Was ist eine Empfehlungsmaschine? Wie Recommender arbeiten

Empfehlungsmaschinen sind fortschrittliche Datenfiltersysteme, die vorhersagen, welche Inhalte, Produkte oder Dienstleistungen ein Kunde wahrscheinlich konsumieren oder mit denen er interagieren wird. Man muss nicht weit schauen, um einen in Aktion zu sehen. Jedes Mal, wenn jemand eine TV-Sendung mit der Netflix-Funktion „Das könnte Ihnen auch gefallen…“ auswählt oder ein von Amazon empfohlenes Produkt kauft, verwendet er leistungsstarke Empfehlungs-Engines.

Empfehlungs-Engines (manchmal auch Recommender genannt) sind Win-Win-Funktionen sowohl für Kunden als auch für die Unternehmen, die sie einsetzen. Kunden genießen das Maß an Personalisierung und Unterstützung, das eine gut abgestimmte Empfehlungsmaschine bietet. Unternehmen bauen sie, weil sie das Engagement fördern und den Verkauf fördern.

Genaue Empfehlungen erscheinen nicht aus dem Nichts. Unternehmen müssen in Datenlösungen investieren, die in der Lage sind, eine große Anzahl von Produkten zu analysieren und Muster im Kundenverhalten zu erkennen. Nur dann können sie den wahren Wert ihrer Kundendaten erschließen und Empfehlungen aussprechen, die sich positiv auf den Umsatz auswirken.

Die zentralen Thesen

• Empfehlungsmaschinen sind fortschrittliche Datenfiltersysteme, die Verhaltensdaten, Computerlernen und statistische Modellierung verwenden, um die Inhalte, Produkte oder Dienstleistungen vorherzusagen, die Kunden gefallen werden.
• Kunden werden von Unternehmen angezogen, die personalisierte Erlebnisse bieten.
• Die drei Haupttypen von Empfehlungsmaschinen umfassen kollaboratives Filtern , inhaltsbasiertes Filtern und hybrides Filtern .
• Recommender steigern den Umsatz, indem sie Cross-Selling fördern, Produktalternativen vorschlagen und die Aufmerksamkeit auf Artikel lenken, die in einem digitalen Warenkorb zurückgelassen wurden.

Was ist eine Empfehlungsmaschine?

Empfehlungsmaschinen sind Tools, die prädiktive Analysen nutzen, um Unternehmen dabei zu helfen, die Wünsche und Bedürfnisse ihrer Kunden vorherzusehen. Die Engines verwenden maschinelles Lernen und statistische Modellierung, um fortschrittliche Algorithmen auf der Grundlage der einzigartigen historischen und Verhaltensdaten eines Unternehmens zu erstellen. Die daraus resultierenden Empfehlungen basieren auf einer Kombination aus:

• Das frühere Verhalten und die Geschichte eines Kunden
• Das Ranking eines Produkts durch Verbraucher
• Das Verhalten und die Geschichte einer ähnlichen Kohorte

Empfehlungen sind am genauesten, wenn einem Unternehmen eine große Datenmenge zur Verfügung steht. Je mehr aktive Benutzer ein Produkt hat, desto mehr Daten sind vorhanden, um Verhaltensweisen und Vorlieben über demografische Merkmale hinweg zu vergleichen.

Allerdings ist nicht jedes Bit der gesammelten Daten relevant oder sogar zuverlässig. Das Erstellen von Empfehlungen auf der Grundlage schlechter Daten führt zu Empfehlungen, die ungenau und nicht hilfreich sind. Der erste Schritt bei der Erstellung einer funktionsfähigen Empfehlungsmaschine ist die Einführung einer geeigneten Datenverwaltungsstrategie und eines Analysestapels, der Daten sammelt und überprüft, bevor sie verwendet werden.

Arten von Empfehlungsmaschinen und wie sie funktionieren

Nicht jede Empfehlungsmaschine verwendet die gleiche Methodik, um Vorhersagen zu treffen. Recommender erzielen in der Regel Ergebnisse mit einer von drei Arten der Datenfilterung: inhaltsbasierte, kollaborative Filterung oder eine Kombination aus beiden.

Inhaltsbasierte Filterung

Diese Art der Filterung wird in den Empfehlungsfunktionen „Ähnliche Artikel umfassen …“ verwendet. Inhaltsbasierte Filterung erstellt Vorhersagen über die tatsächliche Qualität der angebotenen Produkte und Dienstleistungen. Produkten in diesem System werden Attribute zugeordnet, die direkt mit anderen Produkten verglichen werden können. Unternehmen wählen die von der Engine verwendeten Attributtypen basierend auf der Art der konsumierten Produkte aus.

Beispielsweise könnte eine E-Commerce-Website, die sich auf den Verkauf von Lebensmitteln spezialisiert hat, ihre Produkte mit den folgenden Attributen kennzeichnen:

• Art des Lebensmittels (z. B. „Obst“ oder „Müsli“)
• Etablierter Geschmack (z. B. „bitter“ oder „süß“)
• Behälter (z. B. „Box“ oder „Dose“)
• Marke

Der Empfehler vergleicht dann Artikel, die der Benutzer in der Vergangenheit gekauft hat, oder diejenigen, die sich derzeit in seinem Einkaufswagen befinden, mit anderen ähnlichen oder verknüpften Artikeln. Attribute werden nach der Anzahl der Elemente in der Datenbank gewichtet, die das Tag mit häufigeren Tags teilen, die höhere Rankings erhalten als ungewöhnliche. Diese Gewichtung bestimmt, welche Punkte in einer Empfehlungsliste zuerst erscheinen.

Die inhaltsbasierte Filterung erfordert keine Eingaben anderer Kunden, um Vorhersagen zu treffen. Es basiert seine Vorhersagen auf Ähnlichkeiten innerhalb des eigenen Verhaltens- und historischen Profils eines Kunden. Eine gut gestaltete, inhaltsbasierte Filter-Engine wird bestimmte Macken und Interessen identifizieren, die für andere Kunden möglicherweise nicht sehr attraktiv sind.

Ein großer Nachteil bei dieser Art von Empfehlungsmaschine ist, dass sie sehr wartungsintensiv ist. Attribute müssen ständig hinzugefügt und aktualisiert werden, um die Empfehlungen korrekt zu halten – eine entmutigende Aufgabe für Unternehmen mit einem großen Produktvolumen. Außerdem müssen die Attribute selbst korrekt sein. Das Etikettieren eines Honeycrisp-Apfels „rot“ ist einfach, aber komplexere Inhalte erfordern möglicherweise ein engagiertes Team von Fachexperten, um jedes einzelne Produkt korrekt zu etikettieren.

Kollaboratives Filtern

Diese Filtermethode wird bei Empfehlungstypen vom Typ „Personen, die diese Sendung gesehen haben, auch angesehen …“ verwendet. Beim kollaborativen Filtern werden Verhaltensdaten verwendet, um zu bestimmen, was einer Person gefallen wird, basierend darauf, wie ihre Präferenzen im Vergleich zu anderen Benutzern sind. Während sich die inhaltsbasierte Filterung auf die Verknüpfung von Produkten mit anderen Produkten konzentriert, erstellt die kollaborative Filterung Vorhersagen durch die Verknüpfung ähnlicher Kundenprofile.

Stellen Sie sich zum Beispiel vor, Sie verwenden eine Video-Streaming-Plattform, die kollaborative Filterung verwendet. Wenn Sie einen Film suchen, erstellen Sie Daten basierend auf einer Reihe von Verhaltensweisen, darunter:

• Filme, die Sie sich ansehen
• Titel, die Sie auswählen, aber letztendlich nicht ansehen
• Auswahlen, über die Sie den Mauszeiger bewegen
• Suchen, die Sie machen
• Rankings geben Sie Filmen

Der Recommender erstellt dann effektiv ein Benutzerprofil für Sie basierend auf diesem Datensatz. Anschließend vergleicht es Ihr Profil mit einer Kohorte von Benutzern, die sich ähnlich verhalten. Die resultierenden Vorhersagen basieren auf den Filmen, die diese Kohorte konsumiert und genossen hat, im Vergleich zum tatsächlichen Inhalt jedes Films.

Für die kollaborative Filterung sind keine Informationen zu Produktfunktionen erforderlich. Dadurch ist die Wartung weniger zeitaufwändig als bei einer inhaltsbasierten Engine. Wenn man sich jedoch auf das Verhalten anderer Kunden verlässt, kann dies zu Datenlücken führen. Angenommen, niemand interagiert mit Ihrem Lieblingsfilm auf einem Streaming-Dienst. Ein Film, der perfekt zu Ihren Interessen passt, wird nicht empfohlen, da die Empfehlungsmaschine keine Verhaltensdaten hat, mit denen sie eine Vorhersage treffen könnte.

Hybridfilterung

Die hybride Filterung versucht, die Mängel sowohl der inhaltsbasierten Filterung als auch der kollaborativen Filterung zu beheben, indem die beiden Methoden kombiniert werden. Als solches ist es das effektivste der drei Arten von Empfehlungssystemen.

Die inhaltsbasierte Filterung eignet sich gut für Vorschläge, die die aktuellen Interessen eines Benutzers ansprechen. Sie können jedoch nicht genau vorhersagen, was Benutzern außerhalb ihrer dokumentierten Präferenzen gefallen könnten. In einem hybriden Filtersystem wird dieses Defizit durch kollaboratives Filtern abgedeckt. Kollaboratives Filtern kann verwandte Inhalte vorschlagen, die außerhalb des etablierten Profils eines Benutzers liegen, indem Empfehlungen auf den Vorlieben und Verhaltensweisen einer ähnlichen Kohorte basieren. Alternativ hilft die inhaltsbasierte Filterung, die Lücken zu schließen, die durch kollaborative Systeme entstehen. Wenn keine Vergleichsdaten für ähnliche Kohorten vorhanden sind, sucht der Empfehler standardmäßig nach einer Übereinstimmung basierend auf Attribut-Tags, um ein geeignetes Ergebnis zu finden.

Wie Empfehlungsmaschinen verwendet werden

Empfehlungsmaschinen verbessern nicht nur das Produkterlebnis für Kunden. Im Jahr 2021 setzten schätzungsweise 39 % der Unternehmen aller Größen auf Predictive Analytics, um den Betrieb zu verbessern – eine Steigerung von 11 % gegenüber 2018. Mehr Unternehmen als je zuvor nehmen Empfehlungen an, da Kunden zunehmend personalisierte Erfahrungen bevorzugen. Eine Umfrage von Epsilon ergab, dass 80 % der Verbraucher eher bereit sind, bei Unternehmen einzukaufen, die personalisierte Erfahrungen anbieten.

Ein richtig aufgebauter Empfehlungsdienst bietet Unternehmen auch die Möglichkeit, Kunden gezielt mit Produkten anzusprechen, an denen sie entweder Interesse bekundet haben oder denen sie höchstwahrscheinlich gefallen werden. Recommender helfen Unternehmen, Vorhersagen durch die folgenden Methoden zu nutzen:

Bereitstellung von Cross-Selling-Möglichkeiten

Eine Empfehlungsmaschine kann Kunden mit Produkten anlocken, die sich ergänzen, aber nicht unbedingt ähnlich sind. Eine Wintermütze und Handschuhe sind zwei völlig unterschiedliche Kleidungsstücke, und doch könnte jemand, der das eine bestellt, sehr leicht eine Verwendung für das andere finden. Ein Recommender identifiziert diese Beziehungen und macht datenbasierte Vorschläge, die helfen, den Wert einzelner Bestellungen zu steigern.

Behebung von Warenkorbabbrüchen

Artikel, die in digitalen Warenkörben zurückgelassen werden, sind hervorragende Empfehlungsmöglichkeiten. Kunden waren an einem Artikel interessiert genug, um ihn in ihren Warenkorb zu legen. Ihr unvollständiger Verkauf könnte eine Änderung der Meinung oder eine externe Störung des Kauferlebnisses sein.

Wenn Sie die Artikel einem Kunden zu einem späteren Zeitpunkt erneut vorschlagen, können Sie ihn über die Ziellinie bringen. Ein Kunde hat sich möglicherweise vorübergehend davon abgeraten, jedes Wham! Lied im Katalog. Eine sanfte Erinnerung daran, dass „Wake Me Up Before You Go-Go“ Spinnweben in ihrem Wagen sammelt, könnte jedoch ausreichen, um ihre Meinung zu ändern. Diese Erinnerungen können sowohl im Produkt selbst als auch als E-Mail-Nachricht nach der ersten Sitzung angezeigt werden.

Alternativen anbieten

Empfehlungs-Engines bieten „Backup“-Vorschläge für Fälle, in denen die vom Algorithmus als „wahrscheinlichste“ festgelegte Option nicht vom Kunden gewünscht wird. Ihr Empfehler mag perfekt sein, aber er hängt immer von der Laune des menschlichen Gehirns ab. Beispielsweise kann eine Empfehlungsmaschine nicht wissen, dass ein Kunde 1987 eine schlechte Interaktion mit einer bestimmten Marke hatte.

Es gibt auch keine Möglichkeit für Maschinen, die feineren Aspekte der menschlichen Absicht zu verstehen. Ein Zuschauer möchte vielleicht ironischerweise den berüchtigten Film „The Room“ von 2003 genießen, aber seine Suche kann stattdessen Ergebnisse für den von der Kritik gefeierten Oscar-Preisträger von 2015 „Room“ liefern. Empfohlene Alternativen helfen dabei, die Kunden dorthin zu bringen, wo sie hinwollten, anstatt frustriert nach dem zu suchen, was sie eigentlich wollten.

Beispiele für Empfehlungsmaschinen in Aktion

Empfehlungsmaschinen sind in der E-Commerce-Welt besonders beliebt geworden, weil sie zum Vorschlagen verwandter Produkte verwendet werden. Viele andere Branchen haben digitale Produkte entwickelt, die entweder stark auf Empfehlungsfunktionen basieren oder auf Empfehlungen basieren. Prominente Beispiele sind:

Amazonas

Amazon ist die Heimat einer der berühmtesten Empfehlungsmaschinen der Welt. Der E-Commerce-Riese verkauft zig Millionen einzigartiger Produkte, und jedes einzelne davon wird für die Verwendung durch seinen Empfehler katalogisiert. Tatsächlich war Amazon eines der ersten großen E-Commerce-Unternehmen, das Pionierarbeit bei der inhaltsbasierten Filterung leistete, und reichte bereits 2001 ein Patent für sein System ein. Zwei Jahrzehnte später machen die Empfehlungen von Amazon bis zu 35 % des Gesamtumsatzes aus.

Chik-fil-A

Chik-fil-A mag für sein gutes altmodisches Brathähnchen berühmt sein, aber sein Online-Bestellerlebnis profitiert von der Anwendung eines modernen Empfehlungsgebers. Online-Käufer stellen möglicherweise fest, dass das Chik-fil-A-Menü nicht bei jedem Besuch immer die gleichen Produkte oben im Menü anzeigt. Stattdessen baute das Team mit Amplitude Recommend eine Empfehlungsmaschine, die neue oder beliebte Artikel vorschlägt, die größtenteils auf ähnlichen früheren Bestellungen basieren.

Gewünscht

Wantable bezeichnet sich selbst als „Try-before-you-buy“-Online-Händler. Ein neuer Kunde füllt eine persönliche Umfrage basierend auf seinen Stilpräferenzen und Maßen aus. Ihr Empfehler verwendet diese Informationen, um vorherzusagen, welche Kleidungsstücke am besten zum Profil des Kunden passen. Die Kleidung wird dann an den Kunden versandt, wo er die Artikel ansieht, anprobiert und entscheidet, ob er sie behalten oder zurücksenden möchte. Der Erfolg von Wantable hängt vollständig von der Genauigkeit sowohl ihrer Empfehlungen als auch der Attribut-Tags ab, die zu ihrer Erstellung erforderlich sind.

Bringen Sie die Kraft der Empfehlungen in Ihr Unternehmen

Nachdem Sie nun die Grundlagen über Empfehlungsmaschinen gelernt haben, ist es an der Zeit zu untersuchen, wie diese Taktiken die Konversions- und Bindungsmetriken in Ihrem Unternehmen verbessern können. Laden Sie noch heute das Mastering Retention Playbook herunter oder machen Sie eine Tour durch Amplitude, um sich weiter über personalisierte digitale Erlebnisse zu informieren.

Verweise

Dresner Advisory Services, Marktstudienbericht 2021 für Data Science und maschinelles Lernen

Epsilon, Macht von mir

GlobeNewswire, Dresner Advisory Services kündigt Marktstudie 2018 zu Advanced and Predictive Analytics an

McKinsey, Wie Einzelhändler mit den Verbrauchern Schritt halten können

SiliconANGLE, Amplitude nutzt Personalisierung, um Chik-fil-A's Appetit auf Erfolg zu stillen