Mecanismos de recomendação desde zum unentbehrlichen Área de arquivos Webshops mais modernos se tornaram. Es gibt unterschiedliche Sorten Empfehlungen, que foram platziert em mehreren Bereichen des Webshops. “Klassische” Empfehlungen erscheinen meistens in den Produktseiten, häufig versehen mit Hinweisen wie “Kunden, die dieses Produkt kauften, kauften auch..” ou “Möglicherweise sind Sie auch interessiert in..”. Dieser Type Empfehlung wurde durch Amazon beliebt gemacht. Outros tipos Empfehlungen sind die, die abgestimmt wurden mit dem Kaufverhalten des Verbrauchers und häufig präsentiert were in einem separado Teil des Webshops, zum Beispiel “mein Laden,” oder auf der Startseite, nachdem der Nutzer sich identifiziert hat durch einzuloggen. Diese Recommendation 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 (em Buchläden) und so weiter können empfohlen zijn. Como ultimatives, os motores de recomendação de Ziel wollen 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.

Engenharia de recomendação

Recomendação Engineering 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 relevante Empfehlung dem Kunden apresentaren. 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. Motores de recomendação de Gute müssen também em der Lage sein em einer sehr dynamics Umgebung zu operieren. Dies ist die wichtigste Herausforderung für Recommendation Engines: das aufweisen von einem adaptiven Verhalten.

Motores de Recomendação Schwachstellen heutiger

Os Mecanismos de Recomendação foram chamados de häufig zu Unrecht como um Arquivo de Mineração de Dados Clássica. Viel auf Data Mining ausrichtente Anbieter widmen sich, aufgrund des Fehlens einer eigenen Recommendation Engine Bereichen, wie der Basket Analysis und Clustering Techniken. Dies reduziert das Thema der Empfehlungen auf eine Statistic Analyze und Modellierung der Verbraucherverhaltens. Nós eliminamos o clássico Cross-Selling Techniken, que este Vorgehensweise in der Praxis frequentemente funciona.
Mas sollte homem morre etwas mais crítico Berachten. In Wirklichkeit eine reine Analyze des Verbraucherverhaltens nicht alle Bereiche ab.
1. Das Effekt der Empfehlungen wird nicht sugado para Betracht: wenn der Verbraucher nach aller Wahrscheinlichkeit sich Anyway ein bestimmtes Produkt anschauen würde, ist dann der Sinn einer Empfehlung? Wäre es nicht more logic ein Produkt zu empfehlen, das das Verhalten des Nutzers change?
2. Empfehlungen sind selbst-stärkend (auto-reforço): 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 flexível dem neuen Verbraucherverhalten anzupassen?
4. Optimierung aller aufeinanderfolgenden Schritten: Statt nur die Produkte anzubieten, die von the Recommendation Engines als meist gewinnbringendes Produkt im nachsten Schritt gesehen wird, wäre esvielleicht besser die Empfehlungen auszuwählen aus den Blickwinkel der Umsatzoptimierung hinsichtlichin der wahrsen all? Com outros Worten sollte manchmalvielleicht ein etwas weniger gewinnträchtiges Produkt empfohlen zijn, wenn dies der Anfang von mehreren gewinnträchtigen Verkaufsaktionen sein kann. Besser planeja enquanto nur den kurzfristigen Umsatz em Betracht zu nehmen. Diese Themen führen alle zu der Schlussfolgerung, dass die besseren Recommendation Engines das Zusammenspiel von Analyze und Aktion modellieren sollten.

Mecanismos de recomendação baseados no 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 u 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 aquele primeiro Sichtweise nunca, nem aquele 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 cann nicht vollständig auf der Base 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 Recommendation Engines zu entwickeln, die in der Lage sind zu lernen und dies in Echtzeit machen können. Dies führt zu immer kraftvoleren Recommendation Engines.

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