Möglichkeiten der Zusammenführung von Nutzerprofilen verschiedener Dienstanbieter

Inhalt

Abbildungsverzeichnis

Abkürzungsverzeichnis

1. Einführung

2. Grundlagen der Erstellung von Nutzerprofilen
2.1. Datenerhebungsformen
2.1.1. Direkte Datenerfassung
2.1.2. Automatische Datenerhebung
2.2. Verwendungsmöglichkeiten für Nutzerprofile
2.2.1. Personalisierung
2.2.2. Empfehlungssysteme

3. Probleme und Grenzen der Nutzermodellierung
3.1. Ungenaue bzw. gefälschte Profile
3.2. Dienstanbieterabhängigkeit
3.3. Nutzerskepsis

4. Umsetzungsmöglichkeiten der Zusammenführung von Nutzerprofilen verschiedener Dienstanbieter
4.1. Rechtliche Rahmenbedingungen
4.1.1. Auf internationaler Ebene
4.1.2. Auf nationaler Ebene
4.1.3. Internationaler Austausch personenbezogener Daten
4.2. Initiativen zur Erstellung dienstanbieterübergreifender Profile
4.2.1. Microsoft .NET Passport
4.2.2. Liberty Alliance-Projekt
4.3. Weiterführende Modelle für die Erstellung globaler Nutzerprofile
4.3.1. Trusted Authority-Konzept
4.3.2. Aggregatoren mit Anonymisierungsfunktion
4.4. Bewertung von globalen Nutzerprofilen
4.4.1. Vorteile aus Sicht des Dienstanbieters
4.4.2. Vorteile aus Sicht des Nutzers
4.4.3. Probleme und Grenzen von globalen Nutzerprofilen

5. Schlussfolgerungen

Literaturverzeichnis

Abbildungsverzeichnis

Abbildung 1: Auswahl bevorzugter Kategorien bei Ebay

Abbildung 2: Personalisierungsmaßnahmen der Rubrik "Mein Shop" bei Amazon

Abbildung 3: Content-based Filtering

Abbildung 4: Collaborative Filtering

Abbildung 5: Zusammenspiel der Komponenten des Trusted Authority-Konzepts

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

1. Einführung

Die Nutzung von Online-Shops bietet Kunden nicht nur eine bequeme Einkaufsmöglichkeit. Sie können auch von der Personalisierung der Einkaufsportale sowie der präsentierten Angebote profitieren. Diese werden auf der Basis von Nutzerprofilen direkt auf den jeweiligen Kunden zugeschnitten. Indem dem Kunden nur für ihn interessante Angebote präsentiert werden, erhofft sich der Dienstanbieter einen erhöhten Umsatz.

Zu den momentanen Problemen zählt allerdings der Unwille der Kunden, personenbezogene Daten preiszugeben, obwohl sie von personalisierten Angeboten profitieren möchten. Unvollständige oder fälschliche Nutzerprofile führen jedoch zu unbefriedigenden Personalisierungsmaßnahmen.

Im Rahmen dieser Arbeit soll aufgezeigt werden, wie das Vertauen von Nutzern in den kontrollierten Umgang mit ihren persönlichen Daten gestärkt werden kann. Dies ist eine Grundvoraussetzung für die Erhebung und Verwendung von aussagekräftigen Profilen. Deren Nutzen und Aussagekraft kann noch gesteigert werden durch die Zusammenführung von Nutzerprofilen verschiedener Dienstanbieter, welche hier im Sinne von Online-Shops zu definieren sind. Ansätze für die Integration von Profilen sollen im Folgenden erläutert werden, wobei insbesondere auf die datenschutzrechtliche Perspektive eingegangen wird.

2. Grundlagen der Erstellung von Nutzerprofilen

In Nutzerprofilen werden die einem Dienstanbieter zur Verfügung stehenden und für ihn relevanten Kundendaten gespeichert. Diese können demografische Daten umfassen; Daten zum Verhalten auf der Webseite des Dienstanbieters sowie Angaben zu Präferenzen des Kunden. Die Profile sind beliebig erweiterbar. Auch die Ableitung von Präferenzen auf der Basis bisher erhobener Nutzerdaten ist möglich. Beispielsweise könnte aus den Daten bisher gekaufter Produkte auf ein Interesse an neuen Produkten geschlossen werden.

Einige Methoden für die Erhebung von Daten zur Erstellung von Nutzerprofilen sollen an dieser Stelle kurz vorgestellt werden.

2.1. Datenerhebungsformen

Die Datenerhebungsformen können grundsätzlich in direkte Datenerfassung, die auf Nutzereingaben basiert, und automatische Datenerhebung eingeteilt werden. Letztere beruht hauptsächlich auf der Analyse des Nutzerverhaltens auf der Webseite des Dienstanbieters.

2.1.1. Direkte Datenerfassung

Eine Möglichkeit der Erhebung von Nutzerdaten sind Online-Fragebögen, die ein Dienstanbieter auf seiner Webseite integrieren kann. Hier kann der Nutzer zu allen für den Dienstanbieter interessanten Themenbereichen befragt werden, z.B. über seine Präferenzen bezüglich bestimmter Produkte. Während derartige Fragebögen meist nur temporär eingesetzt werden, besteht zudem die Möglichkeit, die manuelle Erfassung von Interessensgebieten fest in die Webseite einzubinden. Dies wird z.B. bei Ebay in der Kategorie „Einstellungen“ angeboten.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Auswahl bevorzugter Kategorien bei Ebay

Die auf diese Weise erhobenen Angaben sind sehr präzise und daher wertvoll für die Dienstanbieter. Ein Nachteil dieser Daten besteht jedoch in der Tatsache, dass sie statisch sind und der Nutzer seine Angaben nicht regelmäßig aktualisieren wird. Daher müssen sie in geeigneter Form analysiert und möglichst mit anderen Nutzerdaten kombiniert werden.

Außerdem besteht bei einigen Anbietern bereits die Möglichkeit, das Portal des Dienstanbieters nach eigenen Präferenzen einzurichten und somit bestimmte Themenbereiche in den Fokus zu rücken. Auch diese Informationen können Aufschluss über die Interessenschwerpunkte eines Nutzers geben.

Obwohl die Personalisierung von Angeboten sowie die Anpassung eines Portals an die eigenen Bedürfnisse einen großen Nutzen in Form von Zeitersparnis und Navigationskomfort darstellen können, werden diese Möglichkeiten bisher von Nutzern kaum in Anspruch genommen. Dies mag einerseits im relativ hohen Aufwand begründet liegen sowie in der Befürchtung, mit unerwünschter Werbung konfrontiert zu werden. Besonders bei aufwändigen Online-Fragebögen muss möglichst ein direkter Nutzen für den Kunden erkennbar sein. Anreize zum Ausfüllen bieten z.B. Gutscheine oder Gewinnspielaktionen.

2.1.2. Automatische Datenerhebung

Die Analyse von Nutzerverhalten fordert vom Nutzer keine explizite Dateneingabe. Stattdessen beruht dieses Verfahren auf der Analyse der Daten, die der Nutzer beim Navigieren und in Interaktion mit der Webseite des Dienstanbieters hinterlässt.

Der Web-Server des Dienstanbieters zeichnet jeden einzelnen Serverzugriff auf. Hierbei werden unter Anderem die IP-Adresse des Nutzers, aufgerufene URLs auf dem Server, Referrer-Seiten sowie Cookies protokolliert. Diese Logfiles werden als Textdateien auf dem Web-Server gespeichert.

An Hand der Liste der aufgerufenen URLs sowie der mitprotokollierten Verweildauer auf diesen Seiten lassen sich z.B. Rückschlüsse auf die Interessenschwerpunkte eines Nutzers ziehen. Es kann davon ausgegangen werden, dass eine lange Verweildauer eines Nutzers auf einer Seite, die einem bestimmten Produktangebot gewidmet ist, sein Interesse daran bekundet.

Zunächst ist es jedoch notwendig, die einzelnen Nutzer zu identifizieren, um ihre jeweiligen Nutzerprofile Session-übergreifend fortschreiben zu können.

IP-Adressen eignen sich nur bedingt für diesen Zweck, da sie oft dynamisch von Internet-Service-Providern vergeben werden und in einem solchen Fall für einen konkreten Nutzer nur für eine Session gültig sind.

Außerdem ist keine Unterscheidung verschiedener Nutzer möglich, wenn Proxy- oder Firewall-Rechner verwendet werden, da unter diesen Umständen alle angebundenen Rechner mit dessen IP-Adresse auftreten [vgl Dörner 2003, S.14].

Eine Session-übergreifende Identifikation ist mit Cookies möglich, die vom Web-Server generiert und nach Beendigung einer Session lokal auf dem Client gespeichert werden. Wenn der Nutzer nach einer Session die betreffende Webseite, die bei ihm ein Cookie gesetzt hat, wieder aufruft, wird das Cookie, welches meist nur eine Identifikationsnummer enthält, übermittelt. Auf diese Weise ist die Identifikation eines bestimmten Nutzers möglich. Cookies können für automatische Log-In-Prozesse verwendet werden sowie Informationen über den Nutzer speichern. Hierzu zählen beispielsweise persönliche Präferenzen des Nutzers wie Spracheinstellungen als auch der Inhalt des virtuellen Warenkorbs während einer Nutzersession. Interessant für die Analyse des Nutzerverhaltens ist insbesondere die Verfolgung seines Click-Streams an Hand von Cookies.

Sollte ein Nutzer dieser Vorgehensweise nicht zustimmen, ist auch das Tracking mittels temporären Cookies, die nach jeder Session gelöscht werden, sowie Session-IDs möglich [vgl. Dörner 2003, S.15]. Session-IDs werden als Argument in jeder URL-Anfrage mit übergeben und ermöglichen die Verfolgung des Click-Streams eines Nutzers. Die beiden letzteren Praktiken sind jedoch nur auf eine einzelne Nutzersession anwendbar.

2.2. Verwendungsmöglichkeiten für Nutzerprofile

Nutzerprofile dienen einerseits Dienstanbietern als Grundlage für die Marktforschung. In diesem Fall werden jedoch nicht einzelne Nutzerprofile betrachtet, sondern es werden aus der Gesamtheit der gesammelten Daten Rückschlüsse auf die Kundschaft gezogen.

Außerdem können z.B. die an Hand von Click-Stream-Analysen gewonnenen Daten für die Optimierung der Webseite des Dienstanbieters genutzt werden.

Konkrete Nutzerprofile bieten den zusätzlichen Nutzen, dass die Webseiten für die einzelnen Nutzer angepasst werden können. Auf diesen Personalisierungsvorgang wird daher im Folgenden kurz eingegangen sowie auf Empfehlungssysteme, die eine wichtige Grundlage für die Personalisierung darstellen.

2.2.1. Personalisierung

Die Personalisierung kann sowohl die gestalterische als auch inhaltliche Anpassung einer Webseite an die Präferenzen des Kunden umfassen. Beispielsweise wird registrierten Kunden bei vielen Dienstanbietern die Möglichkeit geboten, Einstellungen bezüglich der inhaltlichen sowie gestalterischen Präsentation des Portals vorzunehmen. Dies kann z.B. die Wahl der Startseite innerhalb des Portals sowie die Ein- oder Ausblendung bestimmter Kategorien umfassen. Personalisierungsmaßnahmen sind von besonderer Bedeutung im Bereich mobiler Dienste. Auf kleineren Bildschirmen wie bei Handys, Pagers oder PDAs müssen die Inhalte in komprimierter Form dargestellt werden [vgl. Kaspar/Hagenhoff 2004, S.2f.], wobei die Personalisierung es ermöglicht, die Menge an Informationen auf den für einen bestimmten Nutzer relevanten Anteil zu reduzieren.

Ähnlich wie Ebay (siehe Abb. 1) erhebt auch Amazon die Interessengebiete der registrierten Nutzer. Dies hat sofortige Auswirkungen auf die Präsentation des personalisierten Bereiches des Online-Shops, wie in Abbildung 2 ersichtlich wird. Hier werden zum Einen Favoriten zu den präferierten Rubriken angeboten sowie Empfehlungen für bestimmte Artikel aufgeführt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Personalisierungsmaßnahmen der Rubrik „Mein Shop“ bei Amazon

Dem Nutzer soll durch diese Anpassungen der Einkauf erleichtert werden, indem er mit wenigen Clicks zu interessanten Angeboten gelangt. Zudem kann dem Nutzer durch die Personalisierung das Gefühl gegeben werden, dass man sich um ihn bemüht und seine Bindung an den Dienstanbieter verstärkt werden. Dieser hingegen erhofft sich durch auf den Nutzer zugeschnittene Produktempfehlungen erhöhte Umsätze.

Im folgenden Abschnitt werden einige Systeme für die Generierung der bereits erwähnten Produktempfehlungen aufgeführt.

2.2.2. Empfehlungssysteme

Da Nutzerprofile für den Dienstanbieter relevante Charakteristika über einen Kunden enthalten, während Produktprofile die Eigenschaften von Produkten abbilden, ist es möglich, mit Hilfe eines Inferenzmechanismus nach bestimmten Prinzipien Schlüsse auf die Beziehungen zwischen Produkten und Nutzern zu ziehen [vgl. Kaspar/Hagenhoff 2004, S.4].

Ein solcher Mechanismus dient dazu, herauszufinden, welche Produkte zu welchem Nutzer passen. Dem Kunden sollen durch die Empfehlungen Kaufanreize gegeben werden. Zudem könnten die Empfehlungssysteme nicht nur für Produktvorschläge, sondern auch für personalisierte Werbeschaltungen externer Anbieter genutzt werden. Dabei unterscheiden Degemmis et. al [vgl. Degemmis et al. 2004, S.256f] die folgenden Methoden:

Content-based Filtering (auch: Feature-based Filtering): Dieses Verfahren basiert auf den Eigenschaften bisher gekaufter oder als gut bewerteter Produkte eines Nutzers. Dem Nutzer werden solche Produkte empfohlen, deren Eigenschaftsprofil eine starke Korrelation mit dem Präferenzprofil des Nutzers aufweist [vgl. Kaspar/Hagenhoff 2004, S.4]. Ein Vorteil des Content-based Filtering liegt in der Tatsache begründet, dass lediglich die Daten des betreffenden Nutzers zur Analyse benötigt werden. Diese müssen jedoch einen gewissen Umfang aufweisen, um Schlussfolgerungen zu ermöglichen [vgl. Dörner 2003, S.21].

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Content-based Filtering (vgl.Dörner 2002, S.20)

Collaborative Filtering: Bei diesem Ansatz werden Benutzer an Hand ihrer Produktpräferenzen verglichen [vgl. Dörner 2003, S.21]. Diese Präferenzen können aus bisherigen Käufen oder Produktbeurteilungen abgeleitet werden. Die Nutzer werden anschließend ge-clustert, wobei für jeden Nutzer sogenannte „nearest neighbors“ mit stark korrelierenden Produktpräferenzen identifiziert werden [vgl. Degemmis et al. 2004, S.257]. Es wird davon ausgegangen, dass die Meinung eines Nutzers über ein diesem noch unbekanntes Produkt aus den Meinungen der „nearest neighbors“ abgeleitet werden kann. Es ist jedoch eine hohe Anzahl an Profilen notwendig, um verlässliche Schlüsse ziehen zu können.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Collaborative Filtering (vgl. Dörner 2002, S.20

Demographic Filtering: Bei diesem Verfahren werden Nutzer nach demografischen Kriterien wie z.B. Alter, Geschlecht und Wohnort geclustert. In ähnlicher Weise wie beim Collborative Filtering-Ansatz werden dem Nutzer Produkte empfohlen, die typisch für die seiner Kategorie zugeordneten Nutzer sind.

Knowledge-based Filtering (auch: Rule-based Filtering): Bei dieser Methode legen Experten Regeln fest, die auf das Verhalten der Nutzer angewendet werden. Z.B. könnten sie definieren, dass einem Nutzer beim Kauf eines bestimmten Produktes automatisch ein zugeordnetes Zusatzprodukt angeboten werden soll. So würden dem Nutzer beim Kauf eines Staubsaugers beispielsweise die passenden Staubbeutel angeboten werden. Diese Technik kann auch als Oberbegriff für die oben genannten Empfehlungssysteme angesehen werden, da jeweils auf bestimmten Regeln basierende Schlüsse gezogen werden [vgl. Degemmis et al. 2004, S.257].

[...]