Empfehlungssysteme generieren mithilfe von vergangenen Bewertungen oder Verhaltensweisen aus einer Gesamtmenge an Objekten einen Ausschnitt an potenziell für den Nutzer interessanten Objekten. Dieser Ausschnitt wird dem Nutzer als Output des Empfehlungssystems vorgeschlagen, wie die folgende Grafik verdeutlicht:

Quelle: https://datasolut.com/wp-content/uploads/2019/11/empfehlungsdienst_beitragsbild.png

Ein Empfehlungssystem kann sowohl personalisierte als auch nicht-personalisierte Empfehlungen erzeugen, personalisierte Ansätze sind jedoch stärker erforscht und häufiger im Einsatz. Bei nicht-personalisierten Systemen werden allen Usern dieselben Objekte empfohlen. Die personalisierten Empfehlungssysteme werden häufig in die zwei Bereiche der kooperativen (collaborative) und inhaltsbasierten (content-based) Empfehlungen unterteilt. Allerdings existiert eine Vielzahl weiterer Ansätze, besonders bekannt sind zusätzlich der wissensbasierte (knowledge-based) und der hybride Empfehlungsansatz. Welche Daten als Input für ein Empfehlungssystem dienen, hängt von dem gewählten Ansatz und dem Anwendungsfall ab. Der Output eines Empfehlungssystems ist entweder eine Prognose oder eine Liste an Empfehlungen. Der grundlegende Mechanismus hinter den meisten Empfehlungssystemen besteht darin, basierend auf vergangenen Interaktionen zwischen den Nutzern und den angebotenen Objekten Rückschlüsse auf Kundeninteressen abzuleiten. Dabei wird häufig die Annahme getroffen, dass vergangene Interessen und Vorlieben einen nützlichen Hinweis auf zukünftige Wünsche und Entscheidungen liefern. Der größte Vorteil einer auf diese Weise generierten Empfehlung für den Nutzer ist die Zeitersparnis, die mit einem personalisierten Angebot einhergeht. Vor allem Nutzer, denen die persönliche Erfahrung, Kompetenz oder die Ressourcen zum Vergleich und zur Bewertung aller vorliegenden Alternativen fehlen, profitieren enorm von dem Einsatz eines Empfehlungssystems.

Doch auch für den Anbieter verschiedener Objekte bringt das Vorschlagen von Empfehlungen gewisse Vorteile. Diese sind vor allem wirtschaftlicher Natur und können ein Instrument der Vermarktung darstellen. Eines der wichtigsten Ziele von Empfehlungssystemen seitens des Anbieters ist die Steigerung des Umsatzes. Um die Verkaufszahlen zu erhöhen, sollen Empfehlungssysteme dabei helfen, aus Personen, welche die entsprechende Website durchsuchen, Käufer zu machen. Dies geschieht vor allem durch die Unterstützung bei der Suche nach den gewünschten Objekten. Empfehlungssysteme können weiterhin die Cross-Sells erhöhen, indem zu bereits in den Warenkorb gelegten Produkten für den Kunden interessante Ergänzungen angezeigt werden. Ein weiterer Vorteil wird außerdem bei dem Blick auf die Kundenloyalität erkennbar. Falls die Kunden mit den angezeigten Empfehlungen zufrieden sind und dadurch schneller Objekte entdecken, die ihren Bedürfnissen entsprechen, kann dies einen enormen Mehrwert darstellen – der Kunde kommt für seinen nächsten Einkauf oder Konsum erneut zu demselben Anbieter. Dies garantiert weitere Einblicke in die Bedürfnisse und Interessen der Kunden. Um diese genannten Ziele zu erreichen, können die generierten Empfehlungen bestimmte Eigenschaften aufweisen:

  • Relevanz – Die Teilmenge an Objekten soll für den Nutzer, dem sie vorgeschlagen wird, relevant sein.
  • Neuartigkeit – Die Empfehlungen sollten für den User neu sein, d.h. der Nutzer kennt diese noch nicht aus vergangenen Interaktionen.
  • Entdeckung – Die Vorschläge für den Nutzer sollten nicht zu offensichtlich sein und in einem gewissen Maße überraschend. Dadurch vermittelt die Empfehlung den Eindruck, ein Glücksfall oder eine gute zufällige Entdeckung zu sein.
  • Vielfalt – Ein Empfehlungssystem sollte in die Teilmenge an Objekten, welche vorgeschlagen werden, nicht ausschließlich sehr ähnliche Objekte aufnehmen. Dadurch würde ein erhöhtes Risiko bestehen, dass kein Produkt den Bedürfnissen des Kunden entspricht. Um dieses Risiko zu minimieren, sollten die Empfehlungen eine gewisse Vielfalt aufweisen.

Je nach Anwendungsfall und Zielsetzung kann die Gewichtung der vorgestellten Eigenschaften von Empfehlungssystemen variieren.

Sie interessieren sich besonders für das Thema Empfehlungssysteme? GABO unterstützt Sie gerne und findet gemeinsam mit Ihnen die beste Lösung für Ihr Unternehmen.

Quellen:

Empfehlungssysteme aus informationswissenschaftlicher Sicht – State of the Art, S. Höhfeld, M. Kwiatkowski, 2007

Recommender Systems: Introduction and Challenges, F. Ricci, 2015

Recommender Systems: The Textbook, C.C. Aggarwal, 2016

Empfehlungssysteme – Handbuch Digitale Wirtschaft, J. Ziegler, B. Loepp, 2019

https://datasolut.com/wp-content/uploads/2019/11/empfehlungsdienst_beitragsbild.png

hhttps://www.stark-fuer-ausbildung.de/fileadmin/_processed_/9/8/csm_Feedbackgespr%C3%A4che_176fec3a9d.jpg