Recommender-Systeme

Recommender-Systeme (Recommendation Engines) sind automatisierte Empfehlungstechnologien. Recommender filtern Informationen auf der Basis statistischer Daten, um damit Elemente (Produkte) aus einer Menge von Alternativen zu bestimmen, die entweder zum Nutzer oder zu einem anderen Element passen. Es werden also Ähnlichkeiten zwischen Elementen oder Personen ermittelt.

Recommender-Systeme können im Wesentlichen auf zwei Basistechniken zurückgeführt werden:

  • Das Content-Based Filtering (CBF), welches eine Empfehlung auf Basis der Ähnlichkeit zwischen zwei Auswahlelementen ausgibt (z.B. zwei Bücher des gleichen Genres)

  • Das Collaborative Filtering (CLF), welches eine Empfehlung vergibt, indem es Entscheidungen von Personen aufzeigt, die dem Entscheider ähnlich sind (die z.B. in der Vergangenheit bereits ähnliche Entscheidungen wie der Entscheider getroffen haben)

Ziele von Recommender-Systemen

Ein wichtiges Ziel von Recommendation Engines ist die Reduzierung der Unsicherheit bei Entscheidungen (z.B. Kaufentscheidungen), indem sie dem Entscheider bestimmte Informationen geben, z.B. über ähnliche Produkte (Wenn dieses Produkt nicht vollkommen passt, dann vielleicht ein sehr ähnliches) oder darüber, wie Andere Personen in einer ähnlichen Situation entschieden haben.

Der Unterschied eines Recommender-Systems zu einer Matching Engine ist, dass das Recommender-System mit historischen Nutzungsdaten arbeitet, um Empfehlungen zu berechnen, während die Matching Engine konkrete Nutzereingaben (oder Nutzerprofile) und bekannte Produkteigenschaften zur Berechnung von Empfehlungen verwendet.

Gut konfigurierte Recommender-Systeme haben folgende Vorteile:

  • automatische Berechnung von Produktempfehlungen, wenn im Verhältnis zur Anzahl der Elemente (Produkte) sehr viele Nutzungs- und Präferenzdaten vorliegen

  • keine oder kaum manuelle Wissensmodellierung nötig (häufig aber auch nicht möglich)

  • Empfehlungen können auch dann berechnet werden, wenn die Elemente (Produkte) nicht oder nur unzureichend nach klassifizierbaren Eigenschaften beschreibbar sind. Dies ist z.B. bei Musik oder Filmen der Fall

Nachteile von statistischen Recommender-Systemen können dagegen sein:

  • es werden sehr viele Daten und sehr viel Traffic benötigt, da Recommender sinnvolle Empfehlungen nur "lernen" können, wenn sehr viele Nutzungsdaten vorliegen. Dies erfordert sehr viel Traffic auf der Website, in den relevanten Produktkategorien und sehr viele Nutzungsdaten für jedes konkrete Produkt

  • statistische Recommender können insbesondere im Long Tail kaum sinnvolle Empfehlungen berechnen: im Long Tail der Produkte, also die vielen Produkte in einem breiten Sortiment, die aber nur selten gekauft werden, dominieren "Ausreißer" die Nutzungsdaten

  • daher können bei statistischen Recommender-Systemen auch schlecht passende oder objektiv sinnlose Empfehlungen herauskommen und es gibt wenige objektive Qualitätssicherungsmaßnahmen (z.B. einem Interessanten an einer speziellen und selten gekauften Notebook-Tasche wird ein purpurner String-Tanga angeboten, weil ein Nutzer diese Kombination vorher gekauft hatte)

  • insbesondere bei neuen Produkten oder sich schnell ändernen Produktsortimenten können statistische Recommender kaum sinnvolle Empfehlungen berechnen, da dort nicht ausreichende Nutzungsdaten vorliegen. Dabei reicht häufig die Lebenszeit eines Produktes (z.B. Aktionsware) garnicht aus, um dem Recommender zu gestatten, sinnvolle Empfehlungen aus den Nutzungsdaten zu erlernen.

  • ein wesentlicher struktueller Nachteil von Recommendern ist, dass sie Online-Shopper nicht aktiv zu einer Kaufentscheidung führen und keine Vertriebsstrategie implementieren, wie ein Guided Selling-System es tut. Stattdessen empfehlen Recommender-Systeme diejenigen Produkte, die Nutzer zusammen gekauft haben - unabhängig davon, ob der Online-Shop diese Empfehlungen für gut hält oder nicht

  • statistische Recommender können Produktempfehlungen nicht objektiv begründen, da sich die Empfehlung ja nicht auf sachliche Vorteile des Produkts für den konkreten Nutzer begründet, sondern aus Nutzungsdaten gelernt wurde. Überzeugende Begründungen spielen jedoch eine wesentliche Rolle in den häufig psychologisch motivierten Kaufentscheidungen.

Statistische Recommender-Systeme sind keine Alternative zu Freitextsuchsystemen, Matching Engines, Guided-Selling-Systemen oder Filtersuchen, sondern häufig eine sehr effektive Ergänzung. Sie können diese Systeme insbesondere dort ergänzen, wo objektiv begründete Produktempfehlungen nicht berechnet werden können (z.B. Musik, Videos) oder wo kategorieübergreifende Empfehlungen benötigt werden (z.B. häufig gekauftes Zubehör zu einem Artikel).




Bewertung und Kontext zu excentos Guided Selling

Die o.g. Angaben betreffen vor allem statistische Recommender. excentos setzt mit Guided Selling fortgeschrittene Technologien ein, welche in der Lage sind auf Basis einer Matching Engine und des Wissensmodells objektiv passende Empfehlungen zu unterbreiten. Dabei kombiniert excentos Methoden von wissensmodellierten Recommendations und statistischen Recommendations, da auch die Wissensmodelle z.B. bzgl. Trends davon profitieren, aus historischen und aktuellen Nutzungsdaten Recommendations zu berechnen.

Siehe auch:


Wir freuen uns von Ihnen zu hören!

Haben Sie noch Fragen zu unseren Product Guides, Guided Selling oder unseren Services?
Dann schreiben Sie uns eine E-Mail. Wir freuen uns darauf, Ihre Fragen zu beantworten.

* Eingabe erforderlich