Recommender Systems

Recommender-Systeme für die effektive und intelligente Personalisierung Ihrer Angebote.

„Kunden, die diesen Artikel gekauft haben, kauften auch …“, „Dein Mix der Woche“, „Top-Auswahl für Sie“ – die Personalisierung von Online-Diensten durch Empfehlungen ist allgegenwärtig. Amazon, Spotify, Netflix, YouTube, Zalando und viele weitere nutzen hierfür erfolgreich Recommender-Systeme und Machine Learning. Wir setzen mit unserer Expertise für die Konzeption und Implementierung von Recommender-Systemen effektive und intelligente Personalisierung für Sie um.

Erhebliche Vorteile durch Personalisierung

Personalisierung bringt erhebliche Vorteile für Business und User – in Online-Diensten ist sie heutzutage unverzichtbar:

Personalisierung ist ein Schlüsselfaktor zum Erfolg im Online-Geschäft. Recommender-Systeme bzw. Empfehlungssysteme sind der technische Enabler für Personalisierung. Sie lernen und aggregieren Nutzerbedürfnisse aus Daten, um Inhalte und ihre Darstellung zu personalisieren und zu optimieren.

Branchenübergreifender Mehrwert

Führende Technologieunternehmen zeigen, dass der Mehrwert von intelligenter Personalisierung branchenübergreifend gilt: vom E-Commerce über Entertainment bis hin zu Sozialen Netzwerken und Online-Journalismus.

„Be relevant or become irrelevant“ – im Online-Wettbewerb zählt, welches Angebot für den User den größten Nutzen hat. Personalisierung verbessert das Nutzererlebnis, indem die Masse an Möglichkeiten auf die relevantesten reduziert wird. Dies macht es für die Nutzer einfacher und angenehmer, das richtige Produkt, die richtige Playlist oder den richtigen Artikel zu finden. Die verbesserte User Experience trägt durch reduzierte Churn-Raten und mehr Click Throughs letztlich zum wirtschaftlichen Erfolg bei. Ein genaueres Kundenverständnis sowie die Identifikation von Segmenten runden den Nutzen ab. Neue Kampagnen und Produkte bzw. Services können aus dieser Erkenntnis sinnvoll entwickelt und platziert werden.

Datenbasiertes, maschinelles Lernen

Datenbasiert werden individuelle Präferenzen maschinell erlernt, um aus der Masse des Angebots die relevanten Inhalte wie Produkte, Songs oder Zeitungsartikel vorzuschlagen. Die Analyse der Daten über Nutzer und Inventare sowie über die Interaktionen und ihren Kontext macht die Nutzerpräferenzen evident und bildet den Ausgangspunkt für modellbasierte Lernansätze.

Content Information

Content Information

So unterschiedlich die Branchen, so unterschiedlich sind auch die Daten und die geeigneten Ansätze für Recommender-Systeme. Für einen Online-Fahrzeugmarkt sind strukturierte Daten wie Preis, Modell und Kilometerstand nötig, wohingegen bei Online-Zeitungen vor allem die Extraktion von Informationen aus unstrukturierten Daten (Artikeln) wesentlich ist.

Behavioral Information

Behavioral Information

Daneben steht das Verhalten der User, das sich durch ihre Aktionen äußert, also. Clicks, Views, Likes etc. Diese Aktionen verbinden Nutzer mit Items (Produkten, Videos, Artikeln, ...). Hierbei signalisieren unterschiedliche Aktionen implizit oder explizit unterschiedliche Grade der Präferenz eines Nutzers gegenüber einem Item. Einen vorgeschlagenen Song nach 10 Sekunden zu überspringen bedeutet etwas völlig anderes als ihn der Lieblingsplaylist hinzuzufügen. Recommender aggregieren diese Informationen, um Ähnlichkeiten im Nutzerverhalten für die Generierung von Vorschlägen zu nutzen.

Context Information

Context Information

Nicht zuletzt sind es aber auch kontextuelle Informationen, beispielsweise über Zeit und Ort einer Interaktion oder über das verwendete Gerät, die Empfehlungen relevant machen. Ohne die Information über meine aktuelle Position wäre die Suche nach geeigneten Cafés in meiner Nähe schließlich ziemlich sinnlos.

Ganzheitliche Betrachtung – vom PoC bis zum Deployment

Effektive domänenspezifische Personalisierung setzt auf verschiedene Ansätze und vor allem eine ganzheitliche Betrachtung – vom PoC bis zum Deployment.

Man unterscheidet bei Recommender-Systemen vor allem zwischen kollaborativen, inhaltsbasierten und hybriden Ansätzen. Die Unterscheidung ergibt sich aus den Daten, die für das Modell verwendet werden. Klassischerweise startet man mit kollaborativen Ansätzen, die man zur Lösung des sogenannten „Kaltstart-Problems“ um inhaltsbasierte erweitert und schließlich zu hybriden Ansätzen verfeinert.

Standardisierte Lösungen helfen nur begrenzt bei einer effektiven und skalierbaren Personalisierung, und ein Proof-of-Concept allein erzielt noch keinen Mehrwert für Nutzer und Business. Es bedarf domänenspezifischer Lösungen, die außerdem ganzheitlich und iterativ vom Konzept über die produktive Lösung bis hin zum Monitoring und kontinuierlicher Verbesserung reichen.

inovex hat branchenübergreifende Erfahrung mit der Entwicklung und dem Betrieb von Recommender-Systemen. Unsere Expert:innen kennen die aktuellsten Entwicklungen und lösen die Fallstricke beim Deployment und dem produktiven Betrieb von Modellen. Wir sind regelmäßig im Austausch mit Wissenschaft und Industrie, etwa im Rahmen der jährlich stattfindenden Recommender Systems Conference. Mit unserem fundierten Wissen und unserer langjährigen praktischen Expertise erarbeiten wir gemeinsam mit Ihnen maßgeschneiderte Lösungen für ein personalisiertes und effektives Nutzererlebnis auf Ihrer Plattform.

Unsere Erfolge bestätigen dies: Für einen Kunden aus dem Einzelhandel generieren wir durch Bondaten personalisierte Couponvorschläge, um die Einlösewahrscheinlichkeit zu optimieren – und haben damit ein erhebliches Umsatzwachstum generiert. Aktuell arbeiten wir außerdem an einem Recommender-System für eine Video-on-Demand-Plattform und erhöhen damit die Kundenloyalität, was Kosten bei der Wiedergewinnung vermeidet und Umsatzstabilität gewährleistet.

Lesen Sie gerne auch den Recommendation Use Case, den wir für mobile.de umgesetzt haben:

mobile.de: Use Cases für Recommendations bei Online-Portalen anhand von Datenprodukten

mobile.de: Use Cases für Recommendations bei Online-Portalen anhand von Datenprodukten

Die mobile.de GmbH ist Deutschlands größter Fahrzeugmarkt und gehört als Teil der eBay Classifieds Group zu einem der größten Online-Unternehmen weltweit. Pro Monat sind 13,5 Millionen Besucher auf der Web-Plattform, die aus über 1,6 Millionen Fahrzeugen wählen können. Jeder Besuch der Plattform erzeugt einen Strom von Daten, der etwas über die Nachfrage nach bestimmten Fahrzeugen, die Qualität der Angebote und die Bedürfnisse des Nutzers verrät. mobile.de möchte diese Daten nutzen, um das Nutzererlebnis – sowohl des Fahrzeugkäufers als auch des Fahrzeuganbieters – kontinuierlich zu verbessern.

Case Study „Datenprodukt für mobile.de“ jetzt lesen

Wie können wir Sie unterstützen?

Nehmen Sie mit uns Kontakt auf – einfach per Telefon oder E-Mail.

Wir freuen uns auf Ihre Nachricht!


Weitere Themen:

Stefan Igel

Ich freue mich auf Ihre Nachricht!

Stefan Igel

Führungsteam Data Management & Analytics

inovex Blog

F. Wilhelm | 20.08.2018

Multiplicative LSTM for sequence-based Recommenders

Recommender Systems support the decision making processes of customers with personalized suggestions. They are widely used and influence the daily life of almost everyone in different domains like e-commerce, social media, or entertainment. [...]

Blog-Artikel lesen

inovex Blog

Tim Bicker | 27.08.2019

Multimodal Sequential Recommender Systems

Since the invention of the internet, the availability and amount of information has increased steadily. Today we are facing problems of information overload and an overabundance of choices. Recommender systems aim at decreasing the burden of information processing and decision making for end users. [...]

Blog-Artikel lesen

Externer Artikel

Marcel Kurovski | 05.02.2018

Deep learning for recommender systems

How we improve vehicle recommendations at mobile.de.

Artikel lesen

inovex Blog

M. Kurovski I 29.10.2018

From Exploration to Production—Bridging the Deployment Gap for Deep Learning

Blog-Artikel lesen

Projekt KOSMoS

Großes Gemeinschaftsprojekt: Smart-Contracting-Plattform

Viele Industrieunternehmen sammeln bereits vielfältige Daten, die ihre Produktionsanlagen ausgeben, und analysieren sie unternehmensintern. Anschließend können sie auf dieser Grundlage ihre eigene Produktion optimieren. Doch das Industrial Internet of Things (IIoT) bietet weitaus größere Potenziale. Das Projekt KOSMoS, das durch das Bundesministerium für Bildung und Forschung gefördert wird, verfolgt deshalb das Ziel, produzierende Unternehmen digital miteinander zu verbinden und damit ein Wertschöpfungsnetz über die Unternehmensgrenzen hinweg zu schaffen. Im Konsortium der neun Projektpartner ist inovex der Experte für Data Management und Analytics.

Zum Projekt KOSMoS

Externer Artikel

Marcel Kurovski | 02.10.2019

This was the 13th Conference on Recommender Systems 2019 in Copenhagen

September was a busy month for the global recommender systems community — 2 weeks packed with the newest scientific insights and applications from both academia and industry with about 1000 people gathering in Denmark and Sweden. The 13th ACM Conference on Recommender Systems as the leading conference for recommender systems research took place in Copenhagen from September 15–20. [...]

Artikel lesen

inovex Case Study 2019

Agile Data Science für die Supply-Chain-Optimierung von REWE digital

Wir treiben seit 2015 gemeinsam mit REWE verschiedene Big-Data-Initiativen für die Optimierung der Supply Chain voran. Dazu zählen Trainings, die Einführung von Big-Data-Technologien und die Entwicklung darauf aufbauender Anwendungen sowie Data Science.

Case Study jetzt lesen