Technology 
Drives 
Business 
Mehr Umsatz mit einer intelligenten Shop-Suche 
NEUE POTENTIALE DURCH RECOMMENDATIONS 
ERSCH...
Markus Klose – Search Consultant 
• Expertise in Solr, Lucene, Elasticsearch, 
Fast ESP 
• Certified Apache Solr Trainer 
...
Heute 
2013 
2011 
SHI GmbH 
Hersteller-unabhängiges Unternehmen. Lösungen rund um 
Suche, Navigation und Datenanalyse mit...
UNSERE KUNDEN (AUSZUG) 
VERLAGE & MEDIEN HANDEL & ECOMMERCE BEHÖRDEN IT, ENGINEERING, SONSTIGES
Search … It is not a feature! 
E-Commerce User Experience, Vol. 5: Search (including Faceted Search) , Nielsen Norman Grou...
Suche 1.0 – Volltext-Suche 
18 
16 
14 
12 
10 
8 
6 
4 
2 
0 
Aufwand / Nutzen 
0 2 4 6 8 10 12
Fehlertolleranz / Relevanztuning 
Häufigkeit der Suchanfrage 
Suchanfragen 
Unterschied zwischen Short und 
Long Tail beac...
Fehlertolleranz / Relevanztuning
Suche 2.0 - … mit Meta Daten 
18 
16 
14 
12 
10 
8 
6 
4 
2 
0 
Aufwand / Nutzen 
0 2 4 6 8 10 12
Autosuggest
Facetten
Gruppierung
Meinten Sie
Suche 3.0 – …mit externen Daten 
18 
16 
14 
12 
10 
8 
6 
4 
2 
0 
Aufwand / Nutzen 
0 2 4 6 8 10 12
WO BEGEGNEN UNS 
RECOMMENDATIONS?
WARUM BEGEGNEN WIR 
RECOMMENDATIONS? 
Conversion Rates 
Kundenbindung 
Verweildauer 
Cross-Selling & Upselling 
Auffindbar...
WARUM BEGEGNEN WIR 
RECOMMENDATIONS? 
Auffindbarkeit von Produkten 
Usability 
Inspiration 
Erhöhter Komfort 
Zufriedenhe...
HERAUSFORDERUNGEN 
Auswahl der Daten 
(Vor)Verarbeitung der Daten 
Transport der Daten 
Anbieten der Recommendations 
Ausl...
WELCHE DATEN EIGNEN SICH 
FÜR RECOMMENDATIONS? 
Meinungen?
WELCHE DATEN EIGNEN SICH 
FÜR RECOMMENDATIONS? 
Rezensionen?
WELCHE DATEN EIGNEN SICH 
FÜR RECOMMENDATIONS? 
Bewertungen?
WELCHE DATEN EIGNEN SICH 
FÜR RECOMMENDATIONS? 
Praktische Produktverknüpfungen?
WELCHE DATEN EIGNEN SICH 
FÜR RECOMMENDATIONS? 
Faktische Produktverknüpfungen? 
+ Handyvertrag 
Versicherung
WELCHE DATEN EIGNEN SICH 
FÜR RECOMMENDATIONS? 
Produktergänzungen? 
+
WELCHE DATEN EIGNEN SICH 
FÜR RECOMMENDATIONS? 
Kaufverhalten? 
gekauft: 
dazu passend:
WELCHE DATEN EIGNEN SICH 
FÜR RECOMMENDATIONS? 
Suchverhalten? 
Häufig geklickte Filter: 
> Elektronik 
> 250-300€ 
> Kame...
WELCHE DATEN EIGNEN SICH 
FÜR RECOMMENDATIONS? 
Weg zum Produkt? 
Woher kam der Kunde? 
Was hat er gesucht? 
Welche Filter...
HERANGEHENSWEISEN 
Quelle: http://cuihelei.blogspot.in/2012/09/the-difference-among-three.html
EINSATZ VON TECHNOLOGIEN 
Apache Mahout 
Machine Learing Library 
Klassifikation, Clustering, Recommender Systeme 
Hohe Sk...
WIE WERDEN DATEN ZU 
RECOMMENDATIONS? 
Rohe Daten  Artikel, User generiert,… 
Pre-Processing  Datenformat 
History Matri...
FAZIT 
Innovativ ≠ Neu 
Meinungen und Rezensionen 
Gewichtung der Daten 
Auslösen der Recommendations 
Geschwindigkeit (Of...
Q & A
KONTAKT 
SHI GmbH & Co KG 
Curt-Frenzel-Str. 12 
86167 Augsburg 
Germany 
info@shi-gmbh.com 
+49.821.74 82 633 0 
mma@shi-...
Nächste SlideShare
Wird geladen in …5
×

Mehr Umsatz mit einer intelligenten Shop-Suche

366 Aufrufe

Veröffentlicht am

Conversion Rates steigern sich, wenn den Kunden das vorgeschlagen wird, was sie kaufen wollen.

Gute Vorschläge veranlassen Kunden dazu, wieder zu kommen. Denn was einmal gut funktioniert, funktioniert auch zweimal gut

Produktvorschläge erhöhen einfach dadurch die Verweildauer der Kunden, weil ihnen dadurch eine bequeme Möglichkeit geliefert wird, ohne neu suchen zu müssen im Shop zu browsen.

Passendes Zubehör vorschlagen, höherwertige Produkte vorschlagen, unter Umständen sogar Produkte, von denen die Kunden vorher noch nichts wussten steigern das Potenzial mehr zu verkaufen

Auffindbarkeit von Produkten dadurch erhöhen, dass sie vorgeschlagen werden.

Es ist durch vorhandene Techniken und Technologien, die sich im Bereich Data Mining, Machine Learning gebildet haben, kein Hexenwerk mehr, Recommendations umzusetzen. Dazu zählen bestimmte Ansätze wie Collaborative Filtering oder auch Open Soure Projekte wie Apache Mahout, die solche Ansätze versuchen umzusetzen, um Anwendern algorithmisches Handwerkszeug zu geben.

Veröffentlicht in: Software
0 Kommentare
0 Gefällt mir
Statistik
Notizen
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
366
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
5
Aktionen
Geteilt
0
Downloads
0
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Mehr Umsatz mit einer intelligenten Shop-Suche

  1. 1. Technology Drives Business Mehr Umsatz mit einer intelligenten Shop-Suche NEUE POTENTIALE DURCH RECOMMENDATIONS ERSCHLIEßEN Apache Solr, Solr, Apache Lucene, Lucene and their logos are trademarks of the Apache Software Foundation. Elasticsearch, Kibana, Marvel, Logstash are trademarks of Elasticsearch BV, registered in the U.S. and in other countries.
  2. 2. Markus Klose – Search Consultant • Expertise in Solr, Lucene, Elasticsearch, Fast ESP • Certified Apache Solr Trainer • Speaker, Blogger, Coder • Author “Einführung in Apache Solr” • @markus_klose
  3. 3. Heute 2013 2011 SHI GmbH Hersteller-unabhängiges Unternehmen. Lösungen rund um Suche, Navigation und Datenanalyse mit Fokus auf Open Source. Partnerschaft mit Smartlogic Partnerschaft mit LucidWorks 2000 Erste Projekte mit Open Source 1994 Unternehmensgründung und Entwicklung eines Produkts
  4. 4. UNSERE KUNDEN (AUSZUG) VERLAGE & MEDIEN HANDEL & ECOMMERCE BEHÖRDEN IT, ENGINEERING, SONSTIGES
  5. 5. Search … It is not a feature! E-Commerce User Experience, Vol. 5: Search (including Faceted Search) , Nielsen Norman Group
  6. 6. Suche 1.0 – Volltext-Suche 18 16 14 12 10 8 6 4 2 0 Aufwand / Nutzen 0 2 4 6 8 10 12
  7. 7. Fehlertolleranz / Relevanztuning Häufigkeit der Suchanfrage Suchanfragen Unterschied zwischen Short und Long Tail beachten Genauigkeit der Suchanfrage „Schuhe“ „Blaue Schuhe“ „Blaue Herrenlaufschuhe von Nike“
  8. 8. Fehlertolleranz / Relevanztuning
  9. 9. Suche 2.0 - … mit Meta Daten 18 16 14 12 10 8 6 4 2 0 Aufwand / Nutzen 0 2 4 6 8 10 12
  10. 10. Autosuggest
  11. 11. Facetten
  12. 12. Gruppierung
  13. 13. Meinten Sie
  14. 14. Suche 3.0 – …mit externen Daten 18 16 14 12 10 8 6 4 2 0 Aufwand / Nutzen 0 2 4 6 8 10 12
  15. 15. WO BEGEGNEN UNS RECOMMENDATIONS?
  16. 16. WARUM BEGEGNEN WIR RECOMMENDATIONS? Conversion Rates Kundenbindung Verweildauer Cross-Selling & Upselling Auffindbarkeit von Produkten Vorhandene Technik & Technologien Gewinn & Mehrwert Shopsicht
  17. 17. WARUM BEGEGNEN WIR RECOMMENDATIONS? Auffindbarkeit von Produkten Usability Inspiration Erhöhter Komfort Zufriedenheit & Begeisterung Kundensicht
  18. 18. HERAUSFORDERUNGEN Auswahl der Daten (Vor)Verarbeitung der Daten Transport der Daten Anbieten der Recommendations Auslösen der Recommendations Unterschiedliche Arten Recommendations Komplexität Mathematik & Algorithmen
  19. 19. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Meinungen?
  20. 20. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Rezensionen?
  21. 21. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Bewertungen?
  22. 22. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Praktische Produktverknüpfungen?
  23. 23. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Faktische Produktverknüpfungen? + Handyvertrag Versicherung
  24. 24. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Produktergänzungen? +
  25. 25. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Kaufverhalten? gekauft: dazu passend:
  26. 26. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Suchverhalten? Häufig geklickte Filter: > Elektronik > 250-300€ > Kamera  Berücksichtigung für zukünftige Suchen
  27. 27. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Weg zum Produkt? Woher kam der Kunde? Was hat er gesucht? Welche Filter hat er benutzt? An welcher Stelle der Trefferliste stand das Produkt?
  28. 28. HERANGEHENSWEISEN Quelle: http://cuihelei.blogspot.in/2012/09/the-difference-among-three.html
  29. 29. EINSATZ VON TECHNOLOGIEN Apache Mahout Machine Learing Library Klassifikation, Clustering, Recommender Systeme Hohe Skalierbarkeit Graphendatenbanken Kanten & Knoten Am weitesten verbreitet: Neo4j Benutzer und Produkte bilden Knoten Kanten stellen Kaufprozess dar
  30. 30. WIE WERDEN DATEN ZU RECOMMENDATIONS? Rohe Daten  Artikel, User generiert,… Pre-Processing  Datenformat History Matrix  Was hat wer gekauft? Co-Occurrence Matrix  Was wurde zusammen gekauft? Indicator Matrix  Interessante Werte? Gewichtung der Werte  Optimierung Speichern der gewichteten Werte  Recommendations Search Index
  31. 31. FAZIT Innovativ ≠ Neu Meinungen und Rezensionen Gewichtung der Daten Auslösen der Recommendations Geschwindigkeit (Offline-Berechnung) "Plan B" für Produkte ohne Recommendations Monitoring der Benutzung der Recommendations
  32. 32. Q & A
  33. 33. KONTAKT SHI GmbH & Co KG Curt-Frenzel-Str. 12 86167 Augsburg Germany info@shi-gmbh.com +49.821.74 82 633 0 mma@shi-gmbh.com mk@shi-gmh.com @markus_klose dwr@sgi-gmbh.com @SHIEngineers @wrigley_dan

×