Technology 
Drives 
Business 
NEUE POTENTIALE DURCH RECOMMENDATIONS 
ERSCHLIEßEN / CONVERSIONS STEIGERN 
Daniel Wrigley 
A...
DANIEL WRIGLEY 
Consultant für Search & Big Data Technologies 
Computerlinguist 
Durch LucidWorks zertifizierter Apache So...
UNSERE MISSION 
Seit 1994 hersteller-unabhängiges Unternehmen für IT Consulting und Software 
Engineering. 
Wir bieten Lös...
Heute 
2013 
2011 
SEIT 1994 
Hersteller-unabhängiges Unternehmen. Lösungen rund um 
Suche, Navigation und Datenanalyse mi...
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 
• S...
KONTAKT 
SHI GmbH & Co. KG 
Curt-Frenzel-Str. 12 
D - 86167 Augsburg 
info@shi-gmbh.com 
+49.821.74 82 633 - 0 
@SHIEngine...
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? 
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...
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 Matri...
WIE WERDEN DATEN ZU 
RECOMMENDATIONS? 
Nutzerverhalten (Suche, Produktauswahl, …) 
Triggering der Recommendations 
"Holen"...
MEHR ALS EIN GUTER 
RICHTWERT… 
Was Kunden tun zählt, nicht was sie sagen 
Indikator: Gemeinsames Auftreten von 
Verhalten...
PUTTING THE PIECES TOGETHER
EINSATZ VON TECHNOLOGIEN 
Apache Mahout 
Machine Learing Library 
Klassifikation, Clustering, Recommender Systeme 
Hohe Sk...
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 (Of...
WAS SHI IHNEN BIETET 
1. Wissen: E-Commerce Leitfaden, 
LucidWorks, Elasticsearch, Smartlogic 
2. Technik: Langjährige Ope...
Q & A
KONTAKT 
SHI GmbH & Co. KG 
Curt-Frenzel-Str. 12 
D - 86167 Augsburg 
info@shi-gmbh.com 
+49.821.74 82 633 - 0 
@SHIEngine...
Nächste SlideShare
Wird geladen in …5
×

Neue Potentiale durch Recommendations erschliessen und Conversions steigern (Webinar)

654 Aufrufe

Veröffentlicht am

Recommendations bilden im E-Commerce bereits seit geraumer Zeit eine wichtige und zentrale Rolle. Die Gründe dafür sind vielfältig: Bessere Kundenbindung, höhere Conversion Rates, optimiertes Up- und Cross-Selling Potenzial usw. Doch wie können diese Anreize erreicht werden? Wir zeigen Ihnen, welche Herausforderungen Ihnen begegnen, und wie Sie diese meistern können. Open Source hilft Ihnen dabei.

Veröffentlicht in: Software
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Neue Potentiale durch Recommendations erschliessen und Conversions steigern (Webinar)

  1. 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. 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. 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. 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. 5. UNSERE KUNDEN (AUSZUG) VERLAGE & MEDIEN HANDEL & ECOMMERCE BEHÖRDEN IT, ENGINEERING, SONSTIGES
  6. 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. 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. 8. WO BEGEGNEN UNS RECOMMENDATIONS?
  9. 9. WARUM BEGEGNEN WIR RECOMMENDATIONS? Conversion Rates Kundenbindung Verweildauer Cross-Selling & Upselling Auffindbarkeit von Produkten Vorhandene Technik & Technologien Gewinn & Mehrwert Shopsicht
  10. 10. WARUM BEGEGNEN WIR RECOMMENDATIONS? Auffindbarkeit von Produkten Usability Inspiration Erhöhter Komfort Zufriedenheit & Begeisterung Kundensicht
  11. 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. 12. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Meinungen?
  13. 13. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Rezensionen?
  14. 14. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Bewertungen?
  15. 15. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Kaufverhalten? gekauft: dazu passend:
  16. 16. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Suchverhalten? Häufig geklickte Filter: > Elektronik > 250-300€ > Kamera  Berücksichtigung für zukünftige Suchen
  17. 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. 18. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Praktische Produktverknüpfungen?
  19. 19. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Faktische Produktverknüpfungen? + Handyvertrag Versicherung
  20. 20. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Produktergänzungen? +
  21. 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. 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. 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. 24. PUTTING THE PIECES TOGETHER
  25. 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
  26. 26. HERANGEHENSWEISEN Quelle: http://cuihelei.blogspot.in/2012/09/the-difference-among-three.html
  27. 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. 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. 29. Q & A
  30. 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

×