Die Personalisierung im Bereich der interaktiven Medien bietet schon heute ein enormes wirtschaftliches Potential für die Betreiber von Webangeboten der unterschiedlichsten Kategorien und dieses wirtschaftliche Potential wird aufgrund des Trends hin zum mobilen Internet noch eine wesentliche Steigerung erfahren. Diese Arbeit beschreibt, warum eben dieser Personalisierung ein immer höherer Stellenwert zukommen wird und wie die theoretische Basis für den praxisbezogenen Teil der Erarbeitung einer Personalisierungsstrategie für eine mobile Videoplattform geschaffen wird.
Die inhaltlichen Angebote, welche uns die digitale Welt des Internets zu bieten imstande ist, scheinen schon heute unvorstellbar vielfältig und umfangreich zu sein und angesichts des Trends hin zum User-Generated-Content, wird die Zukunft weder eine Verringerung des Umfangs, noch der Vielfalt der Internet-Inhalte mit sich bringen. Ein Begriff, welcher in diesem Zusammenhang wohl sehr schnell an Bedeutung gewinnen wird, stellt der „Information Overload“, oder auf Deutsch, die „Informationsüberflutung“ dar. Angesichts der Tatsache, dass Netcraft in seiner monatlichen Internet-Untersuchung bereits die unglaubliche Anzahl 155.230.051 verschiedener Webseiten erhoben hat (davon werden rund 70 Millionen Webseiten aktiv betrieben - Stand Dezember 2007) und man sich zudem die zukünftige Entwicklung der Webseiten-Anzahl anhand der in Abbildung 1 gezeigten Grafik sehr gut herleiten kann, wird die Informationsüberflutung wohl auch in Zukunft nicht abnehmen.
Inhaltsverzeichnis
1. Einleitung
1.1. Ausgangssituation
1.2. Zielsetzung
1.3. Methodische Vorgehensweise
2. Personalisierung
2.1. Der Begriff „Personalisierung“ – Einführung und Zielsetzung
2.1.1. Personalisierungsgrade
2.1.2. Sinn und Zweck der Personalisierung
2.2. Die Ebenen der Personalisierung
2.3. Benutzerprofilierung
2.3.1. Profilierung als Basis der individualisierten Personalisierung
2.3.1.1. Der Prozess der User-Profilierung
2.3.1.2. Explizite, implizite oder bereits vorhanden Daten
2.3.1.3. Benutzer-Identifikation
2.3.1.4. Speicherung der Profildaten – Client- oder Serverseitig
2.3.1.5. Ergebnisse der User-Profilierung - Profiltypen
2.3.2. Logfiles
2.3.3. Web (Usage) Mining
2.3.3.1. Web Mining Kategorien
2.3.3.2. Der Prozess des Web Usage Mining
2.3.4. Problemfelder in der User-Profilierung
2.4. Matching – (Match Making)
2.4.1. Nicht individualisierte Personalisierung
2.4.2. Checkbox Personalisierung
2.4.3. Rule-Based Filtering (Regelbasiertes Filtern)
2.4.4. Formularbasiertes Filtern
2.4.5. Einfache Filterung
2.4.6. Content-Based Filtering (Inhaltsbasiertes Filtern)
2.4.7. Collaborative Filtering (Kollaboratives Filtern)
2.4.8. Hybride Systeme
2.5. Personalisierte Werbung
3. Best Practice Beispiele aus dem Bereich der Personalisierung im WWW
3.1. Entwicklung des Analyserasters
3.2. Einordnung der Personalisierungsanbieter, -beispiele in den Analyseraster
3.3. Erkenntnisse aus dem Analyseraster
3.3.1. WWW-Allgemein
3.3.2. Personalisierte Werbung
3.3.3. Personalisierte Musik
3.4. Auswahl und Darstellung der Best-Practice Beispiele für die WWW-Plattform
3.4.1. Kriterien für die Auswahl der Best-Practice Beispiele
3.4.2 Darstellung der Best-Practice Beispiele
3.4.2.1. Criteo
3.4.2.2. Taste
3.4.2.3. wunderloop
3.4.2.4. nugg.ad AG
4. Best-Practice Beispiele aus dem Bereich Personalisierung im mobilen Internet
4.1. Herausforderungen, Grenzen und Möglichkeiten des mobilen Internets
4.1.1. Potentiale des mobilen Internets
4.1.2. Mobile Advertising
4.1.3. Gefahren des mobilen Internets – das Handy als Teil der Persönlichkeit
4.2. Entwicklung eines Analyserasters
4.3. Einordnung der Personalisierungsanbieter und -beispiele in den Analyseraster
4.4. Erkenntnisse aus dem Analyseraster
4.5. Auswahl und Darstellung der Best-Practice Beispiele
4.5.1. Blyk
4.5.2. Choicestream
4.5.3. Regisoft
5. Leitfaden für die Wahl des richtigen Personalisierungsverfahrens
5.1. Ablauf der Identifikation des richtigen Personalisierungsverfahrens
5.2. Literaturzusammenfassung: Wann sich welche Personalisierungsmethoden eignen
5.3. Bestimmungsfaktoren für die Wahl des richtigen Personalisierungsverfahrens
5.3.1. Erörterungen zum Empfehlungsraster
5.3.2. Betriebswirtschaftliche Ergänzungen zum Empfehlungsraster
6. Personalisierung am Beispiel einer mobilen Videoplattform
6.1. Servicebeschreibung zur mobilen Videoplattform
6.2. Ziel der Personalisierung auf der mobilen Videoplattform
6.3. Entwicklung einer Personalisierungsstrategie für die mobile Videoplattform
6.3.1. Phase 1: Fokus - Nicht individualisierte Personalisierung
6.3.2. Phase 2: Fokus - Individualisierte Personalisierung
6.3.3. Personalisierte Werbung auf der mobilen Videoplattform
7. Resümee
Zielsetzung & Themen
Das Hauptziel dieser Magisterarbeit ist die Identifizierung von Bestimmungsfaktoren, um die technische Eignung von Personalisierungsverfahren für spezifische Webangebote zu bewerten. Auf Basis dieser Erkenntnisse wird ein Empfehlungsraster entwickelt, der als Entscheidungshilfe für die Konzeption einer Personalisierungsstrategie für eine mobile Videoplattform dient.
- Grundlagen der Personalisierung und Benutzerprofilierung im Web
- Technologische Analyse von Matching-Verfahren (z.B. Content-Based und Collaborative Filtering)
- Entwicklung eines methodischen Analyserasters für Personalisierungssoftware
- Untersuchung der Potenziale und Herausforderungen im mobilen Internet
- Anwendung der Strategie am Beispiel einer mobilen Videoplattform
Auszug aus dem Buch
2.4.6. Content-Based Filtering (Inhaltsbasiertes Filtern)
Content-Based Filtering Systeme analysieren die Eigenschaften der Ressourcen innerhalb eines Informationssystems und versuchen über verschiedene mathematische/statistische Verfahren, Ähnlichkeiten zu ermitteln. Dem Benutzer werden Empfehlungen generiert, indem das System dessen Präferenzprofil prüft und in den vorhandenen Ressourcen nach ähnlichen oder gleichen Attributen sucht, die der Nutzer bisher als positiv eingestuft hat. Es werden also zunächst die vorhandenen Produkte/Inhalte anhand ihrer unterschiedlichen, objektiven Eigenschaften klassifiziert und bewertet. Darauf aufbauend, versucht das System über diese objektiven bewertbaren Eigenschaftsausprägungen auf die Präferenz des Nutzers für diese Objekte zu schließen.
In Abbildung 18 findet sich eine Darstellung des logischen Ablaufs beim CBF. Der Benutzer kauft sich in einem ersten Schritt einen roten Hut. Das CBF-System leitet daraus ab, dass der Kunde an roten Accessoires interessiert ist und generiert darauf aufbauend eine Empfehlung für eine rote Tasche, passend zum roten Hut. Zwar ähnelt dieser Ablauf sehr dem Rule-Based Filtering, doch liegt hier ein entscheidender Unterschied vor: Dem regelbasierten System muss man genau vorgeben, dass auf rote Hüte stets eine rote Tasche zu empfehlen ist, das Regelwerk ist also statisch. CBF-Systeme erkennen solche Zusammenhänge hingegen automatisch und es bedarf keiner manuellen Einpflege eines Regelwerks in das System.
Entscheidend für derartige Personalisierungssysteme ist die Vergabe von Attributen für die zu verwaltenden Ressourcen und eine Bewertung der jeweiligen Eigenschaftsausprägungen. Es verwundert daher nicht, dass die Ursprünge des CBF-Ansatzes im Fachbereich des „Information Retrieval“ und des „Information Filtering“ liegen. Die Weiterentwicklung des CBF-Ansatzes im Vergleich zu den Methoden des Information Retrieval zeigt sich in der Einbeziehung der Präferenzprofile, welche Informationen über die Geschmäcker, Präferenzen und Bedürfnisse der Benutzer enthalten.
Zusammenfassung der Kapitel
1. Einleitung: Die Einleitung beleuchtet das wirtschaftliche Potenzial der Personalisierung und definiert die Forschungsziele sowie die methodische Vorgehensweise zur Entwicklung einer Personalisierungsstrategie für eine mobile Videoplattform.
2. Personalisierung: Dieses Kapitel liefert eine theoretische Abgrenzung des Begriffs sowie eine detaillierte Analyse der Ebenen, der Benutzerprofilierung, der verschiedenen Matching-Methoden und der spezifischen Herausforderungen bei der Personalisierung von Werbung.
3. Best Practice Beispiele aus dem Bereich der Personalisierung im WWW: Hier wird ein Analyseraster für Personalisierungssoftware eingeführt und zur Untersuchung verschiedener Anbieter im World Wide Web genutzt, um Best-Practice-Ansätze zu identifizieren.
4. Best-Practice Beispiele aus dem Bereich Personalisierung im mobilen Internet: Dieses Kapitel überträgt die Erkenntnisse auf das mobile Internet, diskutiert dessen spezifische Herausforderungen und analysiert Best-Practice-Anbieter im mobilen Bereich.
5. Leitfaden für die Wahl des richtigen Personalisierungsverfahrens: Es werden Bestimmungsfaktoren und ein Fragenkatalog erarbeitet, die bei der Identifizierung und Auswahl des geeigneten Personalisierungsverfahrens unterstützen sollen.
6. Personalisierung am Beispiel einer mobilen Videoplattform: Das Kapitel wendet die zuvor entwickelten Strategien und Kriterien praktisch auf eine mobile Videoplattform an, unterteilt in verschiedene Phasen.
7. Resümee: Die Arbeit schließt mit einer Zusammenfassung der Ergebnisse und der Feststellung, dass die Kombination aus technologischen Anforderungen und betriebswirtschaftlichem Nutzen die Basis für eine erfolgreiche Personalisierungsstrategie bildet.
Schlüsselwörter
Personalisierung, Benutzerprofilierung, Web Usage Mining, Collaborative Filtering, Content-Based Filtering, Match Making, Online-Targeting, Mobile Internet, Empfehlungssysteme, Kundenprofile, Information Overload, Best-Practice, Datensammlung, Matching, Strategieentwicklung
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Personalisierung von Online-Diensten, insbesondere im Hinblick auf mobile Anwendungen, und entwickelt eine Strategie, um das passende Verfahren für spezifische Anforderungen zu wählen.
Was sind die zentralen Themenfelder?
Die zentralen Themen umfassen Benutzerprofilierung, verschiedene Matching-Methoden wie Collaborative und Content-Based Filtering, Best-Practice-Beispiele am Markt und die Besonderheiten des mobilen Internets.
Was ist das primäre Ziel oder die Forschungsfrage?
Das Hauptziel ist die Entwicklung eines Empfehlungsrasters, das es ermöglicht, basierend auf aussagekräftigen Bestimmungsfaktoren die optimale Personalisierungstechnologie für Webangebote zu identifizieren.
Welche wissenschaftliche Methode wird verwendet?
Die Arbeit stützt sich auf eine fundierte Literaturrecherche sowie eine Analyse des Marktes für Personalisierungssoftware mittels eines selbst entwickelten Analyserasters, um die theoretischen Grundlagen in die Praxis umzusetzen.
Was wird im Hauptteil behandelt?
Der Hauptteil gliedert sich in die theoretischen Grundlagen der Personalisierung, die Analyse marktführender Anbieter und eine detaillierte Anleitung zur Wahl des richtigen Verfahrens durch Bestimmungsfaktoren wie Inhaltsart und Nutzerverhalten.
Welche Schlüsselwörter charakterisieren die Arbeit?
Schlüsselwörter sind u.a. Personalisierung, Benutzerprofilierung, Collaborative Filtering, Mobile Internet, Empfehlungssysteme und Best-Practice-Beispiele.
Wie unterscheidet sich die mobile Personalisierung vom klassischen Web?
Das mobile Internet zeichnet sich durch eine stärkere persönliche Bindung zum Endgerät und ein unterschiedliches Nutzungsverhalten aus, wodurch die Datenerfassung (implizit vs. explizit) komplexer gestaltet ist.
Warum wird Collaborative Filtering für mobile Videoplattformen empfohlen?
Aufgrund der subjektiven Natur von Videoinhalten, die schwer automatisch objektiv zu kategorisieren sind, ermöglicht Collaborative Filtering eine zielgenaue Empfehlung basierend auf dem Verhalten und den Präferenzen ähnlicher Nutzer.
- Citar trabajo
- Walter Kalunder (Autor), evolaris next level Privatstiftung (Hrsg.) (Autor), 2008, Entwicklung eines Empfehlungsrasters für Personalisierungsverfahren und Anwendung auf ein mobiles Video‐Service, Múnich, GRIN Verlag, https://www.grin.com/document/113217
