Was ist ein Empfehlungssystem?
Wie der Name schon sagt, sind Empfehlungssysteme Tools, die Vorschläge für Produkte oder Inhalte liefern, an denen ein bestimmter Kunde vielleicht interessiert ist.
Solche Systeme setzen meist maschinelle Lernmethoden und mehrere Datensätze über Waren und Kunden ein, um ein fortgeschrittenes Netzwerk aus komplexen Verbindungen zwischen Produkten und Kunden herzustellen.
Was empfehlen Empfehlersysteme?
Ein Empfehlungssystem kann verschiedene Dinge wie Produkte, Filme, Bücher, Neuigkeiten, Artikel, Jobs, Werbungen und mehr empfehlen. Netflix verwendet zum Beispiel ein Empfehlersystem, um individuellen Kunden Filme und Serien zu empfehlen.
YouTube empfiehlt Nutzern verschiedene Videos, die auf den Kundenprofilen und dem Verlauf basieren. Auf ähnliche Weise können eCommerce-Webseiten verschiedenen Kunden, basierend auf ihren Präferenzen, verschiedene Produkte empfehlen.
Wie Empfehlersysteme funktionieren
Grundlegende Arbeitsweise
Die Empfehlersysteme verarbeiten eine große Menge von Informationen, indem sie die wichtigsten Informationen, basierend auf Daten, die von individuellen Kunden (wie Kundenbewertungen) bereitgestellt werden und verschiedenen anderen Faktoren filtern, die sich um die Nutzerpräferenzen und das Nutzerinteresse drehen. Empfehlersysteme finden heraus, welche Produkte zu welchen Kunden passen und berechnen die Ähnlichkeiten zwischen Nutzern und Produkten für Empfehlungen.
Rolle des maschinellen Lernens
Empfehlersysteme verwenden spezielle, tiefe Lern-Algorithmen und maschinelle Lern-Lösungen. Sie werden von der automatisierten Konfiguration, Koordination und Verwaltung der prädiktiven Analytikalgorithmen des maschinellen Lernens angetrieben und können auf intelligente Weise wählen, welche Filter sie auf die Situation eines bestimmten Kunden anwenden müssen. Dadurch können Vermarkter die Konversionen und den durchschnittlichen Bestellwert fördern.
Herausforderung von Empfehlersystemen
Heutzutage werden verschiedene Empfehlungsansätze verwendet. Jedoch ist es schwer, ihre Wirksamkeit zu vergleichen, da die Bewertungsergebnisse nur selten reproduzierbar sind. Der Mangel an Verständigung und Reproduzierbarkeit in Empfehlersystemen ist eine Herausforderung.
Drei Arten von Empfehlungssystemen
Hier sind einige der gängigsten Empfehlungssysteme:
1. Inhaltsbasierte Empfehlungssysteme
Solche Empfehlungssysteme verwenden Filter, die auf der Ähnlichkeit von Wareneigenschaften basieren, zusammen mit Informationen oder Funktionen, die mit den Produkten selbst zu tun haben, anstatt die Nutzerpräferenzen als Grundlage zu verwenden.
Ein Empfehler verwendet beispielsweise vielleicht das Erscheinungsjahr, die Star-Besetzung oder das Genre, um Filme vorzuschlagen.
2. Kollaborative Filter-Empfehlsysteme
Eine beliebte Empfehlungsmethode ist das kollaborative Filtern. Solche Empfehlersysteme verwenden Filter, die die Wahl und Bewertungen der Nutzer berücksichtigen. Zum Beispiel würden Empfehlersysteme Filme basierend auf den bisherigen Bewertungsdaten vorschlagen, die Zuschauer diversen Filmen gegeben haben.
Der kollaborative Filteralgorithmus, der oft in Empfehlersystemen verwendet wird, heißt Matrixfaktorisierung. Die Algorithmen der Matrixfaktorisierung zerlegen die Nutzer-Waren-Vektor-Interaktionsmatrix in ein Produkt aus zwei niedrigen rechteckigen Dimensionalitätsmatrizen.
3. Hybrid-Empfehlungssysteme
Die meisten modernen mobilen Empfehlungssysteme verbinden diese beiden Ansätze und werden Hybrid-Empfehlungssysteme genannt.
Dadurch erbringen sie bessere Leistungen als inhaltsbasierte und kollaborative Filtermethoden. Hybrid-Empfehlungssysteme generieren für jedes Produkt Markierungen basierend auf der natürlichen Sprachverarbeitung (NLP) und verwenden Vektorgleichungen, um die Ähnlichkeit zwischen zwei Produkte zu berechnen.
Wer Empfehlungssysteme verwendet
Hier sind einige Industrien und Unternehmen, die Empfehlungssysteme weitläufig einsetzen:
Streaming-Daten
Multimedia-Streamingdienste nutzen sitzungsbasierte Empfehlungen, die, basierend auf der Abfolge der zuletzt angesehenen Medien in der Sitzung, die nächsten Medien voraussagen sollen. Netflix verwendet beispielsweise sitzungsbasierte Empfehlersysteme, um individuellen Nutzern Filme und Webserien vorzuschlagen.
Das ist das perfekte Beispiel von Hybrid-Empfehlungssystemen, da sie sowohl die Interessen des Nutzers (kollaborativ), also auch die Beschreibungen oder Funktionen des Films (inhaltsbasiert) berücksichtigen. Laut der Forschung von McKinsey stammen 75% der Inhalte, die auf Netflix angesehen werden, von ML-basierten Filmempfehlungen.
Dating-Webseiten
Viele Dating-Seiten wie Tinder verwenden Empfehlersysteme, um Menschen einander vorzuschlagen. Die Hauptfaktoren sind die Menschen, bei denen man nach rechts gewischt hat (die Menschen, die einem gefallen haben), die Reaktivierungsstatistiken, der Standort, das Profile und noch mehr.
Tinder ist eines der größten Empfehlungssysteme, das derzeit in Verwendung ist. Seine geschätzte Nutzerbasis betrug 2020 weltweit 50 Millionen Menschen.
Soziale Medien
Facebook ist ein weiteres Beispiel, das Produktempfehlungsmaschinen verwendet, um jedem Nutzerprofil personalisierte Inhalte zu empfehlen. Es nutzt mehrere Empfehlungsalgorithmen für verschiedene Bereiche.
Der News Feed verwendet zum Beispiel eine bestimmte Weise, während der Bereich “Menschen, die du vielleicht kennst” eine andere verwendet. Neuigkeiten, Marketplace, Facebook-Videos etc. sind verschiedene Bereiche von Facebook, die alle unterschiedliche Dinge empfehlen, welche von den Präferenzen abhängen.
eCommerce
Viele Online-Stores wie Amazon, eBay und Walmart verwenden Empfehlersysteme, um individuellen Kunden Produkte vorzuschlagen, die auf Kundenprofilen, was ihnen eventuell gefällt und ihrem Kaufverlauf basieren.
35% der Waren, die Konsumenten auf Amazon kaufen, stammen von mit maschinellen Lernalgorithmen erstellten Produktempfehlungen.
Buchen Sie einen Demoanruf, um den Empfehler in Aktion zu sehen
Entdecken Sie, wie unsere Empfehlerwidgets es Ihnen ermöglichen, Ihre eCommerce-Verkäufe mit höchst personalisierten und genauen, von Maschinenlernen unterstützten Produktempfehlungen zu fördern.
Warum Sie den Empfehler nutzen sollten
Der Empfehler zeigt AI-unterstützte Produktvorschläge, die, basierend auf den Präferenzen und dem bisherigem Online-Verhalten, auf jeden Besucher zugeschnitten werden.
Mehr Konversionen und wiederholte Besuche
Erhöhen Sie die durchschnittlichen Warenkorbkonversionen um mindestens 13%. Wenn die Bedürfnisse von Kunden schnell erfüllt werden, kehren sie mit einer höheren Wahrscheinlichkeit zu Ihrem E-Store zurück.
Besserer durchschnittlicher Bestellwert
Erhöhen Sie den durchschnittlichen Bestellwert um mindestens 35%. Der Empfehler bietet Produkttipps an, die davon abhängen, was sich bereits in dem Warenkorb des Kunden befindet.
Verbesserte Kundenerfahrung
Schlagen Sie individuellen Nutzern Waren vor, die sie, basierend auf ihren Präferenzen und Ähnlichkeiten zu bisher angesehenen Produkten, vielleicht zusätzlich noch brauchen.
Mehr als 3.000 Online-Unternehmen vertrauen uns
Was Luigi’s Box sonst noch anbietet
Analytik
Erhalten Sie Einblicke darüber, wonach Ihre Kunden suchen, was sie nur schwer finden und wie Sie die allgemeine Sucherfahrung verbessern können.
Analytik entdeckenSuche mit Auto-Vervollständigung
Bringen Sie eine intelligente Suchbox auf Ihre Seite, die gängige grammatische Fehler, Tippfehler, Slang-Begriffe und diverse Synonyme verarbeiten kann, um ergebnislose Suchanfragen zu vermeiden.
Suche entdeckenProduktaufistung
Organisieren Sie Ihre Produkte und ranken Sie sie automatisch, basierend auf Beliebtheit, persönlichem Geschmack, Ziel der Besuchersitzung und Geschäftslogik.
Produktaufistung entdeckenLuigi's Box ist mit jeder Webseite kompatibel
Sie können Luigi’s Box Ihre Produktdaten auf drei Wege überliefern.
Starten Sie noch heute mit Luigi’s Box
Erstellen Sie ein Konto und nutzen Sie das volle Potenzial Ihres E‑Shops.
Häufig gestellte Fragen
Wie funktionieren Produktempfehlungssysteme, die mit Maschinenlernen zusammenarbeiten?
Produktempfehlungssysteme verwenden fortgeschrittene maschinelle Lernalgorithmen und Deep Learning-Methoden, um Kunden, basierend auf ihren Nutzerdaten und Verhaltensmustern (wie Kauf- und Aufrufverlauf, Likes oder Bewertungen), zu trennen und ihnen personalisierte Produkt- und Inhaltsvorschläge zu zeigen.
Drei der am häufigsten verwendeten Empfehlungsrahmen sind inhaltsbasiert, kollaborativ und Hybrid-Filterung.
Was sind die Vorteile von Empfehlersystemen?
Ein Produktempfehlungssystem hilft Ihnen, die Nutzerfahrung und das Kundenengagement auf Ihrer Seite zu verbessern, indem Sie personalisierte Empfehlungen bereitstellen, die auf die Bedürfnisse Ihrer Kunden zugeschnitten sind. Wenn sie eine gute Erfahrung haben, ist es wahrscheinlicher, dass sie zu Ihrem Store zurückkehren.
Was macht ein gutes Empfehlungssystem aus?
Einige Richtlinien für Empfehlersysteme sind:
- Sie sollten keine Produkte empfehlen, die dem zu ähnlich sind, was sich Kunden zuvor bereits angesehen haben.
- Die Empfehlungen sollten abwechslungsreich und gut personalisiert sein.
- Sie sollten nach zeitlicher Vielfalt streben, was bedeutet, dass sie die gleichen Empfehlungen nicht in jeder aktuellen Nutzersitzung anzeigen sollten.
Woher erhalten Empfehlungssystem ihre Daten?
Empfehlersysteme erhalten oft Daten von Bewertungen, die abgegeben werden, nachdem Kunden ein Produkt gekauft, sich einen Film angesehen oder sich ein Lied angehört haben; von impliziten Suchmaschinenanfragen und dem Kaufverlauf oder von anderen kategorischen Variablen über den Kunden (wie das Nutzerprofil) oder Produkte selbst.
Manche Empfehlersysteme bauen eine Nutzungsmatrix auf, die die Bewertung (oder Präferenz) jedes Nutzer-Produkt-Paares enthält.
Wer ist der beste Anbieter von Produktempfehlungssystemen?
Die Antwort hängt von verschiedenen Faktoren ab, wie Ihren Bedürfnissen, Ihrem Budget und Ihren Zielen. Während Sie auf dem Markt viele verschiedene Empfehlersysteme finden, verwendet das Empfehlungswidget von Luigi’s Box fortgeschrittene AI-Algorithmen, um die Personalisierung auf ein höheres Niveau zu befördern und Ihnen zu helfen, einen Anstieg der durchschnittlichen Verkaufszahlen von +35% und einen Anstieg der durchschnittlichen Warenkorbkonversionen von +13% zu erzielen.
Sie können unser Empfehlerwidget überall auf der Webseite platzieren. Es wird immer wie ein natürlicher Teil aussehen, egal, welche eCommerce-Plattform Sie verwenden.