Sitecore Cortex: Wie viel Intelligenz steckt wirklich drin?

Ghodrat AshourniaJanuar 2020

Künstliche Intelligenz revolutioniert das Content Management – so zumindest versprechen es die CMS-Anbieter. Wir haben einen Blick hinter die Marketingfassade gewagt und Sitecore Cortex auf den Prüfstein genommen. Wie viel Intelligenz steckt wirklich drin und welche Voraussetzungen braucht es, damit man diese nutzen kann?

Nahtlose, personalisierte digitale Erlebnisse

Die führende Digital-Experience-Plattform von Sitecore wird von vielen Unternehmen eingesetzt, um nahtlose, personalisierte digitale Erlebnisse zu schaffen. Das Herzstück ist die Sitecore Experience Platform. In der neusten Version hat Sitecore Cortex eingeführt.

Drei Einsatzszenarien von Sitecore Cortex

Grundsätzlich lassen sich drei Einsatzszenarien für Cortex unterscheiden:

Nutzung als Sitecore-interne Prediction Engine
Integration mit externen Services
Integration mit Machine Learning

Cortex kann als interne Prediction Engine für die Sitecore Experience Platform verwendet werden. Das beste Beispiel sind die Personalisierungsvorschläge: Sitecore wählt die User Experience aus, die das beste Gesamtergebnis erzielt, um so das Erlebnis für verschiedene Usersegmente zu optimieren. Dank der einfachen Integration kann Cortex externe Anbieter für die Datenverarbeitung und -analyse nutzen. Ein Beispiel ist das Content Tagging, das mit Sitecore 9 out of the box zur Verfügung steht. Standardmässig verwendet wird Sitecore Cortex, um mit dem Open Calais zu kommunizieren. So können alle Produkte automatisiert mit einem einzigen Knopfdruck in Sitecore vertaggt werden. Die Integration mit einem Machine-Learning-Server ist der mächtigste Ansatz. Damit haben Unternehmen die volle Kontrolle darüber, wie ihre Daten analysiert werden.

Machine Learning ist mehr als Technologie

Aber halt: Technologie ist nicht alles! Um die Chancen von Machine Learning zu nutzen, benötigen Sie ein interdisziplinäres Team mit verschiedenen Fähigkeiten:

Digital Marketer: Diese Rolle vertritt die Marketingziele und die Zielgruppensegmente und hat ein umfassendes Verständnis des Verhaltens von Kundinnen und Kunden. Damit ist sie in der Lage, Muster zu identifizieren und Use Cases auszuarbeiten.
Data Scientist: Diese Rolle ist Experte für das Konzept des Machine Learning, kann Daten und Muster analysieren und den richtigen Algorithmus für den Machine-Learning-Service.
Sitecore-Expert:in: Diese Rolle ist verantwortlich dafür, die Integrationsschritte zwischen dem Machine-Learning-Service und Sitecore umzusetzen

Die gezeigte Grafik zeigt auf, wie man erfolgreich Machine Learning auf den Weg bringt. Wer wird benötigt, welches Ziel ist definiert – vom Model-Training hin zur Personalisierung der Inhalte.

Schritt 1: Ziel definieren und Daten sammeln

Sind die richtigen Experten im Boot, ist der erste Schritt die Zieldefinition. Zur Illustration fahren wir mit einem einfachen, fiktiven Use Case fort: Wir nehmen an, ein Tourismusunternehmen will dem Nutzer auf der Homepage das passende Reiseziel anzeigen, um so den Umsatz zu steigern. Andere Anwendungsfälle wären die automatische Kundensegmentierung für E-Mail-Marketing oder Promotionen, Churn-Prävention und Produktempfehlungen. Gemeinsam legen der Digital Marketer, der Data Scientist und der Sitecore-Experte fest, welche Art von Daten benötigt werden und welches Nutzerverhalten aufgezeichnet werden soll.

Sie haben in unserem Anwendungsfall folgendes Set definiert:

Alter
Geschlecht
Familienstand
Land
Vergangene Reisen
Verlauf des Besuchs auf der Webseite

Diese Daten werden für das Training des Machine Learning benötigt. Wenn Daten unvollständig oder in einem anderen System wie einem CRM-System vorhanden sind, können Sitecore-Experten sie in die Sitecore Experience Data Base (xDB) importieren.Mithilfe der verschiedenen Tools, die Sitecore zur Datensammlung bietet, kann der Digital Marketer Sitecore so konfigurieren, dass die notwendigen Daten zum Nutzerverhalten für Machine Learning gesammelt werden. In unserem Fall hat das Team verschiedene Ziele, basierend auf dem Klima der Reiseziele, festgelegt und verschiedene Ereignisse für Broschüren- oder Reiseleiteranfragen definiert, um die Kundeninteressen herauszufinden. Zusätzlich wurden den Checkout-Seiten Ergebnisse zugeordnet, um die User zu identifizieren, die wirklich einen monetären Wert für das Unternehmen generiert haben.

Schritt 2: Export an den Machine-Learning-Server und Model-Training

Liegen die notwendigen, qualifizierten Daten vor, können die Sitecore-Experten die nötigen Schritte umsetzen, damit Cortex die Daten auf den Machine-Learning-Servern exportieren und die Prognosen abrufen kann. In diesem Schritt sollte der Data Scientist den Trainingsalgorithmus entwickeln und mit dem Sitecore-Experten zusammenarbeiten, um die Form des Datenmodells für den Machine-Learning-Server zu definieren.

Wenn das Training abgeschlossen ist und die Vorhersageergebnisse aus dem Machine Learning vorliegen, wird das Ergebnis in der Regel auf einer Facette1 eines Kontakts2 gespeichert. Man legt dazu eine neue, zusätzliche Facette an, um später, basierend auf dieser Facette, die Personalisierung implementieren zu können.

Schritt 3: Personalisierung der Inhalte

Nun haben wir die Informationen des Users und die Vorhersage seines nächsten Ziels. Damit können wir auf der Startseite die Teaser, basierend auf den Vorhersageergebnissen des aktuellen Users, personalisieren.

Fazit

Die Bereitstellung personalisierter Inhalte ist im Zeitalter der Informationsüberflutung ein Muss. Machine Learning ist ein weites Feld und bietet viele Möglichkeiten. Man schätzt, dass die Empfehlungsmaschine von Amazon mehr als ein Drittel der Kundenkäufe generiert, indem sie künstliche Intelligenz einsetzt, um die am besten geeigneten Produktempfehlungen zu identifizieren, zu bewerten und bereitzustellen.

Ein weiteres Beispiel ist die enorme Investition von IBM in die künstliche Intelligenz mit ihrer Watson-Plattform für verschiedene Bereiche wie Reisen oder Hospitality für Hotels. Allerdings ist der Prozess des Machine Learning ein kompliziertes Thema. Es erfordert ein Miteinander von Experten mit unterschiedlichen Fähigkeiten und stellt hohe Anforderungen an die entsprechende Infrastruktur für die Datenhaltung und die Datenanalyse.

Auch ohne Machine Learning bietet Sitecore 9 einige attraktive Funktionen wie Personalisierungsvorschläge oder automatisiertes Content Tagging. Wer nach einer kostengünstigen und schnellen Lösung sucht, kann die oben erwähnten externen Dienste nutzen, um erste Erfahrungen zu sammeln.

Sitecore AI automatisiert die Personalisierung

Der nächste AI-Service von Sitecore ist schon in den Startlöchern: Auf dem Symposium in Orlando kündigte das Unternehmen «Sitecore AI» an, um eine häufige Herausforderung in Sitecore-Projekten zu adressieren: Die Experience-Plattform ist im Bereich des Trackings von Aktivitäten und der Bereitstellung personalisierter Inhalte enorm leistungsstark. Allerdings ist es für Unternehmen oft schwierig, diese Funktionen tatsächlich umzusetzen. Sitecore AI soll die Personalisierung automatisieren, indem sie automatisch Besuchertrends identifiziert, Kundensegmente erstellt und Seitenelemente modifiziert, um personalisierte Erlebnisse zu bieten. Die automatisierte Personalisierung ist seit Dezember 2019 verfügbar.

Mehr zu intelligenten User Interfaces

Creating intelligent user interfaces with unic

Intelligente User Interfaces

Wie werden Services intelligent? In unserem Dossier erläutern wir Meinungen zu den Potenzialen von künstlicher Intelligenz, aber auch wie sich Teams aufstellen müssen, damit intelligente Services für Kunden entstehen. Wir nehmen verschiedene Services mit künstlicher Intelligenz unter die Lupe und analysieren, wie viel Intelligenz wirklich darin steckt.

Mehr erfahren