Ein Empfehlungsdienst (englisch: Recommender System) ist ein Softwareprogramm, welches über gesammelte Informationen das Interesse eines Nutzers oder Kunden vorhersagt und somit 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:
- Was ist ein Empfehlungsdienst?
- Definition Empfehlungsdienst / Empfehlungssystem
- Arten von Empfehlungsdiensten (Recommender Systems)
- Einsatzmöglichkeiten für Empfehlungssysteme
- Eigenschaften von Produktempfehlungen für E-Commerce
- Welche Herausforderungen bestehen beim Einsatz von Empfehlungssystemen?
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. Dabei stellen Empfehlungssysteme ein sehr aktives und attraktives Forschungsfeld dar, in welches viel Geld investiert wird.
Die Digitalisierung bietet die Möglichkeit, bei jedem Kundenkontakt ein Datensatz zu erzeugen, um somit 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.
Download:
KI Use Cases für Marketing und Vertrieb
- Mehr Umsatz durch gezielte Vorhersagen
- Durch Automatisierung mehr Zeit gewinnen
- Budget und Ressourcen gezielt einsetzen
Jetzt eintragen und spannende KI-Projektbeispiele aus der Praxis erhalten:
Definition Empfehlungsdienst / Empfehlungssystem
Empfehlungsdienste lassen sich sinnvoll einsetzen, wenn es eine große Menge an Objekten zur Auswahl gibt, aus denen der Nutzer eine geringe Anzahl empfohlen bekommen soll.
Eines der Ziele besteht darin, 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 wirkt sich positiv auf das Kundenerlebnis aus. In diesem Artikel habe ich über die Vorteile von Empfehlungssystemen zur Personalsierung geschrieben.
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 an erster Stelle um den Kunden. Ein Empfehlungssystem hilft anschließend 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 werden sowohl das Interesse als auch das 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 schlussendlich als Eingabe in maschinelle Lern Algorithmen, die die Berechnung der Empfehlungen ermöglichen.
Warum sind Empfehlungsdienste nützlich?
Durch die Personalisierung der Angebote erhält das Unternehmen die Möglichkeit, eine Steigerung des Umsatzes zu erreichen sowie eine Verbesserung des Kundenerlebnis zu gewähren.
Durch Empfehlungsdienste lassen sich Produkte aus Kundensicht schneller finden. Zudem wird der Zugriff auf relevante Inhalte erleichtert, sodass das Bedürfnis eines Kunden besser befriedigt wird. Dadurch fühlt sich der Kunde in seinen Interessen besser verstanden und ist bereit, weitere Produkte zu kaufen oder zusätzliche Inhalte abzurufen.
Weiterhin sind Empfehlungssysteme für Unternehmen wertvoll, da diese durch das Aussprechen relevanter Inhalte einen Wettbewerbsvorteil erkämpfen und das Risiko einer Kundenabwanderung minimieren.
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 Distanz) zwischen allen Objekten, sowie historischen Nutzerinteraktionen ermittelt und dienen als Grundlage für die Berechnung der individuellen Nutzerpräferenz.
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 und berechnet anhand von Interaktionen, welche Produkte von Nutzern häufig zusammen gekauft werden.
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:
Sitzungsbasierte Empfehlungsdienste
Bei dieser Art von Empfehlungssystem werden die Interaktionen eines Nutzers innerhalb einer Sitzung verwendet. Solche Empfehlungssysteme werden unter anderem bei Plattformen wie YouTube oder Amazon eingesetzt. Der Ansatz eines sitzungsbasierten Empfehlungsdienstes hat vor allem den Vorteil, dass keine historischen Daten über Klicks oder Käufe bestehen müssen.
Der Großteil von Empfehlungsdiensten auf Basis einer sitzungsbasierten Empfehlung nutzt ausschließlich Daten aus der Abfolge der letzten Interaktionen einer Sitzung. Dabei werden hauptsächlich Techniken auf Basis von sequentiellen Modellen wie Recurrent Neural Neworks, Transformers oder weiteren Deep Learning-Ansätze verwendet.
Reinforcement Learning für Empfehlungsdienste
Hybride Empfehlungsdienste (hybrid 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.
Hybride Empfehlungssyteme (Hybrid Recommender)
Hybride Empfehlungsdienste (hybrid 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.
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 sowohl über ihre Nutzer, als auch über ihren Content 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. Dies bedeutet, dass die unterschiedlichen Kommunikationskanäle identische Nachrichten an den Kunden liefern, sodass ein einheitliches Bild entsteht.
Eigenschaften von Produktempfehlungen für E-Commerce
Das Ergebnis der Empfehlungssysteme sind häufig Produkt- oder Content-Empfehlungen. Die generierten Empfehlungen sollten folgende Eigenschaften besitzen:
- 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.
Welche Herausforderungen bestehen beim Einsatz von Empfehlungssystemen?
- Nicht genügend Daten: Bei Einsatz von Empfehlungssystem ist es zwingend notwendig, dass genügend Daten vorliegen. Dennoch kommt es nicht auf die reine Menge der Daten an. Viel wichtiger ist es, dass diese einen gewissen qualitativen Standard bieten. Nur durch ausreichend qualitativ hochwertige Informationen lassen sich Empfehlungen aussprechen. Daher sollte das Unternehmen von Anfang an Wert auf die richtige Wahl und Sammlung passender Daten legen.
- Unklarheiten im Datenbestand: Erfolgt das Labeling ungenau, so kann es dazu führen, dass gleiche Produkte mit unterschiedlicher Beschriftung falsch gewertet werden. Folglich kann es passieren, dass einem Kunden Produkte vorgeschlagen werden, die nicht den Bedürfnissen entsprechen.
- Skalierbarkeit: Die Vielzahl an Produkten und Kunden überfordert heutzutage viele Unternehmen im Bereich des E-Commerce. Dahingehend wird es zur Herausforderung, größer werdende Datensätze für den Einsatz für Empfehlungssystemen zu nutzen.
Fazit
Wie Sie sehen, gibt es verschiedene Empfehlungssysteme, die unterschiedliche Eigenschaften sowie Vor- und Nachteile besitzen. Die Entwicklungen des E-Commerce zeigen, dass flexible Strukturen immer wichtiger werden und dass Kunden passende Produktempfehlungen erwarten. Die Wahl eines guten Empfehlungssystems kann sich vor allem auf die Höhe des Warenkorbwerts auswirken. Doch nicht nur das Unternehmen profitiert durch interessante Empfehlungen. Ebenfalls verbessert sich die Zufriedenheit des Kunden, was zu langanhaltenden Kundenbeziehungen führt.
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.