Sag' mir, wer du bist, und ich sag' dir, was du lesen solltest

Empfehlungs-Engines in der Verlagsbranche

SZENARIO

Empfehlungs-Engines sind Systeme, die Benutzern durch den Einsatz von maschinellen Lerntechnologien helfen, Dinge zu entdecken, die sie vielleicht mögen. Produktempfehlungen entwickeln sich zu einem der wichtigsten Kommunikationsmittel zwischen Einzelhändlern und ihren Kunden. One-to-One-Marketing hilft einerseits, das Kundenengagement zu erhöhen und andererseits, den Umsatz auf E-Commerce-Plattformen zu steigern. Gleichzeitig verbessern automatisierte Analysen die Effizienz und die Reaktionsfähigkeit von Aktionen. Zum Beispiel erzielen Netflix und Amazon einen großen Teil ihres Umsatzes durch ihre Empfehlungs-Engines. Tatsächlich gehen 35 % der Einkäufe, die Endverbraucher auf Amazon tätigen, und 75 % der über Netflix angeschauten Filme auf Produktempfehlungen auf Basis moderner Algorithmen zurück.

LÖSUNG

Data Reply, spezialisiert auf Datenmanagement mit Big Data & Advanced Analytics-Methoden, hat eine maßgeschneiderte Version eines Empfehlungs-Engines entwickelt: Dieser kann verschiedene Arten von Interaktionen des Kunden mit dem Produkt (Käufe, Bewertungen, Webseitenaufrufe, Social-Media-Aktivitäten) nutzen und sich im Laufe der Zeit – mithilfe der gesammelten Feedback-Aktionen – automatisch an spezifische Kundenbedürfnisse anpassen. Für einen Kunden in der Verlagsbranche wurde auf der Grundlage dieses allgemeinen Rahmens eine Buchempfehlungs-Engine individuell angepasst.

WIE ES FUNKTIONIERT

Verschiedene Quellen, die strukturierte und unstrukturierte Daten produzieren, darunter Transaktionsdaten, Web-Clickstreams, soziale Ratings und Bewertungen, werden in einen zentralen Data Lake geleitet. Dieser Ansatz ermöglicht es, an einem einzigen Ort Daten im Rohformat und Daten zu speichern, die historisch in Silos eingeschlossen wurden und niemals miteinander korreliert haben.
Die Daten werden dann von mehreren Algorithmen berechnet. Diese Algorithmen haben die Fähigkeit, Kundenpräferenzen und -geschmäcker mit einem Eins-zu-Eins-Ansatz anstelle der klassischen Segmentierung in Gruppen zu identifizieren, selbst wenn das verfügbare Informationsniveau bei den Kunden sehr unterschiedlich ist.


how-it-works

Die Empfehlung von Büchern ist ein multi-objektives Problem: Am besten sollen Relevanz, Engagement, Vielfalt, Neuheit, Geschäftsanforderungen und mehr gleichzeitig optimiert werden. Dies kann durch ein Zusammenspiel von Algorithmen erzielt werden, von denen jeder ein bestimmtes Ziel erreichen soll. Ein letzter Algorithmus ist dafür verantwortlich, für jeden Kunden die richtige Mischung zu finden: Beispielsweise kann ein Kunde eher an Nischenprodukten als an Bestsellern interessiert sein.
Das System lernt auf zwei Wegen: Erstens kann es durch die Erhebung neuer Daten (wie etwa den Kauf eines neuen Produkts) die Kenntnis der Kundenpräferenzen verbessern und folglich relevantere Empfehlungen liefern, und zweitens kann es die Interaktionen des Kunden mit dem System (die Klicks auf die angezeigten Empfehlungen) mit einer als „verstärkendes Lernen“ bezeichneten Methode verwenden – diese Methode ähnelt dem Versuchen-und-Anpassen-Ansatz, den Roboter verwenden, wenn sie laufen lernen.
Das gesamte System arbeitet sowohl mit täglichen Retraining-Schritten als auch mit Echtzeit-Anpassungen der bereitgestellten Empfehlungen. Dank einer einfachen API-Schnittstelle lässt es sich leicht in die unterschiedlichsten Systeme (Mobil, Web, intelligente Totems ...) integrieren.

GESCHÄFTSVORTEILE
  • Neuer Marketing-Touchpoint
  • Personalisierte Empfehlungen
  • Verstärktes Kundenengagement
  • Verstärkte Kundenbindung
  • Schnellere Einführung neuer Produkte
  • Höherer Web-Traffic