Erfolgsfaktoren von Empfehlungssystemen. Technologie effektiv einsetzen und Potentiale ausschöpfen


Seminararbeit, 2020

27 Seiten, Note: 1,7


Leseprobe

Inhaltsverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

1. Problemstellung

2. Vorstellung und Analyse der gängigen Empfehlungssysteme
2.1. IndividuelleEmpfehlungssysteme
2.2. Kollaborative Empfehlungssysteme
2.2.1 Speicherbasierter Ansatz
2.2.2 Modellbasierter Ansatz
2.3. HybrideEmpfehlungssysteme
2.4. Vergleich und Analyse

3. Bewertung der Empfehlungssysteme anhand von Risiken und Chancen
3.1. AusKundensicht
3.2. Aus Unternehmenssicht: Produktvielfalt und Click-Through-Rate

4. Usability, Explanation Styles und Kundenvertrauen in Empfehlungssysteme...
4.1. Usability
4.2. Explanation Styles und Kundenvertrauen

5. Fazit und Ausblick

Anhang

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1: Übersicht über die Ansätze von Empfehlungssystemen

Abbildung 2 Modell der Empfehlungsgenerierung

Abbildung 3 Vereinfachtes Beispiel für die sogenannte Nutzer-Produkt-Matrix

Abbildung 4 Regeln eines hybriden Musikempfehlungssystems

Abbildung 5 Frei zugängliche Frameworks von Empfehlungssystemen

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1. Problemstellung

Heutzutage wird man im Internet mit einer enormen Anzahl an Produkten, Daten und Inhal­ten konfrontiert. Daraus resultiert sowohl beim Online-Shopping als auch beim Konsum von Medien (Musik, Filme)1 eine Reizüberflutung und es fällt zunehmend schwer, aus dieser Vielzahl an Angeboten, die richtigen Produkte herauszufiltern, bzw. sie überhaupt zu finden. Als Konsument kann man lediglich ein kleines Marktsegment überschauen und daher blei­ben viele Güter, die für ein Individuum von enormen Wert und Nutzen sein könnten, unge­sehen und werden nicht konsumiert.

An dieser Problematik knüpfen Empfehlungssysteme (im Folgenden auch Recommendation Systeme, Filtersysteme oder Reputationssysteme genannt) an. In der Literatur werden sie seit Anfang und Mitte der Neunziger Jahre vermehrt erwähnt (Konstan/Riedl 2012, S. 101) und erlangten bei Unternehmen bis in die Gegenwart hinein eine zentrale Bedeutung, wenn es darum geht, verschiedene Produkte in das Bewusstsein von Nutzern zu bringen, bei denen dieser eine erhöhte Kauf- bzw. Konsumwahrscheinlichkeit haben könnte. Die dahinter ste­henden Algorithmen und Systeme haben sich dabei im Laufe der letzten Jahre stets weiter­entwickelt. Zu Beginn waren es recht einfache individuelle, sogenannte inhaltsbasierte Emp­fehlungssysteme, die sich über komplexere kollaborative Systeme bis hin zu hybriden RS, also solchen, die mehrere Algorithmen vereinen, entwickelt haben. In der Praxis finden alle drei Klassifizierungen Anwendung, wobei die Tendenz bei größeren Unternehmen mit einer breiten Produktpalette, wie zum Beispiel Amazon, Netflix oder Spotify hin zu modifizierten individuell erstellten KF sowie hybriden Systemen führt. Dass Empfehlungssysteme in der Praxis und in der Forschung im Allgemeinen eine enorme Rolle spielen und deren Bedeu­tung weiterhin wächst, zeigt die Studie des E-Commerce-Center Handels (2011), nach der eine Produktempfehlung durch RS die Marketing-Maßnahme ist, die am häufigsten Anwen­dung findet, um die Verkaufszahlen zu erhöhen.

Ob und in welchem Maße die Verwendung eines Reputationssystems für ein Unternehmen erfolgsversprechend ist und dementsprechend die Click-Through-Rate und Konversionsrate für die empfohlenen Produkte steigert, hängt derweilen von mehreren Faktoren ab. Nicht immer neigt man als Konsument auch dazu, auf die empfohlenen Produkte zu klicken, ge­schweige denn sie auch in den Warenkorb zu legen. Oftmals fallen einem die empfohlenen Produkte gar nicht erst auf, man misst ihnen keinen persönlichen Nutzen und Mehrwert bei, oder man hat das empfohlene Gut bereits konsumiert. Letztere beiden Punkte deuten an, dass die Algorithmen auch versagen können. Einen weiteren Punkt, der zunehmend mehr Bedeu­tung in der Literatur erlangt, stellt das Kundenvertrauen in dasjeweilig angewendete RS dar. Der Kunde will wissen, wie die Empfehlungen zustande kommen und erklärt bekommen, wie der Algorithmus arbeitet (Kouki et al. 2019, S. 1) und welche Daten verwendet werden.

Im weiteren Verlauf der Arbeit werden zunächst die Typen von Recommendation Systemen im Detail vorgestellt. Dabei wird auf deren Funktionsweise sowie die Vor- und Nachteile eingegangen und ein erster Vergleich und eine kurze Analyse herausgearbeitet. Im dritten Abschnitt werden die Chancen und Risiken von Recommendation Systemen aus Sicht der Kunden auf der einen Seite sowie aus Unternehmenssicht auf der anderen Seite erörtert. Hierbei werden insbesondere die Auswirkungen auf die Produktvielfalt und die CTR bzw. Konversionsrate herausgestellt. Anschließend wird in Gliederungspunkt vier der Frage nachgegangen, inwieweit das Kundenvertrauen in die RS von Bedeutung für deren Funkti­onalität ist und inwiefern die Unternehmen ihre Reputationssysteme und die Technologien dem Konsumenten erklären sollten, um den maximalen Nutzen aus den RS zu schöpfen. Abschließend wird im Abschnitt 5 ein Fazit gezogen und es erfolgt ein Ausblick, welche Thematiken in der Zukunft der Empfehlungssystemen von Bedeutung sein könnten.

2. Vorstellung und Analyse der gängigen Empfehlungssysteme

In der Literatur herrscht Uneinigkeit über die Kategorisierung von Empfehlungssystemen und auch dahingehend welche Recommendation Systeme angewendet werden, da es seit Beginn der Forschung eine Vielzahl an getesteten und vorgeschlagenen Empfehlungssyste­men gibt. Die drei gängigsten Formen von RS sind die individuellen, die kollaborativen und die hybriden Filtermethoden (Wörndl, Schlichter 2019)2. Weiterhin werden die kollaborati­ven Empfehlungssysteme in speicherbasierte und modellbasierte Ansätze unterteilt. Die speicherbasierten Empfehlungssysteme lassen sich zusätzlich in benutzerbezogene und pro­duktbezogene (elementbasierte) Ansätze aufteilen. Bei den hybriden RS kommt es zu einer Vielzahl an möglichen Variationen, die durch das Kombinieren von mindestens zwei ein­zelnen RS-Algorithmen entstehen.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Übersicht über dieAnsätze von Empfehlungssystemen (Reimer 2013, S. 239)

Obwohl sich die im Folgenden vorgestellten Systeme in der zugrunde liegenden Technolo­gie und der Art und Weise der benötigten Daten unterscheiden, vereint siejedoch ihr grund­legender Gedanke. RS sollen den Nutzer überall dort, wo er mit großen Mengen an Objekten oder Daten konfrontiert wird, passgenau und mit möglichst geringem Interaktionsaufwand zu den Produkten führen, die für ihn am relevantesten und wichtigsten auf Grundlage seiner persönlichen Interessen und Bedürfnisse sind. Dies soll die Käufe diversifizieren und die CTR eines Produktes erhöhen und die Kaufzahlen bzw. den Konsum optimieren (Davari 2016).

Um die Funktionsweise von Empfehlungssystemen im Allgemeinen zu verstehen, lohnt sich ein kurzerBlick auf ein Modell derEmpfehlungsgenerierung (Ziegler/Loepp 2019, S. 5).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2 Modell der Empfehlungsgenerierung

Demnach agiert ein Nutzer im Internet indem er Produkte anklickt, sich auf verschiedenen Seiten aufhält und eventuell Rezensionen abgibt. Die daraus resultierenden persönlichen Da­ten formen das Feedback des Nutzers (1). Dieses dient als Eingabe für das Empfehlungssys­tem und wird genutzt, um ein Nutzermodell zu bilden, welches die Präferenzen des Nutzers langfristig abbildet (2). Der Empfehlungsalgorithmus erhält dieses Daten sowie weitere sogenannte Kontextinformationen über den Nutzer (verwendetes Endgerät, verwendete In­ternetbrowser, etc.) und Produktdaten, welche in den Algorithmus eingegeben werden. Dadurch kann derjeweilige Algorithmus eine personalisierte Empfehlung generieren (3) und als Ausgabe dem Nutzer über die Nutzerschnittstelle, durch welche in Schritt eins auch schon das Feedback erfolgte, präsentieren (4). Durch die Möglichkeit von anschließenden Rezensionen über das empfohlene Gut, entsteht ein Kreislauf, in welchem sich der Algorith­mus über die Zeit hinweg verbessern kann.

Im Folgenden werden die einzelnen Systeme kurz vorgestellt und analysiert. Dabei wird ausschließlich auf die Funktionsweise eingegangen und nicht auf die technischen Frame­works in den einzelnen Programmiersprachen. Eine kurze Übersicht über gängige Frame­works in den einzelnen Programmiersprachen wie Java oder Python, die die gängigsten Empfehlungsmethoden fertig zum Einsatz verfügbar machen, findet sich im Anhang 1.

2.1. Individuelle Empfehlungssysteme

Bei einem individuellen Empfehlungssystem (auch content-based oder inhaltsbasiertes Fil­tern genannt) werden nur die Daten betrachtet, die von einem Individuum gesammelt werden können, um die Eigenschaften von Produkten hinsichtlich einer Übereinstimmung miteinan­der zu vergleichen. Darunter fallen seine Verlaufsdaten, bereits abgegebene Bewertungen, vorherige Käufe, Favoritenlisten, etc. Es wird ein Profil über die Interessen eines Nutzers basierend auf den Features der durch den Nutzer bewerteten Produkte erstellt (Lops et al. 2015, S. 75). Um die Bewertung eines Nutzers X für ein Produkt A zu schätzen, werden die vorhandenen Daten des X über vergangene Produkte betrachtet, die dem Produkt A mög­lichst ähnlich sind. Um die Bewertung für A zu antizipieren ist es wichtig, dass die mitei­nander in Verbindung gebrachten Produkte in ihren inhaltlichen Merkmalen weitestgehend übereinstimmen. Am Beispiel von Musik Streaming Diensten würde das bedeuten, dass das inhaltsbasierte RS für neue Lieder Ähnlichkeiten zu vergleichbaren Liedern finden muss, die vom Nutzer in der Vergangenheit als positiv bewertet wurden. Die zu betrachtenden inhaltlichen Merkmale könnten hierbei ein gleiches Genre, das gleiche Plattenlabel oder die gleiche Sprache sein. Um dem Kunden personalisierte Empfehlungen aufzuzeigen, muss es ein Nutzerprofil über ihn geben, in dem seine vergangenen Präferenzenjederzeit mit neuen Produkten und deren inhaltlichen Merkmalen abgeglichen werden können, um so Übereinst­immungen zu finden und dem Kunden ein Produkt zu empfehlen.

Der Vorteil von inhaltsbasierten Recommendation Systemen liegt insbesondere in der Fä­higkeit, jene Produkte zu empfehlen, für die es bislang noch keine Bewertung gegeben hat und somit die sogenannten Kaltstarproblematik zu umgehen, von welcher neue Produkte bei anderen Filtermethoden betroffen sein können. Weiterhin ist das empfohlene Produkt unab­hängig von den Präferenzen anderer Nutzer und basiert ausschließlich auf den eigenen Be­wertungen und Präferenzen und stellt somit ein möglicherweise optimales neuartiges Pro­dukt für den Konsumenten dar. Die Gefahr, dass man mangels ähnlicher Nutzer auf solche mit weniger ähnlichen Interessen zurückgreifen muss, wie es bei KF der Fall sein kann, ist ebenfalls nicht gegeben. Weiterhin handelt es sich hierbei um weitestgehend simple und gut verständliche Technologien, die das Zustandekommen der Empfehlungen für den Kunden transparent und nachvollziehbar machen (Lops et al. 2015, S. 78). Dass dieser Aspekt nicht zu vernachlässigen ist, wird in Abschnitt 3 nochmals aufgegriffen und verdeutlicht. Der we­sentliche Nachteil inhaltsbasierter RS liegt in einem zuvor erwähnten Vorteil. Durch die reine Konzentration auf die Daten eines Kunden und dessen Vorlieben, beinhalten Empfeh­lungen meistens keine überraschenden Produkte. Dieses sogenannte Serendipitätsproblem (s. auch Abschnitt 3) verhindert, dass dem Nutzer vollständig neuartige Produkte empfohlen werden, die vielleicht von Interesse für diesen seien könnten. Weiterhin muss ein Nutzer erst einmal eine Reihe von Produkten bewertet haben, sodass der Algorithmus ähnliche Produkte vorschlagen kann. Zusätzlich muss die Datenbank des Algorithmus über ein gewisses Wis­sen über die Produktdomaine verfügen, um die Informationen der Produkte miteinander und mit den Nutzerpräferenzen in Verbindung zu bringen (Lops et al. 2015, S. 78) Wie man sehen kann handelt es sich bei content-based Filtern um eine recht einfache Form von RS, die aber wesentliche Limitationen mit sich bringen, aufgrund derer viele Unternehmen auf andere Ansätzen zurückgreifen.

2.2. Kollaborative Empfehlungssysteme

Die kollaborativen Empfehlungssysteme basieren auf der Idee, dass für den aktiven Nutzer Bewertungen von unbekannten Produkten, aufgrund der Korrelation von bekannten Bewer­tungen anderer Kunden, prognostiziert werden können. Betrachtet man z.B. zwei Kunden, deren Geschmack sich nachweislich gleicht, geht man davon aus, dass wenn der eine Kunde für Produkt A eine positive Bewertung abgibt, A auch dem anderen Kunden gefällt. Dafür werden nicht wie bei den inhaltsbasierten RS nur die Vergangenheitsdaten eines einzelnen Nutzers betrachtet, sondern es wird versucht, das Feedback aller Nutzer für ein bestimmtes Produkt zusammenzutragen (Koren/Bell 2015, S. 146). Die Datenerhebung erfolgt entweder implizit, also aus dem bisherigen Verhalten des Kunden, oder explizit. Darunter werden willentlich abgegebenen Bewertungen verstanden3. In der Regel wird bei dem kollaborati- ven Ansatz eine Nutzer-Produkt-Matrix verwendet. In Abbildung 3 wird eine solche anhand von Filmtiteln (Spalten) und Nutzern (Zeilen) dargestellt (Ziegler/Loepp 2019, S. 7).

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3 Vereinfachtes Beispielfür die sogenannte Nutzer-Produkt-Matrix

Es wird hierbei für jeden Film ein Rating von eins bis fünf abgegeben und leere Felder be­deuten, dass der jeweilige Nutzer für diesen Film noch keine Bewertung abgegeben hat. Aufgabe des Algorithmus ist es, auf Grundlage der Bewertungen aller ähnlichen Nutzer, die ein Produkt bereits bewertet haben, für die leeren Felder der Kunden, die dieses Produkt noch nicht konsumiert haben, Werte zu approximieren. Dabei lassen sich die kollaborativen Empfehlungssystemen bei der Vorgehensweise weiterhin in zwei Unterkategorien untertei­len. Dabei handelt es sich zum einen um den speicherbasierte Ansatz und zum anderen um einen modellbasierte Ansatz.

2.2.1 Speicherbasierter Ansatz

Bei den speicherbasierten Verfahren, welche wiederum entweder kundenorientiert oder pro­duktorientiert an das Empfehlungsverfahren herangehen, werden mit Hilfe der Nutzer-Pro­dukt-Matrix Ähnlichkeiten zwischen den Nutzem oder den Produkten berechnet (also zwi­schen den Zeilen bzw. Spalten der Matrix, vgl. Abb. 3). Dabei stelltjede Spalte die vergan­genen Bewertungen eines Produktes dar undjede Zeile die eines Benutzers.

Kundenbasiertes Modell:

Beim kundenbasierten KF werden auf Basis von ähnlichen Kunden sogenannte Nachbar­schaften festgelegt. Es erfolgt eine Ähnlichkeitsberechnung, bei der die Affinität des Ziel­kunden zu allen anderen Nutzern berechnet wird. Der Algorithmus prognostiziert die mög­liche Bewertung eines Nutzers für ein ihm unbekanntes Produkt auf Grundlage aller

Bewertungen für ebenjenes Produkt von anderen Kunden, die mit dem Zielnutzer in Bezug auf dessen Präferenzen übereinstimmen. Um dem Zielnutzer also ein bestimmtes Produkt zu empfehlen, welches von ihm als passender Vorschlag anerkannt werden soll, müssen zu­nächst all die Kunden herausgefiltert werden, die ihm am ähnlichsten sind und das Produkt, welches empfohlen werden soll, bereits konsumiert und bewertet haben (Ziegler/Loepp 2019, S. 9 f; Davari 2016, S. 15 f).

Produktbasiertes Modell:

Diese Berechnung von Ähnlichkeiten funktioniert auch auf Basis der Produktbetrachtung und gilt in der Praxis als eine der am häufigsten verwendeten kollaborativen Empfehlungs­methoden und wird zum Beispiel von Amazon verwendet (Smith/Linden 2017, S. 12-18). Betrachtet der Kunde grade ein Produkt, werden ihm ähnliche Produkte als Empfehlung an­gezeigt. Der Vorteil liegt hierbei insbesondere in der Effizienz-Steigerung, die damit einher­geht, dass die Spaltenvektoren in der Nutzer-Produkt-Matrix in der Regel deutlich mehr Ein­träge erlangen als die Zeilenvektoren und somit eine höhere Stabilität besitzen. Denn ein einzelnes Produkt erhält grundsätzlich mehr Bewertungen, als ein einzelner Nutzer jemals Bewertungen abgibt. Durch diese Stabilität kann der Teil der Ähnlichkeitsberechnung im Algorithmus in die sogenannte Offline-Phase verschoben werden, wodurch es zu einer deut­lichen Effizienzsteigerung kommt (Ziegler/Loepp 2019, S. 9 f; Davari 2016, S. 17 f.).

2.2.2 Modellbasierter Ansatz

Um die Nachteile der speicherbasierten Ansätze, die sich insbesondere aus der Kaltstart­problematik und dem möglichen Mangel an vorhandenen Bewertungen ergeben, zu umge­hen, haben daher modellbasierte Empfehlungsansätze an Bedeutung gewonnen. Dabei han­delt es sich um ein Datenmodell, welches mit Hilfe von überwachten oder auch nicht über­wachten maschinellen Lemverfahren erstellt wird. Die aus vielen Dimensionen bestehende Nutzer-Produkt-Matrix wird nur zu Beginn des Verfahrens verwendet und zu einem fortge­schrittenem Zeitpunkt durch ein statistisches Modell ersetzt, welches in der Regel aus deut­lich weniger Dimensionen besteht. Man betrachtet durch das statistische Modell also einen kleineren Teil an Produkten, was die Vorehrsage Qualität erhöht (Sarwar et al. 2001, S. 293). Dieses Modell wird dabei in einem separaten, vorgezogenem Schritt vollständig offline er­lernt. Dadurch muss in dem Moment der Präsentation der Empfehlung an den Nutzer nicht auf die komplette NPM zugegriffen werden, sondern lediglich auf das abstrahierte statisti­sche Modell, wodurch die Laufzeit insbesondere bei riesigen Plattformen enorm reduziert werden kann. Zusammengefasst bieten die modellbasierten Verfahren im Vergleich zu den speicherbasierten Lösungen also eine Reihe von Vorteilen, die sich insbesondere in der Ska- lierbarkeit und Performance zeigen und die Laufzeit deutlich verringert werden kann. Wei­terhin steigt die Qualität der Empfehlungen und sie sind weniger gefährdet gegenüber Ma­nipulationen (Ziegler/Loepp 2019, S. 11). Zu den bekanntesten modellbasierten Ansätzen gehören Cluster-basierte Techniken (Sarwar et al. 2002, S. 1 f.) sowie neuronale Netze (Wangetal. 2015, S. 2).

Insgesamt ist in Bezug auf KF im Allgemeinen festzustellen, dass sie in der Regel in der Lage sind, präzisere Empfehlungen zu präsentieren, die vergleichsweise auf einer komple­xeren Datenerhebung, durch die Betrachtung und den Vergleich mehrerer Kunden und Pro­dukte, beruhen. Dennoch haben sie nach Ansari (2000, S. 6 f.) drei wesentliche Limitationen. KF und insbesondere die speicherbasierten Verfahren benötigen eine sehr große Menge an vorhandenen Daten, um die Korrelationen zu bilden, mit Hilfe derer die Empfehlungen ge­bildet werden. Gibt es nur wenige ähnliche Produkte, fallen die Korrelationen meist nicht verlässlich aus (Breese et al. 1998, S. 48 f.). Weiterhin können KF in der Regel auch nur dann verlässliche Empfehlungen aussprechen, wenn über das empfohlene Produkt bereits Informationen in den zugrunde liegenden Datenbanken existieren. Bei einem komplett neuen Film beispielsweise, über den noch keine Bewertungen existieren, fehlen dem RS Vergleichspunkte, um Korrelationen herzustellen. Eine letzte Limitation ist, dass kollabora- tive Filteralgorithmen auf statistischen Modellen basieren und demzufolge keine Messung der Unsicherheiten der Vorhersage beinhalten. Das ist insbesondere bei wertvollen Gütern, wie z.B. Aktien von Bedeutung. Weiterhin mangelt es insbesondere den modellbasierten Verfahren an Transparenz und die komplexen und abstrakten Modelle sind dem Nutzer nur schwer zu erklären (vgl. Abschnitt 4).

[...]


1 Die Seminararbeit beschränkt sich bei der Betrachtung auf Unternehmen, die ihre Geschäftstätigkeit unter anderem im Bereich des Online-Shoppings und des Konsums von Medien haben.

2 Eine weitere Kategorisierung, die unter anderem bei Aggarwal (2016, S. 8) angewendet wird, klassifiziert die RS nach 1) Nicht-personalisiertes Filtern, 2) Kollaboratives Filtern, 3) Inhaltsbasiertes Filtern, 4) Wissensba­siertes Filtern, 5) Demographisches Filtern und 6) Hybrides Filtern.

3 Explizite Daten in Form von Bewertungen können in (1) Kontinuierliche Bewertungen, (2) Intervall-basie­rende Bewertungen, (3) Ordinale Bewertungen und (4) Binäre Bewertungen unterteilt werden. Eine genaue DefinitionfindetsichbeiDavari (2016, S. 12).

Ende der Leseprobe aus 27 Seiten

Details

Titel
Erfolgsfaktoren von Empfehlungssystemen. Technologie effektiv einsetzen und Potentiale ausschöpfen
Hochschule
Johann Wolfgang Goethe-Universität Frankfurt am Main  (Professur für Marketing)
Note
1,7
Autor
Jahr
2020
Seiten
27
Katalognummer
V1039768
ISBN (eBook)
9783346456311
ISBN (Buch)
9783346456328
Sprache
Deutsch
Schlagworte
Empfehlungssysteme, Amazon, Technologie, Erfolgsfaktoren, Hybrid, Kollaborativ, Recommendation
Arbeit zitieren
Jan Hellmann (Autor:in), 2020, Erfolgsfaktoren von Empfehlungssystemen. Technologie effektiv einsetzen und Potentiale ausschöpfen, München, GRIN Verlag, https://www.grin.com/document/1039768

Kommentare

  • Noch keine Kommentare.
Im eBook lesen
Titel: Erfolgsfaktoren von Empfehlungssystemen. Technologie effektiv einsetzen und Potentiale ausschöpfen



Ihre Arbeit hochladen

Ihre Hausarbeit / Abschlussarbeit:

- Publikation als eBook und Buch
- Hohes Honorar auf die Verkäufe
- Für Sie komplett kostenlos – mit ISBN
- Es dauert nur 5 Minuten
- Jede Arbeit findet Leser

Kostenlos Autor werden