Überblick über ML-gestützte Empfehlungssysteme

Überblick über Machine Learning-gestützte Empfehlungssysteme

von Aleksander Kijek, Chief Product Officer bei Nethone


Machine Learning Algorithmen haben das Potential, die Interaktion zwischen Kunden und Websites zu revolutionieren

Zu viel des Guten kann auch schädlich sein. Das dachte ich mir, als ich meine letzte Reise nach Berlin plante. Hotels, überall Hotels. Welche Definition eines „Hotelzimmers“  man der Suche zugrunde legt, spielt dabei keine Rolle. Allein die pure Anzahl, der sich um mich herum auftürmenden Angebote, ließ mich klaustrophobisch werden. Zu viele Wahlmöglichkeiten hemmen die Entscheidungsfähigkeit – ein Phänomen, das meinen Beobachtungen nach zum typischen Leiden derjenigen geworden ist, die online einkaufen. Es ist schlichtweg demotivierend, Tausende von Artikeln zu durchsuchen, um sprichwörtlich die Nadel im Heuhaufen zu finden. Aus der Perspektive der Online-Händler ist es jedoch ebenso, oder vielleicht sogar noch schwieriger, ihre Angebote an die Erwartungen der Kunden anzupassen.

Vielleicht werden Sie Ihre Meinung zum letzten Satz ändern, nachdem Sie diesen kurzen Artikel gelesen haben – zumindest hoffe ich das! Grundsätzlich bedeutet ein positives Kundenerlebnis für jeden etwas anderes und so braucht es viele Informationen, um die Wünsche eines Einzelnen (nicht der gesamten Kundschaft) zu verstehen. Nur wenn Händler den einzelnen Nutzer verstehen, können sie ihn bei der Suche nach Produkten, Programmen, Shows, Dienstleistungen, Profilen oder sogar Nachrichten entlasten und das Kundenerlebnis auf eine ganz andere Ebene bringen. Die Vorteile liegen auf der Hand - zufriedene Kunden sind gleichbedeutend mit erfolgreichem Geschäft. Um zu meinem Ausgangspunkt zurückzukommen: es geht nicht um zu viel Auswahl. Es geht vielmehr um schlechte Filterung. Die Lösung? Machine Learning (ML) - Ihr persönlicher Berater und der Ihrer Kunden.

Das Gesamtpotenzial Künstlicher Intelligenz (KI) in Bereichen wie natürlicher Sprachverarbeitung, Computer Vision und Cybersecurity wird schon seit einiger Zeit intensiv erforscht. Doch erst vor Kurzem wurden die Möglichkeiten von KI zur Verbesserung von Empfehlungssystemen entdeckt. In Empfehlungen, so einfach sie zu sein scheinen, steckt ein verborgenes Potential Gewinne zu maximieren, Risiken zu minimieren und die Art und Weise, wie Websites mit Nutzern interagieren, zu revolutionieren. Immerhin sind Empfehlungen das Herzstück des Kundenerlebnisses von Netflix, Amazon, LinkedIn und Google. Als begeisterter Machine Learning-Verfechter möchte ich ML heute ins Rampenlicht rücken und einen Überblick darüber geben, wie es Empfehlungssysteme stärken kann und warum ML für den E-Commerce eine große Rolle spielt.

Aber eines nach dem anderen, lassen Sie mich mit einer Einführung in das Thema Empfehlungssysteme beginnen. Wie im Beitrag The Use of Machine Learning Algorithms in Recommender Systems von Ivens Portugal, Paulo Alencar und Donald Cowan erörtert, gibt es drei Arten von Empfehlungssystemen. Die drei Gruppen entstanden durch den Einsatz ausgewählter Tools und der flexiblen Modellierung von Deep Learning Netzwerken.

Die erste Art, kollaboratives Filtern genannt, gibt Empfehlungen, die auf dem Wohlgefallen anderer Nutzer mit ähnlichem Geschmack und Vorlieben beruhen. Prinzipiell heißt das, wenn ein Nutzer Alien und Interstellar mochte, sollte ein begeisterter Interstellar-Fan wahrscheinlich auch Alien ausprobieren. Kurz gesagt, es verlässt sich auf menschliche Entscheidungen. Die inhaltsbasierte Filterung hingegen lebt (wie der Name schon sagt) von Inhalten. Sie zerlegt die Elemente in ihre Einzelheiten und sucht nach deren Unterscheidungsmerkmalen. Einem Marvel-Enthusiasten wird das System daher empfehlen, Produktionen, die auf Comics basieren oder andere Superhelden-Geschichten unter die Lupe zu nehmen. Eine Art Kompromiss zwischen den beiden vorgestellten Typen ist die Hybridfilterung. Das System greift auf Nutzer- und Artikeldaten zu, um Feinheiten und Ähnlichkeiten auf viel tieferen Ebenen zu erkennen und ist auf alle Fälle wesentlich schneller bzw. schafft das im Handumdrehen, wenn es von hochmodernen ML-basierten Lösungen unterstützt wird.

Oberflächlich gesehen, ist das wirklich einfach – und doch bietet es den Kunden einen enormen Vorteil: oftmals werden im Vorfeld gefasste Gedanken verworfen, indem man den Kunden hilft, Dinge zu finden, die sie ohne die Empfehlung nie gefunden hätten. Diese nuancierten Verbindungen zu erkennen, ist eine Wissenschaft – Zusammenhänge, die für einen Menschen kaum wahrnehmbar, für eine Maschine aber offensichtlich sind. Intuitionsgetriebene Bemühungen, das Angebot auf die Wünsche der Kunden zuzuschneiden, sind sehr oft demotivierend und sinnlos. Der Einsatz von ML-gesteuerten Empfehlungssystemen kann Händlern die Möglichkeit geben, Kundenbedürfnisse vorauszusehen, noch bevor sie in deren Köpfen konkrete Formen annehmen. Ein frisch gebackener Vater wird nicht bis in alle Ewigkeit nach einem Kinderwagen suchen – vielleicht ist es also ein günstiger Zeitpunkt, ihn einzuladen, Ihr großes Portfolio an Autositzen für Babys durchzusehen?

Nichtsdestotrotz bekommt man ein wunderbares Gespür dafür, was den Filmnutzern gefallen könnte oder nicht. In geschäftlicher Hinsicht ist die Kundenaktivierung nicht der einzige Grund, warum die zu Beginn erwähnten Imperien so gerne auf ML zurückgreifen. Den Wert, den Machine Learning für Unternehmen einbringt, erkennt man vor allem daran, dass Empfehlungssysteme unzählige Daten über das Nutzer-Verhalten und Transaktionen untersuchen. Alles wird sorgfältig analysiert und kann sowohl sofort als auch bei zukünftigen Interaktionen mit der Marke eingesetzt werden.

Um das Beste aus Machine Learning in Empfehlungssystemen herauszuholen, empfehle ich innovationsfreudigen Unternehmen den Einsatz von KI-gestützten Profilerstellungswerkzeugen, die sich in diesem Bereich als besonders erfolgreich erwiesen haben. Die Tools durchleuchten jede einzelne Interaktion mit der Website und sammelt über 5.000 Eckdaten über Software, Hardware, Netzwerk und Verhalten der Nutzer. Um Bedenken bezüglich der Privatsphäre zu zerstreuen: zum Wohlgefallen der Kunden scannen sie nur nicht-personifizierte Informationen (die nicht weiter verwaltet werden). Die besten unter ihnen bleiben unbemerkt, so unauffällig wie möglich, und auch für den Händler ändert sich nichts - es werden keine internen KI-Talente benötigt und alles passiert in Echtzeit. Besser noch, die gesammelten Daten können durch Informationen aus Datenbanken, die Händler für andere, meist analytische Zwecke erstellen, zusätzlich ergänzt werden. Diese Verknüpfung ergibt Profile, die genauer und ergiebiger sind als je zuvor!

Die gewonnene Informationstiefe ist tatsächlich bisher einmalig. Die Daten können leicht in Geschäftsentscheidungen umgewandelt werden, an die man sonst nie gedacht hätte. Im Rahmen eines unserer Projekte haben wir (Nethone) die Interaktionen von Nutzern einer Buchungsplattform analysiert. Was haben wir gelernt? Wir haben zum Beispiel erfahren, dass Männer die Plattform viel engagierter nutzten, wohingegen Frauen, deren Customer Lifetime Value weit über dem der Männer lag, dazu neigten, ihre Buchungen nicht abzuschließen. Unter dieser Voraussetzung wurde beschlossen, männlichen Nutzern einen Anreiz dafür zu bieten, dass sie Frauen dazu einzuladen, Serviceleistungen gemeinsam mit ihnen zu genießen. Das Ergebnis der Vorhersage? Tausende neuer weiblicher Nutzer. Wir haben auch herausgefunden, dass Männer massenhaft Friseur-Termine ausgemacht haben, da sie mehr und mehr dazu bereit sind, Wellness-bezogene Dienstleistungen zu buchen. Angesichts des steigenden Wertes von Personal Trainer Dienstleistungen, warum nicht gleich ein gemeinsames Paket schnüren - einen guten Haarschnitt bekommen und zudem in Form kommen - alles zu einem guten Preis! Und auch wenn es nicht unbedingt wie eine Neuheit klingt, ist es doch die Systemgeschwindigkeit , die eine unvergleichliche Wirkung hat und eine neue Qualität ins Online-Geschäft bringt.

Die Überlegenheit ML-basierter Empfehlungssysteme liegt in ihrer Schnelligkeit. Was wirklich zählt ist Timing – in dem Augenblick, in dem der Nutzer die Website besucht - unabhängig davon, wo er sich gerade befindet. Wenn sie geschickt trainiert werden, sind die Modelle in der Lage jeden Nutzer in kürzester Zeit zu identifizieren und einer bestimmten Gruppe zuzuordnen. Zeigt ein Kunde Interesse an einem virtuellen Geschäft, können die Modelle ihm sofort die Lösung anbieten, die ihm am meisten zusagt - auch wenn er ursprünglich nicht danach gesucht hat. Genauso wie ein Mann, der einen Termin für einen neuen Haarschnitt macht, kein abendliches Training plant. Das eröffnet unzählige Upselling-Möglichkeiten und – man kann es nicht oft genug sagen – alles geschieht in Echtzeit. Analysen und anschließende Empfehlungen werden in einer bisher nicht gekannten Geschwindigkeit durchgeführt, ohne die Genauigkeit zu beeinträchtigen.

Diese Art der Argumentation wurde nur durch relevante Daten in Verbindung mit intelligenter Software ermöglicht. Eine solche Mischung verkörpert den neuen Ansatz, den wir bei Nethone entwickelt haben und der sich am besten in der Formulierung Know Your Users widerspiegelt. Für uns bedeutet das eine kontinuierliche und tiefgreifende Profilerstellung aller Nutzer, die mit einer Website interagieren, um das gesamte Netzwerk von ML-Modellen zu füllen, damit diese durch gegenseitige Verstärkung, regelmäßige Qualitätskontrollen und Weiterverarbeitung unter Aufsicht erfahrener Datenwissenschaftler verschiedene Probleme lösen und ihre Leistung verbessern können. Unternehmen können ihre Kunden auf diese Weise identifizieren und verifizieren, sie sofort verstehen und automatisch Entscheidungen treffen, wie sie deren Bedürfnisse befriedigen können - auch unbewusste. Für die vollständige Umsetzung dieser Vision ist es technisch gesehen von entscheidender Bedeutung, die durch vorhandene Modelle gewonnenen Daten so umzuwandeln, dass sie als Grundlage für andere Analysen dienen können. Das bedeutet beispielsweise, dass ein Modell, welches die Wahrscheinlichkeit ob ein Nutzer ein häufiger Käufer wird voraussagt, auch in der Lage sein kann, Benutzer zu identifizieren, die innerhalb der nächsten drei Monate abwandern könnten. Das alles ist eine recht komplexe Angelegenheit und erfordert die Beteiligung hochqualifizierter Fachleute. Aber ist es das wert?

Die Geschäftsergebnisse derjenigen, die eine solche Strategie bereits umgesetzt haben, sprechen für sich. Der Ansatz ist darauf ausgerichtet, die Art und Weise zu verändern, mit der Händler über Websites mit ihren Kunden interagieren, indem der "unbekannte" Faktor beseitigt wird. Er ist das fehlende Glied, wie Online-Unternehmen mit ihren jeweiligen Kundschaft interagieren sollten. Warum also zurückbleiben, wenn man an der Spitze dieser Revolution stehen kann? Mit den technischen Entwicklungen von heute, verlieren Sie sich bietende Gelegenheiten nicht aus den Augen.

-----------------------------------------------------------------------------------------
Aleksander Kijek, Chief Product Officer (CPO) bei Nethone ...

Aleksander Kijek, CPO at Nethone   ... einem der weltweit führenden Unternehmen im Bereich A.I.-getriebener KYU (Know Your Users). Aleksander ist ein finanztechnologisch- und neurowissenschaftlicher Enthusiast, der für Produktentwicklung, Workflow-Management und umfassende operative Exzellenz im Unternehmen verantwortlich ist. Vor Nethone entwickelte er seine technischen und sozialen Fähigkeiten als Leiter des Polnischen Integrativen Systems für alternative Kommunikation und als Koordinator mehrerer Projekte am AJJ-JDC. Seine Leidenschaft ist es, seine technologischen und menschlichen Fähigkeiten in der IT-Welt zu vereinen.
Kommentare
Einen Kommentar schreiben
Entschuldigung

Ihr Browser ist leider nicht aktuell genug.
Um diese Webseite zu benutzen, benötigen Sie einen aktuellen Browser
Wir empfehlen einen der folgenden Browser in der aktuellsten Version zu installieren.

Auf iOS Geräten sollte mindestens die Betriebssystem Version iOS 9 installiert sein.

Mozilla Firefox Google Chrome Microsoft Edge Internet Explorer