Recommender Systeme in der heutigen Zeit
 
Wie funktionieren Empfehlungssysteme (EN: Recommendation Systems) und warum sind sie für B2B-Unternehmen wichtig?

In den letzten Jahren hat die rasche Nutzung des Internets deutlich gemacht, dass es vielleicht nicht nur das beliebteste Mittel für die Kommunikation, sondern auch für den Kauf von Produkten ist. Infolgedessen ist die Menge der verfügbaren digitalen Informationen gestiegen.

Diese Situation hat zu einer Informationsflut geführt, die einen schnellen Zugriff auf relevante Informationen im Internet erschwert. Obwohl die sogenannten Information-Retrieval-Systeme, wie z. B. Google, teilweise eine Lösung boten, waren diese Systeme nicht in der Lage, die verfügbaren Inhalte auf die Interessen und Vorlieben der Nutzer abzustimmen.

Das Ergebnis dieser fehlenden Priorisierung und Personalisierung führte zu einem Anstieg der Nachfrage nach Empfehlungssystemen. In diesem Artikel erklären wir, was Empfehlungssysteme sind, wie sie funktionieren und wie hilfreich sie für Unternehmen sein können, selbst wenn es sich um kleine Unternehmen handelt.

Was ist ein Empfehlungssystem (EN: Recommender System)?

Obwohl es mehrere Definitionen für Empfehlungssysteme gibt, können wir sie als Informationsfiltersysteme definieren, die das Problem der Informationsüberlastung angehen. Sie filtern Informationen nach dem Interesse, den Vorlieben oder dem beobachteten Verhalten des Benutzers zu einem bestimmten Thema.

Auf der Grundlage des Benutzerprofils können diese Systeme also vorhersagen, ob ein Produkt von einem Benutzer bevorzugt wird oder nicht. Im weiteren Sinne stellen Empfehlungssysteme die Präferenzen der Benutzer dar, um ihnen Artikel zum Kauf oder zur näheren Betrachtung vorzuschlagen, und sind heute ein integraler Bestandteil vieler E-Commerce-Websites.

Wie funktionieren Empfehlungssysteme?

Es gibt viele verschiedene Arten von Techniken und Implementierungen. Die bekanntesten Empfehlungssysteme funktionieren im Wesentlichen auf zwei Arten:

1) Inhaltsbasierte Filterung

Im ersten Fall handelt es sich bei der inhaltsbasierten Filterung um einen bereichsabhängigen Algorithmus, bei dem es im Wesentlichen darum geht, empfohlene Artikel nach der Übereinstimmung oder Relevanz zwischen Artikel und Benutzermerkmalen zu filtern oder zu sortieren. Im Allgemeinen hängt dies hauptsächlich vom Benutzer und insbesondere von den mit ihm verbundenen Informationen und dem damit zusammenhängenden Bedienungsverhalten ab.

Eine Aussage, mit der man diese Systeme beschreiben könnte, wäre: „Zeig mir mehr von dem, was mir vorher gefallen hat“.

Diese Techniken geben Empfehlungen ab, indem sie das zugrundeliegende Modell entweder mit statistischer Analyse oder mit Techniken des maschinellen Lernens erlernen. Ein Vorteil dieser Technik ist, dass das Profil anderer Nutzer nicht benötigt wird, da die Vorlieben anderer Nutzer keine Auswirkungen auf andere haben. Außerdem kann diese Technik ihre Empfehlungen innerhalb kürzester Zeit anpassen, wenn ein neuer Benutzer hinzukommt oder sich das Benutzerprofil ändert. Als Nachteil könnte man die sogenannte begrenzte Inhaltsanalyse nennen. Das bedeutet, dass eine ausführliche Beschreibung der Artikel und ein sehr gut organisiertes Benutzerprofil erforderlich sind, damit den Benutzern Empfehlungen gegeben werden können.

2) Kollaborative Filterung

Der zweite Ansatz ist der ausgereifteste und am häufigsten angewandte. Es handelt sich um die kollaborative Filterung, bei der die Interaktionen zwischen Nutzern und Artikeln aus der Vergangenheit in der so genannten „Nutzer-Element-Interaktionsmatrix“ gespeichert werden. Dann bilden Benutzer mit relevanten Interessen eine Gruppe, die „Nachbarschaft“ genannt wird, nachdem die Ähnlichkeiten zwischen ihren Profilen berechnet wurden. Danach erhält ein Nutzer Empfehlungen zu Artikeln, die er noch nicht bewertet hat, die aber bereits von Nutzern in seiner Nachbarschaft positiv bewertet wurden.

Eine Aussage für diese Technik könnte lauten: „Sag mir, was bei meinen Nachbarn beliebt ist, denn es könnte mir auch gefallen“.

Im Allgemeinen kann das kollaborative Filtern in zwei Kategorien unterteilt werden: speicherbasiert und modellbasiert.

Die erste Kategorie (speicherbasierte Empfehlungssysteme) hat zwei Merkmale:
– Sie verwendet statistische Verfahren zur Annäherung von Nutzern oder Elementen, wie z. B. den Kosinusabstand oder die Pearson-Korrelation.
– Sie nutzt den gesamten Benutzer-Element-Datensatz, um eine Empfehlung zu erstellen.

Auf der anderen Seite, das modellbasierte Empfehlungssystem:
– Es entwickelt ein Modell der Nutzer, um deren Präferenzen zu erlernen, und
– es können Modelle mithilfe von Techniken des maschinellen Lernens wie Regression, Clustering, Klassifizierung usw. erstellt werden.

Ein großer Vorteil des kollaborativen Filterns besteht darin, dass es auch dann gut funktioniert, wenn mit den Artikeln nicht viele Inhalte verbunden sind oder wenn es für ein Computersystem schwierig ist, diese zu analysieren (z. B. bei Meinungen). Außerdem ist diese Technik in der Lage, Artikel zu empfehlen, die für den Benutzer relevant sind, auch wenn der Inhalt nicht im Profil des Benutzers enthalten ist.

Warum Empfehlungssysteme wichtig sind.

1. Sie funktionieren TATSÄCHLICH.

Amazon, eines der bekanntesten Unternehmen der Welt, hat mehr als 10 Jahre in die Entwicklung eines Empfehlungssystems für seine Bedürfnisse investiert. Das Ergebnis war, dass die zusätzlichen Verkäufe durch Empfehlungen im Jahr 2002 um weitere 20% gestiegen sind. Außerdem hat Netflix 2009 einen Wettbewerb ausgeschrieben, um die Genauigkeit seines Filmempfehlungssystems um 10 % zu verbessern, was zeigt, wie wichtig ein Empfehlungssystem für den Erfolg eines Unternehmens sein kann. Bereits jetzt stammen 35 % der Käufe auf Amazon und mehr als die Hälfte der Filme auf Netflix von Empfehlungssystemen.

2. Steigerung der Kaufwahrscheinlichkeit, Kundenzufriedenheit und Loyalität.

Empfehlungssysteme bewirken eine verbesserte Kundenbindung. Passende Produktempfehlungen erhöhen die Kaufwahrscheinlichkeit dieser Produkte enorm. Außerdem ist die Loyalität und Gesamtzufriedenheit bei Kunden, die passende Produkte vorgeschlagen bekommen, höher als bei anderen.

3) Sie reduzieren die Transaktionskosten für die Suche und Auswahl von Artikeln in einer Online-Shopping-Umgebung.

4) Da sie dazu dienen, die Suchkosten der Verbraucher und die mit dem Kauf unbekannter Produkte verbundene Unsicherheit zu verringern, bieten Empfehlungssysteme eine Verbesserung des Entscheidungsprozesses sowie der Entscheidungsqualität.

5) Empfehlungssysteme können die Einnahmen eines Unternehmens erheblich steigern, da sie eine Schlüsselrolle beim Cross-Selling spielen. Sie ermöglichen es den Unternehmen, dafür zu sorgen, dass der Kunde regelmäßig neue Produkte entdeckt, die für ihn von Interesse sein könnten. Der Idealfall ist, dass Ihr bestehender Kunde nichts von einem Produkt oder einer Dienstleistung weiß, die seine Kundenerfahrung verbessern würde. Unter diesem Gesichtspunkt ist es sehr wahrscheinlich, dass die Kunden zu dem Anbieter zurückkehren und ihn weiterempfehlen.

 
BERECHNEN SIE JETZT DEN ROI VON QYMATIX PREDICTIVE SALES SOFTWARE
 

Die Bedeutung von Empfehlungssystemen in der heutigen Zeit

Empfehlungssysteme sind im Allgemeinen in der Lage, Muster in Bezug auf ähnliche Produkte und Benutzer zu erkennen, was selbst die besten Verkäufer im Unternehmen nicht immer können. Diese Fähigkeit der Empfehlungssysteme ist unumstritten. Andererseits ist die Erfahrung der Verkäufer eines Unternehmens in der Kundenansprache und ihre Fähigkeit, die Anforderungen der Zeit zu verstehen, nicht nur nützlich, sondern auch wertvoll. Es wird also deutlich, dass die Zusammenarbeit von Verkäufer und Empfehlungssystem für eine erfolgreiche Produktverkaufspolitik, die Zufriedenheit der Kunden und die Gewinnung neuer Kunden unerlässlich ist.

 

ICH MÖCHTE PREDICTIVE ANALYTICS FÜR DEN B2B-VERTRIEB
 

Literaturnachweis:

Ian MacKenzie et. al. (2013): How retailers can keep up with consumers. Hg.: McKinsey

Pu, Pearl, Li Chen, and Rong Hu (2011): A user-centric evaluation framework for recommender systems. Proceedings of the fifth ACM conference on Recommender systems.

Pathak, Bhavik, et al. (2010): Empirical analysis of the impact of recommender systems on sales. Hg.: Journal of Management Information Systems 27.2, 159-188.



Schreibe einen Kommentar