eCommerce Anzeige
/ Empfehlungsmarketing / Recommendation Engines: 360° Blick auf Kunden

Recommendation Engines: 360° Blick auf Kunden

Dirk Möller an 21. März 2017 - 20:05 in Empfehlungsmarketing
Convenience ist ein Schlüsselfaktor im E-Commerce.

Convenience ist ein Schlüsselfaktor im E-Commerce.

Ob Produktempfehlungen oder Vergleichs-Portale – Online-Shopper sind es gewohnt mit einem Mausklick das richtige Produkt zum besten Preis zu finden. Bei den Datenbanksystemen im Hintergrund ist dabei hohe Genauigkeit und Geschwindigkeit gefragt. Graphtechnologie hat sich dabei in den letzten Jahren als smarte Lösung etabliert, die in Echtzeit einen gesamtheitlichen Blick auf Kunden, Produkte, Services und Inhalte erlaubt.

Recommendation Engines haben sich in diesem Kontext zu einem zentralen Instrument für den E-Commerce gewickelt. Dabei arbeiten die Empfehlungen nach zwei unterschiedlichen Methoden: Inhaltsbasierte Systeme („content based“) stützen sich auf Informationen über den aktiven Benutzer, um Produkte weiter zu empfehlen. Dabei werden Produkteigenschaften mit dem Kauf- und Browserverhalten des Kunden abgeglichen. Finden sich dabei Übereinstimmungen, folgt die Produktempfehlung. Hat der Kunde beispielsweise bereits einen Roman gekauft und sogar positiv bewertet, werden ihm weitere Werke des Genres vorgeschlagen.

Das kollaborative Filtern („collaborative filtering“) geht noch einen Schritt weiter, da es andere Benutzer berücksichtigt. Dabei werden Verhaltensmuster von Benutzergruppen ausgewertet, die ähnliche Bewertungen abgegeben haben wie der aktive Nutzer. So können diesem Nutzer neue, ihm noch unbekannte Produkte vorgeschlagen werden. Ist Kunde A mit Kunde B befreundet, und bewertet er ein Produkt positiv, wird dieses dann auch Kunden B weiterempfohlen.

Auf der einen Seite stehen also Eigenschaften im Vordergrund, auf der anderen Seite Beziehungen. Daher sind Technologien gefragt, die sowohl einzelne Daten sowie die Verbindungen zwischen den Daten abbilden. Die Verknüpfung von Daten schafft einen semantischen Kunden-Kontext, der es ermöglicht tatsächlich relevante und personalisierte Empfehlungen abzugeben. Dabei kann es sich zum Beispiel um Verbindungen zwischen Personen (soziale Netzwerke), Kunde und Produkt (Amazon) oder Kunde und Content (Netflix) handeln. (Abb1)

Beziehungen im Graph abbilden

Aus der Sicht der Datenverarbeitung sind diese Aufgaben äußerst komplex. Herkömmliche Datenbanken, die Beziehungen über aufwändige Joins von Primär- und Fremdschlüssel-Tabelle berechnen, stoßen hier an ihre Grenzen. Die Analyse dauert einfach zu lange. Dies kann zum Beispiel bewirken, dass ein gerade eben getätigter Kauf oder eine Produktrücksendung bei der nächsten Empfehlung nicht mehr berücksichtigt wird, was zu Reklamationen und schlechten Bewertungen führt.

Beziehungen im Graph abbilden

Beziehungen im Graph abbilden

Graphdatenbanken hingegen sind genau dazu konzipiert, stark vernetzte und unstrukturierte Informationen abzubilden und Ergebnisse in Echtzeit zu liefern. Je nach Anwendungsfall arbeitet die Graphdatenbank Neo4j bis zu 1.000-mal schneller als herkömmliche Systeme. Das Modell dahinter ist einfach: Einzelne Daten („Produkt“, „Kunden“) werden als Knoten dargestellt. Die Verbindung zwischen diesen Knoten („kauft“, „bewertet“) nennt man Kanten. Zudem können beiden Angaben eine beliebige Anzahl von Eigenschaften zugewiesen werden, z. B. Preis oder Produktkategorie („Thriller“) oder der Preis. Neben einzelnen Daten lassen sich so auch deren Verknüpfungen abfragen.

Dabei können Daten aus Browserverhalten, sozialen Kanälen, Klickhistorie, Suchanfragen, Wunschlisten sowie CRM-Systemen und Online-Shop im Graphen abgebildet werden, um einen 360° Blick auf den Kunden zu erhalten. Online-Anbieter gelingt dadurch eine personalisierte Ansprache ihrer Kunden. Dank der hohen Skalierbarkeit lassen sich zudem neue Kontakte oder vorgemerkte Artikel einfach im Graphen hinzufügen. Damit arbeiten die Recommendation Engines immer mit aktuellen Datensätzen und können Einkäufe, Kommentare, Klicks und Bewertungen sofort für die nächste Empfehlung berücksichtigen.

Prädikat „Empfehlenswert“

Recommendation Engines gehören mittlerweile zu den Standardinstrumenten in Online-Shops. Dabei gehen die Systeme weit über „Das könnte Ihnen auch gefallen…“-Empfehlungen hinaus. Zum Einsatz kommen sie beispielsweise auch im Finanzsektor, wo Analysten sie für Vorhersagemodelle, Risikokalkulation oder den Hochfrequenzhandel nutzen. In der Logistik ermöglichen sie es, Daten zur aktuellen Verkehrslage sowie Informationen über Transportmenge und verfügbare Logistiker miteinzubeziehen und so ein zuverlässiges Routing für eine schnelle Auslieferung sicherzustellen.

Recommendation Engines gehören mittlerweile zu den Standardinstrumenten in Online-Shops.

Recommendation Engines gehören mittlerweile zu den Standardinstrumenten in Online-Shops.

Der israelische Anbieter Wobi beispielsweise setzt die Graphdatenbank Neo4j als zentrale Datenbank seines Preisvergleichsportals ein. Über 500.000 Kunden nutzen die Website jeden Monat, um Angebote für Rentenvorsorge und Versicherungen zu vergleichen. Und auch hier gilt: Sollen die Angebote relevant sein, muss ein umfassendes Kundenprofil vorliegen. Alle wichtigen Daten jedes Kunden werden dazu in einer Datenbank konsolidiert und ausgewertet. Dazu zählen neben Familienstand, Alter und Einkommen auch bereits abgeschlossene Versicherungspolicen, Altersvorsorge und Rücklagen. Durchschnittlich verfügt jeder Kunde über acht verschiedene Dienstleistungen (z. B. Versicherung), so dass insgesamt vier Millionen Knoten und 30 Millionen Beziehungen im Graphen vorliegen. Die Graphdatenbank verarbeitet circa 1 Million Beziehungen pro Sekunde und kann so in Echtzeit maßgeschneiderte Serviceangebote abgeben.

Auch bei Empfehlungen von Inhalten kommen Recommendation Engines zum Einsatz. Der Sportartikel-Hersteller adidas z. B. nutzt Neo4j, um eine Vielzahl an isolierten Datensilos – gefüllt mit Informationen zu Produkten, Verkaufskanälen, Social Media, digitalen Ressourcen, Markeninhalten etc. – sinnvoll zu nutzen. Kunden werden so noch gezielter über für sie relevante Inhalte und Produktempfehlungen informiert und nebst eigentlichem Produkt auf relevante Blog-Posts, News, Fotos oder Videos gelotst.

Um inmitten von Hunderttausenden von Produkten, Angeboten und Inhalten, Kunden langfristig zu binden und letztendlich zum Kauf anzuregen, ist eine solche Verknüpfung der Daten unabdingbar. Nur wenn die zeitnahe und ganzheitliche Analyse von Kunden- und Produktdaten gelingt, können Online-Anbieter tatsächlich die Customer Journey verbessern.

Dirk Möller

Dirk Möller ist Area Director of Sales CEMEA, Neo Technology.

More Posts

0 Kommentare beitragen

Senden Sie uns eine Mitteilung Hier

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.