Hightech-Lösungen
Verbesserte Suchergebnisse und optimierte Customer Experience durch KI für einen internationalen Technologiekonzern
Erfolgsgeschichte
Ein internationaler Technologieführer hat Scalefocus damit beauftragt, die Suchergebnisse seines Hauptportals zu verbessern – einschließlich der Suchergebnisse des CPQ-Systems. Ziel war es, die Produktzuordnungszeiten für bestehende und neue Kunden sowie für Geschäftspartner zu verkürzen, die Treffsicherheit von Autocomplete-Vorschlägen zu erhöhen und intelligente Produktempfehlungen sowie -konfigurationen bereitzustellen.
Unser Team setzte einen hybriden Modellansatz ein, der kollaboratives und inhaltsbasiertes Filtering kombiniert, um eine hohe Qualität der Vorschläge zu erzielen. Das System wurde in die Lage versetzt, komplexe Produktvorhersagen zu erstellen, die die Customer Experience durch hochgradig personalisierte Ergebnisse verbessern.
Verbesserte Suchperformance
Reduzierte Angebotserstellungszeit
Reibungslosere
Customer Journeys
Der Kunde
Unser Kunde ist ein multinationaler Technologieführer, der Software- und Hardware-Lösungen sowie Dienstleistungen für Privatanwender, kleine und mittlere Unternehmen sowie Großkonzerne anbietet. Darüber hinaus stellt das Unternehmen Managed Services bereit – darunter vollständige IT-Support-Lösungen für andere Organisationen.
Im Laufe der Jahre hat der Kunde seinen Namen mit Innovation und hoher Qualität verknüpft. Das breit aufgestellte Produktportfolio zielt darauf ab, Unternehmen bei der IT-Transformation und der Beschleunigung digitaler Initiativen zu unterstützen.
Die Herausforderung
Der Kunde wollte die Produktsuche für verschiedene Partner und Stakeholder verbessern – darunter Endkunden, Wiederverkäufer und Distributoren sowie Unternehmensvertreter. Ziel war es, die Relevanz der Suchergebnisse erheblich zu steigern, um schnellere Produktzuordnung, kürzere Angebotserstellungszeiten, eine bessere Customer Experience und weniger Systemüberlastungen zu erreichen. Für bestehende Kunden sollte die Optimierung auf Basis der Angebotshistorie erfolgen, für neue Kunden auf Basis der am häufigsten angebotenen Artikelnummern im gleichen Land.
Da viele Technologieprodukte im Suchverlauf eines Bestandskunden schnell veralten, musste auch eine Funktion entwickelt werden, die ähnliche aktuelle Produkte vorschlägt. Wenn ein Kunde laut Angebotshistorie vor einem Jahr ein bestimmtes Gerät gesucht hat, soll das System ähnlichen Bedarf annehmen und die aktuelle Version des Produkts empfehlen – gespeist durch ein ML-Datenmodell. Sowohl bestehende als auch neue Partner müssen die gewünschten Produkte explizit auswählen, bevor das Angebot abgeschlossen werden kann. Die ausgewählten Produkte erscheinen dann als Positionen im Angebot, womit der CPQ-Prozess abgeschlossen ist.
Die Lösung
Wir stellten ein Team aus erfahrenen GO-, Data- und DevOps-Engineers zusammen. Deren Hauptaufgabe war es, komplexe und nützliche Produktkonfigurationen für Kunden zu erstellen – anstatt lediglich eine einfache Autocomplete-Funktion bereitzustellen. Durch den Einsatz von KI-Modellen und ML-Algorithmen sollten generische Vorschläge vermieden und stattdessen präzise, durchdachte Empfehlungen generiert werden. So wurden die Bedürfnisse der Kunden proaktiv antizipiert und ihre Sucherfahrung auf ein neues Niveau gehoben.
Wir setzten außerdem LLMs ein, die wir auf Basis kundenspezifischer Daten feinabstimmten und um eine zusätzliche Schicht zur Extraktion der relevanten Parameter aus dem Gesamtdatensatz ergänzten. Nach dem Training nutzten die Modelle ein gecachtes MM-Modell, um die Such- und Vorhersageergebnisse zu beschleunigen. Um die Qualität sicherzustellen, bewerteten unsere Experten die Ausgaben des Algorithmus sorgfältig und definierten eine Genauigkeitsschwelle. Um domänenfremde Ergebnisse zu vermeiden, wurden die Grenzen des Systems von Anfang an klar festgelegt.
Unsere Experten entwickelten zudem ein Empfehlungssystem, das ergänzende Produkte automatisch zu bereits ausgewählten Produkten hinzufügt, und integrierten es in den Produktzusammenfassungsbereich – vergleichbar mit einem E-Commerce-Warenkorb. Dafür wurden zwei ML-Algorithmen eingesetzt: XGBoost und KNN, ergänzt durch Data-Engineering-Techniken. Im Kern handelt es sich um eine intelligente Autocomplete-Funktion, die ausgehend von einem Suchbegriff des Kunden eine sinnvolle Konfiguration verwandter Produkte vorschlägt. Die empfohlenen Produkte im Zusammenfassungsbereich können vom Kunden als Positionen bestätigt oder verworfen werden, da sie optional sind.
Das Team konzentrierte sich zunächst auf die Verbesserung der Suche für Bestandspartner auf Basis ihrer Angebotshistorie im Rahmen des sogenannten Google-Rate-Filterings. Für neue Partner im CPQ des Kunden wurden Backend-APIs eingesetzt, um das empfohlene Produkt über die ML-Engine vorherzusagen. Das Empfehlungssystem lernt aus dem Nutzerverhalten, historischen Nutzungsmustern und Produktattributen, um intelligente und präzise Vorschläge zu liefern.
Die Ergebnisse
- Steigerung der Präzision (Anteil relevanter Empfehlungen an allen Empfehlungen) von 53% auf 89%
- Steigerung des Recalls (Anteil abgerufener relevanter Empfehlungen) von 54% auf 90%
- Verbesserte Suchperformance mit 95% Genauigkeit durch Beschleunigung des Suchprozesses
- Skalierbare und flexible Systemarchitektur
- Stabile Performance bei kontrollierten Kosten sowie automatisierte Hintergrundprozesse, Monitoring und Analytics
- Verbesserte Produktsuche für Web, Mobile und LMS