„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.
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 Nutzungsbedürfnisse aus Daten, um Inhalte und ihre Darstellung zu personalisieren und zu optimieren.
Führende Technologieunternehmen zeigen, dass der Mehrwert von intelligenter Personalisierung branchenübergreifend gilt: vom E-Commerce über Entertainment bis hin zu Sozialen Netzwerken und Online-Journalismus.
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.
„Be relevant or become irrelevant“
Im Online-Wettbewerb zählt, welches Angebot für den User den größten Nutzen hat. Personalisierung verbessert das Nutzungserlebnis, indem die Masse an Möglichkeiten auf die relevantesten reduziert wird. Dies macht es für die Nutzer:innen einfacher und angenehmer, das richtige Produkt, die richtige Playlist oder den richtigen Artikel zu finden.
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:innen und Inventare sowie über die Interaktionen und ihren Kontext macht die Nutzer:innenpräferenzen evident und bildet den Ausgangspunkt für modellbasierte Lernansätze.
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.
Daneben steht das Verhalten der User, das sich durch ihre Aktionen äußert, also. Clicks, Views, Likes etc. Diese Aktionen verbinden Nutzer:innen mit Items (Produkten, Videos, Artikeln, …). Hierbei signalisieren unterschiedliche Aktionen implizit oder explizit unterschiedliche Grade der Präferenz eines Nutzers / einer Nutzerin 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 Nutzungsverhalten für die Generierung von Vorschlägen zu nutzen.
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.
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:innen 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 Nutzungserlebnis 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.
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 User-Bedürfnisse verrät. mobile.de möchte diese Daten nutzen, um das Nutzungserlebnis – sowohl des Fahrzeugkäufers als auch des Fahrzeuganbieters – kontinuierlich zu verbessern.
Wie können wir Sie unterstützen?
Der Tag eines Data Scientist kann vielfältig sein: Datenaufbereitung und -analyse, die Konzeption von KI-Modellen und viel
MEHR ERFAHREN
At inovex we use Apache Airflow as a scheduling and orchestration tool in a wide range of
MEHR ERFAHREN
Apache Druid is a real-time analytics database that bridges the possibility of persisting large amounts of data
MEHR ERFAHREN
