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.

mobile.de versteht sich als Marktplatz für den An- und Verkauf von Fahrzeugen. 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.

Jede Funktionalität der Plattform, die auf der Basis von Nutzungsdaten hinzugefügt wird und einen neuen Mehrwert für den Nutzer liefert, nennen wir „Datenprodukt“. Wir drücken damit aus, dass die Daten einen primären Nutzen für den Nutzer der Web-Plattform haben. mobile.de und inovex entwickeln vor diesem strategischen Hintergrund gemeinsam neue Datenprodukte. Eines dieser Datenprodukte sind nutzerspezifische Empfehlungen für Autos, die sogenannten Recommendations. Im Mittelpunkt steht dabei die Aufgabe, den Nutzer schneller und effektiver dabei zu unterstützen, das optimale Fahrzeug für ihn zu finden.

Nutzerspezifische Empfehlungen im Kaufprozess

Beim ersten Kontakt mit der Plattform mobile.de haben viele Nutzer nur eine recht grobe Vorstellung davon, wie das optimale Fahrzeug für sie aussehen könnte. Um einen Überblick zu erhalten, schauen sie sich zunächst eine große Zahl unterschiedlicher Fahrzeuge an (Prozessphase: Orientierung). Empfehlungen auf Modellebene unterstützen den Nutzer dabei, möglichst schnell eine umfassende Übersicht über alle Modelle zu bekommen, die potentiell in Frage kommen könnten. 

Mit zunehmender Klarheit über die eigenen Anforderungen und das Angebot werden die Suchanfragen und das Verhalten des Nutzers immer spezifischer (Prozessphase: Spezifizierung). Die Diversität der betrachteten Anzeigen sinkt und die Entscheidung über das Modell (oder wenige Modelle) steht. Fahrzeuge werden „favorisiert“ – also gespeichert, um die Händler zu kontaktieren. Empfehlungen auf der Favoritenliste zeigen dem Nutzer gleichzeitig weitere relevante Angebote, die ihm bisher entgangen sind. Dabei werden die Präferenzen des Nutzers verwendet, die sich in den Positionen seiner Favoritenliste widerspiegeln. Indem er die Händler kontaktiert, tritt der Nutzer anschließend in die Realisierungsphase des Kaufprozesses ein. 

Empfehlungen bringen ...

Nutzer-Vorteile:

In jeder Phase verbessern gezielte Empfehlungen den Auswahlprozess und bringen den Nutzern Vorteile bei der Entscheidungsfindung wie auch bei der Suche nach einem guten Angebot. Empfehlungen werden vom Nutzer als inspirierend empfunden. Der Anbieter ist engagiert, berät und unterstützt den Nutzer. Die User Experience wird signifikant verbessert, da der Nutzer schneller das für ihn optimale Produkt findet.

Business-Vorteile:

Durch die Verbesserungen für den Nutzer wird gleichzeitig objektiver Business-Nutzen für mobile.de geschaffen. Deutlich messbar sind eine Erhöhung der Klick-Rate und eine Verringerung der Absprung-Rate. Durch die gezielten Empfehlungen verweilen die Nutzer länger auf der Seite. Eine Übersicht verschiedener KPIs und deren Veränderung bei Nutzung von intelligenten Algorithmen finden Sie unter inovex.de/datenprodukte-kpi.

Recommender Use Cases für mobile.de

Gemeinsam mit mobile.de haben wir mehrere Use Cases umgesetzt, die heute bereits auf der Plattform mobile.de sichtbar sind oder es in Kürze sein werden:

1. Recommendations direkt auf der Hauptseite

Startseite mobile.de

Schon auf der Hauptseite werden dem Nutzer erste Empfehlungen gegeben, die eine Alternative zum Einstieg über die Suche darstellen. Nutzer, die bereits auf mobile.de waren, werden direkt abgeholt und zu den Angeboten geleitet. Basierend auf den bisherigen Interaktionen mit dem Marktplatz werden dem Nutzer passende Fahrzeuge angeboten.

2. Favoritenliste, um ähnliche Fahrzeuge zu finden

mobile.de: Parkplatz

Ein weiterer Use Case für Empfehlungen ist der „Parkplatz“, die Favoritenliste von mobile.de. Auf Grund seiner Favoriten, die er dort gespeichert hat, werden dem Nutzer ähnliche Fahrzeuge angeboten. Eine erneute oder umfangreichere weitere Suche wird ihm durch die Vorschläge abgenommen.

3. Angebot von Fahrzeugen ähnlich Favoriten

mobile.de: nicht verfügbar

Falls eine Anzeige, die ein Benutzer auf seiner Favoritenliste „geparkt“ hat, nicht mehr länger verfügbar ist, werden ihm äquivalente Fahrzeuge angezeigt. Diese basieren auf seiner vorherigen Favoritenliste und berücksichtigen die getätigten Suchanfragen. Es handelt sich um modellgleiche Fahrzeuge, die möglichst ähnlich zum nicht mehr verfügbaren Fahrzeug sind. Vorherige Suchanfragen werden bei diesem Use Case nicht berücksichtigt.

Implementierung und Ausblick

Die vorhandene Infrastruktur für Collaborative Filtering (Mahout & Co. waren bereits im Einsatz) haben wir durch Komponenten für Content-based Filtering mit Elasticsearch ergänzt. Mit diesem erweiterten Setup waren wir bereits in der Lage, einen hybriden Recommender zu realisieren und die Evaluation verschiedener Einsatzszenarien in Form von Live-A/B-Test zu unterstützen.

Alle Datenprodukte wurden agil entwickelt und ausgerollt, um durch iterative Verbesserungen kontinuierlich Mehrwerte bieten zu können. Der Leitgedanke war (und ist), auf Basis des hybriden Recommenders möglichst schnell interessante Use Cases aus der Produktentwicklung auf der Plattform live zu schalten.

Parallel wurden Optimierungspotenziale in der Infrastruktur identifiziert, um neben den inkrementellen Verbesserungen auch technologische Paradigmenwechsel angehen zu können, wie etwa Empfehlungen mit Deep Learning-Ansätzen.

Diese beiden Ziele wurden parallel verfolgt und ein entsprechender Deep Learning-Ansatz implementiert, der sich an dem Google-Paper Wide & Deep Learning for Recommender Systems orientiert. Dabei sind die Erfahrungen und Erkenntnisse aus den Evaluationen jeweils direkt in die Implementierung des Wide & Deep Learning-Systems eingeflossen.

Ergebnisse der Verbesserung

Schon während die ersten Recommendations online gingen, wurden schnell Verbesserungen auf der Plattform bemerkbar. Durch die Favoriten- Empfehlungen wurden 64 % mehr Klicks erzielt, die Click-Through-Rates erhöhten sich um 60 %.

Strategische Optimierung der User Experience durch Datenprodukte

mobile.de konnte bei den Use Cases auf die mehrjährige Erfahrung von inovex mit der Entwicklung von Datenprodukten zurückgreifen. Ein weiteres Datenprodukt, das wir bereits für und gemeinsam mit mobile.de umgesetzt haben, ist die automatische Abschätzung des Verkaufswertes eines Autos auf Basis der Fahrzeug-Eigenschaften. Wir betrachten die einzelnen Datenprodukte nicht isoliert voneinander, sondern im Sinne eines integrierten Portfolios. Die gemeinsame technologische Infrastruktur und die agilen Entwicklungsprozesse sind für die schnelle und flexible Erstellung unterschiedlichster Datenprodukte ausgelegt. Damit stellen wir uns den strategischen Herausforderungen des Produktmanagements, das immer wieder den Product-Market-Fit validieren und das passende Geschäftsmodell für das Datenprodukt finden muss.

„Während wir selbst die reibungslose Zusammenarbeit mit inovex bezeugen können, freut uns besonders das positive Feedback der User, das den erfolgreichen Einsatz des Recommender-Systems belegt.“

Benjamin Eckart, Senior Manager Data and Trust & Safety

Verwendete Technologien

  • Mahout
  • Elasticsearch
  • Cassandra
  • Hive
  • Python
  • Kafka

Sie haben Fragen oder möchten zu diesem Thema beraten werden?

Dann rufen Sie uns an unter +49 (0)721 619 021-0 oder schreiben Sie uns eine E-Mail. Wir freuen uns auf Ihre Nachricht!

Weitere Themen:

Dr. Christoph Tempich

Ich freue mich auf Ihre Nachricht!

Dr. Christoph Tempich

Chief Data Economist

inovex Blog

Tech-Artikel im inovex Blog

Unsere Mitarbeiter schreiben regelmäßig Fachbeiträge in unserem Blog. Aktuelle Themen: Neural Networks, Cloud, Elasticsearch, Docker, Angular 2, Project Tango uvm.

Zum inovex Blog

Organisation

Research & Development bei inovex

Im „inovex Lab“ kümmern wir uns systematisch um die Früherkennung, Erprobung und Bewertung neuer Technologien, IT-Trends und Anwendungsmöglichkeiten in allen Themenfeldern der Digitalen Transformation.

Mehr lesen

inovex Content Pool

Aktuelle Vorträge, Case Studies und Fachartikel

Hier geht's zum Content Pool

Über uns

Unsere Technologie-Partner

Wir kooperieren mit Partnern, die unseren Kunden einen echten Mehrwert bieten: Amazon Web Services, Cloudera, Confluent, Elastic, Hortonworks, MapR, Microsoft, Quobyte, Red Hat und SoftBank Robotics.

Mehr Infos

Arbeiten bei inovex

inovexperts erzählen ...

Was es konkret im Alltag bedeutet, bei inovex als „inovexpert“ zu arbeiten, erklären die Kolleginnen und Kollegen in unseren inovexpert-Videos. Wir wünschen Ihnen viel Spaß beim Ansehen!

Jetzt inovexperts-Videos ansehen