Recommendation Engines sind zum unentbehrlichen File has become more modern Webshops. Es gibt unterschiedliche Sorten Empfehlungen, which became platziert in mehreren Bereichen des Webshops. “Classical” Empfehlungen erscheinen meistens in den Produktseiten, häufig versehen mit Hinweisen who are “interested in die dieses Produkt kauften, kauften auch ..” or “Möglicherweise sind Sie auch in ..”. Dieser Type Empfehlung wurde durch Amazon beliebte gemacht. Other types of empfehlungen sind die, die abgestimmt wur dem Kaufverhalten des Verbrauchers und häufig präsentiert were in einem separaten Teil des Webshops, zum Beispiel “mein Laden,” oder auf der Startseite, nachdem der Nutzer sich identifiziert hat durch einzulog. Diese Recommendation Engines beets 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 (best Empfehlung innerhalb einer bestimmten Kategorie) or abgestimmt mit mit Ergebnissen von Suchaufträgen. Nicht nur Produkte, sondern auch Kategorien, Banner, Kataloge, Autoren (in Buchläden) und so weiter können empfohlen. As ultimatives Soul wool Recommendation Engines sogar eine total Personalisierung des Online-Laden erreichen, which 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 is eine Steigerung im Umsatz des Webshops (beziehungsweise im Gewinn oder in den Verkaufszahlen. durch das Empfehlen von billigen Ersatzwaren zu vermeiden.
Viele Webshops, vor allem die von Versandhäusern (aber sehr sicher auch die von Buchläden), haben zwwtten hunderttausende, wenn nicht gar Millionen Produkte im Vorrat. Aus dieser gigantischen Menge wollen die geeignetste und relevanteste Empfehlung dem Kunden präsentieren. Außerdem entsteht infolge der großen Menge Sonderangewagens, Veränderungen im Sortiment und - vor allem bei Mode - both Preisen die Wurden Situation, dass Empfehlung bereits veraltet sind kurz nachdem sie erstellt. Gute Recommendation Engines müssen also in der Lage sein in einer sehr dynamen Umgebung zu operieren. Dies ist die wichtigste Herausforderung für Recommendation Engines: das aufweisen von einem adaptiven Verhalten.

Schwachstellen Heutiger Recommendation Engines

Recommendation Engines were häufig zu Unrecht as File of Classical Data Minings. Fell auf Data Mining ausgerichtete Anbieter widmen sich, aufgrund des Fehlens einer proper Recommendation Engine Bereichen, wie der Basket Analyze und Clustering Techniken. Dies reduces das Thema der Empfehlungen auf eine statistical Analyze und Modellierung der Verbraucherverhaltens. Wir clearing of the classic Cross-Selling Techniques, dass diese Vorgehensweise in der Praxis oft funktioniert.
Sollte man dies etwas was more critical. In Wirklichkeit eine reine Analyze des Verbraucherverhaltens nicht alle Bereiche ab.
1. The Effekt der Empfehlungen wird nicht sucked into Practice: wenn der Verbraucher nach aller Wahrscheinlichkeit sich anyway a bestimmtes Produkt anschauen würde, was ist dann der Sinn einer Empfehlung? Where is the logical product Produkt zu empfehlen, das das Verhalten des Nutzers verändert?
2. Empfehlungen sind selbst-stärkend (Self-Reinforcing): wenn nur frühere “best” Empfehlungen wiedergegeben were, best das Risiko, dass diese sich selbst stärken, auch wenn es keine besseren Alternativen gibt. Dürfen neue Empfehlungen ausprobiert?
3. Das Verbraucherverhalten ändert sich: sogar wenn das frühere Verbraucherverhalten perfect modelliert wurde, bleibt frage, was geschehen wird, wenn das Verhalten der Verbraucher sich plötzlich ändert, infolge von Angeboten, Sortimentsänderungen und innerhalter. Wäre es nicht besser, wenn Recommendation Engines in der Lage wären fortwährend zu lernen und sich flexible dem neuen Verbraucherverhalten anzupassen?
4. Optimierung aller aufeinanderfolgenden Schritten: Statt nur die Produkte anzubieten, die von den Recommendation Engines as meist gewinnbringendes Produkt im nächsten Schritt gesehen wird, wäre es vielleicht besser die Empfehlungen auszwininichl der dmshichtlicherzichtlicherzichtlicher With others Worten sollte manchmal vielleicht ein etwas weniger gewinnträchtiges Product empfohlen, wenn dies der Anfang von mehreren gewinnträchtigen Verkaufsaktionen sein kann. Besser's long-minded plans such as nur den kurzfristigen Umsatz in Betracht zu nehmen. Diese Themen führen alle zu der Schlussfolgerung, dass die bess Recommendation Engines das Zusammenspiel von Analyze und Aktion modellieren sollten.

Recommendation Engines basieren auf das Zusammenspiel von Analyze und Aktion

Jetzt bowls wir bei einem spezifischen Bereich der Control Theory: Reinforcement Learning oder selbst-stärkendes Lernen. Ein neuer Forschungsbereich, der sich infolge der steigenden Anwendung in ua Robotik schnell weiterentwickelt. Der Gedanke ist hier both, dass that Systeme nicht mehr auf eine standardmäßige Weise were able to program. Man sollte das System Fehler mach lassen und von diesen Fehlern consistently learn. Aber weshalb never dominates that first Sichtweise nor that bland Forschung? Ein Teil des Problems ist die begrenzte Zahl der Testmöglichkeiten und Datensätze. Adäquate Durchführung der zweiten Vorgehensweise ererd that Integration of the Algorithms in Echtzeit-Anwendungen. The effect of the Recommendation-Algorithms may not have been fully analyzed on the basis of the historical data, but the effect of the empfehlungen großenteils unbekannt ist. So sehen wir also, dass, allein schon aus practical 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. Einigen, wenigen Unternehmen in der Welt ist es gelungen Recommendation Engines zu entwickeln, who can be in der Lage sind zu lernen und dies in Echtzeit machen. Dies führt zu immer kraftvolleren Recommendation Engines.

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