Empfehlen Sie Recommendation Engines?

Im Geschäftsleben ist das Problem der Nadel im Heuhaufen eine ständige Herausforderung. Empfehlungs-Engines sind hier, um bei der Bewältigung dieser Herausforderung zu helfen. 

Im E-Commerce und Einzelhandel bieten Sie Hunderte oder Tausende von Produkten an. Welches ist das richtige Produkt für Ihre Kunden?

Im Vertrieb und Marketing haben Sie eine große Anzahl potenzieller Kunden in Ihrer Pipeline. Dennoch hat der Tag nur eine begrenzte Anzahl an Stunden. Sie stehen also vor der Herausforderung, zu entscheiden, worauf Sie Ihre Bemühungen genau konzentrieren möchten.

Es gibt eine spezielle Technologie, die auf KI und Big Data basiert und die Bewältigung dieser Herausforderungen erheblich vereinfacht: Empfehlungsmaschinen.

Was sind Empfehlungssysteme?

Im einfachsten Sinne sortiert eine Empfehlungsmaschine viele Elemente und sagt die Auswahl voraus, die für den Benutzer am relevantesten ist. Für Verbraucher ist die Produktempfehlungsmaschine von Amazon ein bekanntes Beispiel. Im Unterhaltungsbereich hat Netflix hart an der Entwicklung seiner Engine gearbeitet. Die Empfehlungsmaschine von Netflix hat unter dem Strich Vorteile gebracht:

„Das ausgefeilte Empfehlungssystem und die personalisierte Benutzererfahrung von [Netflix] haben es ihnen ermöglicht, 1 Milliarde US-Dollar pro Jahr durch Dienstausfälle einzusparen.“ – Der ROI von Empfehlungsmaschinen für das Marketing

Aus Sicht des Endbenutzers ist oft unklar, wie Empfehlungsmaschinen funktionieren. Wir werden den Vorhang zurückziehen und erklären, wie sie funktionieren, beginnend mit der Hauptzutat: Daten.

Empfehlungsmaschinen: Welche Daten verwenden sie?

Das frustrierten Was Sie für eine Empfehlungsmaschine benötigen, hängt von Ihrem Ziel ab. Angenommen, Ihr Ziel besteht darin, den Umsatz in einem E-Commerce-Unternehmen zu steigern. In diesem Fall würden die unbedingt erforderlichen Daten in zwei Kategorien fallen: eine Produktdatenbank und Endbenutzerverhalten. Schauen Sie sich dieses einfache Beispiel an, um zu veranschaulichen, wie das funktioniert.

• Unternehmen: USB Accessories, Inc. Das Unternehmen ist auf den Verkauf von USB-Zubehör und -Produkten wie Kabeln, USB-Sticks und Hubs an Verbraucher und Unternehmen spezialisiert.
• Produktdaten. Um die anfängliche Empfehlungsmaschine einfach zu halten, begrenzt das Unternehmen sie auf 100 Produkte.
• Benutzerdaten. Im Falle eines Online-Shops umfassen die Benutzerdaten Website-Analyseinformationen, E-Mail-Marketing und andere Quellen. Beispielsweise stellen Sie möglicherweise fest, dass 50 % der Kunden, die eine externe Festplatte kaufen, auch USB-Kabel kaufen.
• Empfehlungsausgabe. In diesem Fall generiert Ihre Empfehlungsmaschine möglicherweise eine Empfehlung (oder einen Rabattcode) für Festplattenkäufer, um sie zum Kauf von USB-Kabeln zu ermutigen.

In der Praxis verwenden die besten Empfehlungsmaschinen viel mehr Daten. Als allgemeine Regel gilt, dass Empfehlungs-Engines bessere Geschäftsergebnisse erzielen, wenn sie über ein großes Datenvolumen verfügen.

Wie nutzen Empfehlungsmaschinen Ihre Daten?

Viele Empfehlungs-Engines verwenden eine Handvoll Techniken zur Verarbeitung Ihrer Daten.

Inhaltsbasierte Filterung

Diese Art von Empfehlungsalgorithmus kombiniert Benutzerpräferenzen und versucht, ähnliche Artikel zu empfehlen. In diesem Fall konzentriert sich die Engine auf das Produkt und hebt verwandte Artikel hervor. Diese Art von Empfehlungs-Engine ist relativ einfach zu erstellen. Es ist ein guter Ausgangspunkt für Unternehmen mit begrenzten Daten.

Kollaboratives Filtern

Haben Sie vor dem Kauf jemand anderen um eine Empfehlung gebeten? Oder Online-Bewertungen in Ihrem Kaufprozess berücksichtigen? Wenn ja, haben Sie schon Erfahrungen mit kollaborativem Filtern gemacht. Fortgeschrittenere Empfehlungs-Engines analysieren Benutzerrezensionen, Bewertungen und andere benutzergenerierte Inhalte, um relevante Vorschläge zu erstellen. Diese Art von Empfehlungs-Engine-Strategie ist leistungsstark, weil sie Social Proof nutzt.

Hybride Empfehlungsgeber

Hybride Empfehlungs-Engines kombinieren zwei oder mehr Empfehlungsmethoden, um bessere Ergebnisse zu erzielen. Um auf das oben beschriebene E-Commerce-Beispiel zurückzukommen: Nehmen wir an, Sie haben im vergangenen Jahr Benutzerrezensionen und -bewertungen (z. B. 1 bis 5 Sterne) erhalten. Jetzt können Sie sowohl inhaltsbasierte als auch kollaborative Filterung verwenden, um Empfehlungen zu präsentieren. Die erfolgreiche Kombination mehrerer Empfehlungs-Engines oder Algorithmen erfordert normalerweise Experimente. Aus diesem Grund wird es am besten als relativ fortgeschrittene Strategie betrachtet.

Eine Empfehlungsmaschine ist nur dann erfolgreich, wenn Sie sie mit qualitativ hochwertigen Daten füttern. Es kann auch nicht effektiv funktionieren, wenn Ihre Unternehmensdatenbank Fehler oder veraltete Informationen enthält. Deshalb müssen Sie kontinuierlich Ressourcen in die Datenqualität investieren.

Fallstudien: 

Automatisierte Einstellung: Kandidatenbewertung

Laut einer Studie von Jobvite gibt es durchschnittlich mehr als 50 Bewerber pro Stellenausschreibung. Für Personalabteilungen und Führungskräfte stellt die Bewerberflut einen enormen Arbeitsaufwand dar. Um den Prozess zu vereinfachen, implementierte Blue Orange eine Empfehlungsmaschine für einen Fortune-500-Hedgefonds. Das HR-Automatisierungsprojekt half dem Unternehmen dabei, Kandidaten auf standardisierte Weise einzustufen. Auf Grundlage von Bewerberdaten und Lebensläufen aus zehn Jahren verfügt das Unternehmen nun über ein ausgeklügeltes Bewertungsmodell zur Suche nach geeigneten Kandidaten.

Ein Hedgefonds in New York City musste inkonsistente Lebensläufe analysieren und benötigte OCR, um seinen Einstellungsprozess zu verbessern. Selbst die beste OCR-Analyse hinterlässt chaotische und unstrukturierte Daten. Während ein Kandidat dann den Bewerbungsprozess durchläuft, werden Menschen involviert. Fügen Sie dem Datensatz Freitextbewertungen des Bewerbers sowie sprachliche und persönliche Vorurteile hinzu. Darüber hinaus ist jede Datenquelle isoliert und bietet nur begrenzte Analysemöglichkeiten.

Ansatz: Nach der Bewertung der Einstellungsprozesse mehrerer Unternehmen haben wir drei konsistente Möglichkeiten gefunden, die Einstellungsergebnisse mithilfe von maschinellem NLP-Lernen systematisch zu verbessern. Die Problembereiche sind: die korrekte Strukturierung der Lebenslaufdaten von Kandidaten, die Beurteilung der Eignung für den Job und die Reduzierung menschlicher Einstellungsverzerrungen. Mit einem bereinigten und strukturierten Datensatz konnten wir sowohl eine Stimmungsanalyse des Textes als auch eine Subjektivitätserkennung durchführen, um die Voreingenommenheit der Kandidaten bei der menschlichen Beurteilung zu reduzieren.

Ergebnisse: Mithilfe von Klassifikatoren zur Schlüsselworterkennung, optischer Zeichenerkennung und cloudbasierten NLP-Engines konnten wir Zeichenfolgentext bereinigen und in relationale Daten umwandeln. Mit strukturierten Daten haben wir in AWS QuickSight ein schnelles, interaktives und durchsuchbares Business Analytics-Dashboard bereitgestellt.

E-Commerce: Zageno Medical Supplies

Ein weiteres Beispiel für die Implementierung von Empfehlungs-Engines in der Praxis stammt von Zageno. Zageno ist ein E-Commerce-Unternehmen, das für Laborwissenschaftler das tut, was Amazon für den Rest von uns tut. Der Vorbehalt besteht darin, dass die Bedürfnisse von Laborwissenschaftlern genau sind und daher auch die für ihre Forschung beschafften Materialien genau sein müssen. Die folgenden Zitate stammen aus unserem Interview mit Zageno und verdeutlichen, wie das Unternehmen Empfehlungsmaschinen nutzt, um Laborwissenschaftlern die genauesten Materialien zu liefern. 

Fragen und Antworten: Blue Orange Digital interviewt Zageno

Frage:
Wie hat Ihr Unternehmen eine Empfehlungsmaschine eingesetzt und welche Ergebnisse haben Sie erzielt?

Antworten:

Es gibt zwei Beispiele für die Empfehlungsmaschinen, die ZAGENO für seine wissenschaftlichen Kunden einsetzt. Um diese zu erklären, hielten wir es für am besten, sie mit Stichpunkten zu versehen.

• ZAGENOs wissenschaftlicher Score:
  • Der Scientific Score von ZAGENO ist ein umfassendes Produktbewertungssystem, das speziell für die Bewertung von Forschungsprodukten entwickelt wurde. Es bezieht mehrere Aspekte von Produktdaten aus mehreren Quellen ein, um Wissenschaftlern eine ausgefeilte und unvoreingenommene Produktbewertung zu liefern, die sie für genaue Kaufentscheidungen benötigen.
  • Wir wenden hochentwickelte Algorithmen für maschinelles Lernen an, um Millionen von Produkten genau abzugleichen, zu gruppieren und zu kategorisieren. Die wissenschaftliche Bewertung berücksichtigt diese Kategorisierungen, da die Bewertung jedes Produkts im Verhältnis zu denen derselben Kategorie berechnet wird. Das Ergebnis ist ein Bewertungssystem, dem Wissenschaftler vertrauen können – eines, das sowohl für die Produktanwendung als auch für den Produkttyp spezifisch ist.
  • Standardproduktbewertungen sind nützlich, um Produkte schnell zu bewerten, sind jedoch häufig voreingenommen und unzuverlässig, da sie auf unbekannten Bewertungen oder einer einzelnen Kennzahl (z. B. Veröffentlichungen) basieren. Sie liefern auch nur wenige Details zum experimentellen Kontext oder zur Anwendung. Der Scientific Score nutzt eine wissenschaftliche Methodik zur objektiven und umfassenden Bewertung von Forschungsprodukten. Es fasst alle notwendigen und relevanten Produktinformationen in einer einzigen Bewertung von 0 bis 10 zusammen, um unsere Kunden bei der Entscheidung zu unterstützen, welches Produkt sie für ihre Anwendung kaufen und verwenden möchten – und spart so stundenlange Produktrecherche.
  • Um sicherzustellen, dass kein einzelner Faktor dominiert, fügen wir Grenzwerte hinzu und geben den jüngsten Beiträgen mehr Gewicht. Die schiere Anzahl der Faktoren, die wir berücksichtigen, schließt nahezu jede Manipulationsmöglichkeit aus. Damit ist unser Score ein objektives Maß für die Qualität und Quantität der verfügbaren Produktinformationen, das die Kaufentscheidungen unserer Kunden unterstützt.
• Alternative Produkte:
  • Alternative Produkte werden durch dieselben Werte für Schlüsselattribute definiert; Für jede Kategorie werden Schlüsselattribute definiert, um spezifische Produkteigenschaften zu berücksichtigen.
  • Wir arbeiten daran, die zugrunde liegenden Daten und Attribute zu erweitern und den Algorithmus zu verbessern, um die Vorschläge zu verbessern
  • Alternative Produktvorschläge sollen sowohl Wissenschaftlern als auch der Beschaffung dabei helfen, potenzielle Produkte in Betracht zu ziehen und zu bewerten, die sie sonst möglicherweise nicht in Betracht gezogen bzw. gewusst hätten
  • Alternative Produkte werden ausschließlich durch Produkteigenschaften definiert und sind unabhängig von Lieferanten, Marken oder anderen kommerziellen Daten

Empfehlen Sie Empfehlungssysteme? 

Ja, aber stellen Sie sicher, dass Sie die richtigen Daten verwenden, um Ihre Empfehlung auf der Grundlage von Qualität und Quantität zu erstellen, die den tatsächlichen Nutzererwartungen entsprechen. Schaffen Sie Transparenz, denn niemand, insbesondere Wissenschaftler, wird einer Blackbox vertrauen oder sich auf sie verlassen. Teilen Sie Ihren Nutzern mit, welche Informationen verwendet und wie sie gewichtet werden, und lernen Sie kontinuierlich dazu, um sich kontinuierlich zu verbessern. Schließen Sie den Kreislauf ab, indem Sie das gesammelte Nutzerfeedback in das System zurückführen. – Zageno

Die Leistungsfähigkeit von Empfehlungsmaschinen war noch nie so groß. Wie Giganten wie Amazon und Netflix zeigen, können Empfehlungsgeber direkt für Umsatzsteigerungen und Kundenbindungsraten verantwortlich sein. Unternehmen wie Zageno zeigen, dass man kein riesiges Unternehmen sein muss, um die Macht von Empfehlungsgebern zu nutzen. Die Vorteile von Empfehlungsmaschinen erstrecken sich über viele Branchen, vom E-Commerce bis hin zum Personalwesen. 

Der schnelle Weg, um Empfehlungsmotoren in Ihr Unternehmen zu bringen

Die Entwicklung einer Empfehlungs-Engine erfordert Datenexpertise. Ihr internes IT-Team ist möglicherweise nicht in der Lage, dies auszubauen. Wenn Sie die Kundenbindungs- und Effizienzvorteile von Empfehlungs-Engines nutzen möchten, müssen Sie nicht warten, bis die IT weniger beschäftigt ist. Schreiben Sie uns und lassen Sie es uns wissen. Der Blau Orange Digital Das Data-Science-Team freut sich, dass Empfehlungsgeber auch zu Ihrem Vorteil arbeiten können!

Hauptbildquelle: Canva