Wir wissen, was Ihnen gefällt! Vorteile von Empfehlungssystemen in der Wirtschaft

Wenn Menschen einkaufen, kaufen sie Produkte, die ihnen gefallen oder die ihnen andere empfehlen, weil sie ihrer Meinung vertrauen. Im heutigen digitalen Zeitalter bieten Online-Shops ihren Kunden Hunderttausende von Produkten an. Um ihnen zu helfen, diese Produkte zu durchsuchen und das am besten geeignete davon zu kaufen, verwenden Online-Shops Empfehlungssysteme.

Darüber hinaus verwenden Inhaltsanbieter (z. B. Musik, Filme) und soziale Netzwerkdienste Empfehlungssysteme, um Inhalte zu verwalten und effektive Empfehlungen für Benutzer zu erstellen.

Empfehlungssysteme fungieren vereinfacht gesagt als eine automatisierte Form eines Kundenassistenten, der nicht nur das gewünschte Produkt anzeigt, sondern auch solche, die irgendwie verwandt sind oder Ihnen gefallen könnten. Sie gehören zu den beliebtesten maschinellen Lerntechnologien, die in Unternehmen zur Personalisierung von Inhalten für Kunden verwendet werden.

Was sind die Vorteile von Empfehlungssystemen?

Das offensichtlichste Ziel eines Empfehlungssystems ist es, dem Benutzer relevante Produkte zu empfehlen . Steve Jobs sagte: „Oft wissen die Leute nicht, was sie wollen, bis man es ihnen zeigt“ [1]. In Bezug auf Jobs können wir sagen, dass eines der sekundären Ziele eines Empfehlungssystems darin besteht, Benutzern Produkte zu zeigen, die sie in der Vergangenheit nicht gesehen haben und die ihnen gefallen könnten. Gut abgestimmte Empfehlungen können dazu beitragen , die allgemeine Benutzerzufriedenheit zu verbessern , wodurch es für den Verbraucher wahrscheinlicher wird, die Website oder App erneut zu verwenden.

Einer der bekanntesten Nutzer und Pioniere von Empfehlungssystemen ist Amazon.com. Amazon verwendet Empfehlungen, um den Online-Shop für jeden Kunden zu personalisieren, was 35 % des Umsatzes von Amazon ausmacht [2].

Ein weiteres berühmtes Beispiel für ein Empfehlungssystem ist der von Netflix verwendete Algorithmus. Laut McKinsey stammen 75 % dessen, was sich Nutzer auf Netflix ansehen, von Filmempfehlungen [3]. In dem von Netflix-Führungskräften (Carlos A. Gomez-Uribe und Neil Hunt) verfassten Artikel „ The Netflix Recommender System: Algorithms, Business Value, and Innovation “ [4] stellen die Autoren fest, dass das Empfehlungssystem dem Unternehmen jedes Jahr rund 1 Milliarde US-Dollar einspart.

Laut Spotify hat die Implementierung des neuen Empfehlungsalgorithmus dazu beigetragen, die Zahl der monatlichen Nutzer von 75 Millionen auf 100 Millionen zu steigern [5].

Welche Art von Daten verwenden Empfehlungssysteme?

Das wichtigste Element beim Aufbau eines Empfehlungssystems sind Daten. Es gibt drei Arten von Daten: explizite Daten, implizite Daten und Produktbeschreibung.

Explizite Daten haben normalerweise die Form einer Zahl (z. B. 5-Sterne-Bewertungen), die ein Benutzer einem Produkt gibt. Beispiele für explizite Daten sind Produktbewertungen von Kunden auf Amazon oder Kursbewertungen von Kursen durch Nutzer der Lernplattform Udemy. Diese Art von Daten ist schwer zu sammeln, da sie zusätzliche Eingaben von den Benutzern erfordern, sodass es länger dauert, einen Pool von Bewertungen zu erhalten, der breit genug ist, um ein nützliches Modell für maschinelles Lernen zu erstellen.

Implizite Daten sind leicht zu erheben. Es handelt sich um alle Daten, die sich darauf konzentrieren, wie der Benutzer mit den verfügbaren Produkten/Inhalten interagiert. Das Hauptproblem bei dieser Art von Daten besteht darin, das Benutzerverhalten in Benutzerpräferenzen umzuwandeln. Aber es gibt effiziente Möglichkeiten, dies zu tun. Beispiele für implizite Daten sind die Anzahl der Wiedergaben eines Songs bei Spotify, die Anzahl der Klicks auf Produktlinks oder die Kaufhistorie bei Amazon.

Der letzte Datentyp ist die Produktbeschreibung . Da diese Art von Daten oft unstrukturiert ist (z. B. in Form von Freitext), müssen wir eine zusätzliche Vorverarbeitung implementieren, um die relevanten Informationen zu extrahieren und in eine strukturierte Form zu bringen. Beispiele für Produktbeschreibungen sind eine Liste einer Besetzung eines Films auf Netflix, eines Songwriters auf Spotify oder die Produktbeschreibung auf Amazon.

Welche Arten von Empfehlungssystemen gibt es?

Sobald die Daten gesammelt wurden, können wir mit dem Aufbau eines Empfehlungssystems beginnen. Es gibt vier Haupttypen:

Popularität basiert

Die einfachste Art von Empfehlungssystem basiert auf der Beliebtheit von Artikeln. Dieses System berechnet Produktbewertungen anhand expliziter oder impliziter Daten. Nachfolgend finden Sie zwei Beispiele für beliebtheitsbasierte Empfehlungssysteme für einen Filmanbieter:

• Verwendung expliziter Daten – schlägt beliebte Filme basierend auf dem Durchschnitt der 5-Sterne-Bewertungen der Benutzer vor,
• unter Verwendung impliziter Daten – schlägt beliebte Filme auf der Grundlage der Häufigkeit vor, mit der Benutzer sie gespielt haben.

Die wichtigsten Vorteile beliebtheitsbasierter Empfehlungssysteme sind:

• Es ist kaltstartfest für den Benutzer . Das System kann Produkte ohne Informationen über den Benutzer vorschlagen.
• Es kann in Umgebungen mit einer kleinen Anzahl von Benutzern verwendet werden.

Der wichtigste Nachteil ist:

• Jeder Benutzer hat die gleiche Empfehlungsliste.
• Artikel Kaltstartproblem. Das System kann keinen Artikel vorschlagen, der noch nie zuvor von anderen Benutzern ausgewählt oder bewertet wurde.  

Inhaltsbasierte Filterung

Inhaltsbasierte Filtermethoden basieren auf Produktbeschreibungen und Benutzerpräferenzen. Diese Art von System empfiehlt Produkte, die den Produkten ähneln, die dem Benutzer in der Vergangenheit gefallen haben. Ein solches Empfehlungssystem basiert auf drei Schritten:

1. Produktbeschreibungsanalysator – In diesem Schritt werden Produktbeschreibungen mithilfe einer Merkmalsextraktionstechnik analysiert, um Originalbeschreibungen in einen Artikelvektor umzuwandeln. Anhand von Artikelvektoren berechnet das System die Ähnlichkeiten zwischen Produkten.
2. Benutzerprofilanalysator – im zweiten Schritt sammelt das System Benutzerpräferenzen, Benutzerverlaufsdaten und erstellt das Benutzerprofil, das durch den Benutzervektor dargestellt wird. Die im Benutzervektor beschriebenen Merkmale sind die gleichen wie die Merkmale in den Elementvektoren.
3. Komponentenfilterung – im letzten Schritt wählt das System Empfehlungen basierend auf den Benutzer- und Artikelvektoren aus (z. B. unter Verwendung der Kosinusähnlichkeit).

Vorteile der inhaltsbasierten Filterung sind:

• Kein Artikel Kaltstartproblem. Das System kann Produkte empfehlen, bevor Benutzer sie ausprobieren.
• Es ist anpassungsfähig. Erfasst Änderungen in den Interessen der Benutzer .
• Für einen Benutzer empfohlene Elemente hängen nicht von anderen Benutzern ab.
• Empfiehlt unbeliebte Produkte .

Nachteile dieser Lösung sind:

• Produktinformationen sind erforderlich.
• Kaltstartproblem des Benutzers. Das System kann keine Empfehlungen erstellen, wenn nicht genügend Informationen zum Erstellen eines Benutzerprofils vorhanden sind.

Kollaboratives Filtern

Beim kollaborativen Filtern analysiert das System Informationen über Vorlieben, Verhalten und Aktivitäten aller Benutzer, um vorherzusagen, was Ihnen gefallen könnte. Einfach ausgedrückt empfiehlt das System Artikel, die anderen Benutzern mit ähnlichem Geschmack und Verhalten gefallen. Die Hauptannahme dieser Methode ist, dass Menschen, denen ähnliche Produkte in der Vergangenheit gefallen haben, auch in Zukunft ähnliche Produkte mögen werden.

Die wichtigsten Vorteile der kollaborativen Filterung sind:

• Der Inhalt des Produkts muss in keiner Weise verstanden oder beschrieben werden, weder vom Ersteller des Systems noch vom System selbst . Das bedeutet, dass das System Produkte empfehlen kann, ohne das Produkt selbst zu analysieren.
• Es ist anpassungsfähig. Das System erfasst Änderungen in den Interessen der Benutzer .

Die wichtigsten Nachteile sind:

• Kaltstartproblem des Benutzers. Das System kann neuen Benutzern, die noch keine Interaktion hatten, keine Produkte empfehlen.
• Artikel Kaltstartproblem . Das System kann auch keine Artikel empfehlen, die Benutzer noch nie zuvor ausgewählt haben.

Hybrid

Hybride Empfehlungssysteme kombinieren inhaltsbasierte und kollaborative Methoden . Diese Lösung kann in der Praxis effektiver sein als jede der beiden Methoden einzeln.

Auf Netflix wird ein hybrides System verwendet, bei dem die Filmempfehlungen das Ergebnis sowohl des Vergleichs der Sehgewohnheiten ähnlicher Benutzer (kollaborative Filterung) als auch der Suche nach Filmen mit ähnlichen Merkmalen wie Filme sind, die dem Benutzer in der Vergangenheit gefallen haben (inhaltsbasierte Filterung). .

Zusammenfassung

Heutzutage verwenden immer mehr Online-Unternehmen Empfehlungssysteme, um die Benutzerinteraktion mit den von ihnen angebotenen Diensten zu verbessern. Empfehlungssysteme sind effiziente Lösungen für maschinelles Lernen, die dazu beitragen können, die Kundenzufriedenheit und Benutzerbindung zu steigern und zu einer erheblichen Steigerung Ihrer Geschäftseinnahmen zu führen.

Interessiert an Empfehlungssystemen?

Sind Sie daran interessiert, eine KI-basierte Lösung – wie Empfehlungssysteme – in Ihre Geschäftsstrategie zu implementieren? Dann sind Sie hier genau richtig. Kontaktieren Sie unser Team, um Ihre Idee zu besprechen und innerhalb von 48 Stunden ein Angebot zu erhalten.

Quellen

[1] Edson, J., 2012. Design wie Apple: Sieben Prinzipien für die Schaffung wahnsinnig großartiger Produkte, Dienstleistungen und Erlebnisse. John Wiley & Söhne. S. 47

[2] Jones, SS und Groom, FM Hrsg., 2019. Künstliche Intelligenz und maschinelles Lernen für Unternehmen für Nicht-Ingenieure . CRC Press, S. 86

[3] Alex Castrounis, 2019. KI für Menschen und Unternehmen. Ein Framework für bessere menschliche Erfahrungen und Geschäftserfolg . (E-Book)

[4] Gomez-Uribe, CA und Hunt, N., 2015. Das Netflix-Recommender-System: Algorithmen, Geschäftswert und Innovation . ACM Transactions on Management Information Systems (TMIS), 6(4), S.1-19.

[5] Leonard, D, 2016. Spotify perfektioniert die Kunst der Playlist auf Bloomberg Businessweek