Was ist ein Empdfehlunssystem?

Erfahren Sie mehr über Empfehlungssysteme, die auf künstlicher Intelligenz (KI) basieren, und wie Unternehmen sie verwenden können, um Kundenbindung, Verkäufe und Abonnements zu erhöhen.

Erkenntnisse aus dem Empfehlungssystem

  • Empfehlungssysteme verwenden KI-Algorithmen, Datenfilterung und maschinelles Lernen, um Benutzern zu helfen, neue Inhalte zu entdecken.

  • Präzise, reaktionsschnelle Empfehlungsgeber sorgen dafür, dass Benutzer interessiert bleiben und Käufe tätigen.

  • Bei der Entwicklung eines Empfehlungssystems mit den bekannten Herausforderungen können Unternehmen einige Fallstricke vermeiden.

author-image

Von

Was ist ein Empdfehlunssystem?

Ein Empfehlungssystem verwendet eine Untergruppe der KI, die als maschinelles Lernen bekannt ist, und Datenfiltertechniken um Vorschläge zu machen. Wenn sie gut funktionieren, machen KI-Empfehlungssysteme basierend auf früheren Entscheidungen, Feedback und Engagement genaue Vorhersagen darüber, welche Arten von Inhalten ein Benutzer wünscht.

Netflix, Amazon, eBay und die meisten Social-Media-Plattformen verfügen über Empfehlungssysteme, um Besuchern zu helfen, riesige Mengen an Inhalten zu sortieren, um die bestimmten Elemente zu entdecken, die wahrscheinlich von Interesse sind. Lösungen mit künstlicher Intelligenz wie Empfehlungsgeber sind im modernen Alltag üblich, fast schon soweit, dass sie bereits erwartet werden. Um jedoch optimal effektiv zu sein, erfordern sie erhebliche Datenmengen, KI-Modelltraining und Computing-Leistung.

Zielgruppen sind manchmal von Empfehlungssystemen abhängig, ohne dass ihnen das bewusst ist. Die Auswahl eines Films zum Anschauen aus Hunderttausenden könnte eine unüberwindbare Herausforderung sein, aber die Auswahl eines Films aus 100 Filmen reduziert die Schwierigkeit der Entscheidung. Wenn die Empfehlungen präzise sind und das System reaktionsschnell ist, wird der Prozess der Entscheidung, was zu konsumieren ist, nahtlos.

Vorteile von Empfehlungssystemen

Unternehmen, die möchten, dass Benutzer wie z.B. bei Social-Media-Plattformen aktiv bleiben oder weiterhin Abonnements oder Käufe tätigen, kann die Bereitstellung eines KI-Empfehlungssystems helfen, diese Ziele zu erreichen. In einigen Fällen fungiert das Empfehlungssystem wie das Impulskauf-Regal in einem Lebensmittelgeschäft. In anderen ist es eher wie das Angebot von Add-Ons wie Reifenschutz bei einem Autohaus.

Benutzer profitieren auch davon, weil die Entscheidungsfindung schwierig ist. Selbst wenn ein Benutzer eine gute Idee davon hat, was er möchte, kann es eine Herausforderung sein, alle Elemente, die er nicht möchte, zu durchsuchen. Die Suche in einem Katalog von Filmen nach „Komödien“ bringt eine Vielzahl von Optionen mit enorm verschiedenen Möglichkeiten hervor. Empfehlungssysteme helfen Benutzern, ihre Auswahl einzuschränken, um das zu finden, was ihnen am meisten gefällt.

Darüber hinaus können Empfehlungsgeber Benutzern helfen, neue Inhalte zu entdecken, die sie sonst möglicherweise nicht gefunden hätten. Musik-Streaming-Dienste wie Pandora und Spotify sind Beispiele für Plattformen, die Abonnenten oft verwenden, um neue Inhalte basierend auf ihren Präferenzen zu finden.

Wie funktionieren Empfehlungssysteme?

KI-Empfehlungssysteme sind komplex und verwenden mehrere KI-Modelle, maschinelles Lernen und Datenanalyse-Workflows. Die meisten Workflows umfassen drei allgemeine Phasen:

 

  • Klassifizierung: In dieser Phase werden Computervision und Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) verwendet, um verschiedene Elemente von Inhalten zu identifizieren und zu klassifizieren.
  • Rückruf- und Ähnlichkeitssuche: Als nächstes werden Elemente oder Objekte anhand ähnlicher Funktionen kategorisiert.
  • Ranking: Schließlich sortieren Wide und Deep-Learning-Modelle die Elemente oder Objekte nach Relevanz.

Diese drei Phasen sind erforderlich, um genaue und relevante Ergebnisse zu liefern und das Risiko der Frustration von Benutzern zu reduzieren, nicht nur mit den Empfehlungen, sondern auch mit dem Unternehmen, dessen System sie bereitgestellt hat.

Arten von Empfehlungssystemen

Empfehlungssysteme sind endlos anpassbar und sollten eng an den spezifischen Anwendungsfall angepasst werden. Im Allgemeinen fallen Empfehlungssysteme in drei breite Kategorien:

 

  • Kollaborative Filterung: Ein Empfehlungssystem aufgrund kollaborativer Datenfilterung erfordert Präferenzinformationen von vielen Benutzern. Das System erkennt Muster: Menschen, die diesen Film mögen, mögen auch diesen anderen Film. Dann empfiehlt es den anderen Film Personen, die den ersten Film mögen.
    Wenn zwei Benutzer zwei oder mehr Elemente gemeinsam haben, kann das Empfehlungssystem einen Artikel, den eine Person hoch bewertet oder gekauft hat, der anderen Person mit ähnlichen Interessen empfehlen.
  • Inhaltsbasierte Filterung: Inhaltsbasierte Datenfilterung ist in Situationen hilfreich, in denen weniger Informationen verfügbar sind, z. B. wenn Benutzer nach größeren Artikeln suchen, die nur selten gekauft werden, wie neue Möbel oder Geräte. Das Empfehlungssystem kann Artikel ähnlicher Größe mit ähnlichen Funktionen oder in einer vergleichbaren Preisklasse vorschlagen.
    Wenn ein Benutzer zwei Action-Filme angesehen hat, kann das Empfehlungssystem unter Verwendung des vorherigen Filmbeispiels andere Titel in dieser Kategorie vorschlagen.
  • Hybride Filterung: Ein Empfehlungsgeber, der sowohl kollaborative als auch inhaltsbasierte Datenfilterung verwendet, bietet die Elemente beider Arten und enthält manchmal auch Kontextinformationen wie Standort, Tageszeit und andere Daten, um genauere und nützlichere Empfehlungen zu geben.

Was macht ein gutes Empfehlungssystem aus?

Ein Geschäftsziel für Empfehlungssysteme ist die wiederholte Verwendung. Je öfter ein Benutzer die Empfehlungen, die er erhält, als „gut“ empfindet, d. h. sie entsprechen eng ihren Präferenzen, desto wahrscheinlicher ist es, dass er zu dem System zurückkehrt und es wiederverwendet. Zu den Attributen guter Empfehlungssysteme gehören:

 

  • Präzise: Die Vorschläge müssen für den Benutzer personalisiert werden. Dies kann durch die Integration eines Feedback-Systems wie ein einfaches Daumen nach oben oder unten erreicht werden. Feedback verstärkt und erweitert das Lernen der KI.
  • Reaktionsschnell: Benutzer sind notorisch ungeduldig und warten nicht auf Empfehlungen. Die Ladezeiten müssen schnell und reibungslos sein, oder Benutzer verlassen einfach die Website.
  • Kostengünstig: Aus geschäftlicher Sicht müssen die Investitionen in ein Empfehlungssystem und die damit verbundenen laufenden Betriebskosten durch mehr Benutzerengagement, Vertrieb oder andere Geschäftsergebnisse ausgeglichen werden.

Anwendungsfälle für Empfehlungssysteme

Empfehlungssysteme sind in der digitalen Welt allgegenwärtig. Fast alle E-Commerce-Einzelhändler verfügen über eine Art Empfehlungssystem, und die meisten Menschen verwenden sie nahtlos, ohne zu realisieren, was sie sind. Amazon war ein früher Anwender, und ohne Empfehlungen könnte die Entdeckung neuer Produkte ziemlich schwierig sein.

Netflix verfügt auch über ein umfangreiches und sich ständig weiterentwickelndes Empfehlungssystem. Tatsächlich bot Netflix von 2007 bis 2009 dem Team einen Bonus an, das ein Empfehlungssystem entwickeln konnte, das nur 10 % genauer war. Die Gewinner haben eine Pipeline von 107 verschiedenen Modellen erstellt, die zusammenarbeiten, um eine Vorhersage zu bieten.1

Die zwei Hauptanwendungen von KI-Empfehlungssystemen sind personalisiertes Merchandising wie auf eBay oder Amazon und personalisierte Inhalte wie auf Social-Media-Plattformen wie Facebook oder LinkedIn.

Personalisiertes Merchandising

Die meisten großen Einzelhandelsmarken verfügen über personalisierte Merchandising-Empfehlungssysteme. Diese können auf verschiedene Arten funktionieren.

Wenn ein Benutzer beispielsweise Angebote auf eBay durchsucht, bietet ein Empfehlungssystem „Erkunden Sie verwandte Elemente“ ähnliche Angebote mit der Option, Feedback zu den Vorschlägen zu geben. Der Bekleidungseinzelhändler Old Navy bietet sowohl einen Empfehlungsgeber „Kunden mochten auch“ sowie „Trage es mit“-Empfehlungen.

Mit der zunehmenden Verwendung von Empfehlungssystemen, die auf KI-Algorithmen basieren, werden sie auch auf neue Weise eingesetzt. Im Bankwesen können Empfehlungssysteme verwendet werden, um Kontoarten, Dienste oder Angebote basierend auf dem Spar- und Ausgabenverhalten von Kunden auf sichere Weise vorzuschlagen, oder im Bildungswesen könnten Empfehlungsgeber Studenten helfen zu entscheiden, für welche Universitäten sie sich bewerben sollten.

Personalisierter Inhalt

Benutzer interagieren nahtlos über einen typischen Tag mit Empfehlungssystemen, insbesondere wenn sie Medien und Unterhaltung konsumieren. Google verwendet ein Empfehlungssystem, um Benutzern Anzeigen zu präsentieren; Meta verwendet Empfehlungssysteme für seine Produkte, einschließlich der Instagram Explore-Seite, Facebook Reels und der Hauptfeed, die Benutzer auf diesen Plattformen sehen.

Sowohl Amazon als auch Netflix verwenden maschinelles Lernen und riesige Datenmengen, um personalisierte Inhalte zu empfehlen. Informationen zur Benutzeransicht, Suchverlaufsdaten, Bewertungen, Datum, Tageszeit und die Art des verwendeten Geräts werden alle in mehrschichtigen, hybriden Empfehlungs-Engines zusammengefasst.

Personalisierte Empfehlungen können zu viel tieferem Engagement und Erforschung führen und zusätzliche Daten für noch relevantere Ergebnisse liefern, anstatt nur das, was im Moment beliebt ist.

Herausforderungen von Empfehlungssystemen

Empfehlungsgeber sind sowohl für Unternehmen als auch für Benutzer nützlich, aber es gibt auch potenzielle Herausforderungen. Wenn man sich von Anfang an der Herausforderungen beim Aufbau eines Empfehlungssystems bewusst ist, kann man spätere Probleme vermeiden. Hier sind einige der bekannten Herausforderungen im Zusammenhang mit KI-Empfehlungssystemen:

 

  • Datensparsamkeit: Zu Beginn des Prozesses ist es möglich, dass viele Artikel oder Produkte nicht bewertet wurden oder dass der Benutzer neu ist, sodass das Empfehlungssystem nicht viele Informationen hat, mit denen es arbeiten kann. Netflix beispielsweise bittet neue Benutzer darum, Filme, die sie gesehen haben, zu bewerten. Grundlegende Feedback-Mechanismen wie ein Daumen nach oben oder unten oder eine Sternebewertung können einen Ausgangspunkt bieten.
  • Kaltstart-Problem: Neue Benutzer und neue Elemente stellen eine ähnliche Herausforderung dar. Mit unzureichenden Daten über die Präferenzen des Benutzers oder über ein Element kann das Empfehlungssystem keine genauen und nützlichen Empfehlungen geben. Stellen Sie sich beispielsweise vor, ein Benutzer will einen neuen Kühlschrank kaufen und besucht eine Einzelhandelswebsite, die er noch nie zuvor angesehen hat. Das Empfehlungssystem der Website verfügt über keine Informationen darüber, wonach der Benutzer sucht, außer die aktuelle Suche.
  • Skalierbarkeit: Die Skalierung von einer relativ kleinen Datenmenge auf Millionen von Benutzern und Elementen erfordert eine sorgfältig geplante technische Infrastruktur, um die Verwendung auszugleichen und die Zeit bis zu den Ergebnissen zu beschleunigen.
  • Overfitting und Vielfalt: Diese zwei Herausforderungen sind miteinander verbunden und beide führen dazu, dass die beliebtesten Elemente zu oft empfohlen werden. Wenn ein Empfehlungssystem überangepasst wird, passen die Trainingsdaten zu gut zum Modell und neue Informationen werden nicht so leicht aufgenommen. Wenn immer wieder die gleichen Produkte empfohlen werden, entsteht ein Mangel an Vorschlagsvielfalt und Benutzer können sich abwenden. Die Verwendung von Metriken wie Entropie und Neuheit zur Messung der Vielfalt von Empfehlungen kann hilfreich sein.
  • Übermäßiges Vertauen Algorithmen: Da Empfehlungsgeber immer häufiger zum Einsatz kommen und Teil des täglichen Lebens werden, kann es passieren, dass sie zu oft verwendet werden, um Entscheidungen zu treffen und damit zu Filterblasen oder Echokammern verkommen. Dies ist besonders für schutzbedürftigere Personen wie Minderjährige problematisch, die Social-Media-Plattformen verwenden.
  • Datenschutz: Empfehlungssysteme müssen auf die Daten von Benutzern wie ihren Browser und ihre Kaufhistorien zugreifen können, was zu Datenschutzproblemen führen kann. Unternehmen, die KI-Lösungen implementieren, sollten sich der Datensicherheits- und Datenschutzrisiken bewusst sein und Sicherheitslösungen zum Schutz von Benutzer- und Geschäftsdaten implementieren. Darüber hinaus sollten Unternehmen sich über verantwortungsvolle KI-Praktiken bewusst sein, um sicherzustellen, dass KI auf sichere, vertrauenswürdige und ethische Weise verwendet wird.

Die Zukunft von Empfehlungssystemen

Generative KI, präzisere Datenfilterung, immer mehr zu filternde Datenmengen und verbessertes maschinelles Lernen und große Sprachmodelle (LLMs) deuten auf eine stetige Verbesserung der Funktionsweise von Empfehlungssystemen für Benutzer und Unternehmen hin. Für Unternehmen, die noch keine Empfehlungssysteme implementiert haben, ist es immer einfacher auf die Tools zur Anpassung und Schulung eines effektiven Empfehlungsgebers zuzugreifen.