Blog

Wertvolle Impulse für deinen Online Shop

Verschiedene Empfehlungssysteme im E-Commerce

30. Oktober 2020

Michael Bernhard

Künstliche Intelligenz Warenkorbwert erhöhen

Empfehlungssysteme gehören in den meisten Online Shops zum Standard. Doch betrachtet man die ausgespielten Empfehlungen genauer, zeigt sich, dass es hier große Unterschiede gibt. Unterschiede in den Empfehlungen entstehen durch die eingesetzte Personalisierung. Denn je nach Funktionsweise des Empfehlungssystems werden verschiedene Schwerpunkte bei der Personalisierung gesetzt. Welche Empfehlungssysteme es gibt und wann der Einsatz welches Systems für deinen Online Shop sinnvoll ist, erfährst du in diesem Artikel.

Diese Inhalte erwarten dich in diesem Blogartikel:

Relevante Empfehlungen durch Personalisierung
Personalisierung erfordert Dialog
Dialog-basierte KI
Verschiedene Möglichkeiten des Dialogs

Klassische Empfehlungssysteme (statisch)
Kollaborative Empfehlungssysteme
Inhaltsbasierte Empfehlungssysteme

Kontextsensitive Empfehlungssysteme (dynamisch)
Multiple Empfehlungskontexte
Einzelne Empfehlungskontexte

Hybride Empfehlungssysteme

Auswahl des richtigen Empfehlungssystems
Empfehlungsstrategie und Personalisierungsart sind kontextabhängig
Expertenwissen als Voraussetzung

Fazit: Gezielte Kombination verschiedener Empfehlungssysteme

 

Relevante Empfehlungen durch Personalisierung

Empfehlungen erreichen dann eine hohe Aufmerksamkeit und Wirkung, wenn sie für den Kunden, der diese sieht, relevant sind. Diese Relevanz erreichst du, indem die präsentierten Empfehlungen die jeweiligen Präferenzen deiner Kunden individuell berücksichtigen – also mithilfe von Personalisierung. Dabei ist zu beachten, dass die Personalisierungsart, je nach genutztem Empfehlungssystem und verwendeter Empfehlungsstrategie variiert.

 

Personalisierung erfordert Dialog

Personalisierung ist ein sehr vielschichtiger Begriff und kann an verschiedenen Touchpoints eingesetzt und mithilfe unterschiedlicher Systeme realisiert werden. In diesem Blogartikel betrachten wir die Personalisierung in Form von relevanten Empfehlungen über Empfehlungssysteme.

Personalisierung bedeutet, dem Shopkunden Ergebnisse (in unserem Fall Produktempfehlungen) zu präsentieren, die seinen Wünschen und Vorstellungen möglichst nahekommen. Hierfür benötigt man zunächst Daten zum Klick- und Kaufverhalten des Nutzers. Diese Daten können über einen Dialog mit dem Shopkunden erfasst werden, der durch die Interaktionen des Nutzers im Online Shop zustande kommt.

Die Daten des Klick- und Kaufverhaltens der Shopkunden fließen gemeinsam mit den Produktdaten und dem Expertenwissen in einer Wissensbasis zusammen. In dieser werden alle Daten mittels Verfahren künstlicher Intelligenz verarbeitet und ausgewertet. Somit können die Daten (Klick- und Kaufverhalten etc.) mithilfe von zielgerichteten Analysen von Experten (Data Mining) zunächst zu Informationen und mithilfe von Algorithmen (Reinforcement Learning) schließlich zu Wissen verarbeitet werden. Dieses Wissen wird letztendlich genutzt, um dem Shopkunden relevante Empfehlungen auszuspielen.

 

Produktdaten, das Klick- und Kaufverhalten der Shopkunden und Expertenwissen fließen in der Wissensbasis zusammen
Produktdaten, das Klick- und Kaufverhalten der Shopkunden und Expertenwissen fließen in der Wissensbasis zusammen

 

Dialog-basierte KI

Um dem Kunden die gewünschten Ergebnisse zu liefern, muss ein Algorithmus also erst einmal in der Lage sein, herauszufinden, was der Shopkunde beabsichtigt. Wir benutzen für solche Verfahren den Begriff Dialog-basierte KI. Dabei spielt die sogenannte Response Engine, die über Sensoren das Klick- und Kaufverhalten der Shopkunden erfasst und analysiert eine entscheidende Rolle. Sie übernimmt die Aufgabe, aus dem Dialog mit einem Kunden im Online Shop sein Ziel und seine Interessen herauszuarbeiten.

 

Verschiedene Möglichkeiten des Dialogs

Es gibt viele Möglichkeiten, einen solchen Dialog zu führen.

Wir unterscheiden u. a. Dialog in Form von

  • Reaktionen: Während sich ein Shopkunde durch einen Online Shop bewegt, kann es zu zahlreichen Reaktionen kommen. Anhand der Reaktionen eines Nutzers auf präsentierten Content (z. B. Klicks, Produktauswahl, Käufe) kannst du herausfinden, was er will. Im nächsten Schritt kann der zu präsentierende Content an den jeweiligen Kunden entsprechend angepasst werden.
  • Sprache: Wir denken bei „Dialog“ natürlich sofort an Sprache. Aber ein auf Sprache basierter Dialog zwischen Mensch und Maschine hat auch seine Tücken, wie vielleicht jeder „Alexa“-Nutzer aus eigener Erfahrung weiß. Sprachlicher Input von einem Shopkunden kommt beispielsweise durch die Eingabe von Suchbegriffen zustande. Somit kann man den Dialog in Form von Sprache für ein personalisiertes Suchsystem nutzen. Dabei kann eine Produktsuche als personalisiertes Suchsystem begriffen werden, das von sprachlichem Input getriggert wird.

Im Folgenden konzentrieren wir uns v. a. auf die Reaktionen der Shopkunden, die für das Generieren relevanter Empfehlungen von großer Bedeutung sind.

Es stellt sich nun die Frage: Wie können Shopbetreiber den Dialog mit ihren Kunden nutzen, um passende Empfehlungen im Online Shop auszuspielen? Hierfür können verschiedene Empfehlungssysteme eingesetzt werden. Auf einige gehen wir im Folgenden näher ein.


Bleibe up to date in Sachen Personalisierung: Melde dich zum epoq Newsletter an. Jetzt anmelden!


 

Klassische Empfehlungssysteme (statisch)

Um Empfehlungen zu generieren ist ein Empfehlungssystem erforderlich. Im E-Commerce unterscheidet man verschiedene Empfehlungssysteme. Diese werden vor allem danach unterschieden, welche Verfahren und Datengrundlage sie zur Bestimmung der Empfehlungsmenge nutzen. So gibt es beispielsweise die beiden klassischen Varianten: das inhaltsbasierte und das kollaborative System. Darüber hinaus können Empfehlungssysteme auch weitere Aspekte mit einbeziehen wie z. B. demografische Daten, den zeitlichen Verlauf oder den Kontext. Wir betrachten zunächst die beiden „klassischen“ Empfehlungssysteme.

 

Kollaborative Empfehlungssysteme

Das kollaborative Empfehlungssystem bezieht sich auf Shopkunden mit einem ähnlichen Klick- und Kaufverhalten. Das bedeutet, dass dieses System das Klick- und Kaufverhalten verschiedener Kunden auf Ähnlichkeit analysiert und auf Basis dessen passende Empfehlungen berechnet. Für Empfehlungen, die über ein System dieser Art generiert werden, ist z. B. eine Überschrift im Stil von „Kunden, die sich für dieses Produkt interessiert haben, haben sich auch für folgende Produkte interessiert“ denkbar. Zeigen Shopkunden mit einem ähnlichen Verhalten beispielsweise ein großes Interesse an einem bestimmten Produkt, wird dieses vom System weiterempfohlen. Algorithmen, die Produktlisten gemäß dieses Ansatzes liefern, nennt man auch Collaborative Filtering Algorithmen.

Dieses Verfahren, das unter anderem von Amazon genutzt wird, ist das Verfahren der Wahl, wenn bezüglich eines Kunden wenig oder keine Personalisierungsinformation vorhanden oder der Produktkatalog eher spärlich mit Produkteigenschaften angereichert ist. Collaborative Filtering ist auch heute in modifizierter Form einer der Grundpfeiler von personalisierten Empfehlungskontexten.

 

Kollaborative Empfehlungssysteme berechnen Empfehlungen anhand ähnlicher Shopkunden
Kollaborative Empfehlungssysteme berechnen Empfehlungen anhand ähnlicher Shopkunden

 

Vorteil

Der Vorteil dieses Empfehlungssystems besteht darin, dass die Beziehungen zwischen Nutzern und Artikeln aufgedeckt werden können, die nicht explizit aus den Produkteigenschaften hervorgehen. Außerdem kannst du dem Shopkunden mithilfe von Collaborative Filtering auch Produkte anzeigen, die von seiner bisherigen Präferenz abweichen, aber ebenfalls für ihn interessant sein könnten. Dadurch kannst du also einen Überraschungseffekt kreieren.

 

Nachteil

Ein Nachteil des kollaborativen Empfehlungssystems ist jedoch das sogenannte „Kaltstartproblem“, das vor allem bei neuen Nutzern und Produkten auftritt. Für Empfehlungssysteme dieser Art ist es erforderlich, dass eine Menge an Shopkunden mit ihrem jeweiligen Klick- und Kaufverhalten vorhanden ist. Mangelt es jedoch an Reaktionen bezüglich neuer Kunden oder Produkte, lassen sich nur schwer ähnliche Objekte finden.

 

Inhaltsbasierte Empfehlungssysteme

Das inhaltsbasierte Empfehlungssystem arbeitet nicht auf Basis von Benutzern mit ähnlichem Klick- und Kaufverhalten, sondern nutzt Ähnlichkeiten zwischen Produkten als Grundlage. Hierfür spielt neben den Produktattributen auch das Klick- und Kaufverhalten des einzelnen Shopkunden eine entscheidende Rolle. Inhaltsbasierte Empfehlungssysteme empfehlen also Artikel, die eine Ähnlichkeit zu Produkten haben, mit denen ein Shopkunde bereits interagiert (die er z. B. angesehen, gekauft oder nach denen er gesucht) hat. Um Empfehlungen dieser Art zu berechnen, ist eine Inhaltsanalyse erforderlich, um die Ähnlichkeit zwischen Objekten bestimmen zu können. Eine mögliche Überschrift für Empfehlungen dieser Art könnte beispielsweise lauten: „Ähnliche Produkte von deiner Lieblingsmarke“.

 

Inhaltsbasierte Empfehlungssysteme berechnen Empfehlungen anhand ähnlicher Artikel
Inhaltsbasierte Empfehlungssysteme berechnen Empfehlungen anhand ähnlicher Artikel

 

Vorteil

Das inhaltsbasierte Empfehlungssystem hat sowohl Vor- als auch Nachteile aufzuweisen. Ein wesentlicher Vorteil im Vergleich zu kollaborativen Empfehlungssystemen besteht beispielsweise darin, dass inhaltsbasierte Empfehlungssysteme auch Artikel empfehlen können, für die bisher noch keine Klicks oder Käufe vorliegen. Dies wirkt dem sogenannten „Kaltstartproblem“ entgegen, das vor allem bei neuen Produkten auftritt.

 

Nachteil

Als Nachteil dieses Empfehlungssystems kann man eine Überspezialisierung aufführen. Überraschende Artikel bleiben aus, wenn die Produktempfehlungen nur auf den Präferenzen des einzelnen Kunden beruhen.

Erinnern wir uns noch mal zurück an das genannte Beispiel „Ähnliche Produkte von deiner Lieblingsmarke“, zeigt sich ein weiteres Problem dieser Empfehlungssysteme. Denn möglicherweise möchte der Kunde lieber Produkte sehen, die seine Lieblingsfarbe haben. Hier wird deutlich, dass ein weiterer Aspekt nicht zu vernachlässigen ist: Der Kontext. Man müsste einem Kunden also eigentlich eine Vielzahl von Empfehlungen in einer Vielzahl von Empfehlungskontexten präsentieren und hoffen, dass der ein oder andere Empfehlungskontext das Interesse des Kunden weckt.

 

Kontextsensitive Empfehlungssysteme (dynamisch)

Die Entwicklung bezüglich Personalisierung zeigt, dass es nicht nur dahin geht, dem Shopkunden den gewünschten Content auszuspielen. Nutzer erwarten zunehmend, Inhalte präsentiert im „richtigen“, d. h. dem von ihnen erwarteten Kontext. Dies stellt eine Herausforderung an Personalisierungsservices dar.

Um Kunden nun relevante Empfehlungen im richtigen Empfehlungskontext präsentieren zu können, sind neben statischen Informationen (wie z. B. Artikelähnlichkeiten) auch dynamische Informationen erforderlich, da sich Kontexte dynamisch verändern. Sogenannte kontextsensitive Empfehlungssysteme verarbeiten diese Informationen. Der Kontext ist dabei ein weiterer Input für das Empfehlungssystem, der vermittelt, was der Kunde gerade macht und wo ihm Empfehlungen angezeigt werden. Die dynamischen kontextsensitiven Informationen sowie deren Zusammenhänge steigern die Qualität der Empfehlungen maßgeblich.

 

Multiple Empfehlungskontexte

Um Kunden passende Empfehlungen im richtigen Empfehlungskontext ausspielen zu können, müsste man ihnen eigentlich eine Vielzahl von Empfehlungen in einer Vielzahl von Empfehlungskontexten präsentieren. Damit Shopbetreiber ihren Kunden eine Vielzahl verschiedener Empfehlungskontexte präsentieren können, wäre es vorteilhaft, wenn sich der Online Shop in Aufbau und Gestaltung grundsätzlich ändert. Gewohnt sind Nutzer einen solchen Aufbau beispielsweise von Video-on-Demand-Plattformen wie Netflix oder YouTube.

 

Multiple Empfehlungskontexte auf einer Shopseite

Auch im E-Commerce kann dieses Prinzip der multiplen Kontexte umgesetzt werden, indem Shopbetreiber in einem persönlichen Stream und damit auf einer Shopseite für jeden Kunden individuelle Empfehlungen in verschiedenen Empfehlungskontexten (z. B. Artikel der Lieblingsmarke, des Lieblingsstyles, der Lieblingsfarbe, der Lieblingskategorie etc.) ausspielen.

 

Multiple Empfehlungskontexte für Unterhaltung und Kundentreue

Das heißt, der Kontext, in dem ein Kunden die verschiedenen Empfehlungen in seinem persönlichen Stream sieht, ist folgender: Der Kunde hat bereits gekauft und befindet sich nun in der Phase der Kundentreue mit dem Bedürfnis nach Unterhaltung. Da er somit schon mehrere Phasen der Customer Journey durchlaufen hat, sind bereits verschiedenste Interaktionen an den einzelnen Touchpoints auf seiner Reise durch den Online Shop zustande gekommen. Aus dem Verhalten des Shopkunden konnte also bereits Wissen über seine individuellen Präferenzen erworben werden.

Somit ist es nun möglich, ihm in seinem persönlichen Stream eine Vielzahl von Empfehlungen in multiplen Empfehlungskontexten auszuspielen, die auf seine individuellen Präferenzen abgestimmt sind. Der Stream umfasst darüber hinaus auch interaktive Elemente und bietet insgesamt eine Mischung aus Inspiration, Interaktion und Service, die für Unterhaltung sorgt. Dadurch kehren Kunden gerne selbständig in den Online Shop zurück, wodurch die Kundentreue sowie die Wiederkaufrate gesteigert wird.

 

Empfehlungen in verschiedenen Empfehlungskontexten auf einer Shopseite
Empfehlungen in verschiedenen Empfehlungskontexten auf einer Shopseite

 

Einzelne Empfehlungskontexte

Oft hat man aber in der Praxis bei Online Shops nur den Raum, einzelne Empfehlungskontexte anzuzeigen. Hier ist es daher besonders wichtig, sich die Frage zu stellen, welche Bedürfnisse der Kunde im jeweiligen Kontext hat und mit welcher Empfehlungsstrategie man diese bestmöglich erfüllen kann. Um zu verdeutlichen, wie entscheidend der Kontext für das Ausspielen passender Empfehlungen ist, betrachten wir die zwei folgenden Szenarien:

 

Kontext 1: Produktdetailseite

Ein Shopkunde sieht sich auf einer Produktdetailseite ein Produkt (in unserem Beispiel einen Topf) an. Hier lässt sich als Kontext erkennen, dass der Shopkunde aktuell auf Informationssuche ist und vermutlich einen Topf kaufen möchte. Um den Shopkunden in diesem Kontext bestmöglich zu unterstützen, das für ihn passende Produkt zu finden, kannst du ihm unterhalb der Produktinformationen in einem Recommendation Widget Empfehlungen in Form von ähnlichen Produkten anzeigen.

 

Empfehlung ähnlicher Produkte auf der Produktdetailseite
Empfehlung ähnlicher Produkte auf der Produktdetailseite

 

Kontext 2: Warenkorblayer

Eine andere Situation ist es, wenn ein Shopkunde ein Produkt, in unserem Beispiel ein Fahrrad, in den Warenkorb legt und sich anschließend ein Cart Layer mit Empfehlungen öffnet. Hier haben wir einen ganz anderen Kontext: Der Kunde ist schon einen Schritt weiter und steht kurz vor dem Kaufabschluss. Er ist dabei, ein Fahrrad zu kaufen und hat dieses bereits in den Warenkorb gelegt. In diesem Kontext solltest du keinesfalls ähnliche Produkte anzeigen, um den Kunden in seiner Entscheidung nicht zu verunsichern. Um zu vermeiden, dass sich der Shopkunde in dieser Phase also noch umentscheidet, solltest du ihm stattdessen Produkte präsentieren, die oft zu dem Produkt im Warenkorb dazu gekauft werden. Diese sogenannten Cross-Selling-Empfehlungen inspirieren deine Kunden und steigern den Warenkorbwert.

 

Cross-Selling-Empfehlungen im Warenkorblayer
Cross-Selling-Empfehlungen im Warenkorblayer

 

Hier wird deutlich wie wichtig es ist, den jeweiligen Kontext und damit die Situation, in der sich ein Shopkunde aktuell befindet, beim Ausspielen der Empfehlungen zu berücksichtigen.

 

Kompromisse für einzelne Empfehlungskontexte

Können also z. B. auf einer Produktdetailseite nur ein bis zwei Empfehlungskontexte präsentiert werden, muss man einen bestmöglichen Kompromiss wählen. Ein Beispiel hierfür wäre: „Ähnliche Produkte, die dir auch gefallen könnten“. Dabei ist es wichtig, den Begriff „ähnlich“ wirklich ernst zu nehmen. Denn damit erhöht sich signifikant auch die Qualität der Empfehlungen. „Ähnlich“ bedeutet hier, Produkte mit ähnlichen Eigenschaften, wie das vom Shopkunden im Detail betrachtete Produkt, bewertet nach den persönlichen Präferenzen des Kunden.

Beispiel: Zeigt ein Kunde ein besonderes Interesse für schwarze Artikel, werden andere schwarze Artikel als sehr ähnlich angesehen. Ohne diese Information über das Kundenverhalten hätte die Produktfarbe für die Empfehlungen eher keine große Rolle gespielt.


Bleibe up to date in Sachen Personalisierung: Melde dich zum epoq Newsletter an. Jetzt anmelden!


 

Hybride Empfehlungssysteme

Je nach Kontext kann es erforderlich sein, die so erzeugten Empfehlungen mit durch Collaborative Filtering erzeugten Empfehlungen intelligent zu mischen oder zu modulieren. Werden unterschiedliche Empfehlungssysteme und -komponenten miteinander kombiniert, nennt man dies hybride Empfehlungssysteme. Diese sorgen für bessere Ergebnisse und beheben die Schwächen einzelner Systeme. Durch die Kombination des inhaltsbasierten und kollaborativen Empfehlungssystems kann man beispielsweise das Kaltstartproblem des kollaborativen Systems minimieren. So können schneller relevante Empfehlungen für Shopkunden generiert werden und die Empfehlungsqualität wird gesteigert.

Das bedeutet, dass man wirklich passende Empfehlungen, je nach Empfehlungskontext nicht mit einem universalen Algorithmus erzeugen kann, sondern das dynamische Verschalten von einer ganzen Reihe intelligenter Grundalgorithmen erfordern. Voraussetzung hierfür sind einerseits ein modulares Softwaresystem, das diese Grundalgorithmen zueinander kompatibel bereitstellt und andererseits Experten, die in der Lage sind, solche dynamischen Architekturen zu konfigurieren und zu parametrisieren.

 

Auswahl des richtigen Empfehlungssystems

Wir haben nun gesehen, dass es ganz verschiedene Empfehlungssysteme gibt, die mit unterschiedlichen Verfahren arbeiten und verschiedene Datengrundlagen nutzen. Abschließend stellt sich die Frage, welches denn nun das „richtige“ System zum Generieren passender Empfehlungen ist.

 

Empfehlungsstrategie und Personalisierungsart sind kontextabhängig

Diese Frage lässt sich nicht so einfach pauschal beantworten. Denn welches Empfehlungssystem das Richtige ist, hängt von verschiedenen Faktoren ab. Die Entwicklung des E-Commerce zeigt: Ursprünglich statische Strukturen werden zunehmend dynamisch und neben der Produkt- oder Content-Auswahl gewinnt der Kontext, in dem die Auswahl präsentiert wird, zunehmend an Bedeutung. Je nach dem in welcher Phase der Customer Journey sich ein Kunde also gerade befindet und je nach Kontext, in dem er Empfehlungen sieht, ist eine andere Empfehlungsstrategie, Personalisierungsart und damit der Einsatz unterschiedlicher Empfehlungssysteme sinnvoll.

 

Expertenwissen als Voraussetzung

Um personalisierte Empfehlungen dynamisch im passenden Kontext auszuspielen, erfordert es eine Softwarearchitektur, die kontextabhängig verschiedenste Algorithmen dynamisch zusammenschalten kann. Um diese Architekturen zu konfigurieren benötigt es aber vor allem Expertenwissen. Denn Experten können die Anforderungern der einzelnen Touchpoints identifizieren und daraufhin je nach Kontext das passende Empfehlungssystem und die Personalisierungsart auswählen. Somit können Empfehlungen generiert werden, die individuell auf den Kontext und die Präferenzen der Shopkunden abgestimmt sind.

 

Fazit: Gezielte Kombination verschiedener Empfehlungssysteme

Es gibt verschiedene Empfehlungssysteme, die jeweils Vor- und Nachteile aufweisen. Die Entwicklung des E-Commerce zeigt: Dynamische Strukturen werden immer wichtiger und Shopkunden erwarten Produktempfehlungen in einem passenden Kontext. Um dieser Entwicklung gerecht zu werden, können je nach Kontext verschiedene Verfahren von Empfehlungssystemen gezielt miteinander kombiniert werden. Da diese hybriden Systeme sehr komplex sind, ist Expertenwissen erfolgsentscheidend. Denn dadurch lassen sich dynamische Architekturen gestalten und somit personalisierte Produktempfehlungen generieren, die nicht nur auf die Präferenzen, sondern auch individuell auf die Customer-Journey-Phase und den Kontext, in dem sich der jeweilige Shopkunde befindet, abgestimmt sind. Diese Maßschneiderung im Online Shop macht den Unterschied und entscheidet darüber, wie gut die präsentierten Empfehlungen sind, was sich wiederum positiv auf die Höhe des Warenkorbwerts auswirkt.

War dieser Beitrag hilfreich?

Michael Bernhard

Co Founder

Michael ist Co Founder von epoq. Er studierte Physik und Philosophie und ist heute als technischer Geschäftsführer von epoq tätig. Sein technisches Expertenwissen bringt er täglich für die Weiterentwicklung der Personalisierung ein.

Kommentare (0)

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Inspiration leicht gemacht: So setzt du Produktempfehlungen im E-Commerce sinnvoll ein

30. April 2020

Wie du die perfekte Startseite für deinen Online Shop gestaltest

3. Februar 2020

Der Merkzettel im Online Shop – Alles was du darüber wissen solltest

3. September 2019

Bauch schlägt Kopf! Die Rolle von Behavior Patterns im E-Commerce Cloud-Shopsystem oder Open-Source-Lösung: Welches System erfüllt deine Anforderungen?

Beginne zu tippen und drücke Enter zum suchen