Chat with your data: Unternehmensdaten als Basis für einen eigenen KI-Assistenten nutzen.
Zum Angebot 

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

Technologien

Projektzeitraum 2018

Kundennutzen

  • Agile Entwicklung
  • Erhöhung der Klickrate und Verringerung der Absprungrate
  • schnellere und effektivere Unterstützung bei Fahrzeugfindung

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:innen 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 der Nutzer:innen verrät. mobile.de möchte diese Daten nutzen, um die User Experience – sowohl der Fahrzeugkäufer:innen als auch der Fahrzeuganbieter:innen – kontinuierlich zu verbessern.

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

Nutzer:innenspezifische Empfehlungen im Kaufprozess

Beim ersten Kontakt mit der Plattform mobile.de haben viele Nutzer:innen 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 Nutzer:innen 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 der Nutzer:innen 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:innen zu kontaktieren. Empfehlungen auf der Favoritenliste zeigen den Nutzer:innen gleichzeitig weitere relevante Angebote, die ihnen bisher entgangen sind. Dabei werden die Präferenzen der Nutzer:innen verwendet, die sich in den Positionen seiner Favoritenliste widerspiegeln. Indem sie die Händler:innen kontaktieren, treten die Nutzer:innen anschließend in die Realisierungsphase des Kaufprozesses ein.

Nutzer:innen-Vorteile:

In jeder Phase verbessern gezielte Empfehlungen den Auswahlprozess und bringen den Nutzer:innen Vorteile bei der Entscheidungsfindung wie auch bei der Suche nach einem guten Angebot. Empfehlungen werden von Nutzer:innen als inspirierend empfunden. Der/die Anbietende ist engagiert, berät und unterstützt die Nutzer:innen. Die User Experience wird signifikant verbessert, da Nutzer:innen schneller das für sie optimale Produkt finden.

Business-Vorteile:

Durch die Verbesserungen für die Nutzer:innen 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:innen länger auf der Seite.

 

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:

Darstellung Startseite mobile.de

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

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

Darstellung des Parkplatz-Features auf mobile.de

Darstellung des Empfehlungsfeatures auf mobile.de

Falls eine Anzeige, die Nutzer:innen auf der Favoritenliste „geparkt“ haben, nicht mehr länger verfügbar ist, werden ihnen äquivalente Fahrzeuge angezeigt. Diese basieren auf ihren 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.

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.

 

Darstellung von Graphen: Wachstum um 60 Prozent

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, mobile.de

Wie können wir Sie unterstützen?

Florian Wilhelm

Head of Data Science, Ansprechperson Data Management & Analytics