Empfehlungsmaschinen sind modernere Webshops geworden. Es gibt unterschiedliche Sorten Empfehlungen, die in mehreren Bereichen des Webshops platziert wurden. „Klassische“ Empfehlungen erscheinen meistens in den Produktseiten, häufig vershen mit Hinweisen wie „Kunden, die dieses Produkt kauften, kauften auch..“ oder „Möglicherweise sind Sie auch interessiert an.“ Dieser Typ Empfehlung wurde von Amazon beliebt. Andere Arten von Empfehlungen sind die, die abgestimmt wurden mit dem Kaufverhalten des Verbrauchers und werden häufig in einem separaten Teil des Webshops präsentiert, zum Beispiel „mein Laden“ oder auf der Startseite, nachdem sie durchfiein ziert werden. This Recommendation Engines beet den User 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 waren mit den Erträgen von Suchaufträgen. Nicht nur Produkte, sondern auch Kategorien, Banner, Kataloge, Autoren (in Buchläden) und so weiter können empfohlen werden. Wenn ultimatives Ziel wollen Recommendation Engines sogar eine totale Personalisierung des Online-Ladens erreichen, die personalisierte Navigation, Werbung, Preise, E-Mails und SMS-Nachrichten umfasst. Die Möglichkeiten in diesem Bereich sind nahezu unbegrenzt.

Empfehlungs-Engineering

Empfehlung Engineering ist ein lebhafter Forschungsbereich. Hunderte Forscher sind unermüdlich beschäftigt mit dem Ausdenken neuer Theorien und Methoden für die Entwicklung neuer Empfehlungsalgorithmen. Das häufigste Ziel von Recommendation Engines ist eine Steigerung im Umsatz des Webshops (beziehungsweise im Gewinn oder in den Verkaufszahlen. 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 sterben geeignetste und relevantste Empfehlung dem Kunden präsentieren. Außerdem entsteht infolge der großen Menge Sonderangebote, Veränderungen im Sortiment und – vor allem bei Mode – bei den Preisen die Situation, dass Empfehlung bereits veraltet sind, nachdem sie erstellt wurden. Gute Recommendation Engines müssen auch in der Lage sein in einer sehr dynamischen Umgebung zu operieren. Dies ist die Herausforderung für Recommendation Engines: das weisen von einem adaptiven Verhalten auf.

Schwachstellen heutiger Recommendation Engines

Recommendation Engines wurden häufig zu Unrecht als Fileteil des klassischen Data Minings bezeichnet. Viel auf Data Mining ausgerichtte Anbieter konzentrieren sich, aufgrund des Fehlens einer eigenen Recommendation Engine Bereiche, wie der Basket Analyse und Clustering Techniken. Dies reduziert das Thema der Empfehlungen auf eine statistische Analyse und Modellierung des Verbraucherverhaltens. Wir löschen von den klassischen Cross-Selling-Techniken, dass diese Vorgehensweise in der Praxis oft funktioniert.
Aber sollte man sterben etwas kritischer. In Wirklichkeit eine reine Analyse des Verbraucherverhaltens nicht alle Bereiche ab.
1. Die Wirkung der Empfehlungen wurde nicht berücksichtigt: Wenn der Verbraucher nach aller Wahrscheinlichkeit sich ein bestimmtes Produkt anschauen würde, wast dann der Sinn einer Empfehlung? Wäre es nicht logischer ein Produkt zu empfehlen, das Verhalten des Nutzers zu ändern?
2. Empfehlungen sind selbst-stärkend (Self-Reinforcing): wenn nur frühere „beste“ Empfehlungen wiedergegeben wurden, 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 geändert perfekt modelliert wurde, bleibt die Frage, wasschehen wird, wenn das Verhalten der Verbraucher sich plötzlich, info von Angedeboten, inner shops sorting. Wäre es nicht besser, wenn Recommendation Engines in der Lage sind fortwährend zu lernen und sich flexibel dem neuen Verbraucherverhalten anzupassen?
4. Optimierung aller auf schrittweisen Schritte: Statt nur die Produkte anzubieten, which of den Recommendation Engines as meist gewinnbringendes Produkt im nächsten Schritt gesehen WIRD, wäre es vielleicht besser die Empfehlungenwhinallenschehlendlichen Der Ummenderungen den Bichten Mit anderen Worten sollte manchmal valleicht ein etwas weniger gewinnträchtiges Produkt empfohlen werden, wenn dies der Anfang von mehreren gewinnträchtigen Verkaufsaktionen sein kann. Besser hartnäckige Pläne als nur den kurzfristigen Umsatz in Betracht ziehen. Diese Themen führen alle zu der Schlussfolgerung, dass die besseren Recommendation Engines das Zusammenspiel von Analyse und Aktion modellieren sollten.

Recommendation Engines basieren auf dem Zusammenspiel von Analyse und Aktion

Jetzt kommen wir bei einem speziellen Bereich der Control Theory: Reinforcement Learning oder selbst-stärkendes Lernen. Ein neuer Forschungsbereich, der sich Informationen der steeigenden Anwendung in ua Robotik schnell weiterentwickelt. Der Gedanke ist hierbei, dass Systeme nicht mehr auf eine standardmäßige Weise programmiert werden könnten. Man sollte das System Fehler mach lassen und von diesen Fehlern konsistent lernen. Aber warum beherrscht diese erste Sichtweise überhaupt noch die heutige Forschung? Ein Teil des Problems ist die begrenzte Anzahl der Testmöglichkeiten und Datensätze. Adäquate Durchführung der zweiten Vorgehensweise erfordert sterben Integrierung der Algorithmen in Echtzeit-Anwendungen. Die Effektivät der Empfehlungs-Algorithmen kann nicht vollständig auf der Basis von historischen Daten analysiert werden, weil der Effekt der Empfehlungen großenteils unbekannt ist. So they wir also, dass, allein schon aus praktischen Gründen, das Entwickeln lebensfähiger Empfehlungs-Algorithmen eine sehr komplizierte Operation für die meisten Forscher ist. Die Zahl der Veröffentlichungen bezüglich der Zweiten Vorgehensweise sehen wir jedoch in letzter Zeit. Einigen, Wenigen Unternehmen in der Welt ist es gelungen, Recommendation Engines zu entwickeln, die in der Lage sind zu lernen und dies in Echtzeit genutzt werden können. Dies führt zu immer kraftvolleren Empfehlungsmotoren.

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