Empfehlungssysteme im E-Commerce
Dieser Artikel könnte Ihnen gefallen. Denn Empfehlungssysteme haben in den letzten Jahren große Bedeutung erlangt und sind vor allem im Zusammenhang mit dem Thema Big Data eine riesige Chance für den E-Commerce. Durch das Arbeiten mit großen Datenmengen und den Einsatz ausgefeilter Algorithmen will man die Conversions von Onlineshops mit modernen Empfehlungssystemen steigern. Wer kennt sie nicht, die klassischen „Kunden, die diesen Artikel kauften, kauften auch…“- oder „Das könnte Sie auch interessieren“-Anzeigen beim Onlineshopping. Diese Tipps, passend zu den individuellen Präferenzen eines Nutzers, sind Ergebnisse erheblicher Rechenleistung und komplizierter Algorithmen. Im E-Commerce sind Empfehlungssysteme schon verankert, aber auch andere Branchen profitieren von den immer besseren Algorithmen und Technologien.
- Einfach starten: hochwertige Designs, Mobile App
- Umsatz steigern: Marketing-, SEO- und B2B-Funktionen
- Umfangreiche Zusatzfunktionen, Integration mit Shopping-Plattformen
Was sind Empfehlungssysteme?
Bei einem Empfehlungssystem (engl. „recommender system“ oder „recommendation system“) handelt es sich laut Definition um ein Software-System, das quantitativ vorhersagen soll, „wie stark das Interesse eines Benutzers an einem Objekt ist“, um ihm „genau die Objekte (…) zu empfehlen, für die er sich wahrscheinlich am meisten interessiert.“ In einfacheren Worten: Ein Empfehlungssystem bewertet aufgrund des früheren Verhaltens, z. B. früherer Bestellungen im Shop, wie stark das Interesse an bestimmten Produkten ist, und sucht automatisch ähnliche und vermutlich ebenfalls für den Nutzer interessante Produkte. Der Einsatzbereich für Empfehlungssysteme ist vielfältig. Man kennt Empfehlungen aus Webshops, bei Streaming-Diensten oder Onlinepublikationen – überall dort, wo große Mengen an Objekten – egal ob Bücher, Kleidungsstücke oder Filme – zur Verfügung stehen, für den Nutzer aber nur eine kleine Teilmenge interessant bzw. relevant ist. Bei der Menge an Daten und möglichen Recherchepfaden helfen Empfehlungen, indem sie vorab selektieren und aus der unübersichtlichen Gesamtmenge eben diese relevante Teilmenge heraussuchen.
Vorteile von Empfehlungssystemen
Für den Nutzer sollte das im Idealfall eine Erleichterung bedeuten. Statt sich durch viele weniger relevante Angebote und Seiten zu klicken, bis er auf das gesuchte Objekt stößt, hilft die Vorauswahl solcher Systeme, Irrelevantes und damit für ihn Uninteressantes direkt auszuschließen.
Betreiber erhoffen sich ebenfalls einen positiven Effekt, z. B. die Steigerung der Zugriffszahlen im Content-Bereich oder die Umsatzsteigerung im E-Commerce. In Onlineshops sollen gute und passgenaue Empfehlungen zu größeren Warenkörben führen und so die Margen deutlich vergrößern.
Doch hat die reine Kalkulation anhand von Algorithmen auch ihre Nachteile. Oft fehlt die persönliche, menschliche Komponente in der Auswahl der Empfehlungen. Selbst ausgefeilte Berechnungsgrundlagen scheitern an ganz einfachen menschlichen Verhaltensweisen. Dadurch bekommen Nutzer Empfehlungen angezeigt, die bei ihnen eher für Kopfschütteln sorgen. Amazon beispielsweise zeigt passend zum Glasschneider, den viele Handwerker für ihre tägliche Arbeit benötigen, eine Ausrüstung mit Sturmmaske und Co. an, die sich auch für Einbrecher eignet.
Wie funktionieren Empfehlungssysteme?
Empfehlungsdiensten liegt immer eine Datenmenge zugrunde. Je nach Beschaffenheit dieser Datenmenge unterscheidet man auch zwischen verschiedenen Arten von Systemen. Dazu gehören klassischerweise inhaltsbasierte (engl. „content-based“) und kollaborative (engl. „collaborative“) Systeme. Weiter gibt es noch kontextsensitive Empfehlungsdienste, und solche, die den zeitlichen Verlauf oder demografische Daten der Benutzer in die Auswertung einbeziehen.
Inhaltsbasierte Empfehlungssysteme
Inhaltsbasierte Empfehlungssysteme empfehlen Objekte oder Inhalte, die denen ähnlich sind, die der Benutzer bereits gesucht, angesehen, gekauft oder hoch bewertet hat. Das System muss dafür eine Ähnlichkeit zwischen Objekten bestimmen können. Das geschieht durch eine Inhaltsanalyse. Bei Musik-Streaming-Diensten bewertet das System beispielsweise Musikstücke. Es analysiert die Struktur, um so Stücke zu finden, die z. B. einen ähnlichen Basslauf haben.
Kollaborative Empfehlungssysteme
Bei der kollaborativen Methode erfolgt die Empfehlung auf der Grundlage der Benutzer mit ähnlichem Bewertungsverhalten. Hatten diese in der Vergangenheit großes Interesse an einem bestimmten Objekt, empfiehlt es das System weiter. Informationen bzw. Erkenntnisse über das Objekt selbst sind hier nicht nötig. Amazon z. B. nutzt dieses Verfahren umfassend.
Verschiedene Vorhersagemethoden
Empfehlungsdienste verwenden verschiedene Lernmethoden. Meist kommt entweder die speicherbasierte (engl. „memory-based“) oder die modellbasierte (engl. „model-based“) Methode zum Einsatz. Die speicherbasierte Methode nutzt alle gespeicherten Bewertungsdaten und errechnet die Ähnlichkeit zwischen Benutzern oder Objekten. Das Ergebnis ist die Grundlage, auf der man später noch nicht bewertete Benutzer-Objekt-Kombinationen prognostiziert. Modellbasierte Empfehlungsdienste arbeiten hingegen mit Prinzipien des maschinellen Lernens. Auf Grundlage der Daten soll das System ein mathematisches Modell erstellen, mit dessen Hilfe man das Nutzerinteresse an einem bestimmten Produkt prognostizieren kann.
Beispiele für bekannte Empfehlungssysteme
Empfehlungssysteme finden mittlerweile in vielen Bereichen und Branchen Anwendung. Die drei wichtigsten sind große Streaming-Dienste wie Spotify oder Netflix, klassische E-Commerce-Anbieter wie Amazon und spezielle Empfehlungssysteme für contentbasierte Werbung.
Streaming-Dienste: Empfehlungsdienste von Netflix und Spotify
Der Video-Streaming-Dienst Netflix hat erst Anfang 2016 ein neues Empfehlungssystem in die Plattform integriert. Überarbeitet wurde der Algorithmus, der jedem Netflix-Nutzer passend zu seinem persönlichen Geschmack Filme und Serien ausspielt. Die Personalisierungsalgorithmen von Netflix berücksichtigen keine demografischen Daten wie Alter oder Geschlecht. Der verwendete Indikator sind die eigens erhobenen Daten. Schon bei Einrichtung des Kontos fordert man den Nutzer zur Angabe von Lieblingsfilmen und -Serien auf. Im Nutzungsverlauf beantwortet man zentrale Fragen: Was hat der Kunde vorher angesehen? Und wie hat er das Gesehene bewertet? Durch den Vergleich aller Kunden anhand ihrer Präferenzen und Bewertungen spricht die Plattform dann präzise Empfehlungen aus. Bisher gab es Probleme, wenn der Dienst in einem neuen Land startete. Denn es gab keinerlei Datenbasis, auf der man Empfehlungen hätte berechnen können. Der neue Algorithmus arbeitet deshalb mit länderübergreifenden Kundengruppen. Man bezieht dabei nach wie vor länder- und regionalspezifische Tendenzen mit ein. Auch der Musik-Streaming-Dienst Spotify arbeitet seit längerer Zeit mit persönlichen Empfehlungen. Wöchentlich stellt der Dienst eine Liste mit Songs zusammen, die potenziell zum Geschmack des Nutzers passen. Natürlich wird auch „Dein Mix der Woche“ automatisch durch Algorithmen erstellt. Anlaufpunkt sind zum einen selbstgenerierte Playlists anderer Nutzer, zum anderen ein präzises Geschmacksprofil, das Spotify von jedem Nutzer erstellt. Der Dienst arbeitet hier mit extrem engen Genredefinitionen. Dazu kommt eine eigene Software zum Einsatz, die Artikel und Texte auf Blogs und Magazinen analysiert, um Künstler möglichst genau klassifizieren zu können. Der Empfehlungsdienst erkennt außerdem sogenannte Genre-Ausreißer, die nicht zum Gesamtprofil passen und die ein Nutzer z. B. aus einer Laune heraus angespielt hat. Diese Songs berücksichtigt Spotify nicht in der personalisierten Playlist-Erstellung.
E-Commerce: Produktempfehlungen auf Amazon und Co.
Im E-Commerce betreibt man mit Produktempfehlungen im Grunde klassisches Cross-Selling: Man zeigt Nutzern zueinander passende oder sich ergänzende Produkte. Vorreiter solcher Produktempfehlungen ist Amazon, das als Marktführer des Onlinehandels einen riesigen Pool an nutzergenerierten Daten zur Verfügung hat. Schon früh hat der E-Commerce-Riese erkannt, dass sich mit den richtigen Produktempfehlungen die Warenkörbe der Kunden schneller füllen. Mittlerweile findet man an unterschiedlichen Stellen des Kaufprozesses bis zu fünf verschiedene Formen von Produktempfehlungen:
- „Kunden, die diesen Artikel angesehen haben, haben auch angesehen“
- „Kunden, die diesen Artikel gekauft haben, kauften auch“
- „Wird oft zusammen gekauft“
- „Welche anderen Artikel kaufen Kunden, nachdem sie diesen Artikel angesehen haben?“
- „Ihre zuletzt angesehenen Artikel und besonderen Empfehlungen – Inspiriert von ihrem Browserverlauf“
Überraschend hat Amazon Anfang des Jahres seine Deep-Learning-Software DSSTNE als Open Source veröffentlicht – die Software ist die Grundlage der Empfehlungen auf Amazon. Grundsätzlich zeigt sich im E-Commerce der Trend zu tiefer gehenden Empfehlungssystemen. Neben der Möglichkeit, „Beliebte Artikel“ anzuzeigen, setzen mehr und mehr Unternehmen auf in hohem Maße personalisierte Empfehlungen. Dafür kommen in der Regel mehrere Empfehlungsstrategien zusammen: Einkaufsinteressen, beliebte Artikel und auch andere Faktoren wie Produktverfügbarkeit und Preisänderungen werden automatisch miteinbezogen.
Content Recommender Systems von Plista oder Outbrain
Was bei Netflix mit Filmen und Serien und bei Amazon mit Kameras und Büchern funktioniert, ist auch im Native Advertising ein erfolgreiches Prinzip. Die meisten Leute kennen Meldungen auf Seiten großer Onlinemagazine wie „Das könnte Sie auch interessieren“ oder „Ähnliche Artikel“ mit einer Auflistung verschiedener Inhalte von externen Seiten. Hier sind Empfehlungstechnologien Teil von Native-Advertising-Strategien. Als Anbieter von Native Ads bzw. Native Recommendation-Ads sind in Deutschland vor allem Outbrain und Plista bekannt.
Plista verspricht Nutzern ihrer Recommendation-Engine eine „äußerst präzise Zielgruppenansprache mit hoher Treffsicherheit und geringen Streuverlusten“. Die Empfehlungstechnologie von Plista beruht auf dem Zusammenspiel diverser Algorithmen. So sollen Werbung und Content immer zu den individuellen Präferenzen des Nutzers passen.
Zur Verfügung steht eine riesige Menge an Daten, die sowohl von Publisher- als auch von Nutzerseite generiert wurden. Der Plista-Server verzeichnet täglich Millionen von Anfragen – jedes Mal, wenn ein Nutzer eine Seite mit dem implementieren Plista-Widget aufruft. Sowohl harte Attribute wie Browser, Betriebssystem, Endgerät, Datum und Uhrzeit, Location u. v. m. als auch semantische Informationen über Content, der gerade gelesen wird, landen im Datenpool. Zusammen mit technischen Daten werden diese verarbeitet und durch den Algorithmus optimiert. Dabei kommen unterschiedliche Technologien zum Einsatz, u. a. Behavioral Targeting, Collaborative Filtering und Semantic Targeting. Das Ergebnis: ein präzises Targeting und die datengetriebene, nutzerindividuelle Auslieferung der Content-Recommendations.
Software für Empfehlungssysteme im E-Commerce
Im E-Commerce sind Empfehlungssysteme ein besonders wichtiges Thema. Denn hier liegen große Chancen für Onlineshops, die durch passende Empfehlungen eine Steigerung der Conversion-Rate erreichen und dadurch mehr Umsatz generieren können. Viele Shopsysteme haben integrierte Standardfunktionen für Produktempfehlungen. Damit ist zwar eine solide Analyse und Berechnung möglich, der bessere Weg ist allerdings, eine spezielle Software-Lösung nutzen. Diverse Anbieter stellen Unternehmen SaaS-Lösungen (Software-as-a-Service) zur Verfügung. Zu den bekannten Lösungen in Deutschland gehören Certona und Barilliance. Die meisten Anbieter versprechen individuell zugeschnittene und selbstlernende Software-Lösungen für Empfehlungsdienste auf Basis einer eigenen Personalisierungs-Technologie (modellbasierte Methode). Der große Vorteil von SaaS-Lösungen: Sie verringern den Aufwand der Implementierung für Unternehmen erheblich. Shop-Betreiber müssen weder in Hardware noch in Software investieren. Die meist cloudbasierten Lösungen warten zudem mit großem Funktionsumfang auf. Dabei übernehmen die Software-Lösungen drei wichtige Schritte: das Tracking der Datenbanken, das sogenannte Feature-Engineering und die Datenverarbeitung bzw. -analysen am Ende.
Tracking-Datenbanken
Um Daten auswerten zu können, muss man sie zunächst sammeln. Das passiert bei dem meisten Software-Lösungen mithilfe des klassischen Trackings. Das Tracking umfasst relevante Daten zu Standort, Warenkorb, Zeitpunkt, Verhalten und allgemein der kompletten nachvollziehbaren Customer Journey. Das Programm sammelt diese Informationen und hält sie in einer Datenbank fest.
Feature-Engineering
Beim Feature-Engineering geht es darum, sogenannte Features (dt. „Merkmale, Eigenschaften“) aus dem Datenbestand herauszufiltern. Diese Features können ganz unterschiedlicher Natur sein, z. B. die Uhrzeit des Besuchs und seine Dauer, die Abstände zwischen den Aktionen und viele weitere. Jedoch sind nur wenige Features später für die Prognose relevant. Die Herausforderung an das System besteht darin, genau diese bedeutsamen Features zu identifizieren. Dazu muss es die Merkmale finden, die signifikanten Einfluss auf das Kaufverhalten und letztlich auch auf die Kaufentscheidung haben. Die individuelle Zusammensetzung der Features variiert je nach Shop, es bedarf also einer intelligenten Analyse.
Verarbeitung und Analyse der Daten
Auf Grundlage der individuell für den Onlineshop definierten Features, also der relevanten Merkmale und Eigenschaften, berechnet das System nun Prognosen für die Produktempfehlungen. Die Erstellung dieser Prognosemodelle erfordert eine immense Rechenleistung und dauert mitunter mehrere Stunden. Das System speichert die Modelle, die dann als Grundlage für die Berechnung von Empfehlungen dienen. Jeder Shop-Besucher erhält so aktuelle, auf ihn persönlich abgestimmte Tipps und Empfehlungen.
Fazit
Personalisierung wird immer wichtiger im Onlinemarketing. Das liegt nicht nur daran, dass sich Unternehmen großem Konkurrenzdruck stellen und ständig versuchen müssen, sich von ihren Mitbewerbern abzusetzen, sondern auch an der veränderten Wahrnehmung der Nutzer. Werbung wird viel schneller als solche identifiziert und in vielen Fällen direkt ausgeblendet. Schafft man es allerdings, durch individuelle und relevante Informationen sowie eine persönliche Ansprache die Aufmerksamkeit zu wecken, stehen die Chancen für eine Conversion schon viel besser. Das gleiche gilt für Empfehlungssysteme, die zunehmend feinfühliger und genauer werden. Findet man hier die richtige Strategie und erreicht seine potenziellen Kunden, kann das positiven Einfluss auf den Umsatz und den Unternehmenserfolg im E-Commerce haben.