Dieser Blogbeitrag beantwortet zwei Fragebereiche:
Für wen ist ein Recommendation System relevant? Warum?
Welche grundsätzlichen Varianten gibt es? Wie aufwändig ist eine dementsprechende Implementierung?
Table of Contents
Was leistet ein Recommendation System?
Ein Recommendation System spricht gezielt die individuellen Interessen einzelner Konsumenten an. Andersherum formuliert, verhindert es den Abbruch einer Customer Journey durch Überforderung oder Frust. Deshalb sind Recommendation Systems gerade bei großen Waren- und Dienstleistungsangeboten zentral. Dabei ist es wichtig, das Benutzungsverhalten der Kunden zu berücksichtigen. Während manche Seiten explizit zum Stöbern einladen wollen, steht bei anderen Seiten das schnelle Auffinden des optimalen Produkts im Mittelpunkt.
Profitiert mein Unternehmen von der Implementierung eines Recommendation Systems?
Digitale B2C-Geschäftsmodelle profitieren am meisten von Recommendation Systems, denn dort beeinflussen sie unmittelbar die wichtigsten Key Performance Indicators (KPIs). Eine Einführung steigert das Nutzungserlebnis deutlich. Zudem erwarten Konsumenten gute Empfehlungen zunehmend als Standard-Feature. Die Optimierung eines bestehenden Recommendation Systems dient zudem der Erschließung ungenutzter Potenziale.
Neben diesem Haupteffekt haben Recommendation Systems eine Reihe von Nebeneffekten:
Sie führen bei den beteiligten Teams zu einem höheren Datenverständnis und forcieren die bewusste Auseinandersetzung mit tatsächlichem Nutzerverhalten und -präferenzen.
Unternehmen können die entstehenden Einblicke für eine Optimierung sowohl des Angebots als auch der User Experience nutzen.
Implementierte Recommendation Systems können als zusätzliches Testwerkzeug genutzt werden, da darüber Teile des Traffics gesteuert werden können.
Viele Details bestimmen darüber, wie gut dieses Instrument genutzt werden kann. Man kann Recommendation Systems dennoch grob in zwei Geschmacksrichtungen unterteilen:
Die erste Option orientiert sich eng an den verfügbaren Produkten. Der Konsument sieht dabei Produkte, die dem bereits betrachteten ähneln. „Ähnlichkeit“ kann in diesem Zusammenhang viele verschiedene Dinge meinen. Beispiele sind die Produktkategorie, der Preis oder auch der Hersteller. Selbstverständlich ist auch eine Kombination verschiedener Dimensionen denkbar.
Bei der zweiten Option steht nicht die Suche nach ähnlichen Produkten, sondern nach ähnlichen Kunden im Mittelpunkt. Die daraus entstehenden Empfehlungen können der ersten Option stark oder überhaupt nicht ähneln. Ein solcher Ansatz versucht, die hinter den Kaufentscheidungen liegenden Präferenzen und Handlungslogiken der Kunden zu modellieren und weniger die „objektiven“ Ähnlichkeiten zwischen Produkten.
Welche Option passt in meinem Anwendungsfall?
In Zeiten der DSGVO ist die Auswahl nicht unwesentlich von Datenverfügbarkeit und rechtlich zulässiger Nutzbarkeit getrieben. Allerdings bietet sich für die Einführung ein produktbasierter Ansatz an. Aus praktischer Sicht lässt sich diese Option gut als Tabelle vorhalten, die in festen Intervallen neu berechnet wird. Das erleichtert die Integration in mobile Webseiten und Apps enorm. Der konsumentenbasierte Ansatz bietet größere Potenziale, hängt jedoch von einer verlässlichen Streaming-Infrastruktur ab.
Was sind die ersten Schritte?
Um Recommendation Systems in die Tat umzusetzen, fallen Bestandsaufnahmen auf drei verschiedenen Ebenen an:
Wie direkt hängt das Geschäftsmodell mit einem Recommendation System zusammen? Ist es ein zentraler Bestandteil oder eher ein Bonus? Wie groß ist der tatsächliche Mehrwert für die Kunden?
Wie leicht lässt sich ein Recommendation System in die bestehende Infrastruktur integrieren? Sind die notwendigen Daten verfügbar und dürfen sie für solche Zwecke benutzt werden?
Ist das notwendige Data-Science-Know-how im Unternehmen verfügbar? Besteht bereits ein Team, das diese Aufgabe übernehmen kann, oder müssen neue Strukturen geschaffen werden?
Wenn diese drei Fragen ausreichend beantwortet sind, kann die eigentliche Arbeit beginnen.
Wer ist b.telligent?
Du willst den IoT Core durch eine Multi-Cloud-Lösung ersetzen und die Vorteile weiterer IoT-Services von Azure oder Amazon Web Services nutzen? Dann melde Dich bei uns und wir unterstützen Dich bei der Umsetzung mit unserer Expertise und dem b.telligent Partnernetzwerk.
Neuronale Netze werden erfolgreich auf so ziemlich jeden Datentyp angewandt: Bilder, Audio, Texte, Videos, Graphen usw. Nur wenn es um Tabellendaten geht, sind baumbasierte Ensembles wie Random Forests und Gradient Boosted Trees immer noch sehr viel verbreiteter. Wenn man diese erfolgreichen Klassiker durch neuronale Netze ersetzen will, dürfte Ensemble Learning immer noch eine Schlüsselidee sein. Dieser Blogbeitrag erklärt, warum das so ist. Dazu gibt’s ein Notebook mit den praktischen Details.
Azure AI Search, Microsofts serverloses Angebot für das R in RAG, hat seine eigene Skalierungslogik. Sie verbirgt viel von der Komplexität serverbasierter Lösungen, erfordert aber spezifische Kenntnisse.
Polars, der in Rust geschriebene Pandas-Herausforderer, sorgt für erhebliche Beschleunigung nicht nur in der Ausführung des Codes, sondern auch in der Entwicklung. Pandas krankt seit jeher an einer API, die an vielen Stellen „historisch gewachsen“ ist. Ganz anders Polars: Eine API, die von Anfang an auf logische Konsistenz ausgelegt ist und deren Stringenz mit jedem Release sorgfältig gepflegt wird (im Zweifelsfall auch unter Verlusten an Rückwärtskompatibilität), sorgt für eine erheblich schnellere Entwicklung. An vielen Stellen, wo man bisher Pandas eingesetzt hat, kann man es problem los durch Polars ersetzen: In Ibis-Analytics-Projekten, und natürlich einfach für die tägliche Datenaufbereitung aller Art. Gut macht sich die überlegene Performance auch in interaktiven Umfeldern wie PowerBI .
