Recommendation Engines sind zum unentbehrlichen Bestandteil moderner Webshops geworden. Es gibt unterschiedliche Sorten Empfehlungen, die in mehreren Bereichen des Webshops platziert werden. “Klassische” Empfehlungen erscheinen meistens in den Produktseiten, häufig versehen mit Hinweisen wie “Kunden, die dieses Produkt kauften, kauften auch..“ oder “Möglicherweise sind Sie auch interessiert in..”. Dieser Type Empfehlung wurde durch Amazon beliebt gemacht. Andere Typen Empfehlungen sind die, die abgestimmt wurden mit dem Kaufverhalten des Verbrauchers und häufig präsentiert werden in einem separaten Teil des Webshops, zum Beispiel “mein Laden,” oder auf der Startseite, nachdem der Nutzer sich identifiziert hat durch einzuloggen. Diese Recommendation Engines bieten den Nutzer keine allgemeinen, sondern personalisierte Empfehlungen in Bezug auf das Sortiment des Ladens. Deshalb nennen wir diese auch: personalisierte Empfehlungen. Andere Empfehlungen können, zum Beispiel, auf Kategorie-Seiten erscheinen (beste Empfehlung innerhalb einer bestimmten Kategorie) oder abgestimmt werden mit den Ergebnissen von Suchaufträgen. Nicht nur Produkte, sondern auch Kategorien, Banner, Kataloge, Autoren (in Buchläden) und so weiter können empfohlen werden. Als ultimatives Ziel wollen Recommendation Engines sogar eine totale Personalisierung des Online-Laden erreichen, die personalisierte Navigation, Werbung, Preise, E-Mails und SMS-Nachrichten umfasst. Die Möglichkeiten in diesem Bereich sind nahezu unbegrenzt.

Recommendation engineering

Recommendation Enginering ist ein lebhafter Forschungsbereich. Hunderte Forscher sind unermüdlich beschäftigt mit dem Ausdenken 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 gigantischen Menge wollen wir die geeignetste und relevanteste Empfehlung dem Kunden präsentieren. Außerdem entsteht infolge der großen Menge Sonderangeboten, Veränderungen im Sortiment und – vor allem bei Mode – bei den Preisen die Situation, dass Empfehlung bereits veraltet sind kurz nachdem sie erstellt wurden. Gute Recommendation Engines müssen also in der Lage sein in einer sehr dynamischen Umgebung zu operieren. Dies ist die wichtigste Herausforderung für Recommendation Engines: das aufweisen von einem adaptiven Verhalten.

Schwachstellen heutiger Recommendation Engines

Recommendation Engines werden häufig zu Unrecht als Bestandteil des klassischen Data Minings gesehen. Viel auf Data Mining ausgerichtete Anbieter widmen sich, aufgrund des Fehlens einer eigenen Recommendation Engine Bereichen, wie der Basket Analyse und Clustering Techniken. Dies reduziert das Thema der Empfehlungen auf eine statistische Analyse und Modellierung der Verbraucherverhaltens. Wir wissen von den klassischen Cross-Selling Techniken, dass diese Vorgehensweise in der Praxis oft funktioniert.
Doch sollte man dies etwas kritischer Betrachten. In Wirklichkeit deckt eine reine Analyse des Verbraucherverhaltens nicht alle Bereiche ab.
1. Das Effekt der Empfehlungen wird nicht in Betracht gezogen: wenn der Verbraucher nach aller Wahrscheinlichkeit sich sowieso 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 (Self-Reinforcing): wenn nur frühere “beste” Empfehlungen wiedergegeben werden, besteht das Risiko, dass diese sich selbst stärken, auch wenn es keine besseren Alternativen gibt. Dürfen neue Empfehlungen ausprobiert werden?
3. Das Verbraucherverhalten ändert sich: sogar wenn das frühere Verbraucherverhalten perfekt modelliert wurde, bleibt die Frage, was geschehen 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 flexibel dem neuen Verbraucherverhalten anzupassen?
4. Optimierung aller aufeinanderfolgenden Schritten: Statt nur die Produkte anzubieten, die von den Recommendation Engines als meist gewinnbringendes Produkt im nächsten Schritt gesehen wird, wäre es vielleicht besser die Empfehlungen auszuwählen aus den Blickwinkel der Umsatzoptimierung hinsichtlich der wahrscheinlichen Serie aller darauffolgenden Transaktionen? Mit anderen Worten sollte manchmal vielleicht ein etwas weniger gewinnträchtiges Produkt empfohlen werden, wenn dies der Anfang von mehreren gewinnträchtigen Verkaufsaktionen sein kann. Besser langfristig planen als nur den kurzfristigen Umsatz in Betracht zu nehmen. Diese Themen führen alle zu der Schlussfolgerung, dass die besseren Recommendation Engines das Zusammenspiel von Analyse und Aktion modellieren sollten.

Recommendation Engines basieren auf das Zusammenspiel von Analyse 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.a. Robotik schnell weiterentwickelt. Der Gedanke ist hierbei, dass die Systeme nicht mehr auf eine standardmäßige Weise programmiert werden können. Man sollte das System Fehler mach lassen und von diesen Fehlern konsequent lernen. Aber weshalb dominiert die erste Sichtweise immer noch die 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 werden, weil der Effekt der Empfehlungen großenteils unbekannt ist. So sehen wir also, dass, allein schon aus praktischen 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 kraftvolleren Recommendation Engines.

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