Recommender  Systems
60’000 v.Chr.  bis 2008   < 2009
Im Jahre 2009 sindmehr Informationenentstanden als in der   Geschichte derMenschheit bis 2008
Informationen    filtern
Algorithmendie Präferenzen     lernen  vergleichen   vergessen
Empfehlungen Beeinflussung  Sichtbarkeit    Nutzung
Beeinflussung
Wie stark wir bereits      von online   Empfehlungs-Systemen beeinflusst und gelenkt werden
Google, Parship und Facebook   bestimmen was oder wen wir interessant und relevant finden,    Amazon will zum bestellten   ...
BehauptungEmpfehlungssysteme verändern deinLeben und das ist     gut so
1Google
Google 57 Signale werden von Googleinterpretiert wenn der Benutzer      nicht angemeldet ist    Google entscheidet was   n...
2OkCupid
OkCupid“Online matchmaking is   ge ing be er at  telling us whom we     ought to like”
3Facebook
Facebook      Mit wem sind die Fansbefreundet, Interesse an anderen  News, Interaktionshäufigkeit, Zeit seit letztem Status...
4News
News    Story > IchStory > Filter > IchRe-Intermediation
5Und mehr...
Und mehr...
6Kino
Kino60% von Netflix-Mieten sind       Empfehlungen.    Zuerst die Zutaten  für den Kassenschlager        berechnen...    da...
Is the   personalizationof the Web making us    less informed           ?
Sichtbarkeit
BlackBox
BlackBox
BehauptungDu weisst nicht was du    nicht siehst...aber vielleicht kannst  du es einschätzen
1Google
Google   Wer oder wasentscheidet für michwas ‘hochwertig’ ist?
Internet Kuvahaku Kartat Kääntäjä Scholar Blogit Gmail lisää                     Verkkohistoria | Hakuasetukset | Kirjaudu...
2Alleine im Filter
Alleine im FilterDie abenteuerlichen Klicks ausserhalb    der eigenen     Interessen
3Facebook
FacebookDen eigenen “Ich  putze mir die Zähne”-Modus    erlernen
Facebook erfand den EdgeRank und95% der User sehennichts anderes mehr
4#AmazonFail
#AmazonFailNicht mehr gefunden wegen dem Familienfreundlich-       Algorithmus
Perhaps the UN  should commission    internationally      recognizedalgorithm inspectors
Nutzen
Jetzt wird der Spiess      umgedreht!       Was kannvorausgesagt werden.
Behauptung    Du kannst vonEmpfehlungs-Systemen     profitieren
1Nutzerprofile
Nutzerprofile   Wer sind die     Benutzerund was wollen die?
2Relevanz
Relevanz Interessantere Inhalte für       die Benutzer         Long TailErhöhung der Verweildauer
3E-Commerce
E-CommerceMövenpick-Wein hat nach     Einsatz einesRecommender System die Umsätze nachweislich  um 20% erhöht     (mit A/B...
4Relationen
Relationen   Zusammenhänge      aufzeigenVerbindungen zwischenInformationen erstellen
5EdgeRank
EdgeRank    Optimieren des   (Edge)Ranks beiFacebook, Twi er & Co.   SEO von Morgen
Marc GasserAstina AGHardturmstrasse 105CH – 8005 Zürichmgasser@astina.chConnect
Was Empfehlungssysteme voraussagen können
Was Empfehlungssysteme voraussagen können
Was Empfehlungssysteme voraussagen können
Was Empfehlungssysteme voraussagen können
Was Empfehlungssysteme voraussagen können
Was Empfehlungssysteme voraussagen können
Was Empfehlungssysteme voraussagen können
Was Empfehlungssysteme voraussagen können
Was Empfehlungssysteme voraussagen können
Was Empfehlungssysteme voraussagen können
Nächste SlideShare
Wird geladen in …5
×

Was Empfehlungssysteme voraussagen können

1.455 Aufrufe

Veröffentlicht am

Empfehlungssysteme beobachten die User und treffen Entscheidungen. Marc Gasser, Managing Partner der Astina AG untersucht, was solche Systeme heute schon leisten und zeigt auf, was Empfehlungssysteme dem Website-Benutzer und dem Website-Betreiber voraussagen können.

Google, Parship und Facebook bestimmen was oder wen wir interessant und relevant finden, Amazon will zum bestellten Reiseführer auch noch lokale Literatur vom Ferienort verkaufen, die Kosmetik-Webseite empfiehlt den zur Hautfarbe passenden Lippenstift. Für den Benutzer ist weder transparent, wo solche Empfehlungssysteme eingesetzt werden, noch wie sie funktionieren. Denken wir also immer weniger und werden immer mehr von Empfehlungssystemen gesteuert? Ja und nein, schliesslich werden die Empfehlungssysteme hauptsächlich schlauer, weil sie von uns lernen.

Dieses Referat zeigt, wie stark wir bereits von Online-Empfehlungssystemen beeinflusst und gelenkt werden, wie wir diese Blackbox sichtbar machen und wie wir ein Empfehlungssystem als Website-Betreiber zu den eigenen Gunsten nutzen können.

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

  • Gehören Sie zu den Ersten, denen das gefällt!

Keine Downloads
Aufrufe
Aufrufe insgesamt
1.455
Auf SlideShare
0
Aus Einbettungen
0
Anzahl an Einbettungen
3
Aktionen
Geteilt
0
Downloads
0
Kommentare
0
Gefällt mir
0
Einbettungen 0
Keine Einbettungen

Keine Notizen für die Folie

Was Empfehlungssysteme voraussagen können

  1. 1. Recommender Systems
  2. 2. 60’000 v.Chr. bis 2008 < 2009
  3. 3. Im Jahre 2009 sindmehr Informationenentstanden als in der Geschichte derMenschheit bis 2008
  4. 4. Informationen filtern
  5. 5. Algorithmendie Präferenzen lernen vergleichen vergessen
  6. 6. Empfehlungen Beeinflussung Sichtbarkeit Nutzung
  7. 7. Beeinflussung
  8. 8. Wie stark wir bereits von online Empfehlungs-Systemen beeinflusst und gelenkt werden
  9. 9. Google, Parship und Facebook bestimmen was oder wen wir interessant und relevant finden, Amazon will zum bestellten Reiseführer auch noch lokaleLiteratur vom Ferienort verkaufen,die Kosmetik-Webseite empfiehlt den zur Hautfarbe passenden Lippensti !
  10. 10. BehauptungEmpfehlungssysteme verändern deinLeben und das ist gut so
  11. 11. 1Google
  12. 12. Google 57 Signale werden von Googleinterpretiert wenn der Benutzer nicht angemeldet ist Google entscheidet was nützlich ist, der geänderte Index-Algorithmus bevorzugt Hochwertiges
  13. 13. 2OkCupid
  14. 14. OkCupid“Online matchmaking is ge ing be er at telling us whom we ought to like”
  15. 15. 3Facebook
  16. 16. Facebook Mit wem sind die Fansbefreundet, Interesse an anderen News, Interaktionshäufigkeit, Zeit seit letztem Status Update Der EdgeRank
  17. 17. 4News
  18. 18. News Story > IchStory > Filter > IchRe-Intermediation
  19. 19. 5Und mehr...
  20. 20. Und mehr...
  21. 21. 6Kino
  22. 22. Kino60% von Netflix-Mieten sind Empfehlungen. Zuerst die Zutaten für den Kassenschlager berechnen... dann den Film dazu.
  23. 23. Is the personalizationof the Web making us less informed ?
  24. 24. Sichtbarkeit
  25. 25. BlackBox
  26. 26. BlackBox
  27. 27. BehauptungDu weisst nicht was du nicht siehst...aber vielleicht kannst du es einschätzen
  28. 28. 1Google
  29. 29. Google Wer oder wasentscheidet für michwas ‘hochwertig’ ist?
  30. 30. Internet Kuvahaku Kartat Kääntäjä Scholar Blogit Gmail lisää Verkkohistoria | Hakuasetukset | Kirjaudu sisäänGoogle fukushima 2011 Haku Noin 104 000 000 tulosta (0,16 sekuntia) Tarkennettu haku Kaikki Etsi sivuja, joiden kieli on englanti Kuvahaku Fukushima I Nuclear Power Plant - Wikipedia, the free encyclopedia Videot - [ Käännä tämä sivu ] Siirry kohtaan Nuclear accidents of 2011: Main article: Fukushima I nuclear accidents. Lisää Before and after images of the Unit 1 from March 12, 2011, ... en.wikipedia.org/.../Fukushima_I_Nuclear_Power_Plant - Välimuistissa - SamankaltaisiaVerkkohakuEtsi sivuja, joiden Japan Fukushima 2011 - [ Käännä tämä sivu ] kieli on englanti Fundamentals of the Fukushima nuclear power plants and sequence of events of theKäännetyt reactor accidents in Japan This document was released on 14 March 2011 ... vieraskieliset sivut www.necsa.co.za/Japan-Fukushima-2011-544.aspx - VälimuistissaMilloin tahansa Videot haulle fukushima 2011 - Ilmoita videoistaViimeisin Fukushima, Japan - Fukushima nuclear plantViim. 24 tuntia Nuclear Reactor blast puts Japan on ...Viim. viikko Explosion ... 12. maaliskuu 2011Viim. kuukausi 1 minuuttia - guardian.co.ukViim. vuosi 12. maaliskuu 2011Oma aikaväli... Lataaja: kthedral youtube.comKaikki tuloksetSivustot, joissa on kuvia Learning from Fukushima 2011 — The Straits Times Blogs - [ Käännä tämä sivu ]Wonder wheel 5 Apr 2011 ... But the critics say if you go back to look at Chernobyl in 1986, and then fast forward to Fukushima 2011 which is still unfolding (there ...
  31. 31. 2Alleine im Filter
  32. 32. Alleine im FilterDie abenteuerlichen Klicks ausserhalb der eigenen Interessen
  33. 33. 3Facebook
  34. 34. FacebookDen eigenen “Ich putze mir die Zähne”-Modus erlernen
  35. 35. Facebook erfand den EdgeRank und95% der User sehennichts anderes mehr
  36. 36. 4#AmazonFail
  37. 37. #AmazonFailNicht mehr gefunden wegen dem Familienfreundlich- Algorithmus
  38. 38. Perhaps the UN should commission internationally recognizedalgorithm inspectors
  39. 39. Nutzen
  40. 40. Jetzt wird der Spiess umgedreht! Was kannvorausgesagt werden.
  41. 41. Behauptung Du kannst vonEmpfehlungs-Systemen profitieren
  42. 42. 1Nutzerprofile
  43. 43. Nutzerprofile Wer sind die Benutzerund was wollen die?
  44. 44. 2Relevanz
  45. 45. Relevanz Interessantere Inhalte für die Benutzer Long TailErhöhung der Verweildauer
  46. 46. 3E-Commerce
  47. 47. E-CommerceMövenpick-Wein hat nach Einsatz einesRecommender System die Umsätze nachweislich um 20% erhöht (mit A/B-Tests verifiziert)
  48. 48. 4Relationen
  49. 49. Relationen Zusammenhänge aufzeigenVerbindungen zwischenInformationen erstellen
  50. 50. 5EdgeRank
  51. 51. EdgeRank Optimieren des (Edge)Ranks beiFacebook, Twi er & Co. SEO von Morgen
  52. 52. Marc GasserAstina AGHardturmstrasse 105CH – 8005 Zürichmgasser@astina.chConnect

×