Was ist ein Empfehlungsdienst?

Ein Empfehlungsdienst (englisch: Recommender System) ist ein Softwareprogramm, was über gesammelte Informationen das Interesse eines Nutzers oder Kunden vorhersagt und so zur Personalisierung von E-Commerce und Apps eingesetzt wird.

Empfehlungsdienste (häufig auch Empfehlungssysteme) sind ein sehr beliebter Anwendungsfall von maschinellem Lernen und künstlicher Intelligenz für Marketing und Vertrieb.

Für viele Unternehmen ist es eine große Herausforderung, zu jeder Zeit die richtigen Produkte empfehlen zu können und so auf die Bedürfnisse Ihrer Kunden einzugehen.

In den letzten Jahren haben wir viele Unternehmen dabei begleitet, ihre Kundenkommunikation durch Empfehlungssysteme erfolgreich zu personalisieren. Auch in 2020 wird sich dieser Trend fortsetzen, da Empfehlungsdienste erhebliche Vorteile für Kunden sowie Anbieter haben.

Steigen wir direkt ein:

  1. Was ist ein Empfehlungsdienst?
  2. Definition Empfehlungsdienst / Empfehlungssystem
  3. Arten von Empfehlungsdiensten (Recommender Systems)
  4. Einsatzmöglichkeiten für Empfehlungssysteme
  5. Eigenschaften von Produktempfehlungen für E-Commerce

Was ist ein Empfehlungsdienst?

Ziel eines Empfehlungsdienstes ist es aus der Menge aller verfügbaren Objekte (Musik, Produkte, Text oder Video), die Objekte zu empfehlen, welche am relevantesten für den Nutzer sind. Am relevantesten bedeutet, dass diese Empfehlung möglichst genau den Geschmack, das Interesse oder das Bedürfnis des Kunden trifft.

Oft wird auch von einem Empfehlungssystem gesprochen.

Durch die Filterung von relevanten Objekten, ist die Gefahr von Informationsüberflutung geringer, was zu einem positiven Nutzererlebnis führt.

Für die Ermittlung der relevanten Empfehlungen wird bei einem Empfehlungssystem machinelles Lernen eingesetzt. Empfehlungssysteme sind ein sehr aktives und attraktives Forschungsfeld, in welches viel Geld investiert wird.

Ein Empfehlungsdienst wird zur Personalisierung von Webseiten eingesetzt und steigert die Kundenzufriedenheit
Ein Empfehlungsdienst wird zur Personalisierung von Webseiten eingesetzt.


Die Digitalisierung ermöglicht bei jedem Kundenkontakt ein Datensatz zu erzeugen und so Wissen über den Kunden aufzubauen. Dieses Wissen nutzt man kontinuierlich für die Verbesserung des Empfehlungsdienstes. So werden dem Empfehlungssystem nach und nach die Bedürfnisse der Nutzer antrainiert.

KI-im-CRM Kopie

Whitepaper:
Wie künstliche Intelligenz das CRM verändert!

Trage deine E-Mail-Adresse ein, um die KI-Fallstudien zu erhalten:

Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.

Definition Empfehlungsdienst / Empfehlungssystem

Empfehlungsdienste kann man sinnvoll einsetzen, wenn es eine große Menge an Objekten zur Auswahl gibt, aus denen der Nutzer eine geringe Anzahl empfohlen bekommen soll.

Ein Ziel ist es dabei auch dem Nutzer (neue) noch nicht bekannte, aber trotzdem relevante Objekte zu empfehlen und somit das Entdecken von interessanten Objekten zu erleichtern.

Auch die Zeit zur Auswahl von Produkten wird dadurch reduziert und wirkt positiv auf das Kundenerlebnis. In diesem Artikel habe ich über die Vorteile von Empfehlungssystemen zur Personalsierung geschrieben.

Ein Empfehlungsdienst fungiert als Filter und zeigt dem Kunden relevante Objekte an.
Ein Empfehlungsdienst fungiert als Filter und zeigt dem Kunden nur relevante Objekte an.

Für die E-Commerce Unternehmen ist der Einsatz eines Empfehlungssystems oft mit dem Ziel der Umsatzsteigerung und Erhöhung der Kundenaktivität besetzt.

Die monetären Ziele sollte man allerdings nicht allein in den Fokus rücken, denn bei Personalisierung geht es im ersten Moment um den Kunden. Ein Empfehlungssystem hilft dann dabei, die Kundenzufriedenheit zu steigern und langfristig den Kunden zu binden.

Wer mehr über Personalisierung aus fachlicher Sicht erfahren möchte: in diesem Artikel habe ich alles wichtige zur Personalisierung zusammengefasst.

Entwicklung von Empfehlungsdiensten

Einfache Empfehlungssysteme bestimmen zu aktuell genutzten oder gekauften Objekten (z.B: ein Film) passende, ähnliche Objekte.

Heute entwickelt man Empfehlungsdienste sehr viel aufwändiger und nutzt das aktuelle sowie historische Nutzerverhalten. Dazu wird das Interesse und Nutzungsverhalten eines bereits “bewerteten” Objekts genutzt. In diesem Fall wird die Information über das implizit (reine Interaktion wie eine Ansicht oder Kauf) oder explizit (konkrete Bewertung bspw. mit 4 Sternen) für die Berechnung der Empfehlung genutzt.

Diese Bewertungsdaten fließen dann als Eingabe in maschinelle Lern Algorithmen, die die Berechnung der Empfehlungen ermöglichen.

Arten von Empfehlungsdiensten (Recommender Systems)

Grundsätzlich gibt es unterschiedliche Arten von Empfehlungsdiensten: inhaltsbasierte Empfehlungssysteme (english content-based filtering), kollaborative (english collaborative filtering) Empfehlungssysteme sowie kontextbasierte Empfehlungsdienste, die den zeitlichen Ablauf mit einbeziehen.

Inhaltsbasierte Empfehlungssysteme (Content-Based Filtering)

Inhaltsbasierte (content-based) Empfehlungssysteme sind Recommender-Systeme, die die beschreibenden Informationen zu den einzelnen Objekten als Grundlage für die Berechnung der Empfehlungen nehmen. Dies kann zum Beispiel ein Vergleich zwischen den Beschreibungstexten eines Produktes oder die Ähnlichkeit der Produktbilder sein.

Dazu werden Ähnlichkeiten (mit einem Distanzmaß wie z.B. der Jaccard Dinstanz) zwischen allen Objekten, sowie historischen Nutzerinteraktionen ermittelt und dies als Grundlage für dem Berechnung der individuellen Nutzerpräferenz genutzt.

Kollaborative Empfehlungssysteme (Collaborative Filtering)

Kollaborative Empfehlungsdienste (collaborative filtering) empfehlen Objekte anhand der Nutzer mit ähnlichem Bewertungsverhalten (ähnliche Nutzer). Die einfachste Art von Collaboative Filtering ist Item-based, hier wird die Präferenz des Nutzers (historische Interaktion mit dem Objekt, bspw. Kauf, View etc.) genutzt und mit einer Ähnlichkeitsmatrix multipliziert. Eine Ähnlichkeitsmatrix beschreibt wie ähnlich sich die Objekte sind, berechnet anhand von Interaktionen, d.h. welche Produkte kaufen Nutzern häufig zusammen.

Über die Jahre haben sich die Algorithmen natürlich stark weiterentwickelt und besonders der Algorithmus “Alternating Least Squares” (ALS) ist für extrem gute Empfehlungsqualität bekannt. Dieser Algorithmus nutzt sowohl User- und Item-Interaktionen und kann dadurch genauere Empfehlungen ermitteln.

Hier nochmal eine schöne Grafik, die die zwei Varianten vergleicht:

Kollaboratives Filtern und inhaltsbasierte Empfehlungsysteme
Kollaborative und inhaltsbasierte Empfehlungsysteme im Vergleich.

Hybride Empfehlungssyteme (Hybrid Recommender)

Hybride Empfehlungsdienste (hybird recommender) vereinen content-based und collaborative filtering, um so die Empfehlungsqualität zu steigern. So wird beispielsweise das Kaltstartproblem des kollaborativen Empfehlungssystem (wenn der Nutzer oder das Objekt noch sehr unbekannt oder neu ist) minimiert, was dafür sorgt, dass schneller relevante Empfehlungen für Nutzer zur Verfügung stehen.

Hybrides Empfehlungssystem vereint content und collaborative filtering
Hybrides Empfehlungssystem vereint inhaltsbasierte und kollaborative Mehtoden.

Hybride Ansätze kommen vor allem bei den großen Unternehmen, wie Facebook, Spotify und Netflix zum Einsatz. Es handelt sich hierbei um Unternehmen, die viele Informationen über Ihre Nutzer, aber auch viele über Ihre Contents haben.

Einsatzmöglichkeiten für Empfehlungssysteme

Typische Einsatzgebiete von einem Empfehlungsdienst sind:

  • im E-Commerce und Webshops
  • in einer App
  • am Point-Of-Sale / an der Kasse
  • im Kundencenter
  • Online- und Bannerwerbung
  • Retargeting auf Social-Media-Plattformen

Häufig ist es das Ziel, eine möglichst konsistente Kommunikation mit dem Kunden (Nutzer) aufzubauen, d.h. die unterschiedlichen Kommunikationskanäle liefern identische Nachrichten an den Kunden, so dass ein einheitliches Bild entsteht.

Eigenschaften von Produktempfehlungen für E-Commerce

Das Ergebnis der Empfehlungssysteme sind häufig Produkt- oder Contentempfehlungen. Die generierten Empfehlungen sollten folgende Eigenschaften haben:

  • Relevanz: Die gefilterte Menge aller Objekte soll für den Nutzer relevant sein.
  • Neuartigkeit: Die ermittelten Empfehlungen sollten für den Nutzer neuartig sein, d.h. nach einer gewissen Kontaktfrequenz ohne Interaktion des Nutzers, sollte die Empfehlung durch eine neue ausgetauscht werden.
  • Entdeckung: Empfehlungssysteme sollen Ergebnisse liefern, die für den Nutzer unbekannt und überraschend, aber zugleich interessant sind.
  • Vielfalt: Die Empfehlungen aus dem Empfehlungssystem sollten eine gewisse Vielfalt haben, d.h. selbst wenn der Nutzer sich bisher nur Hemden angeschaut hat, sollte er als Empfehlung nicht ausschließlich Hemden angezeigt bekommen.

Am Ende müssen Sie entscheiden, wie die Gewichtung der vorgestellten Eigenschaften sein soll. Je nach Zielsetzung können Sie die Gewichtung variieren.

Sie interessieren sich für Empfehlungssysteme und denken über den Einsatz bei Ihnen nach? Wir von datasolut unterstützen Sie gerne bei der Umsetzung für Ihr Unternehmen.

Ihr Kontakt: Laurenz Wuttke

Unternehmen sitzen auf einem ungenutzten Berg von Kundendaten. Wir von datasolut entwickeln KI, die Ihr Marketing optimiert. Damit Sie dem richtigen Kunden zur richtigen Zeit das richtige Angebot machen können.

Laurenz Wuttke

Auch interessant für Sie

Laurenz Wuttke datasolut Gmbh
Ich freue mich, wenn Sie sich zu unserem Newsletter anmelden.

Jetzt zum Newsletter anmelden!

Ihr Mehrwert:

Mit der Anmeldung stimmen Sie unserer Datenschutzerklärung zu.

KI-im-CRM Kopie

Whitepaper:
Wie künstliche Intelligenz das CRM verändert!

Trage deine E-Mail-Adresse ein, um die KI-Fallstudien zu erhalten: