Mehr Umsatz durch bessere Produktvorschläge: Recommender Systeme

Recommender Systeme (dt. Empfehlungsdienste) gehören zu den bekanntesten Anwendungsfällen für Machine Learning. Online Plattformen, allen voran Amazon, haben diese Systeme im großen Maße Anfang der 2000er-Jahre der Öffentlichkeit bekannt gemacht. Amazon konnte mit seinem Feature „Kunden, die diesen Artikel gekauft haben, haben auch folgende Artikel gekauft“ beachtliche Erfolge erzielen.

Bei Recommender Systemen geht es darum Produkte anzuzeigen, die für Kunden mir hoher Wahrscheinlichkeit relevant sein könnten. Dabei ist es egal, ob es sich um digitale Güter (z.B. Musik, Filme, Nachrichten) oder analoge Güter (z.B. Werkzeuge, Ersatzteile) handelt. Recommender Systeme helfen also, Kunden die Kaufentscheidung zu erleichtern und Informationsklarheit herzustellen.

Verschiedene Arten

Man unterteilt solche Systeme typischerweise in zwei Kategorien: inhaltsbasiert oder kollaborativ.

Bei inhaltsbasierten Systemen werden nur Daten der Produkte herangezogen (ohne eine Verknüpfung mit User-Daten) um ähnliche Produktgruppen zu identifizieren. Dies Daten sind z.B. Produkttitel, Produktbeschreibung, Produktkategorie oder auch Produktbilder. Der Vorteil hier liegt in der Einfachheit und Robustheit der Systeme.

Bei kollaborativen Systemen hingegen werden die Nutzungsverhalten verschiedenster User miteinander verbunden. Durch Machine Learning-Analysen werden ähnliche Nutzergruppen identifiziert, sogenannte Micro-Segmente, und die zu erwarteten Kaufentscheidungen berechnet. Dadurch kann z.B. folgende Funktion in einem Webshop realisiert werden: „Kunden, die diesen Artikel gekauft haben, haben auch folgende Artikel gekauft“.

Oft werden diese zwei Arten von Systemen in einem Ensemble miteinander verbunden, um noch bessere Vorhersagen treffen zu können. So sind beispielsweise „inhaltsbasierte“ Systeme besonders bei wenig Nutzerdaten erfolgreicher in der Vorhersage und können damit gut das Cold Start-Problem bekämpfen, das Auftritt wenn bei Start eines Vorhersagemodells zu wenig Transaktionsdaten vorhanden sind. Bei ausreichend Nutzerdaten sind hingegen kollaborative Systeme effektiver.

Zusätzlich können diese beiden Systemarten mit weiteren Auswertungen ergänzt werden, z.B. demographischen oder Session-bezogenen Analysen, um die Vorhersagequalität weiter zu steigern.

Recommender Systeme erleichtern Kunden die Kaufentscheidung und entlasten Vertrieb und Produktmanagement.

Inhaltsbasierte Systeme

Inhaltsbasierte Systeme leiten ihre Vorschläge aus Produktinformationen (z.B. Titel, Beschreibung, Kategorie, Bilder) ab. Die Realisierung dieser Systeme kann mit unterschiedlichen Machine Learning-Algorithmen geschehen, wie in der folgenden Grafik verdeutlicht wird.

Darstellung von einfachen und fortgeschrittenen Machine Learning Algorithmen zur Realisierung von inhaltsbasierten Recommender Systemen

Kollaborative Systeme

Kollaborative Systeme leiten ihre Vorschläge aus vergangenen Kaufentscheidungen von Kunden ab. Bei ausreichend Datenmengen sind diese Systeme in der Regel den inhaltsbasierten Systemen überlegen. Die Realisierung von kollaborativen Systeme kann mit unterschiedlichen Machine Learning-Algorithmen geschehen, wie in der folgenden Grafik verdeutlicht wird.

Darstellung von einfachen und fortgeschrittenen Machine Learning Algorithmen zur Realisierung von kollaborativen Recommender Systemen

Entwicklung und Einsatz

Grundsätzlich bauen Recommender Systeme auf bestehenden Datenmengen auf. Nach Exploration der Daten wird das passende Machine Learning-Modell ausgewählt, getestet und verfeinert. Das Feedback der Fachabteilungen (z.B. Produktmanager) ist dabei essentiell, zur Verbesserung der vorgeschlagenen Produkte.

Der Einsatzort eines solchen Systems unterscheidet sich je Firma. Am naheliegendsten ist der Einsatz im firmeneigenen Webshop. Aber auch eine Einbindung an ein Vertriebsprogramm kann, speziell für den B2B-Bereich, sehr sinnvoll sein, um die Arbeit des Vertriebs zu vereinfachen.

Recommender Systeme haben sich in den letzten Jahren sehr stark weiterentwickelt. Heutzutage sind diese in allen Branchen, in denen Nutzungsdaten anfallen, erfolgreich einsetzbar. Kunden wissen den Mehrwert durch einfachere Kaufentscheidung zu schätzen und der interne Vertrieb wird entlastet.

Manuel Pusterhofer
Autor: Manuel Pusterhofer
Manuel Pusterhofer ist Gründer und Geschäftsführer von Cognisio Consulting GmbH.
Mehr erfahren?

Erfahren Sie mehr zum Potential von AI, Data Science und Machine Learning in Ihrem Unternehmen.

Haben Sie Fragen zum Einsatz von Recommender Systemen in Ihrem Unternehmen? Kontaktieren Sie uns.