Empfehlungssysteme und maschinelles Lernen: Ansätze und Fallstudien

Leiter des KI/ML-Kompetenzzentrums

Auf maschinellem Lernen basierende Empfehlungssysteme sind leistungsstarke Maschinen, die Algorithmen des maschinellen Lernens (ML) verwenden, um Kunden auf der Grundlage von Nutzerdaten und Verhaltensmustern (wie Kauf- und Browsing-Verlauf, Likes oder Bewertungen) zu segmentieren und ihnen personalisierte Produkt- oder Inhaltsvorschläge zu machen.

Lassen Sie uns die Natur dieser Tools und die verschiedenen Designansätze untersuchen und herausfinden, wie Experten für maschinelles Lernen verschiedenen Unternehmen helfen können, Empfehlungsmaschinen einzusetzen, um die Kundenbindung zu erhöhen und die Nutzererfahrung zu verbessern.

Trends auf dem Markt für Empfehlungssysteme

67%

der Verbraucher erwarten von Marken relevante Produkt- oder Dienstleistungsempfehlungen

McKinsey

76%

der Verbraucher kaufen mit größerer Wahrscheinlichkeit bei Marken, die ihre Dienstleistungen personalisieren

McKinsey

+26%

des Umsatzes durch die Nutzung von Produktempfehlungen auf der Grundlage von KI und ML

Salesforce

Schnappschuss des Marktes

Am schnellsten wachsender Markt:

Asien-Pazifik

Größter Markt:

Asien-Pazifik

Wichtige Akteure

Scheme title: Global recommendation engine market forecast
Data source: mordorintelligence.com — The recommendation engine market

Ansätze zur Gestaltung von Empfehlungssystemen

Die meisten Empfehlungsmaschinen lassen sich in drei große Unterkategorien einteilen, je nachdem, welcher Ansatz bei der Auswahl und Empfehlung von Produkten oder Dienstleistungen verfolgt wird.

Kollaboratives Filtern: Schwerpunkt auf der Ähnlichkeit der Nutzer

Wie es funktioniert

Empfehlungsmaschinen dieser Kategorie stützen sich auf Algorithmen des maschinellen Lernens wie Clustering-Modelle, benutzerbasierte k-nearest neighbors, Matrixfaktorisierung und Bayes'sche Netze, um die Produktwahrnehmungen der Kunden zu erfassen. Nach der Ermittlung der Kundenpräferenzen bietet eine Suchmaschine Artikel an, die bereits von anderen Nutzern mit ähnlichen Vorlieben gekauft wurden. Das System kann die Nutzer durch explizite Datenerfassung (indem es sie bittet, eine Liste ihrer Lieblingsartikel zu erstellen und zuvor gekaufte Produkte zu bewerten) oder implizite Datenerfassung (indem es die Interaktionen der Nutzer auf Social Media powered by AI sowie die Käufe und das Surfen auf E-Commerce-Websites überwacht) definieren.

Kollaborative Filterung

Profis

Kollaborative Filtersysteme können extrem genau sein und effektive Vorschläge liefern, insbesondere wenn sie auf kontextbezogener Filterung beruhen.

Diese Systeme können das Interesse von Kunden an einem Produkt vorhersagen, von dem sie nicht wussten, dass es existiert, indem sie beobachten, was die Aufmerksamkeit ähnlicher Nutzer erregt hat.

Empfehlungssysteme, die auf diesem Ansatz beruhen, funktionieren auch dann gut, wenn sie die Beschaffenheit der einzelnen Artikel nicht kennen, so dass keine detaillierten Produktbeschreibungen erforderlich sind.

Nachteile

Problem des Kaltstarts: Neuen Nutzern ohne Kaufhistorie wertvolle Vorschläge zu machen, kann angesichts der einzigen verfügbaren Parameter (Geschlecht, Alter usw.) eine Herausforderung sein.

Skalierbarkeit: Die Verwendung dieses Algorithmus zur Suche nach Kaufmustern bei einer wachsenden Anzahl von Kunden und Produkten erfordert eine erhebliche Rechenleistung.

Rich-get-richer-Effekt: Algorithmen empfehlen in der Regel Produkte mit vielen guten Bewertungen, wodurch deren Beliebtheit auf Kosten neuer Artikel steigt.

Datenarmut: Bei einem großen Produktkatalog kann es vorkommen, dass nicht für jeden Artikel eine ausreichende Anzahl von Nutzerbewertungen analysiert werden kann, was die Genauigkeit der Empfehlungen verringert.

Angriffe durch Shilling: Neue Produkte sind anfällig für Bewertungsmanipulationen (z.B. durch negative Bewertungen von Konkurrenten).

Inhaltsbasierte Filterung: Fokus auf Produktähnlichkeit

Wie es funktioniert

Bei diesem Ansatz werden vor allem die Eigenschaften des Artikels, wie Preis, Kategorie und andere Merkmale, die durch zugewiesene Schlüsselwörter und Tags definiert sind, zusammen mit den Präferenzen der Nutzer, die aus ihren Käufen und dem entsprechenden Feedback interpretiert werden, berücksichtigt. Auf der Grundlage dieser Metriken untersucht ein Algorithmus des maschinellen Lernens (z. B. Bayes'sche Klassifikatoren, Entscheidungsbäume, Clustering usw.) das Kaufverhalten der Kunden und empfiehlt andere Produkte, die ähnliche Merkmale aufweisen wie die zuvor gekauften und positiv bewerteten.

Inhaltsbasierte Filterung

Profis

Dieser Ansatz entschärft das Problem mit neuen Produkten im Verkauf aufgrund der zugewiesenen Schlüsselwörter.

Die fortschrittlichsten inhaltsbasierten Empfehlungssysteme können die Menge der untersuchten Variablen anreichern, indem sie Textbewertungen durch KI-basierte natürliche Sprachverarbeitung (NLP) untersuchen.

Nachteile

Das Tagging-Verfahren bedeutet einen enormen Arbeitsaufwand, insbesondere auf großen Plattformen oder Marktplätzen.

Das Kaltstart-Problem der kollaborativen Filterung ist immer noch vorhanden, wenn auch weniger kritisch als bei der kollaborativen Filterung, da die historischen Daten im Zusammenhang mit neuen Kunden sehr begrenzt sind.

Algorithmen können recht konservativ sein, indem sie Kategorien von Produkten und Inhalten empfehlen, die bereits von einem Nutzer gekauft wurden, und neue, potenziell interessante Kategorien meiden.

Hybride Empfehlungssysteme: das Beste aus beiden Welten

Wie es funktioniert

Viele Empfehlungssysteme verfolgen einen hybriden Ansatz, der kollaborative und inhaltsbasierte Filterung kombiniert. Es gibt mehrere Möglichkeiten, sie zu kombinieren. Bei der gemischten Hybridisierungstechnik werden den Nutzern gleichzeitig kollaborative und inhaltsbasierte Vorschläge unterbreitet. Bei der gewichteten Technik hingegen werden die aus zwei verschiedenen Ansätzen berechneten Punkte zusammengeführt. Ein weiterer Kombinationstrick, nämlich die Meta-Ebene, beinhaltet die Verwendung des Outputs des ersten Ansatzes (im Grunde das von Algorithmen erstellte Modell des maschinellen Lernens) als Eingabequelle für den zweiten.

Schematitel: Meta-Level-Technik
Datenquelle: researchgate.net - Ein hybrides Empfehlungssystem

Profis

Neuen Studien zufolge verbessern hybride Ansätze die Leistung von Empfehlungssystemen erheblich.

Eine hybride Maschine kann den besten Ansatz für jede spezifische Aufgabe verwenden. Die Systeme von Netflix und Spotify erkennen Ähnlichkeiten zwischen Nutzern durch kollaborative Filterung, identifizieren aber Filme und Songs mit denselben Attributen durch inhaltsbasierte Filterung.

Nachteile

Die Zusammenführung beider Mechanismen in einem einzigen System erfordert komplexere Architekturen und eine höhere Rechenleistung.

Lassen Sie sich von unseren Experten bei der Implementierung von Empfehlungssystemen für maschinelles Lernen beraten

Zu Itransition wechseln

Wie ML-gestützte Empfehlungssysteme funktionieren

Unabhängig davon, ob sie auf kollaborativer oder inhaltsbasierter Filterung basieren, werden ML-gestützte Empfehlungssysteme eine mehrstufige Pipeline durchlaufen, um Produkt- und Kundendaten in personalisierte Vorschläge umzuwandeln.

Datenerhebung und Segmentierung

Ein maschinelles Lernsystem benötigt große Datensätze, um Kunden zu segmentieren, d. h. sie anhand ihrer Eigenschaften in einen bestimmten Archetyp oder eine Buyer Persona einzuteilen und ihnen geeignete Vorschläge zu unterbreiten. Zu den relevanten Metriken können Browsing-Verhalten, Kaufhistorie, Nutzung von Inhalten, persönliche Informationen aus Nutzerprofilen, Produktbewertungen, Zugangsgeräte und vieles mehr gehören. Das System kann diese Informationen durch explizite oder implizite Datenerfassung sammeln, während die Produkteigenschaften aus den entsprechenden Tags gewonnen werden können.

Speicherung von Daten

Datensätze sollten je nach der Art der Daten, die ein Empfehlungssystem analysieren muss, in einem geeigneten Repository konsolidiert werden. Neben traditionellen SQL-Datenbanken, die für die effiziente Speicherung strukturierter Daten ausgelegt sind, können Sie auf NoSQL-Datenbanken zurückgreifen, die komplexe Formate, wie z. B. unstrukturierte Daten, verarbeiten können. Data warehouses hingegen können Informationen aus verschiedenen Quellen leicht integrieren und für die Analyse aufbereiten, während Data Lakes als flexible Repositories fungieren, die jedes Datenformat aufnehmen können.

Scheme title: AWS-based recommender system architecture with an Amazon S3 data lake
Data source: AWS — Architecting near real-time personalized recommendations with Amazon Personalize

Datenanalyse und Entscheidungsfindung

Das Empfehlungssystem nutzt Algorithmen des maschinellen Lernens, um Datensätze zu verarbeiten, Muster und Korrelationen zwischen mehreren Variablen zu erkennen und ML-Modelle zu erstellen, die diese abbilden. So können Algorithmen beispielsweise einen wiederkehrenden Zusammenhang zwischen dem Alter der Kunden und ihrer Vorliebe für eine Marke gegenüber einer anderen erkennen. Ausgebildete Modelle können Vorhersagen über die Präferenzen der Nutzer treffen und die geeignetsten Produkte oder Inhalte empfehlen, auf die sich die Unternehmen dann bei ihren Entscheidungen stützen.

Scheme title: Machine learning modeling
Data source: medium.com — docs.microsoft.com—What is a machine learning model?

Top-Empfehlungssysteme

Heutzutage verlassen sich alle großen Anbieter digitaler Dienste und E-Commerce-Unternehmen in einer Vielzahl von Anwendungsfällen auf Empfehlungssysteme, um ein individuelles Nutzererlebnis zu bieten und die Verkaufsleistung oder die Werbeeinnahmen zu steigern.

Amazon nutzt einen Empfehlungsalgorithmus für Produkte oder Suchergebnisse, der Vorschläge auf der Website, die auf mehreren Strategien basieren (für Sie empfohlen, zusammen gekauft, kürzlich angesehen usw.), mit Empfehlungen außerhalb der Website per E-Mail kombiniert. Der führende E-Commerce-Anbieter setzte seine auf Collaborative Filtering basierende Empfehlungsmaschine zwischen 2011 und 2012 ein und verzeichnete im zweiten Geschäftsquartal 2012 eine herausragende Umsatzsteigerung von 29 %. Allerdings geht Amazon jetzt von der artikelbasierten kollaborativen Filterung (Nutzer, die A gekauft haben, haben auch B gekauft) zu einem System über, das auf neuronalen Autocode-Netzen basiert.

YouTube hat ein Empfehlungssystem eingeführt, um bestimmte Videos zu priorisieren, Kanalabonnements vorzuschlagen und relevante Nachrichten bereitzustellen. Das System berücksichtigt eine Reihe von Parametern, die als "Signale" definiert sind, um die Interessen der Nutzer besser einzugrenzen, darunter Klicks, Likes und Dislikes, Umfrageantworten, Sehdauer und Shares. Neben der Personalisierung der Nutzererfahrung zielt dieses System darauf ab, qualitativ hochwertige Informationen zu fördern und problematische Inhalte wie sensationslüsterne Boulevardnachrichten oder rassistische und gewalttätige Videos zu degradieren.

Youtube’s recommendations on the homepage and "up next" videos

Bildtitel: Youtubes Empfehlungen auf der Startseite und "up next"-Videos
Datenquelle: blog.youtube - Über das Empfehlungssystem von YouTube

Facebook verwendet eine auf Deep Learning und neuronalen Netzen basierende Empfehlungsmaschine (bekannt als DLRM oder Deep Learning Recommendation Model) für Freundschaftsvorschläge und die Sortierung des News Feeds, aber auch um Gruppen, Seiten, die Sie interessieren könnten, oder Produkte auf seinem Marktplatz zu empfehlen. Das DLRM verarbeitet sowohl kontinuierliche Merkmale (wie z. B. das Alter) als auch kategorische Merkmale (einschließlich der Produktkategorie), die Artikel und Plattformnutzer detailliert beschreiben. Kategoriale Merkmale werden durch Einbettungen beschrieben, die Repräsentationen von Wörtern durch reellwertige Vektoren sind.

Netflix nutzt ein auf Deep Learning basierendes Empfehlungssystem, um Filmempfehlungen zu geben. Seine Algorithmen berücksichtigen Variablen wie Benutzermerkmale (einschließlich des Browserverlaufs und der abgegebenen Bewertungen), Filmtyp und -popularität sowie die Ähnlichkeit der einzelnen Elemente mit früheren Inhalten, um die auf der Startseite in horizontalen Reihen angezeigten Filmgruppen zu sortieren. Die Engine überwacht auch streng kontextbezogene Merkmale wie den Wochentag, die Jahreszeit, nationale Feiertage, das Gerät und mehr.

LinkedIn hat ein Empfehlungssystem entwickelt, das Stellenanzeigen, Verbindungen und Kurse vorschlägt. Eine der Kernanwendungen ist LinkedIn Recruiter, ein umfassendes HR-Tool, das Listen geeigneter Kandidaten für eine offene Stelle zusammenstellt und sie nach ihren Fähigkeiten, ihrer Erfahrung und ihrem Standort einstuft. Die Talentsuchmaschine berücksichtigt sowohl die Relevanz bestimmter Kandidaten für eine bestimmte Anfrage als auch das gegenseitige Interesse zwischen diesen Fachleuten und Recruitern (im Wesentlichen, wenn der Kandidat positiv auf eine InMail-Nachricht des Recruiters antwortet).

Bildtitel: LinkedIn Recruiter's Dashboard
Datenquelle: blog.youtube - Über das Empfehlungssystem von YouTube

Tipps zur Implementierung von ML-basierten Empfehlungsmaschinen

ML-basierte Empfehlungsmaschinen sind komplexe Tools mit komplizierten Architekturen, so dass Sie ihre Vorteile nicht ohne die richtige Implementierung nutzen können. Hier sind einige Faktoren, die Sie beachten sollten:

Zugänge

Kollaborative, inhaltsbasierte und hybride Ansätze bestimmen die zugrunde liegende Mechanik von Empfehlungssystemen und die zu priorisierenden Variablen. Die Wahl des Konzepts hängt von Ihrem Geschäftsszenario ab, einschließlich Ihrer Zielgruppe und Produktpalette, sowie von den verfügbaren Daten. Große Einzelhandelsplattformen mit einem breiten Dienstleistungs- oder Produktangebot können beispielsweise mit einem hybriden Ansatz eine hohe Leistung erzielen und die Vielzahl ihrer Aufgaben bewältigen.

Benutzergesteuerte Strategien

Die effektivsten Empfehlungssysteme können je nach Stadium der Customer Journey zwischen verschiedenen Empfehlungsstrategien wechseln. Erstnutzer könnten beispielsweise auf die "beliebtesten" Produkte verwiesen werden, da wir ihre Interessen noch nicht einordnen können, während Besucher mit einer langen Kaufhistorie mit maßgeschneiderten Empfehlungen auf der Grundlage der Affinität des Nutzers zu bestimmten Warenkategorien angesprochen werden können.

Seite kontextabhängige Strategien

Unterschiedliche Seitenkontexte können auch spezifische Empfehlungsstrategien erforderlich machen. Eine Standardwahl für Homepages ist beispielsweise die Strategie "Beliebteste Produkte", während Empfehlungen, die auf "ähnlichen Produkten" basieren, für Produktseiten besser funktionieren können. Bei Warenkorbseiten lohnt es sich, eine "Zusammen gekauft"-Strategie zu verfolgen, um Upselling zu fördern.

Plattformbasierte Lösungen

Nichts hindert Sie daran, Empfehlungssysteme zu entwickeln, die vollständig auf Ihre Bedürfnisse zugeschnitten sind, wenn Sie bereit sind, höhere Vorlaufkosten für die Entwicklung in Kauf zu nehmen. Sie können jedoch auch auf Cloud-basierte Dienste und Tools zurückgreifen, die integrierte Algorithmen und vorab trainierte ML-Modelle bieten. Dazu gehören Salesforce Interaction Studio, Adobe Target, Amazon Personalize, Optimizely, IBM Watson Real-Time Personalization und andere.

Vorteile eines ML-basierten Empfehlungssystems

Einzelhandelsunternehmen und Anbieter digitaler Dienstleistungen setzen auf Empfehlungssysteme mit maschinellem Lernen und andere Big-Data-Lösungen für den E-Commerce, um sechs wesentliche Ziele zu erreichen:

Bessere Nutzererfahrung

Empfehlungssysteme helfen dabei, die Kundenbetreuung im Geschäft und die persönliche Beratung durch einen echten Verkäufer in einer virtuellen Umgebung nachzubilden.

Konzentration auf das richtige Produkt

Empfehlungssysteme entschärfen die so genannte Informationsflut, indem sie den Kunden zu dem gewünschten Produkt führen, das in der überwältigenden Auswahl an Waren und Inhalten verborgen ist.

Absatz- und Umsatzsteigerung

Die Personalisierung des Einkaufserlebnisses und die Hervorhebung relevanter Produkte führen zu einer höheren Anzahl von Artikeln pro Bestellung, einem höheren durchschnittlichen Bestellwert, einer verbesserten Kundenbindung und einem höheren Lifetime-Value und damit zu einem Umsatzwachstum.

Datengesteuerte Entscheidungsfindung

Empfehlungssysteme sammeln Kunden- und Verkaufsdaten, aus denen detaillierte Berichte erstellt werden können, die Managern wertvolle Einblicke in die Präferenzen der Kunden geben und die Entscheidungsfindung für Marketing-, Logistik- und Preisstrategien verbessern.

Optimierte Marketingkosten

Zusammen mit gezielter Werbung und gezielter Kommunikation können Empfehlungssysteme dazu beitragen, die Marketingkosten zu senken. In diesem Zusammenhang hat McKinsey hervorgehoben, dass Produktempfehlungen die Effizienz der Marketingausgaben um 10-30 % verbessern können.

Driving personalization with machine learning

Personalisierung mit maschinellem Lernen

Empfehlungssysteme bieten eine Synthese zwischen den Wünschen der Kunden nach einem maßgeschneiderten Nutzererlebnis und personalisierten digitalen Dienstleistungen und der Notwendigkeit für Einzelhandelsunternehmen und Anbieter digitaler Dienstleistungen, ihre Verkaufsleistung zu verbessern. Maschinelles Lernen im E-Commerce und Einzelhandel sowie im Personalwesen und eLearning hat diese Synergie weiter gefördert und ermöglicht es Unternehmen, die Customer Journey vollständig zu personalisieren.

Auf der anderen Seite sind diese datengesteuerten Technologien rechenintensiv und können zu Spannungen zwischen der reinen Leistung und den wachsenden Anforderungen der Öffentlichkeit und des Gesetzgebers an den Schutz der Privatsphäre und der Daten führen. Um ihre Implementierung zu rationalisieren und die Einhaltung der Vorschriften zu gewährleisten, sollten Sie sich auf einen kompetenten Partner wie Itransition verlassen.

Vertrauen Sie auf die ML-Lösungen von Itransition, um Ihre digitalen Dienstleistungen zu personalisieren

Buchen Sie eine Beratung

FAQ

Welches ist die häufigste Art von Empfehlungssystemen?

Laut Grand View Research sind die auf kollaborativem Filtern basierenden Motoren derzeit der beliebteste Typ auf dem Markt, während das Segment der Hybridsysteme die höchste CAGR aufweisen dürfte.

Welcher Algorithmus eignet sich am besten für ein Empfehlungssystem?

Empfehlungssysteme, die sich auf tiefe neuronale Netze stützen, übertreffen in einer Reihe von Studien diejenigen, die auf "traditionellen" Algorithmen des maschinellen Lernens basieren, so die Forschungsergebnisse von Amazon. Dank ihrer komplexen, mehrschichtigen Strukturen mit miteinander verbundenen Knotenpunkten können neuronale Netze nicht-lineare Beziehungen zwischen Datenpunkten besser erkennen. Sie erfordern jedoch höhere Rechenressourcen, größere Trainingsdatensätze und eine umfangreiche Hyperparameter-Optimierung, um den Lernprozess zu optimieren.

Verwenden Empfehlungssysteme überwachtes oder unüberwachtes Lernen?

Empfehlungsmaschinen können sowohl überwachtes als auch unüberwachtes Lernen nutzen. Sie stützen sich zum Beispiel auf überwachtes Lernen, um markierte Daten wie Produktbewertungen zu verarbeiten. Sie können aber auch k-means clustering, einen unüberwachten Lernalgorithmus, verwenden, um Rückschlüsse aus Datensätzen ohne Kennzeichnung zu ziehen und Datenpunkte mit bestimmten Ähnlichkeiten zu aggregieren.