Recommandation Les moteurs sind zum unentbehrlichen Fileteil deviennent des boutiques en ligne plus modernes. Es gibt unterschiedliche Sorten Empfehlungen, qui ont été placés dans mehreren Bereichen des Webshops. “Klassische” Empfehlungen erscheinen meistens dans le Produktseiten, häufig versehen mit Hinweisen qui “Kunden, die dieses Produkt kauften, kauften auch ..” ou “Möglicherweise sind Sie auch intéressé par ..”. Dieser Type Empfehlung a été habilité par Amazon Beliebt. D'autres types d'Empfehlungen sind die, die abgestimmt mit dem Kaufverhalten des Verbrauchers und Häufig präsentiert ont été séparés dans un Teil des Webshops séparé, zum Beispiel «mein Laden», oder auf der Startseite, nachdem der Nutzer sich identifiziert hatog durch einem. Diese Recommandation Moteurs betteraves den Nutzer keine allgemeinen, sondern personalisierte Empfehlungen in Bezug auf das Sortiment des Ladens. Deshalb nennen wir diese auch: Empfehlungen personnalisé. D'autres Empfehlungen können, zum Beispiel, auf Kategorie-Seiten erscheinen (meilleur Empfehlung innerhalb einer bestimmten Kategorie) ou abgestimmt étaient mit den Ergebnissen von Suchaufträgen. Nicht nur Produkte, sondern auch Kategorien, Banner, Kataloge, Autoren (à Buchläden) et ainsi weiter können empfohlen. Comme ultimatives Soul Woolen Recommandation Moteurs sogar eine Totaal Personalisierung des Online-Laden erreichen, die navigation personnalisée, Werbung, Preise, E-Mails und SMS-Nachrichten umfasst. Die Möglichkeiten in diesem Bereich sind nahezu unbegrenzt.

Ingénierie de recommandation

Recommandation Engineering ist ein lebhafter Forschungsbereich. Hunderte Forscher sind unermüdlichbeschäftigt with dem Ausdenken neuer Theorien und Methoden für die Entwicklung neuer Recommandation Algorithmen. Das wichtigste Ziel von Recommendation Engines ist eine Steigerung im Umsatz des Webshops (beziehungsweise im Gewinn oder in den Verkaufszahlen. Le Herausforderung est également Produkte zu empfehlen, die sich der Nutzer auch tatsächlich anschauen und kaulef wirdwirdwirdwird durch das Empfehlen von billigeren Ersatzwaren zu vermeiden.
Viele Webshops, vor allem die von Versandhäusern (aber sehr sicher auch die von Buchläden), haben inwischen hunderttausende, wenn nicht gar Millionen Produkte im Vorrat. Aus dieser gigantischen Menge Woolen wir die geeignetste und relevanteste Empfehlung dem Kunden präsentieren. Außerdem entsteht infolge der großen Menge Sonderangeboots, Veränderungen im Sortiment und - vor allem bei Mode - bei den Preisen that Situation, that Empfehlung Bereits veraltet sind kurz nachdem sie erstellt wurden. Les moteurs de recommandation Gute müssen également in der Lage sein in einer sehr dynamischen Umgebung zu operieren. Dies ist die wichtigste Herausforderung für Recommandation Moteurs: das aufweisen von einem adaptiven Verhalten.

Moteurs de recommandation Schwachstellen plus puissants

Recommandation Les moteurs ont été publiés sous le nom de Fileteil des Klassischen Data Minings. Viel auf Data Mining ausgerichtete Anbieter widmen sich, aufgrund des Fehlens einer eigenen Moteur de recommandation Bereichen, wie der Basket Analysis und Clustering Techniken. That reduziert das Theme der Empfehlungen auf eine Statistical Analysis und Modellierung der Verbraucherverhaltens. Nous effaçons les techniques classiques de vente croisée, c'est-à-dire Vorgehensweise in der Praxis oft funktioniert.
Mais sollte l'homme qui était plus critique. In Wirklichkeit eine pure Analyse des Verbraucherverhaltens couvre nicht all Bereiche ab.
1. Das Effekt der Empfehlungen n'a pas été aspiré dans Betracht: wenn der Verbraucher nach aller Wahrscheinlichkeit sich de toute façon ein bestimmtes Produkt anschauen würde, was ist dann der Sinn einer Empfehlung? Wäre es nicht logischer ein Produkt zu empfehlen, das das Verhalten des Nutzers verändert?
2. Empfehlungen sind selbst-stärkend (auto-renforçant): wenn nur frühere «meilleur» Empfehlungen wiedergeben, meilleur das Risiko, dass diese sich selbst stärken, auch wenn es keine besseren Alternativen gibt. Dürfen neue Empfehlungen étaient ausprobiert?
3. Das Verbraucherverhalten ändert sich: sogar wenn das frühere Verbraucherverhalten parfaitement modelliert wurde, bleibt die Frage, was geschehen wird, wenn das Verhalten der Verbraucher sich plötzlich inner ändert, infolgederung von Angeboten. Wäre es nicht besser, wenn Recommandation Moteurs in der Lage wären fortwährend zu lernen und sich flexible dem neuen Verbraucherverhalten anzupassen?
4. Optimierung aller aufeinanderfolgenden Schritten: Statt nur die Produkte anzubieten, who von den the Recommendations Engines as most winnbringendes Produkt im nächsten Schritt gesehen wird, wäre es vielleicht besser die Empfehlungen auszuwählinken der the Blickgen der the Blickgenatlicicht Der the Blickgenählinkählen der the Blickgenählinkählen der the Blickgenählinkählungen Avec d'autres Worten sollte manchmal vielleicht ein etwas weniger gewinnträchtiges Produkt empfohlen, wenn dies der Anfang von mehreren gewinnträchtigen Verkaufsaktionen sein kann. Besser fait des plans depuis longtemps comme nur den kurzfristigen Umsatz à Betracht zu nehmen. Diese Themen führen alle zu der Schlussfolgerung, dass die besseren Recommandation Engines das Zusammenspiel von Analyze und Aktion modellieren sollten.

Recommandation Moteurs basieren auf das Zusammenspiel von Analyze und Aktion

Jetzt kommen wir bei einem spezifischen Bereich der Control Theory: Reinforcement Learning ou selbst-stärkendes Lernen. Ein neuer Forschungsbereich, der sich infolge der steigenden Anwendung in ua Robotik schnell weiterentwickelt. Le Gedanke est à la fois ici, que le Systeme nicht mehr auf eine standardmäßige Weise programmiert pourrait être. Man sollte the System Fehler mach lassen und von diesen Fehlern uniformément lernen. Aber weshalb ne domine-t-il ni cette première Sichtweise ni cette fameuse Forschung? Ein Teil des Problems ist die boundzte Zahl der Testmöglichkeiten und Datensätze. Adäquate Durchführung der zweiten Vorgehensweise erfordert die Integrierung der Algorithmen in Echtzeit-Anwendungen. L'effektivität der Recommandation-Algorithmen ne peut pas être entièrement basé sur la base de l'historique des données analysées, mais der Effekt der Empfehlungen großenteils unbekannt ist. Alors sehen wir aussi, dass, allein schon aus Prakten Gründen, das Entwickeln lebensfähiger Recommandation-algorithmes 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 Recommandation Engines zu entwickeln, qui in der Lage sind zu lernen und dies in Echtzeit machen. Dies führt zu immer kraftvolleren Recommandation Moteurs.

Résultat du commerce électronique hilft Ihnen bei der Wahl und der Implementierungsbetreuung des richtigen Moteur de recommandation.