SlideShare ist ein Scribd-Unternehmen logo
1 von 30
Technology 
Drives 
Business 
NEUE POTENTIALE DURCH RECOMMENDATIONS 
ERSCHLIEßEN / CONVERSIONS STEIGERN 
Daniel Wrigley 
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.
DANIEL WRIGLEY 
Consultant für Search & Big Data Technologies 
Computerlinguist 
Durch LucidWorks zertifizierter Apache Solr Trainer 
Autor zahlreicher Blogs und 
Coautor des Buchs „Einführung in Apache Solr“ 
@wrigley_dan
UNSERE MISSION 
Seit 1994 hersteller-unabhängiges Unternehmen für IT Consulting und Software 
Engineering. 
Wir bieten Lösungen rund um Semantic Search, Big Data und Explorative 
Datenanalyse auf der Basis etablierter Open-Source Software. 
Wir stellen Werkzeuge bereit, die durch optimale Nutzung der Technologie und Daten 
unsere Kunden beim Erreichen Ihrer Geschäftsziele unterstützen.
Heute 
2013 
2011 
SEIT 1994 
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
UNSERE KUNDEN (AUSZUG) 
VERLAGE & MEDIEN HANDEL & ECOMMERCE BEHÖRDEN IT, ENGINEERING, SONSTIGES
WAS WIR TUN 
MIT SERVICES 
DURCH 
ANWENDUNG 
DES KNOW-HOWS 
REALISIEREN 
LÖSUNGEN 
ZUR 
OPTIMALEN 
NUTZUNG 
VON DATEN 
• Strategy Consulting 
• Technical Consulting 
• Architecture Review 
• Development Support 
• Team Enablement 
Through Workshops and 
Trainings 
• Technology Comparison 
• Tuning & Troubleshooting 
• Migration Services 
• Experts to Hire 
• Service Level Agreements 
• Software Architecture 
• Coding Services for Java, 
C++/C, .NET, PHP for 
multiple OSs. 
• Continuous Integration 
and Test Driven 
Development 
• Managing Software 
Project Lifecycle 
• Commerce Search 
• Intranet Portal Search 
• Website Search 
• Search Knowledge 
Management 
• Explorative Datenanalyse 
• Social Media Monitoring 
Tools 
UND 
ETABLIERTEN 
PRODUKTEN 
UND 
PARTNERN 
• Apache Solr/Lucene 
• Apache Mahout 
• Apache Hadoop, Pig, Hive 
• LucidWorks Search 
• LucidWorks Search Big Data
KONTAKT 
SHI GmbH & Co. KG 
Curt-Frenzel-Str. 12 
D - 86167 Augsburg 
info@shi-gmbh.com 
+49.821.74 82 633 - 0 
@SHIEngineers 
Michael Marheineke Markus Klose Daniel Wrigley
WO BEGEGNEN UNS 
RECOMMENDATIONS?
WARUM BEGEGNEN WIR 
RECOMMENDATIONS? 
Conversion Rates 
Kundenbindung 
Verweildauer 
Cross-Selling & Upselling 
Auffindbarkeit von Produkten 
Vorhandene Technik 
& Technologien 
Gewinn & Mehrwert 
Shopsicht
WARUM BEGEGNEN WIR 
RECOMMENDATIONS? 
Auffindbarkeit von Produkten 
Usability 
Inspiration 
Erhöhter Komfort 
Zufriedenheit & 
Begeisterung 
Kundensicht
HERAUSFORDERUNGEN 
Auswahl der Daten 
(Vor)Verarbeitung der Daten 
Transport der Daten 
Anbieten der Recommendations 
Auslösen der Recommendations 
Unterschiedliche Arten Recommendations 
Komplexität 
Mathematik & Algorithmen
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? 
Kaufverhalten? 
gekauft: 
dazu passend:
WELCHE DATEN EIGNEN SICH 
FÜR RECOMMENDATIONS? 
Suchverhalten? 
Häufig geklickte Filter: 
> Elektronik 
> 250-300€ 
> Kamera 
 Berücksichtigung für zukünftige Suchen
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?
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? 
+
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
WIE WERDEN DATEN ZU 
RECOMMENDATIONS? 
Nutzerverhalten (Suche, Produktauswahl, …) 
Triggering der Recommendations 
"Holen" der Recommendations 
Anzeigen der Recommendations 
Nutzung der Recommendations aufzeichnen 
Auswertung der Nutzungsdaten 
Verbesserung der Recommendations
MEHR ALS EIN GUTER 
RICHTWERT… 
Was Kunden tun zählt, nicht was sie sagen 
Indikator: Gemeinsames Auftreten von 
Verhalten 
Text-Retrieval-Methoden 
Komplexität beachten! 
Offline: Berechnungen, ETL 
Online: Auslösen der Recommendations
PUTTING THE PIECES TOGETHER
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
HERANGEHENSWEISEN 
Quelle: http://cuihelei.blogspot.in/2012/09/the-difference-among-three.html
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
WAS SHI IHNEN BIETET 
1. Wissen: E-Commerce Leitfaden, 
LucidWorks, Elasticsearch, Smartlogic 
2. Technik: Langjährige Open Source 
Erfahrung 
3. Beratung: Herstellerunabhängigkeit 
4. Basisprodukt: einfache Integration 
5. Projektierung: Zertifiziertes Personal
Q & A
KONTAKT 
SHI GmbH & Co. KG 
Curt-Frenzel-Str. 12 
D - 86167 Augsburg 
info@shi-gmbh.com 
+49.821.74 82 633 - 0 
@SHIEngineers 
Michael Marheineke Markus Klose Daniel Wrigley

Weitere ähnliche Inhalte

Andere mochten auch

Crowdsourcing mit Smartphone-Apps
Crowdsourcing mit Smartphone-AppsCrowdsourcing mit Smartphone-Apps
Crowdsourcing mit Smartphone-AppsTobias Zach
 
NAXOS Deutschland CD-Neuheiten August 2012
NAXOS Deutschland CD-Neuheiten August 2012NAXOS Deutschland CD-Neuheiten August 2012
NAXOS Deutschland CD-Neuheiten August 2012NAXOS Deutschland GmbH
 
Sr. Carlos Cruz, “Proyectos de la industria de la construcción vinculados a ...
Sr. Carlos Cruz,  “Proyectos de la industria de la construcción vinculados a ...Sr. Carlos Cruz,  “Proyectos de la industria de la construcción vinculados a ...
Sr. Carlos Cruz, “Proyectos de la industria de la construcción vinculados a ...INACAP
 
Codigo penal
Codigo penalCodigo penal
Codigo penaledocorrea
 
NAXOS Deutschland CD-Neuheiten Juli 2012
NAXOS Deutschland CD-Neuheiten Juli 2012NAXOS Deutschland CD-Neuheiten Juli 2012
NAXOS Deutschland CD-Neuheiten Juli 2012NAXOS Deutschland GmbH
 
Neuheiten aus dem Naxos-Deutschland-Vertrieb 09. Oktober 2015
Neuheiten aus dem Naxos-Deutschland-Vertrieb 09. Oktober 2015Neuheiten aus dem Naxos-Deutschland-Vertrieb 09. Oktober 2015
Neuheiten aus dem Naxos-Deutschland-Vertrieb 09. Oktober 2015NAXOS Deutschland GmbH
 
Vorstellung der Aufgabenstellung der lpa im Rahmen der Ringvorlesung ITmitte.de
Vorstellung der Aufgabenstellung der lpa im Rahmen der Ringvorlesung ITmitte.deVorstellung der Aufgabenstellung der lpa im Rahmen der Ringvorlesung ITmitte.de
Vorstellung der Aufgabenstellung der lpa im Rahmen der Ringvorlesung ITmitte.deCommunity ITmitte.de
 
Informe final publicación
Informe final publicaciónInforme final publicación
Informe final publicaciónmcriverah
 
Bildimplikatur
BildimplikaturBildimplikatur
BildimplikaturPictonkiwi
 
VII. Kunstrecht Tagung Heidelberg - November 2013
VII. Kunstrecht Tagung Heidelberg - November 2013VII. Kunstrecht Tagung Heidelberg - November 2013
VII. Kunstrecht Tagung Heidelberg - November 2013rightclearing
 

Andere mochten auch (16)

Crowdsourcing mit Smartphone-Apps
Crowdsourcing mit Smartphone-AppsCrowdsourcing mit Smartphone-Apps
Crowdsourcing mit Smartphone-Apps
 
NAXOS Deutschland CD-Neuheiten August 2012
NAXOS Deutschland CD-Neuheiten August 2012NAXOS Deutschland CD-Neuheiten August 2012
NAXOS Deutschland CD-Neuheiten August 2012
 
cap 4
cap 4cap 4
cap 4
 
Hftl - Ulrike Planert
Hftl - Ulrike PlanertHftl - Ulrike Planert
Hftl - Ulrike Planert
 
Sr. Carlos Cruz, “Proyectos de la industria de la construcción vinculados a ...
Sr. Carlos Cruz,  “Proyectos de la industria de la construcción vinculados a ...Sr. Carlos Cruz,  “Proyectos de la industria de la construcción vinculados a ...
Sr. Carlos Cruz, “Proyectos de la industria de la construcción vinculados a ...
 
Internet Sano
Internet SanoInternet Sano
Internet Sano
 
Codigo penal
Codigo penalCodigo penal
Codigo penal
 
NAXOS Deutschland CD-Neuheiten Juli 2012
NAXOS Deutschland CD-Neuheiten Juli 2012NAXOS Deutschland CD-Neuheiten Juli 2012
NAXOS Deutschland CD-Neuheiten Juli 2012
 
Presentación de prueba
Presentación de pruebaPresentación de prueba
Presentación de prueba
 
Neuheiten aus dem Naxos-Deutschland-Vertrieb 09. Oktober 2015
Neuheiten aus dem Naxos-Deutschland-Vertrieb 09. Oktober 2015Neuheiten aus dem Naxos-Deutschland-Vertrieb 09. Oktober 2015
Neuheiten aus dem Naxos-Deutschland-Vertrieb 09. Oktober 2015
 
NOL
NOLNOL
NOL
 
Vorstellung der Aufgabenstellung der lpa im Rahmen der Ringvorlesung ITmitte.de
Vorstellung der Aufgabenstellung der lpa im Rahmen der Ringvorlesung ITmitte.deVorstellung der Aufgabenstellung der lpa im Rahmen der Ringvorlesung ITmitte.de
Vorstellung der Aufgabenstellung der lpa im Rahmen der Ringvorlesung ITmitte.de
 
Informe final publicación
Informe final publicaciónInforme final publicación
Informe final publicación
 
Print taschen
Print taschenPrint taschen
Print taschen
 
Bildimplikatur
BildimplikaturBildimplikatur
Bildimplikatur
 
VII. Kunstrecht Tagung Heidelberg - November 2013
VII. Kunstrecht Tagung Heidelberg - November 2013VII. Kunstrecht Tagung Heidelberg - November 2013
VII. Kunstrecht Tagung Heidelberg - November 2013
 

Ähnlich wie Neue Potentiale durch Recommendations erschliessen und Conversions steigern (Webinar)

Suche und Navigation in Online-Shops. Mit Apache Solr und Elasticsearch
Suche und Navigation in Online-Shops. Mit Apache Solr und ElasticsearchSuche und Navigation in Online-Shops. Mit Apache Solr und Elasticsearch
Suche und Navigation in Online-Shops. Mit Apache Solr und ElasticsearchSHI Search | Analytics | Big Data
 
effimag präsentation 05 short
effimag präsentation 05 shorteffimag präsentation 05 short
effimag präsentation 05 shortBrigitte Ilsanker
 
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)Praxistage
 
Top 10 der Business Intelligence-Trends für das Jahr 2014
Top 10 der Business Intelligence-Trends für das Jahr 2014Top 10 der Business Intelligence-Trends für das Jahr 2014
Top 10 der Business Intelligence-Trends für das Jahr 2014Tableau Software
 
Dotnet Cologne 2015: //Rebuild - Big Data Analysis End-to-End
Dotnet Cologne 2015: //Rebuild - Big Data Analysis End-to-EndDotnet Cologne 2015: //Rebuild - Big Data Analysis End-to-End
Dotnet Cologne 2015: //Rebuild - Big Data Analysis End-to-EndOlivia Klose
 
Business Intelligence (BI) Kompakt
Business Intelligence (BI) KompaktBusiness Intelligence (BI) Kompakt
Business Intelligence (BI) KompaktFilipe Felix
 
Mit Customer-Journey-Analytics und Recommendations neue Potenziale erschließen
Mit Customer-Journey-Analytics und Recommendations neue Potenziale erschließenMit Customer-Journey-Analytics und Recommendations neue Potenziale erschließen
Mit Customer-Journey-Analytics und Recommendations neue Potenziale erschließenSHI Search | Analytics | Big Data
 
DCI LeadTarget - Marketing Automation
DCI LeadTarget - Marketing AutomationDCI LeadTarget - Marketing Automation
DCI LeadTarget - Marketing AutomationDCI Media GmbH
 
Marktgerechte Organisation als Schlüssel für Open Innovation im Dienstleistun...
Marktgerechte Organisation als Schlüssel für Open Innovation im Dienstleistun...Marktgerechte Organisation als Schlüssel für Open Innovation im Dienstleistun...
Marktgerechte Organisation als Schlüssel für Open Innovation im Dienstleistun...HEC GmbH | Ein team neusta Unternehmen
 
Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!Harald Erb
 
Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...
Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...
Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...Harald Erb
 
Agile, DevOps, Continuous Delivery: Was ist das und wie betrifft es mich als ...
Agile, DevOps, Continuous Delivery: Was ist das und wie betrifft es mich als ...Agile, DevOps, Continuous Delivery: Was ist das und wie betrifft es mich als ...
Agile, DevOps, Continuous Delivery: Was ist das und wie betrifft es mich als ...Nico Meisenzahl
 
SEO & Online Marketing am Beispiel t3n
SEO & Online Marketing am Beispiel t3n SEO & Online Marketing am Beispiel t3n
SEO & Online Marketing am Beispiel t3n Andreas Lenz
 

Ähnlich wie Neue Potentiale durch Recommendations erschliessen und Conversions steigern (Webinar) (20)

Mehr Umsatz mit einer intelligenten Shop-Suche
Mehr Umsatz mit einer intelligenten Shop-SucheMehr Umsatz mit einer intelligenten Shop-Suche
Mehr Umsatz mit einer intelligenten Shop-Suche
 
Suche und Navigation in Online-Shops. Mit Apache Solr und Elasticsearch
Suche und Navigation in Online-Shops. Mit Apache Solr und ElasticsearchSuche und Navigation in Online-Shops. Mit Apache Solr und Elasticsearch
Suche und Navigation in Online-Shops. Mit Apache Solr und Elasticsearch
 
effimag präsentation 05 short
effimag präsentation 05 shorteffimag präsentation 05 short
effimag präsentation 05 short
 
Analytics für Einsteiger
Analytics für EinsteigerAnalytics für Einsteiger
Analytics für Einsteiger
 
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
Sabine Bühn, Bernd Aschauer (Aschauer IT & Business)
 
Social Media Monitoring
Social Media MonitoringSocial Media Monitoring
Social Media Monitoring
 
Effimag präsentation05
Effimag präsentation05Effimag präsentation05
Effimag präsentation05
 
Top 10 der Business Intelligence-Trends für das Jahr 2014
Top 10 der Business Intelligence-Trends für das Jahr 2014Top 10 der Business Intelligence-Trends für das Jahr 2014
Top 10 der Business Intelligence-Trends für das Jahr 2014
 
Dotnet Cologne 2015: //Rebuild - Big Data Analysis End-to-End
Dotnet Cologne 2015: //Rebuild - Big Data Analysis End-to-EndDotnet Cologne 2015: //Rebuild - Big Data Analysis End-to-End
Dotnet Cologne 2015: //Rebuild - Big Data Analysis End-to-End
 
Business Intelligence (BI) Kompakt
Business Intelligence (BI) KompaktBusiness Intelligence (BI) Kompakt
Business Intelligence (BI) Kompakt
 
Buzzword Bingo E-Commerce
Buzzword Bingo E-CommerceBuzzword Bingo E-Commerce
Buzzword Bingo E-Commerce
 
Mit Customer-Journey-Analytics und Recommendations neue Potenziale erschließen
Mit Customer-Journey-Analytics und Recommendations neue Potenziale erschließenMit Customer-Journey-Analytics und Recommendations neue Potenziale erschließen
Mit Customer-Journey-Analytics und Recommendations neue Potenziale erschließen
 
Datenstrategie in der Praxis
Datenstrategie in der PraxisDatenstrategie in der Praxis
Datenstrategie in der Praxis
 
DCI LeadTarget - Marketing Automation
DCI LeadTarget - Marketing AutomationDCI LeadTarget - Marketing Automation
DCI LeadTarget - Marketing Automation
 
Marktgerechte Organisation als Schlüssel für Open Innovation im Dienstleistun...
Marktgerechte Organisation als Schlüssel für Open Innovation im Dienstleistun...Marktgerechte Organisation als Schlüssel für Open Innovation im Dienstleistun...
Marktgerechte Organisation als Schlüssel für Open Innovation im Dienstleistun...
 
Elasticsearch Cluster Management mit Marvel
Elasticsearch Cluster Management mit MarvelElasticsearch Cluster Management mit Marvel
Elasticsearch Cluster Management mit Marvel
 
Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!Big Data Discovery + Analytics = Datengetriebene Innovation!
Big Data Discovery + Analytics = Datengetriebene Innovation!
 
Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...
Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...
Endeca Web Acquisition Toolkit - Integration verteilter Web-Anwendungen und a...
 
Agile, DevOps, Continuous Delivery: Was ist das und wie betrifft es mich als ...
Agile, DevOps, Continuous Delivery: Was ist das und wie betrifft es mich als ...Agile, DevOps, Continuous Delivery: Was ist das und wie betrifft es mich als ...
Agile, DevOps, Continuous Delivery: Was ist das und wie betrifft es mich als ...
 
SEO & Online Marketing am Beispiel t3n
SEO & Online Marketing am Beispiel t3n SEO & Online Marketing am Beispiel t3n
SEO & Online Marketing am Beispiel t3n
 

Mehr von SHI Search | Analytics | Big Data

Neue Kundenpotenziale durch Recommendations erschließen (Vortrag E-Commerce Tag)
Neue Kundenpotenziale durch Recommendations erschließen (Vortrag E-Commerce Tag)Neue Kundenpotenziale durch Recommendations erschließen (Vortrag E-Commerce Tag)
Neue Kundenpotenziale durch Recommendations erschließen (Vortrag E-Commerce Tag)SHI Search | Analytics | Big Data
 
Setting-up Elasticsearch, Logstash, Kibana für agile Datenanalyse
Setting-up Elasticsearch, Logstash, Kibana für agile DatenanalyseSetting-up Elasticsearch, Logstash, Kibana für agile Datenanalyse
Setting-up Elasticsearch, Logstash, Kibana für agile DatenanalyseSHI Search | Analytics | Big Data
 
Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...
Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...
Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...SHI Search | Analytics | Big Data
 

Mehr von SHI Search | Analytics | Big Data (10)

E commerce-tag berlin-nichts_im_sortiment_gefunden
E commerce-tag berlin-nichts_im_sortiment_gefundenE commerce-tag berlin-nichts_im_sortiment_gefunden
E commerce-tag berlin-nichts_im_sortiment_gefunden
 
Apache Solr - die Moderne Open Source Technologie
Apache Solr - die Moderne Open Source TechnologieApache Solr - die Moderne Open Source Technologie
Apache Solr - die Moderne Open Source Technologie
 
Neue Kundenpotenziale durch Recommendations erschließen (Vortrag E-Commerce Tag)
Neue Kundenpotenziale durch Recommendations erschließen (Vortrag E-Commerce Tag)Neue Kundenpotenziale durch Recommendations erschließen (Vortrag E-Commerce Tag)
Neue Kundenpotenziale durch Recommendations erschließen (Vortrag E-Commerce Tag)
 
Custom Solr Tokenizer Flexible Tokenizer with JFlex
Custom Solr Tokenizer Flexible Tokenizer with JFlex Custom Solr Tokenizer Flexible Tokenizer with JFlex
Custom Solr Tokenizer Flexible Tokenizer with JFlex
 
What’s new in Apache Solr 4.7 und Elasticsearch 1.1
What’s new in Apache Solr 4.7 und Elasticsearch 1.1What’s new in Apache Solr 4.7 und Elasticsearch 1.1
What’s new in Apache Solr 4.7 und Elasticsearch 1.1
 
Setting-up Elasticsearch, Logstash, Kibana für agile Datenanalyse
Setting-up Elasticsearch, Logstash, Kibana für agile DatenanalyseSetting-up Elasticsearch, Logstash, Kibana für agile Datenanalyse
Setting-up Elasticsearch, Logstash, Kibana für agile Datenanalyse
 
Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...
Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...
Apache Solr vs. Elasticsearch - And The Winner Is...! Ein Vergleich der Shoot...
 
Überblick über die Suchplattform LucidWorks Search 2.1
Überblick über die Suchplattform LucidWorks Search 2.1Überblick über die Suchplattform LucidWorks Search 2.1
Überblick über die Suchplattform LucidWorks Search 2.1
 
Relevantes schneller finden – mit-Lucene und Solr
Relevantes schneller finden – mit-Lucene und SolrRelevantes schneller finden – mit-Lucene und Solr
Relevantes schneller finden – mit-Lucene und Solr
 
Jax 2012 - Apache Solr as Enterprise Search Platform
Jax 2012 - Apache Solr as Enterprise Search PlatformJax 2012 - Apache Solr as Enterprise Search Platform
Jax 2012 - Apache Solr as Enterprise Search Platform
 

Neue Potentiale durch Recommendations erschliessen und Conversions steigern (Webinar)

  • 1. Technology Drives Business NEUE POTENTIALE DURCH RECOMMENDATIONS ERSCHLIEßEN / CONVERSIONS STEIGERN Daniel Wrigley 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. DANIEL WRIGLEY Consultant für Search & Big Data Technologies Computerlinguist Durch LucidWorks zertifizierter Apache Solr Trainer Autor zahlreicher Blogs und Coautor des Buchs „Einführung in Apache Solr“ @wrigley_dan
  • 3. UNSERE MISSION Seit 1994 hersteller-unabhängiges Unternehmen für IT Consulting und Software Engineering. Wir bieten Lösungen rund um Semantic Search, Big Data und Explorative Datenanalyse auf der Basis etablierter Open-Source Software. Wir stellen Werkzeuge bereit, die durch optimale Nutzung der Technologie und Daten unsere Kunden beim Erreichen Ihrer Geschäftsziele unterstützen.
  • 4. Heute 2013 2011 SEIT 1994 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
  • 5. UNSERE KUNDEN (AUSZUG) VERLAGE & MEDIEN HANDEL & ECOMMERCE BEHÖRDEN IT, ENGINEERING, SONSTIGES
  • 6. WAS WIR TUN MIT SERVICES DURCH ANWENDUNG DES KNOW-HOWS REALISIEREN LÖSUNGEN ZUR OPTIMALEN NUTZUNG VON DATEN • Strategy Consulting • Technical Consulting • Architecture Review • Development Support • Team Enablement Through Workshops and Trainings • Technology Comparison • Tuning & Troubleshooting • Migration Services • Experts to Hire • Service Level Agreements • Software Architecture • Coding Services for Java, C++/C, .NET, PHP for multiple OSs. • Continuous Integration and Test Driven Development • Managing Software Project Lifecycle • Commerce Search • Intranet Portal Search • Website Search • Search Knowledge Management • Explorative Datenanalyse • Social Media Monitoring Tools UND ETABLIERTEN PRODUKTEN UND PARTNERN • Apache Solr/Lucene • Apache Mahout • Apache Hadoop, Pig, Hive • LucidWorks Search • LucidWorks Search Big Data
  • 7. KONTAKT SHI GmbH & Co. KG Curt-Frenzel-Str. 12 D - 86167 Augsburg info@shi-gmbh.com +49.821.74 82 633 - 0 @SHIEngineers Michael Marheineke Markus Klose Daniel Wrigley
  • 8. WO BEGEGNEN UNS RECOMMENDATIONS?
  • 9. WARUM BEGEGNEN WIR RECOMMENDATIONS? Conversion Rates Kundenbindung Verweildauer Cross-Selling & Upselling Auffindbarkeit von Produkten Vorhandene Technik & Technologien Gewinn & Mehrwert Shopsicht
  • 10. WARUM BEGEGNEN WIR RECOMMENDATIONS? Auffindbarkeit von Produkten Usability Inspiration Erhöhter Komfort Zufriedenheit & Begeisterung Kundensicht
  • 11. HERAUSFORDERUNGEN Auswahl der Daten (Vor)Verarbeitung der Daten Transport der Daten Anbieten der Recommendations Auslösen der Recommendations Unterschiedliche Arten Recommendations Komplexität Mathematik & Algorithmen
  • 12. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Meinungen?
  • 13. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Rezensionen?
  • 14. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Bewertungen?
  • 15. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Kaufverhalten? gekauft: dazu passend:
  • 16. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Suchverhalten? Häufig geklickte Filter: > Elektronik > 250-300€ > Kamera  Berücksichtigung für zukünftige Suchen
  • 17. 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?
  • 18. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Praktische Produktverknüpfungen?
  • 19. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Faktische Produktverknüpfungen? + Handyvertrag Versicherung
  • 20. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Produktergänzungen? +
  • 21. 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
  • 22. WIE WERDEN DATEN ZU RECOMMENDATIONS? Nutzerverhalten (Suche, Produktauswahl, …) Triggering der Recommendations "Holen" der Recommendations Anzeigen der Recommendations Nutzung der Recommendations aufzeichnen Auswertung der Nutzungsdaten Verbesserung der Recommendations
  • 23. MEHR ALS EIN GUTER RICHTWERT… Was Kunden tun zählt, nicht was sie sagen Indikator: Gemeinsames Auftreten von Verhalten Text-Retrieval-Methoden Komplexität beachten! Offline: Berechnungen, ETL Online: Auslösen der Recommendations
  • 24. PUTTING THE PIECES TOGETHER
  • 25. 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
  • 27. 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
  • 28. WAS SHI IHNEN BIETET 1. Wissen: E-Commerce Leitfaden, LucidWorks, Elasticsearch, Smartlogic 2. Technik: Langjährige Open Source Erfahrung 3. Beratung: Herstellerunabhängigkeit 4. Basisprodukt: einfache Integration 5. Projektierung: Zertifiziertes Personal
  • 29. Q & A
  • 30. KONTAKT SHI GmbH & Co. KG Curt-Frenzel-Str. 12 D - 86167 Augsburg info@shi-gmbh.com +49.821.74 82 633 - 0 @SHIEngineers Michael Marheineke Markus Klose Daniel Wrigley

Hinweis der Redaktion

  1. Dieses Webinar wird aufgezeichnet und auf unseren Youtube-Channel gestellt Die Folien über unseren Slideshare-Account veröffentlicht
  2. Deutsche Folien?
  3. 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.
  4. Auffindbarkeit von Produkten wird durch gezieltes Vorschlagen von Produkten erhöht, besonders, wenn Kunden nicht genau wissen, was sie suchen. Dieses "nicht wissen" kann natürlich auch neue Trends und Produkte beinhalten. Wenn ich weniger suchen muss, finde ich schneller zum gewünschten Produkt. Inspiration: Geschenkbeispiel; unkonkret –> konkret Erhöhung des Benutzerkomforts. Vorschläge können Suchen ersetzen bzw. zumindest ergänzen. Kundenzufriedenheit dadurch erhöhen, dass sie die richtigen Produkte vorgeschlagen werden.
  5. Welche Daten eignen sich für Recommendations Wie müssen diese Daten verarbeitet werden Diese Daten müssen transportiert werden. Recommendations sind vorhanden, wie biete ich diese an? Aktionen müssen durchgeführt werden, damit Recommendations ausgelöst werden können Recommendations gibt es in unterschiedlichen Variationen, nicht alle Variationen passen zu mir und meinem Online-Shop. Hier müssen Entscheidungen getroffen werden. Folgende Frage müssen Sie beantworten können: Wann ist Komplexität eine Verbesserung, die sich für die entstehenden Kosten lohnt? Komplexität kann hilfreich sein. Die Herausforderung besteht darin, zu erkennen, wann sich Komplexität auszahlt und wann eher weniger. Mathematik & Algorithmen sind nur ein kleiner Teil dieser Herausforderungen Ziel: Das Finden der einfachsten Lösung, die gut genug für das Erreichen der eigenen Ziele ist.
  6. Nur ein Bruchteil der Kunden teilt seine Meinung über ein Produkt/eine Leistung mit Hier zu sehen: Eine wenig objektive, sondern stark subjektive Meinung eines Kunden über ein Produkt. Hier ist es schwierig, diese Meinung in Recommendations einfließen zu lassen
  7. Ratings/Rezensionen sind tendenziell entweder stark negativ oder stark positiv; Kunden, die etwas neutral gegenüber stehen, geben weniger oft eine Meinung ab Hier zu sehen: Eine Klage gegen einen Kunden, der eine schlechte Rezension abgegeben hat. Sowas kann zukünftig natürlich auch abschreckend sein, wenn bekannt ist, dass eine schlechte Rezension im Nachhinein bestraft werden kann.
  8. Hier zu sehen: Bewertungen für zwei unterschiedliche Produkte. Im Durchschnitt haben beide einen nahezu identischen Wert. Das eine Produkt ist jedoch nur einmal bewertet worden, das andere knapp 1000 mal. Eine offensichtliche Schlussfolgerung ist auch hier schwer zu treffen. Vielleicht handelt es sich auf der linken Seite um ein sehr neues Produkt, daher so wenig Bewertungen. Vielleich aber auch nur um ein Nischenprodukt.
  9. Nicht das, was der Kunde sagt, ist interessant. Das, was er tut, ist interessant Basierend auf einer Handlung (dem Kauf eines Produkts) können gezielt passende Vorschläge gemacht werden.
  10. Auch hier lassen sich gute Rückschlüsse ziehen. Ein Kunde, der viel in Elektronik stöbert, ist vielleicht weniger im Bekleidungssortiment unterwegs. Und daher eignen sich solche Produkte unter Umständen weniger für Recommendations. Eine Kamera für 250-300€ lässt ebenso darauf schließen, dass sich der Kunde nicht unbedingt im High-End Segment bewegt, sondern eher im Mittelfeld.
  11. Man weiß, dass eine Tasche und eine Speicherkarte gute Ergänzungen für eine Kamera sind. Das kann aber mit manuellem Pflegeaufwand verbunden sein. Außerdem gibt es typischerweise auch mehrere Produkte, die diese Kriterien erfüllen. Welches soll dann angeboten werden? Daher eignen sich solche praktischen Verknüpfungen nicht bedingungslos für Recommendations
  12. Hier geht es ebenfalls um domänenspezifisches Wissen, das erforderlich ist. Einen Handyvertrag kann ich nur in Zusammenhang mit Handys anbieten. Manueller Aufwand
  13. Manueller Aufwand Nicht immer gleich gut aus Daten ersichtlich
  14. Rohe Daten können bereits vorhanden sein z.B. Abgeschlossene Warenkörbe. Diese Daten liegen aber wahrscheinlich bzw. nicht notwendigerweise im richtigen Format vor, müssen also vorverarbeitet werden, damit sie dem Mechanismus zur Berechnung der Recommendations übergeben werden können. Das Ergebnis eines ersten Schrittes ist die History-Matrix, die darstellt, welche Produkte gekauft wurden. Aus dieser Matrix kann berechnet werden, welche Artikel zusammen bzw. vom gleichen Kunden gekauft wurden. Indicator Matrix: Hier müssen diejenigen Werte ausgeschlossen werden, die nicht interessant oder relevant sind. Beispiel Supermarkt: Jeder, der in einem Supermarkt einkaufen geht, kauft Alltagsgegenstände ein, z.B. Hygieneartikel. Produkte, die jeder einkauft, sind Produkte, die sich eher weniger für Recommendations eignen. Unter den Werten, die als interessant gelten, gibt es auch mehr oder weniger interessante. Um dieses "mehr oder weniger" interessant darzustellen, müssen die übrig gebliebenen Werte gewichtet werden. Das spielt auch bei neuen Produkten eine Rolle, denn diese können noch nicht allzu oft mit anderen Artikeln gekauft worden sein. Warum in einem Suchindex speichern? Geschwindigkeit, Berechnung und Suche unabhängig voneinander.
  15. Verhalten des Nutzers muss die Recommendations irgendwie auslösen. Wenn ein Nutzer mehr als einmal pro Woche nach Blu-Ray-Playern im Preissegment zwischen 250-300 € sucht, kann es sinnvoll sein, ihm einen spezifischen Blu-Ray-Player-Newsletter zukommen zu lassen, der eben solche Geräte beinhaltet. Legt ein Nutzer etwas in seinem Warenkorb ab, müssen ihm dazu spezifische Vorschläge gemacht werden usw. Holen bzw. Anzeige der Recommendations muss auch noch eine Einschränkung haben: Sinnvollerweise werden keine Produkte vorgeschlagen, von denen Sie wissen, dass sie der Kunde bereits gekauft hat bzw. besitzt. Schlagen Sie dem Kunden ein paar Mal etwas vor, das er schon über Ihren Shop bezogen hat und alle zukünftigen Recommendations sind praktisch wertlos, denn das Vertrauen in Funktionalitäten geht schnell verloren, wenn das Resultat nicht dem gewünschten entspricht. Wenn ich nicht beobachte, was die Nutzer meiner Applikation mit Recommendations machen, werde ich sie nie verbessern können. Aus Betreibersicht können meine Recommendations die besten der Welt sein, weil die Produkte vorgeschlagen werden, die sich am besten verkaufen, am besten bewertet sind, am wenigsten zurückgeschickt werden etc. Wenn das aber nicht von den Nutzern angenommen bzw. anders gesehen wird, helfen mir auch die aus meiner Sicht "besten" Recommendations nichts. Kundendaten (Alter, Ort, Geschlecht) einbeziehen. Bessere Vorschläge ohne eingeloggt zu sein. Bisherigen Weg einfließen lassen. Clusteringprozess
  16. Meinungen und Ratings können helfen, indem sie beispielsweise für die Gewichtung von Recommendations verwendet werden. Sie sind aber in der Regel kein so guter Indikator wie das Verhalten der Nutzer. Es zählt also was Kunden im Warenkorb ablegen, im Shop ansehen, in der Trefferliste auswählen etc.
  17. Top-Level-Projekt der Apache Software Foundation In Java geschrieben Was für uns bzw. für dieses Webinar interessant ist: Recommender Systeme Hohe Skalierbarkeit: Wer sich in der Big Data Welt ein bisschen auskennt, kennt den Elefanten, der das Logo von Hadoop ist. Der Reiter, der hier auf dem Elefanten zu sehen ist, ist der Namensgeber für dieses Projekt, denn übersetzt bedeutet Mahout Elefantenreiter. Mahout kann aktuell als Aufsatz von Hadoop gesehen werden, d.h. die Verarbeitung großer Datenmenge stellt für Mahout eine lösbare Herausforderung dar.
  18. Item-based collaborative filtering wurde entwickelt von Amazon User-based collaborative filtering Kunde-Produkt-Matrix: Welcher Kunde hat was (zusammen) gekauft? Kunde X nehmen und prüfen, welcher Kunde diesem am ähnlichsten ist. Basierend auf dem ähnlichsten Kunden können dann Vorschläge gemacht werden. Domänenunabhängig, eignet sich daher gut als Ansatz zum Cross-Selling Keine Kenntnisse über Produkte und deren Attribute notwendig Benutzer werden miteinander "verbunden", wenn sie ähnliches Verhalten zeigen Item-based collaborative filtering Produkt-Produkt-Matrix: Welche Produkte wurden zusammen (von einem Kunden) gekauft? Ähnlichkeit von Produkten untereinander wird ermittelt. Anhand welcher Attribute diese Ähnlichkeit ermittelt wird, ist nicht festgelegt. Bei der Berechnung der Ähnlichkeit zwischen zwei Produkten aus unterschiedlichen Domänen wird man aber keine guten Resultate erzielen können, wenn man die Eigenschaften für diese Berechnung verwenden möchte. Daher kann es sich auch hier anbieten, zu ermitteln, welche Produkte zusammen gekauft wurden. Nur ist hier das Ergebnis nicht, welcher Kunde einem anderen am ähnlichsten ist, sondern welches Produkt einem anderen am ähnlichsten ist.
  19. Innovativ heißt nicht unbedingt neu, innovativ kann genauso einfach heißen. Meinungen und Rezensionen sind weniger wert als Nutzerverhalten, Bewertungen, Meinungen und Rezensionen können jedoch für die Gewichtung verwendet werden. Aktionen müssen Recommendations auslösen Geschwindigkeit ist wichtig, Offline Berechnungen notwendig. Neue Produkte haben unter Umständen keine Recommendations, hier ist ein Plan B notwendig Die Verwendung meiner Recs sollte ich im Auge behalten, damit ich diese im Laufe der Zeit verbessern kann.
  20. Wir haben das Wissen. Branchenspezifisch, dadurch, dass wir Partner des E-Commerce Leitfadens sind. Technologisch, dadurch, dass wir in der Vergangenheit Partnerschaften geschlossen haben. Technisch wissen wir auch, was wir tun, nachdem wir bereits zahlreiche Projekte im Open Source Bereich durchgeführt haben.