Empfehlungs- oder Recommender-Systeme sind aus der heutigen Landschaft der Online Shops nicht mehr wegzudenken. Dem Pionier Amazon haben sie Umsatzsteigerungen jenseits der 20-Prozent-Marke beschert und sie haben zahlreiche Nachahmer auf den Plan gerufen, sodass mittlerweile nicht mehr nur Buch- und DVD-Empfehlungen im Web ausgespielt werden, sondern auch Playlists, Urlaubsziele oder gar potenzielle Partner auf Dating-Plattformen. Zwar stecken unter der Haube dieser Maschinen höchst komplexe, selbst lernende Systeme, doch lässt sich ihre innere Logik recht leicht darlegen. Und ein derartiges grundsätzliches Verständnis ist für den Entscheider unabdinglich, um über den Einsatz jener Systeme befinden zu können.

Sozial oder inhaltsgeprägt?

Prinzipiell gibt es zwei unterschiedliche Filter bei Empfehlungssystemen: kollaborative (collaborative) und inhaltsbasierte. Überschneiden sich beide Komponenten, spricht man auch von hybriden Systemen.

Inhaltsgeprägte Systeme, auch Contentbased Filter genannt, berechnen Empfehlungen, indem sie das Verhalten des Benutzers analysieren und daraus ein Interessenprofil ableiten. Einfaches Beispiel: Sie betrachten eine Digitalkamera und prompt werden Ihnen ähnliche Kameras und Zubehörprodukte für die betrachtete Kamera empfohlen. Dazu hat das System Ähnlichkeiten zwischen Produkten berechnet, die an Merkmalen wie der Produktkategorie, der Auflösung, der Marke, der Farbe, der Größe etc. festgemacht und in ein mathematisches Modell umgesetzt wurden. Oft wird nicht nur der betrachtete Artikel, sondern sogar die gesamte Kaufhistorie des Nutzers zur Erstellung des Profils herangezogen.

Ganz anders die kollaborativen Filtersysteme: Sie vergleichen lediglich das Verhalten des Nutzers mit dem der anderen Nutzer und leiten daraus ihre Empfehlungen ab. Ein Beispiel aus der Amazon-Welt:„Benutzer, die dieses Produkt gekauft haben, haben auch jenes gekauft“. Kollaborative Empfehlungssysteme können Ähnlichkeiten zwischen sämtlichen Kunden des Online Shops berechnen und diese dann als Ratgeber einsetzen. Die Abbildung rechts zeigt dies schematisch: Im ersten Schritt ermittelt die Maschine die ähnlichen Benutzer, welche die sogenannte Nachbarschaft bilden. Aus deren Kaufhistorie werden dann genau die Produkte als Empfehlung ausgewählt, die sich in jener Nachbarschaft größter Beliebtheit erfreuen. Mit derlei Systemen lassen sich auch Artikel empfehlen, bei denen der Begriff der Ähnlichkeit nur schwer zu fassen ist: So werden bei Jester, einem der ältesten kollaborative Systeme, dem User beispielsweise Witze erzählt. Mit einem inhaltsbasierten System wäre das nur schwer möglich, denn woran lässt sich die Ähnlichkeit von Witzen festmachen?

Das richtige System wählen

Die Qualität der Empfehlungen eines kollaborativen Systems steht und fällt mit der Zahl der Kunden und Kaufinformationen.

Andererseits ist ein solcher kollaborativer Ansatz schnell problematisch, wenn die Zahl der Benutzer klein und die der Produkte groß. Dann lassen sich Ähnlichkeiten zwischen Kunden nur schwer berechnen. In einem solchen Fall liefern inhaltsbasierte Systeme meist bessere Ergebnisse. Dafür haben inhaltsbasierte Systeme andere Nachteile: Zum einen muss, wie erwähnt, jedes Produkt anhand von Merkmalen charakterisiert werden. Zum anderen sind die Empfehlungen selten überraschend, denn die vorgeschlagenen Produkte ähneln dem, was der Kunde bislang schon konsumiert hat. Anders ist dies bei kollaborativen Systemen, die Benutzern auch oftmals überraschende und doch treffende Empfehlungen unterbreiten können: Wenn meine Kaufhistorie mich bislang als einen Fernreisefan ausweist und meine errechneten Nachbarn sich neben Fernreisen auch für Kunstgeschichte interessieren, dann kann es passieren, dass ich eine Empfehlung über die Abhandlung des Werks von Georges Braques erhalte, auch wenn meine Kaufhistorie kein einziges Produkt der Kategorie Kunstgeschichte aufweist.

Selbst ist die Maschine

Inzwischen gibt es schon Recommender-Systeme, die den kollaborativen und den inhaltsbasierten Ansatz mischen. Außerdem setzen sich mittlerweile Systeme durch, die durch das Feedback des Kunden permanent lernen und sich so weiter verbessern. Diese basieren auf Reinforcement Learnings und analysieren das Feedback des Kunden auf die dargebotenen Empfehlungen in Echtzeit. Außerdem bauen diese Systeme Projektionen der zukünftigen Käufe auf und beziehen auch Abhängigkeiten zwi schen Produkten in die Überlegung mit ein: Wenn ich dem Benutzer eine Blu-ray Disc erfolgreich empfehle, dann wird er in Zukunft auch Blu-rays kaufen. Hat er noch nie eine Blu-ray gekauft, besitzt er vielleicht gar keinen entsprechenden Player und braucht auch keine Empfehlungen für weitere Blu-rays.

Anstatt allein auf die Relevanz für den Benutzer abzuzielen, betrachten kommerzielle Empfehlungssysteme auch den finanziellen Nutzen einer Empfehlung, sprich den potenziellen Umsatz oder den Deckungsbeitrag im Falle des Abverkaufs an den Kunden. Diese Systeme weisen einem Produkt dann einen Score zu, der sich aus der Kaufwahrscheinlichkeit des Artikels und der aus dem Kauf resultierenden Monetarisierung zusammensetzt. So könnte es sein, dass dem Kunden an Platz eins ein Buch empfohlen wird, das zwar nicht ganz so relevant für den Kunden ist wie ein zweiter Kandidat, dafür aber einen doppelt so hohen Deckungsbeitrag für den Shop erzielt.

Neben den oben beschriebenen Nachteilen von kollaborativen und inhaltsbasierten Systemen sind Recommender-Systeme immer dann fehlerbehaftet, wenn der Benutzer nicht nur für sich kauft, sondern auch für andere Personen. Dann wird sein eigenes Interessenprofil verwässert und die Qualität der Empfehlungen sinkt dramatisch. Amazon umgeht dieses Problem, indem dem Kunden die Möglichkeit geboten wird, Artikel zu markieren, die er für andere Personen gekauft hat oder die er zwar gekauft hat, die ihm aber nicht gefallen. Der Nachteil liegt dabei aber im manuellem Aufwand für den Kunden.

Empfehlungswolke

Anbieter von Recommender-Systemen gibt es zuhauf, sodass ein Eigenbau nicht nötig ist. Charmant bei der Nutzung dieser Systeme ist, dass die Einbindung im eigenen Shop ohne große chirurgische Eingriffe für die bestehende Systemlandschaft vonstatten geht. Viele der Anbieter bieten mittlerweile sogar die Integration von Empfehlungssystemen nach dem SaaS-Modell an: Das Recommender-System liegt in der Cloud und wird vom Shop nur mit der Information versorgt, welche Objekte der Kunde soeben betrachtet oder gekauft hat. Dies ist vergleichbar mit der Anbindung von Website-Analyse-Tools à la Google Analytics, bei der lediglich ein Code-Schnipsel für die Meldung des Events an das Analysesystem auf den Webseiten platziert werden muss. Die Recommender Engine in der Wolke sendet dann auf Anfrage die gewünschten Empfehlungen für den jeweiligen Kunden. Einziger Mehraufwand im Vergleich zur Anbindung von Analytics-Systemen: Der Shop muss dem Recommender-System stets eine aktuelle Liste mit den derzeit im Shop verfügbaren Produkten zukommen lassen. Bei einem kollaborativen System genügt hier die Liste der IDs der Artikel (und eventuell deren Preis), inhaltsbasierte Systeme benötigen auch noch eine Beschreibung der Merkmale der jeweiligen Produkte, also Kategorie, Preis, Farbe, Marke etc.

Fazit

Empfehlungssysteme sind ein mächtiges Instrument, um für Mehrumsatz zu sorgen. Die Anbindung ist gerade bei kleineren Shop-Systemen problemlos. Die Kosten sind meist Performance-abhängig, so dass selten hohe Anfangsinvestitionen anfallen. Bei der Wahl des passenden Systems sollte man darauf achten, dass die für das Empfehlungssystem eingesetzten Verfahren mit den Zielen des Shops vereinbar sind. Basiert Ihr Geschäft auf dem Feilbieten von Witzen? Dann besser einen Collaborative Recommender nehmen… ❚

Cai-Nicolas Ziegler