Motores de recomendación desde zum unentbehrlichen Área de archivos Se han convertido en tiendas web más modernas. Es gibt unterschiedliche Sorten Empfehlungen, que fueron platziert en mehreren Bereichen des Webshops. “Klassische” Empfehlungen erscheinen meistens in den Produktseiten, häufig versehen mit Hinweisen wie “Kunden, die dieses Produkt kauften, kauften auch..” o “Möglicherweise sind Sie auch interessiert in..”. Dieser Type Empfehlung wurde durch Amazon beliebt gemacht. Otros tipos Empfehlungen sind die, die abgestimmt wurden mit dem Kaufverhalten des Verbrauchers und häufig präsentiert were in einem apart Teil des Webshops, zum Beispiel “mein Laden,” oder auf der Startseite, nachdem der Nutzer sich identifiziert hat durch einzuloggen. Diese recomendación Engines beet den Nutzer keine allgemeinen, sondern personalisierte Empfehlungen in Bezug auf das Sortiment des Ladens. Deshalb nennen wir diese auch: personalisierte Empfehlungen. Other Empfehlungen können, zum Beispiel, auf Kategorie-Seiten erscheinen (beste Empfehlung innerhalb einer bestimmten Kategorie) oder abgestimmt zijn mit den Ergebnissen von Suchaufträgen. Nicht nur Produkte, sondern auch Kategorien, Banner, Kataloge, Autoren (in Buchläden) und so weiter können empfohlen zijn. Como ultimatives Ziel wollen Los motores de recomendación sogar eine total Personalisierung des Online-Laden erreichen, die personalisierte Navigation, Werbung, Preise, E-Mails und SMS-Nachrichten umfasst. Die Möglichkeiten in diesem Bereich sind nahezu ilimitado.

Ingeniería de recomendación

Recomendación Ingeniería ist ein lebhafter Forschungsbereich. Hunderte Forscher sind unermüdlich beschäftigt mit dem Ausdenk neuer Theorien und Methoden für die Entwicklung neuer Recommendation Algorithmen. Das wichtigste Ziel von Recommendation Engines ist eine Steigerung im Umsatz des Webshops (beziehungsweise im Gewinn oder in den Verkaufszahlen. Die Herausforderung ist es also Produkte zu empfehlen, die sich der Nutzer auch tatsächlich anschauen und kauf wird, aber gleichzeitig das Stattfinden von Down-Selling durch das Empfehlen von billigeren Ersatzwaren zu vermeiden.
Viele Webshops, vor allem die von Versandhäusern (aber sehr sicher auch die von Buchläden), haben inzwischen hunderttausende, wenn nicht gar Millionen Produkte im Vorrat. Aus dieser giganten Menge wollen wir die geeignetste und relevanteste Empfehlung dem Kunden presenten. Außerdem entsteht infolge der großen Menge Sonderangeboten, Veränderungen im Sortiment und – vor allem bei Mode – bi den Preisen die Situation, dass Empfehlung bereits veraltet sind kurz nachdem sie erstellt wurden. Gute Recomendación Engines también en der Lage sein in einer sehr dynamics Umgebung zu operieren. Dies ist die wichtigste Herausforderung für Motores de recomendación: das aufweisen von einem adaptiven Verhalten.

Schwachstellen heutiger Motores de recomendación

Los motores de recomendación se llamaron häufig zu Unrecht como un archivo de minería de datos clásica. Viel auf Data Mining ausrichtente Anbieter widmen sich, aufgrund des Fehlens einer eigenen Recommendation Engine Bereichen, wie der Basket Analyze und Clustering Techniken. Dies reduziert das Thema der Empfehlungen auf eine estadístico Analyse und Modellierung der Verbraucherverhaltens. Acabamos con el clásico Cross-Selling Techniken, que esta Vorgehensweise in der Praxis oft funktioniert.
Pero sollte man dies etwas más crítico Berachten. In Wirklichkeit eine reine Analyse des Verbraucherverhaltens nicht alle Bereiche ab.
1. Das Effekt der Empfehlungen wird nicht succionado por Betracht: wenn der Verbraucher nach aller Wahrscheinlichkeit sich de todos modos ein bestimmtes Produkt anschauen würde, was ist dann der Sinn einer Empfehlung? Wäre es nicht más lógico ein Produkt zu empfehlen, das das Verhalten des Nutzers change?
2. Empfehlungen sind selbst-stärkend (Autorreforzamiento): wenn nur frühere “best” Empfehlungen wiedergegeben, besteht das Risiko, dass diese sich selbst stärken, auch wenn es keine besseren Alternativen gibt. Dürfen neue Empfehlungen be ausprobiert?
3. Das Verbraucherverhalten ändert sich: sogar wenn das frühere Verbraucherverhalten perfekt modelliert wurde, bleibt die Frage, was schehen wird, wenn das Verhalten der Verbraucher sich plötzlich ändert, infolge von Angeboten, Sortimentsänderungen innerhalb des Webshops und so weiter. Wäre es nicht besser, wenn Recommendation Engines in der Lage wären fortwährend zu lernen und sich flexible dem neuen Verbraucherverhalten anzupassen?
4 . Con otros Worten sollte manchmalvielleicht ein etwas weniger gewinnträchtiges Produkt empfohlen zijn, wenn dies der Anfang von mehreren gewinnträchtigen Verkaufsaktionen sein kann. Besser planea siempre como nur den kurzfristigen Umsatz en Betracht zu nehmen. Diese Themen führen alle zu der Schlussfolgerung, dass die besseren Recommendation Engines das Zusammenspiel von Analyze und Aktion modellieren sollten.

Motores de recomendación basados en Zusammenspiel von Analyze und Aktion

Jetzt kommen wir bei einem spezifischen Bereich der Control Theory: Reinforcement Learning oder selbst-stärkendes Lernen. Ein neuer Forschungsbereich, der sich infolge der steigenden Anwendung in ua Robotik schnell weiterentwickelt. Der Gedanke ist hierbei, dass die Systeme nicht mehr auf eine standardmäßige Weise programmatiert were können. Man sollte das System Fehler mach lassen und von diesen Fehlern consistentemente lernen. ¿Aber weshalb domina esa primera Sichtweise nunca ni esa heutige Forschung? Ein Teil des Problems ist die begrenzte Zahl der Testmöglichkeiten und Datensätze. Adäquate Durchführung der zweiten Vorgehensweise erfordert die Integrierung der Algorithmen in Echtzeit-Anwendungen. Die Effektivität der Recommendation-Algorithmen kann nicht vollständig auf der Basis von Historischen Daten analysiert zijn, weil der Effekt der Empfehlungen großenteils unbekannt ist. So sehen wir also, dass, allein schon aus Practicalen Gründen, das Entwickeln lebensfähiger Recommendation-Algorithmen eine sehr komplizierte Operation für die meisten Forscher ist. Die Zahl der Veröffentlichungen bezüglich der zweiten Vorgehensweise sehen wir jedoch in letzter Zeit steigen. Einigen, wenigen Unternehmen in der Welt ist es gelungen Recomendación Engines zu entwickeln, die in der Lage sind zu lernen und dies in Echtzeit machen können. Dies führt zu immer kraftvoleren Recomendación Motores.

Ecommerce Result hilft Ihnen bei der Wahl und der Implementierungsbetreuung desrichtigen Recommendation Engine.