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:
- Amazon erzielte durch personalisierte Produktempfehlungen binnen eines Jahres 30 % Umsatzsteigerung.
- 80 % des Video-Streamings bei Netflix werden durch Empfehlungen ausgelöst.
- 1 Milliarde Dollar beträgt der geschätzte Mehrwert durch den Netflix-Recommender, der die Kundenabwanderung signifikant reduziert.
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.
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:
Wie können wir Sie unterstützen?
Nehmen Sie mit uns Kontakt auf – einfach per Telefon oder E-Mail.
Wir freuen uns auf Ihre Nachricht!
+49 (0)721 619 021-0E-Mail schreiben
Weitere Themen:

Ich freue mich auf Ihre Nachricht!
Stefan Igel
Führungsteam Data Management & Analytics
inovex Karriere
Werde Teil unseres Data Teams!
Wir suchen nette neue Kolleg:innen für unser Data Team. Da momentan leider besonders der Networking-Teil bei Events auf der Strecke bleibt, veranstalten wir am 13.01.2021 ein Online-Event, in dem es vor allem um eure Fragen geht – inhaltlich, fachlich und über das Arbeiten bei uns.
Mehr Informationeninovex Leistungen
Service-Meister
Im Rahmen des Service-Meister-Projektes arbeiten wir als Teil eines Konsortiums, das aus 15 Unternehmen, Verbänden und Hochschulen besteht, an einer KI-basierten Service-Plattform für den deutschen Mittelstand.
Mehr leseninovex 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 leseninovex 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 lesenExterner Artikel
Marcel Kurovski | 05.02.2018
Deep learning for recommender systems
How we improve vehicle recommendations at mobile.de.
Artikel leseninovex Blog
M. Kurovski I 29.10.2018
From Exploration to Production—Bridging the Deployment Gap for Deep Learning
Blog-Artikel lesenProjekt KOSMoS
Großes Gemeinschaftsprojekt: Smart-Contracting-Plattform
Das Projekt KOSMoS, das durch das Bundesministerium für Bildung und Forschung gefördert wird, verfolgt 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 KOSMoSExterner 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 leseninovex Case Study
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