Marketing-Automatisierung, Geschäftsautomatisierung, Betrugserkennung, ML-basierte Anwendungen, und sie kann in Produkte von Anbietern wie Ververica, Decodable, Confluent oder Aiven integriert und/oder mit diesen verbunden werden. 
Geben Sie uns Feedback, in Echtzeit!
Wenn Ihnen diese Blogpost-Episode gefallen hat, sollten Sie sie mit Ihren Kollegen teilen. Ihr Feedback ist wertvoll für uns und zeigt uns, dass wir weitere Inhalte dieser Art erstellen sollten. Wir danken Ihnen! Wenn Sie Interesse an einer 32-minütigen kostenlosen Wissensaustausch-Sitzung mit uns haben, in der wir über Echtzeit-Streaming-Analysen sprechen, können Sie diese hier buchen.
Verfasst von
Adam Kawa
Unsere Ideen
Weitere Blogs
Contact