Im Zuge der rapiden Digitalisierung in den letzten 15 Jahren bildete sich im Endverbrauchermarkt ein klarer Trend: das Online-Shopping, auch E-Commerce. Durch das explosive Wachstum der Online-Branche und die Vielfalt der verfügbaren Produkte und Informationen steht Konsumenten eine weitaus größere Auswahl an Produkten zur Verfügung. Vor diesem Hintergrund entstand das dringende Bedürfnis der Betreiber von E- Commerce Anwendungen Lösungen für das Informationsüberbelastungs-Problem zu finden und einem Nutzer aus der Bandbreite der verfügbaren Artikel genau die Artikel herauszufiltern, die ihn tatsächlich interessieren. Zuerst wird ein strukturierter Überblick über das Themengebiet der Systeme, die bei der individuellen Angebotsauswahl (Recommender Systems) gegeben. Anschließend werden die errungenen Erkenntnisse auf das bestehende Webprtal der miBaby GmbH angewendet. Es werden mögliche Websysteminfrastrukturen aufgezeigt werden, die letztendlich zu einem besseren Kundenerlebnis und langfristig wiederkehrenden und hochaktiven Nutzern führen sollen.
Inhaltsverzeichnis
1 Einleitung
1.1 Zielsetzung der Arbeit
1.2 Formaler Aufbau
2 State-of-the-art der Recommender Systems
2.1 Problemstellung
2.2 Definition Recommender System
2.3 Funktionsweise und Funktionen
2.4 Daten- und Wissensquellen
2.5 Empfehlungstechniken und IT-Lösungen
2.5.1 Content-based RS
2.5.1.1 Architektur und Empfehlungsprozess
2.5.1.2 Berechnung der Empfehlungen
2.5.1.3 Vor- und Nachteile
2.5.1.3.1 Genauigkeit
2.5.1.3.2 Erklärbarkeit
2.5.1.3.3 Serendipität
2.5.1.3.4 Skalierbarkeit
2.5.1.3.5 Cold-Start-Problem
2.5.1.4 Verbesserungsvorschläge und zukünftige Entwicklungen
2.5.2 Collaborative-Filtering RS
2.5.2.1 Nachbarschaftsbasierende Bewertungsvorhersage
2.5.2.2 Modellbasierende Bewertungsvorhersage
2.5.2.3 Vor- und Nachteile
2.5.2.3.1 Genauigkeit
2.5.2.3.2 Erklärbarkeit
2.5.2.3.3 Serendipität
2.5.2.3.4 Skalierbarkeit
2.5.2.3.5 Cold-Start-Problem
2.5.2.4 Lösungsansätze für Schwachstellen
2.5.2.5 Anwendungsbereiche
2.5.3 Weitere Techniken
2.5.3.1 Knowledge-based RS
2.5.3.2 Social Recommender Systems
2.5.3.3 Demographic-based RS
2.5.4 Hybrid RS
2.5.4.1 Strategien
2.5.4.2 Leistungsunterschiede
2.6 Ergebnisse des Überblicks über bestehende Techniken
3 Vorstellung miBaby GmbH
3.1 Allgemein
3.2 Geschäftsmodell
3.3 Relevanz eines RS
3.3.1 Erhöhung der Traffic-Qualität
3.3.2 Einsparung von Werbekosten
3.3.3 Einflüsse des RS
4 Konzeption eines RS auf miBaby.de
4.1 Anforderungen an RS
4.1.1 Application Model
4.1.2 User Model
4.1.3 Data Model
4.2 Konzeptideen
4.2.1 Ausschluss von Techniken
4.2.2 Collaborative Filtering RS
4.2.2.1 Datenquellen
4.2.2.2 Umrechnung der Bewertungsskala
4.2.2.3 Korrelationsgenerator
4.2.2.4 User Model
4.2.2.5 Berechnung
4.2.2.5.1 Algorithmus
4.2.2.5.2 Filter
4.2.2.6 Erweiterungen
4.2.2.6.1 Topics
4.2.2.6.2 Feedback zu Empfehlungen
4.2.3 Knowledge-based RS
4.2.3.1 Datenquellen
4.2.3.2 Knowledge Engineering
4.2.3.3 User Model
4.2.3.4 Berechnung
4.2.3.5 Erweiterung
4.3 Reflektion der Konzepte gegeben der Anforderungen
4.3.1 Umsatzmaximierung durch Erhöhung der Beratungsqualität
4.3.2 Implementierung des Beratungsprozesses
4.3.3 Integration in die Navigation auf miBaby.de
4.3.4 Nutzung als Marketingkanal
4.3.5 Korrektheit der Empfehlungen
4.3.6 Einbindung bestehender Seiteninhalte
4.4 Hybrides Konzept
4.4.1 Aufbau
4.4.2 Operative Steuerung des RS
4.4.3 Grundlagen zur Evaluierung der Leistung
5 Offene Punkte
5.1 Datenschutz
5.2 Überlegungen zu Grenzen der IT
6 Zusammenfassung und Ausblick
Zielsetzung & Themen
Das primäre Ziel dieser Arbeit ist die Erstellung eines strukturierten Konzepts für ein Recommender System (RS), das speziell auf das Beratungsportal miBaby.de zugeschnitten ist. Die Forschungsfrage fokussiert sich darauf, wie durch den Einsatz personalisierter Empfehlungstechniken die Beratungsqualität erhöht, der Umsatz gesteigert und ein effektiver Beratungsprozess für werdende und junge Eltern implementiert werden kann.
- Analyse und Bewertung etablierter Empfehlungstechniken wie Content-based, Collaborative Filtering und Knowledge-based Recommender Systems.
- Untersuchung der Relevanz und der spezifischen Anforderungen eines RS für das Geschäftsmodell der miBaby GmbH.
- Entwicklung eines hybriden Konzepts unter Berücksichtigung von Nutzerpräferenzen und Schwangerschaftsdaten.
- Kritische Reflexion datenschutzrechtlicher Rahmenbedingungen und technischer Grenzen der personalisierten Beratung.
- Erarbeitung von Strategien zur Leistungsoptimierung und operativen Steuerung des RS.
Auszug aus dem Buch
2.5.1.1 Architektur und Empfehlungsprozess
Die Architektur eines Content-based RSs ist in drei Bestandteile gegliedert: Content Analyzer, Profile Learner und Filtering Component. Die Bestandteile bedienen sich gewisser Informationsquellen und speichern Ergebnisse in Datenbanktabellen. Der Empfehlungsprozess soll anhand der Erläuterung der Bestandteile veranschaulicht werden.
Der Content Analyzer extrahiert zum einen Merkmale von Artikeln aus strukturierten und unstrukturierten Informationsquellen und speichert diese in der Datenbanktabelle Represented Items (deutsch: im System vertretene Artikel) ab. Zum anderen zeichnet er Nutzerfeedback zu Artikeln auf und speichert es in der Datenbanktabelle Feedback ab. Feedback kann grundsätzlich in positiver (z.B. liken eines Artikels) und in negativer (z.B. melden eines Artikels) Form gespeichert werden. Des Weiteren wird hier wie in 2.4 zwischen implizitem und explizitem Feedback unterschieden.
Die Datenbankentabellen Represented Items und Feedback dienen als Input für die nächste Architekturebene Profile Learner.
Der Profile Learner verknüpft Bewertungen der Nutzer zu Produkten mit den Merkmalen des Produkts. Formal wird ein Profil für den aktiven Nutzer u_a gebildet, indem ein Trainingsdatensatz für u_a definiert wird.
TR_a = (I_k, r_k)
I_k beschreibt hierbei den bewerteten Artikel und r_k die zugehörige Bewertung. Mit den Paardatensätzen und Algorithmen werden vorausschauende Modelle, auch Nutzerprofile genannt, implementiert. Diese werden dann in der Datenbanktabelle Profiles gespeichert.
In der letzten Architekturebene Filtering Component wird abgewägt, ob Artikel (Einträge aus der Tabelle Represented Items) für den aktiven Nutzer u_a relevant sind. Dabei werden die Merkmale der Artikel mit den Nutzerpräferenzen aus dem Nutzerprofil verglichen. Danach wird eine Rangliste der potentiell für u_a interessanten Artikel geordnet nach Relevanz erstellt. Hoch gelistete Artikel werden in eine Liste von Empfehlungen L_a übernommen, die dem Nutzer u_a präsentiert wird. Damit ist der grundsätzliche Prozess der Empfehlung abgeschlossen.
Zusammenfassung der Kapitel
1 Einleitung: Diese Einleitung führt in das Thema E-Commerce und die wachsende Bedeutung von Recommender Systems zur Bewältigung der Informationsüberlastung ein.
2 State-of-the-art der Recommender Systems: Dieses Kapitel gibt einen detaillierten Überblick über existierende Empfehlungstechniken, deren Funktionsweise, Stärken und Schwächen.
3 Vorstellung miBaby GmbH: Hier wird das Beratungsportal miBaby, sein Geschäftsmodell und die spezifische Relevanz einer personalisierten Empfehlungslösung erläutert.
4 Konzeption eines RS auf miBaby.de: In diesem Hauptkapitel werden Anforderungen definiert, Konzeptideen evaluiert und ein hybrides System für das miBaby-Portal entworfen.
5 Offene Punkte: Das Kapitel behandelt kritische Aspekte wie den Datenschutz im Einklang mit dem informationellen Selbstbestimmungsrecht und die Grenzen automatisierter Beratung.
6 Zusammenfassung und Ausblick: Diese Zusammenfassung resümiert die erarbeiteten Konzepte und gibt einen Ausblick auf künftige Entwicklungen wie mobile App-Integrationen.
Schlüsselwörter
Recommender Systems, E-Commerce, Personalisierung, Collaborative Filtering, Knowledge-based RS, miBaby GmbH, Beratungsportal, Nutzerprofil, Schwangerschaft, Affiliate-Marketing, Informationsüberlastung, Algorithmus, Datenquellen, Feedback, Hybrid RS.
Häufig gestellte Fragen
Worum geht es in dieser Arbeit grundsätzlich?
Die Arbeit befasst sich mit der Konzeption eines personalisierten Empfehlungssystems (Recommender Systems) für das Webportal der miBaby GmbH, um die Beratungsqualität und den Umsatz zu steigern.
Was sind die zentralen Themenfelder der Arbeit?
Die zentralen Felder umfassen die State-of-the-art-Analyse verschiedener Empfehlungstechnologien, das Verständnis für die Nutzerbedürfnisse von Schwangeren und jungen Müttern sowie die technische Architektur eines hybriden Systems.
Was ist das primäre Ziel der Bachelorarbeit?
Das primäre Ziel ist es, nach einem theoretischen Überblick über existierende Technologien ein maßgeschneidertes Konzept für ein RS zu entwickeln, das den spezifischen Anforderungen von miBaby entspricht.
Welche wissenschaftlichen Methoden finden Anwendung?
Es werden Literaturanalysen zur Evaluation bestehender Algorithmen sowie eine Anforderungsanalyse basierend auf Experteninterviews und Datenmodellierungen durchgeführt.
Was wird im Hauptteil der Arbeit behandelt?
Der Hauptteil konzentriert sich auf die detaillierte Vorstellung der miBaby GmbH, die Ableitung konkreter Anforderungen und die Ausarbeitung technischer Konzepte für ein Collaborative Filtering sowie ein Knowledge-based Recommender System.
Welche Schlüsselwörter charakterisieren die Arbeit am besten?
Die Arbeit wird durch Begriffe wie Recommender Systems, Personalisierung, miBaby, Collaborative Filtering, Knowledge-based RS und Beratungsqualität geprägt.
Warum ist ein Knowledge-based Ansatz für miBaby besonders sinnvoll?
Da miBaby komplexe Beratungsbedarfe abdeckt (z.B. Auswahl von Kinderwagen), ermöglicht der Knowledge-based Ansatz eine zielgerichtete Beratung anhand spezifischer Nutzeranforderungen, was mit reinen Filter-Algorithmen schwerer abzubilden wäre.
Wie wird das "Cold-Start-Problem" in diesem Konzept adressiert?
Das Konzept nutzt ein hybrides System, bei dem der Knowledge-based-Ansatz direkt zu Beginn Anforderungen abfragt und somit das Fehlen initialer Nutzerbewertungen kompensiert.
Welche Rolle spielt das "Hab ich/Will ich"-Konzept?
Dieses Konzept dient als innovative Datenquelle für das Recommender System, um Nutzerpräferenzen direkt und intuitiv zu erfassen, ohne auf die klassische 5-Sterne-Skala angewiesen zu sein.
- Citation du texte
- Marcus Zanquila (Auteur), 2014, Das beratende Webportal. Konzeption eines Recommender Systems für das Webportal der miBaby GmbH, Munich, GRIN Verlag, https://www.grin.com/document/417804
