Was sind Empfehlungstechnologien?

Empfehlungs-Systeme brechen radikal mit diesem Paradigma. Für sie ist jeder Nutzer ein Individuum: mit persönlichen Vorlieben und einer eigenen Klick-, Hör- oder Kauf-Geschichte. Diese werden genutzt, um gezielt Inhalte zu empfehlen, die den Geschmack und die Intention des Nutzers möglichst genau treffen sollen.

Dazu gibt es zwei Hauptansätze: Zum Einen werden Informationen über die Inhalte selbst genutzt, um ähnliche Inhalte zu empfehlen („Content-based Filtering“: bspw. Nachrichten zum gleichen Thema) und zum Anderen wird implizites/explizites Feedback der Nutzer genutzt, um relevante Inhalte zu identifizieren („Collaborative Filtering“: Leute mit ähnlichem Geschmack wie Du, finden auch X gut).

Beispiele für Empfehlungssysteme

Amazons Online-Shop ist eines der bekanntesten und erfolgreichsten Beispiele für die Nutzung von Empfehlungstechnologien. Schon früh half die Collaborative-Filtering-Funktion dabei, umsatzsteigernde Zusatzkäufe auszulösen und so beispielsweise mit der Digitalkamera auch eine Speicherkarte zu verkaufen.

Inzwischen begrüßt Amazon jeden erkannten Kunden mit einer eigenen Startseite auf der aktuelle Empfehlungen des Systems einen „persönlichen Shop“ bilden. Außerdem wird jede Produktdetailseite mit Wertungen, Kommentaren und Informationen über Käufe von anderen Kunden ergänzt.

Für Musik-Empfehlungen haben sich derzeit zwei Dienste etabliert: Last.fm und Pandora bieten Ihren Nutzern einen Radio-Stream aus Titeln, die zu den eigenen Hörgewohnheiten passen sollen. Mit jedem übersprungenen beziehungsweise zu Ende gehörten Song werden die Vorschläge durch dieses Feedback verfeinert.

Auch für andere Bereiche gibt es interessante Dienste: von Filmen (www.Netflix.com) über Nachrichten (www.Digg.com) bis hin zu Produkten (www.shopotainment.de).