Was ist eine Empfehlungsmaschine?

Feb 02, 2024

Eine Empfehlungsmaschine oder Empfehlungssystem ist ein Datenfiltertool, das Benutzern personalisierte Vorschläge basierend auf ihrem bisherigen Verhalten und ihren Vorlieben bietet. Mithilfe von Algorithmen für maschinelles Lernen und statistischer Analyse kann es die Wünsche und Bedürfnisse einer Person auf der Grundlage der von ihr generierten Daten vorhersagen und Produkte, Inhalte oder Informationen vorschlagen, die sie wahrscheinlich interessant oder relevant finden.

„Das Ziel“, so Patrick Thompson, Produktdirektor beim Empfehlungsmaschinenanbieter Amplitude, „besteht darin, den Punkt zu erreichen, an dem Sie der richtigen Person zur richtigen Zeit den richtigen Inhalt empfehlen, basierend auf ihrer vorherigen Reise.“ ”

Eine Empfehlungsmaschine ist ein Tool, das maschinelles Lernen nutzt, um Muster in den Verhaltensdaten einer Person (z. B. Browserverlauf und vergangene Käufe) zu erkennen, um bestimmte Inhalte, Produkte oder Informationen vorzuschlagen, die sie wahrscheinlich interessant oder relevant finden.

Empfehlungs-Engines gibt es fast überall, von Video-Streaming-Diensten bis hin zu E-Commerce-Websites. Zu den bekannten Beispielen gehören Netflix, das einem Benutzer anhand seines Wiedergabeverlaufs Sendungen und Filme vorschlägt, die einem Benutzer gefallen könnten, und Google, das den Browserverlauf einer Person verwendet, um Informationen einzuordnen und vorherzusagen, wonach sie als Nächstes suchen könnte.

In einer Welt der Informationsflut erleichtern Empfehlungs-Engines es Verbrauchern, die gewünschten Produkte und Inhalte zu entdecken – und Unternehmen die Möglichkeit, personalisierte Erlebnisse zu schaffen, die diese Verbraucher dazu bringen, wiederzukommen.

Verwandte LektüreFür Benutzer bedeutet bessere KI mehr Personalisierung

Vereinfacht gesagt führen Empfehlungs-Engines viele Daten zusammen und nutzen dann maschinelles Lernen, um die „nächstbeste Aktion“ zu empfehlen, sagte Thompson, und das könnte alles sein, vom Kauf eines Produkts bis zum Klicken auf ein Video.

Laut Eugene Medved, einem KI-Entwickler beim Empfehlungsmaschinenanbieter InData Labs, spielen in einer Empfehlungsmaschine zwei Hauptkategorien eine Rolle: Benutzer und Elemente. „Bei der Aufgabe selbst“, erklärte er, „geht es darum, die Elemente für einen bestimmten Benutzer nach der Wahrscheinlichkeit der Interaktion zu ordnen.“

Dies wird durch eine Standardreihenfolge von Vorgängen erreicht, beginnend mit der Datenerfassung.

Daten sind entscheidend für die Funktionsweise von Empfehlungsmaschinen. Informationen über die Surfgewohnheiten einer Person, die Kaufhistorie – und noch mehr persönliche Details wie Geschlecht und Alter – bilden die Bausteine, aus denen Muster extrahiert werden. Je mehr Daten einer Empfehlungsmaschine zur Verfügung stehen, desto effektiver kann sie relevante Vorschläge unterbreiten.

Diese Daten liegen typischerweise in zwei Formen vor. Zum einen handelt es sich um implizite Daten, die sich auf Informationen über den Suchverlauf, Klicks, Käufe und andere Aktivitäten eines Benutzers beziehen. Sie werden von einem Unternehmen jedes Mal erfasst, wenn eine Person ihre Website nutzt. Beim anderen handelt es sich um explizite Daten, die die Eingaben des Nutzers abdecken, wie etwa frühere Bewertungen, Rezensionen oder Kommentare. (Empfehlungsmaschinen nutzen auch Daten zu Alter, Geschlecht und allgemeinen Interessen einer Person, um ähnliche Kunden zu identifizieren.)

Das Sammeln all dieser Kundendaten ist für den Aufbau einer Empfehlungsmaschine unerlässlich.

Sobald diese Kundendaten erfasst sind, müssen sie gespeichert werden. Wie und wo sie gespeichert werden, hängt von der Art der erfassten Daten ab.

Neben Daten über die Nutzer speichern Unternehmen auch Daten über die von ihnen bereitgestellten Artikel, seien es Schuhe oder Fernsehsendungen. Dies kann alles sein, vom Preis über das Genre bis hin zum Artikeltyp. All dies wird verwendet, um Produktähnlichkeiten und Benutzerpräferenzen zu ermitteln.

Anschließend wird ein maschinelles Lernsystem auf diese Daten aufgesetzt, das sie genauer untersucht und analysiert.

Empfehlungs-Engines verwenden alle Arten von Algorithmen zur Datenanalyse, der gebräuchlichste ist jedoch die Singularwertzerlegung (Singular Value Decomposition, SVD). Hierbei handelt es sich um eine mathematische Technik, die eine Matrix in drei kleinere Matrizen zerlegt, um Muster und Beziehungen in den Daten zu erkennen und die Stärke dieser Muster und Beziehungen zu bestimmen. Ziel ist es, die zugrunde liegende Struktur eines großen Datensatzes besser zu verstehen, damit aussagekräftige Informationen extrahiert werden können.

Der letzte Schritt ist das Filtern der Daten. Je nach Art der Empfehlungsmaschine werden unterschiedliche mathematische Regeln und Formeln auf die Daten angewendet. Es gibt drei Arten von Empfehlungs-Engines: kollaborative Filterung, inhaltsbasierte Filterung und Hybridfilterung.

Kollaboratives Filtern sammelt und analysiert Daten über Benutzeraktivitäten, -verhalten und -präferenzen, um anhand ihrer Ähnlichkeit mit anderen Benutzern vorherzusagen, was einer Person gefallen wird. Ein Vorteil dieses Ansatzes besteht darin, dass das System nicht die vorliegenden Inhalte oder Produkte verstehen muss, sondern nur die Benutzer. Aber kollaboratives Filtern funktioniert nur dann gut, wenn es durch viele Daten zu vielen verschiedenen Benutzern unterstützt wird.

Die inhaltsbasierte Filterung basiert auf den Metadaten, die aus den Aktionen und Präferenzen einer einzelnen Person gesammelt werden. Um auf diese Weise Empfehlungen abzugeben, erstellen Algorithmen ein Profil eines einzelnen Benutzers, vergleichen es mit einer Beschreibung des jeweiligen Artikels oder Inhalts (Genre, Produkttyp usw.) und ermitteln, ob dieser Artikel oder Inhalt empfohlen werden sollte dieses Individuum. Diese Art von Empfehlungsmaschine ist zwar gut darin, personalisierte Vorschläge zu erstellen, beschränkt sich jedoch auf die Informationen, die eine Person in der Vergangenheit bereitgestellt hat.

Hybridfilterung ist eine Kombination aus kollaborativer Filterung und inhaltsbasierter Filterung und soll die Genauigkeit und Relevanz ihrer Empfehlungen verbessern.

Vorschläge einer Empfehlungsmaschine können einem Benutzer auf verschiedene Arten präsentiert werden. Sie können als Nachricht direkt auf der Website („Ähnliche Produkte“ oder „Benutzer mögen auch“), als gezielte Werbung, die später in sozialen Medien oder auf einer anderen Website erscheint, oder als Teil einer personalisierten Werbung geschaltet werden Marketingbotschaft, wie eine E-Mail.

Empfehlungs-Engines synchronisieren ihre Empfehlungsdaten häufig auf allen verschiedenen Geräten und tragen so dazu bei, dass Benutzer konsistente und personalisierte Vorschläge erhalten, unabhängig davon, ob sie einen Fernseher, eine mobile App oder einen PC verwenden. Empfehlungs-Engines lernen durch adaptives Lernen auch kontinuierlich aus Benutzerinteraktionen und -feedback und verfeinern ihre Empfehlungen, um sie besser an die individuellen Präferenzen anzupassen, während sie sich weiterentwickeln.

Mehr erfahrenWas macht eine Musikempfehlungs-Engine gut?

Empfehlungs-Engines werden in einer Vielzahl von Branchen eingesetzt und haben sich zu einem beliebten Mittel zur Verbesserung sowohl des Kundenerlebnisses als auch des Geschäftsergebnisses eines Unternehmens entwickelt.

Im E-Commerce spielen Empfehlungsmaschinen eine entscheidende Rolle bei der Umsatzsteigerung. Laut einem Bericht von McKinsey & Company erfolgen etwa 35 Prozent der Einkäufe bei Amazon über Produktempfehlungen. Heutzutage sind Meldungen wie „Das könnte Ihnen auch gefallen“ und „Kaufen Sie dieses Produkt noch einmal“ auf nahezu jeder Online-Einzelhandelsseite ein bekannter Begriff.

Empfehlungsmaschinen werden auch verwendet, um Produkte zu identifizieren, die von Kunden häufig zusammen gekauft werden, und sie als gebündelte oder zusammengehörige Artikel darzustellen. Wenn ein Käufer beispielsweise nach Hanteln sucht, schlägt die Empfehlungsmaschine möglicherweise kompatibles Zubehör wie Yogamatten und Widerstandsbänder vor.

Empfehlungen basierend auf Standort, Saison, Preis und ähnlichen Nutzern sind ebenfalls gängige Taktiken im E-Commerce und werden als Anreiz für Kunden eingesetzt, weiter einzukaufen.

Social-Media-Plattformen wie Facebook und Instagram verwenden Empfehlungsmaschinen, um Freunde oder Gruppen basierend auf dem bestehenden Netzwerk, den Interessen und dem Standort eines Benutzers vorzuschlagen. Sie verwenden sie auch, um je nach den Vorlieben eines Benutzers relevante Beiträge und Werbung anzuzeigen.

Beispielsweise berücksichtigt YouTube den Wiedergabeverlauf und die Bewertungen eines Zuschauers, um neue Videos vorzuschlagen. Und TikTok berücksichtigt Videos, mit denen der Benutzer in der Vergangenheit interagiert hat, Konten und Hashtags, denen er gefolgt ist, die Art der von ihm erstellten Inhalte sowie seine Standort- und Sprachpräferenzen, um zu bestimmen, welche Videos auf seiner „Für Sie“-Seite angezeigt werden sollen.

Wenn ein Benutzer Filme und Fernsehsendungen auf einer Streaming-Plattform wie Netflix, Hulu oder Max durchsucht, analysiert die Empfehlungsmaschine seinen Sehverlauf, Suchanfragen und früheren Bewertungen, um Inhalte vorzuschlagen, die er wahrscheinlich ansehen und genießen wird. Sobald ein Benutzer mit dem Ansehen dieses Inhalts fertig ist, schlägt die Empfehlungsmaschine den nächsten Titel zum Ansehen vor. All dies ist eine nützliche Möglichkeit, die Aufmerksamkeit der Benutzer aufrechtzuerhalten und die Zeit zu reduzieren, die sie mit der Suche nach Inhalten verbringen.

Gaming-Plattformen wie Steam und Playstation Store sowie Musik-Streaming-Dienste wie Spotify und SoundCloud verwenden ebenfalls Empfehlungs-Engines, um relevante Inhalte basierend auf den Vorlieben und historischen Daten eines Benutzers vorzuschlagen.

Empfehlungs-Engines können sowohl für die Unternehmen, die sie einsetzen, als auch für die Benutzer, die sie nutzen, von Vorteil sein.

Ein personalisierteres Erlebnis kann zu zufriedeneren, engagierteren und loyaleren Kunden führen, vor allem weil sie mit den gewünschten Inhalten oder Produkten versorgt werden, ohne sich die Mühe machen zu müssen, diese selbst zu finden.

Schließlich führt das Fehlen einer Empfehlungsmaschine zu einem „ziemlich unterdurchschnittlichen Erlebnis“ für die Kunden, wie Thompson von Amplitude es ausdrückte. Ohne sie wären unsere Social-Media-Feeds voller Inhalte, die uns egal sind. Und wir müssten jedes Produkt, jeden Film, jede Show und jeden Song selbst suchen, was ein ziemlich zeitaufwändiges Unterfangen wäre

Social-Media-Plattformen, Medien-Streaming-Dienste und sogar Nachrichtenagenturen möchten alle, dass die Menschen so viel Zeit wie möglich auf ihren Websites verbringen. Durch die kontinuierliche Bereitstellung relevanter Empfehlungen für mehr Videos zum Ansehen, Lieder zum Anhören und Artikel zum Lesen bleiben die Benutzer süchtig.

Dies führt zu höheren Klickraten, Conversions und – wie es bei Websites oft der Fall ist – mehr Geld.

Der vielleicht größte Vorteil von Empfehlungsmaschinen – zumindest auf geschäftlicher Seite – besteht darin, dass sie Plattformen dabei helfen können, mehr Geld zu verdienen. Empfehlungsmaschinen regen nicht nur Menschen dazu an, mehr Einkäufe zu tätigen (eine Technik, die als Cross-Selling bezeichnet wird), sondern können auch Produktalternativen vorschlagen und die Aufmerksamkeit auf Artikel lenken, die im Online-Warenkorb eines Kunden zurückgelassen wurden.

Auch wenn ein Unternehmen nicht per se physische Produkte verkauft, können Empfehlungsmaschinen dennoch Wunder für ihr Geschäftsergebnis bewirken. Wenn beispielsweise die Empfehlungsmaschine von Netflix den Zuschauern regelmäßig Inhalte liefert, die sie gerne sehen, ist die Wahrscheinlichkeit geringer, dass sie ihr Abonnement kündigen oder sich für einen anderen Streaming-Dienst entscheiden, was Netflix nach Angaben des Unternehmens etwa 1 Milliarde US-Dollar pro Jahr einspart.

„Wenn Sie ein Unternehmen sind, das seinen Umsatz steigern möchte, ist die Möglichkeit, Ihren Kunden maßgeschneiderte Erlebnisse auf der Grundlage ihrer Kaufwahrscheinlichkeit oder der Wahrscheinlichkeit, eine bestimmte Aktion abzuschließen, das Wachstum Ihres Unternehmens voranzutreiben“, sagte Thompson.

Hot TakeRage Against the Machine Learning: Mein Krieg mit Empfehlungsmaschinen

Allerdings bringen Empfehlungs-Engines einige Herausforderungen mit sich.

Eine Empfehlungsmaschine ist nur so gut wie die Daten, die ihr zugeführt werden. Wenn es keine genauen oder ausreichenden Informationen über Benutzer oder Artikel enthält, wird es wahrscheinlich nicht richtig funktionieren.

„Ihr Wissen ist begrenzt“, sagte Alexander Marmuzevich, Gründer und CTO von InData Labs, gegenüber Built In. „Sie können nichts vorschlagen, was es nicht gibt, sie können keine völlig neuen Ideen hervorbringen.“

Ein häufiges Beispiel hierfür ist das, was Alexei Tishurov, ein leitender Datenwissenschaftler bei InData Labs, ein „Kaltstartproblem“ nennt. Dies ist der Fall, wenn eine Empfehlungsmaschine Schwierigkeiten hat, mit neuen Benutzern umzugehen, die noch nicht genügend Daten bereitgestellt haben, damit die Maschine genaue Empfehlungen abgeben kann. Auch neue Elemente, mit denen nur wenige oder keine historischen Daten verknüpft sind, können eine Herausforderung für die Engine darstellen.

„Für eine gemeinsame Filterung müssen Benutzer mit Elementen interagieren“, sagt Tishurov erklärt. „Aber wenn Sie einen völlig neuen Dienst haben, haben Sie keine solche Geschichte.“

Wie jedes maschinelle Lernsystem können Empfehlungsmaschinen verzerrte Ergebnisse liefern, wenn sie auf verzerrten Daten basieren. Dies kann zu ungenauen oder sogar diskriminierenden Empfehlungen führen und sowohl funktionale als auch ethische Probleme aufwerfen.

Im weiteren Sinne können Empfehlungsmaschinen Opfer einer Beliebtheitsverzerrung werden, bei der beliebte Artikel tendenziell häufiger vorgeschlagen werden als weniger bekannte Artikel. Dies kann zu mangelnder Diversität in den Empfehlungen führen und Benutzer daran hindern, Nischenartikel oder weniger beliebte Artikel zu entdecken.

Daten sind das Rückgrat von Empfehlungsmaschinen. Doch da sich Vorschriften und Richtlinien zur Erfassung und Speicherung von Daten ständig weiterentwickeln, wird es eine ständige Herausforderung sein, ausreichend genaue Kundendaten zu erfassen, um angemessene Empfehlungen zu generieren.

Unternehmen müssen sicherstellen, dass sie alle Sicherheits- und Datenschutzbestimmungen einhalten, die in den Gerichtsbarkeiten gelten, in denen sie tätig sind. Und selbst dann können Kunden die Bereitstellung der Daten, die Empfehlungsmaschinen benötigen, häufig ablehnen.

„Wenn ein Kunde Ihnen nicht erlaubt, ihn zu verfolgen oder sein Verhalten beim Surfen auf Ihrer Website zu verfolgen, ist es für Sie viel schwieriger, diese maßgeschneiderten Erlebnisse bereitzustellen“, sagte Thompson. Websites wie Netflix und Amazon „können nicht funktionieren, ohne die Modelle nutzen zu können, um maßgeschneiderte Empfehlungen bereitzustellen“, fuhr er fort. „Es ist ein zentrales, geschäftskritisches System, wenn es um die Bereitstellung ihrer Dienste geht.“

Tauchen Sie tiefer in den Online-Datenschutz ein: Ein Leitfaden zur Verwendung Ihrer persönlichen Daten

Amazon, Netflix und YouTube sind bekannte Beispiele für Empfehlungsmaschinen. Diese Websites sammeln Daten über den Suchverlauf, das Verhalten und die Bewertungen der Benutzer, um ihnen Vorschläge für Dinge zu machen, die sie als Nächstes kaufen (oder ansehen) möchten.

Singular Value Decomposition (SVD) ist der am häufigsten in Empfehlungsmaschinen verwendete Algorithmus. SVD ist eine mathematische Technik, die Muster und Beziehungen in den Daten erkennt und deren Stärke bestimmt, um aussagekräftige Informationen zu extrahieren.