SlideShare ist ein Scribd-Unternehmen logo
1 von 33
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.
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
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
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 Group
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 beachten 
Genauigkeit der Suchanfrage 
„Schuhe“ 
„Blaue Schuhe“ 
„Blaue Herrenlaufschuhe von Nike“
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 
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? 
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€ 
> 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?
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 Skalierbarkeit 
Graphendatenbanken 
Kanten & Knoten 
Am weitesten verbreitet: Neo4j 
Benutzer und Produkte bilden Knoten 
Kanten stellen Kaufprozess dar
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
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
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-gmbh.com mk@shi-gmh.com 
@markus_klose 
dwr@sgi-gmbh.com 
@SHIEngineers @wrigley_dan

Weitere ähnliche Inhalte

Andere mochten auch

Seguimiento plan anticorrupcion a abril 2014
Seguimiento plan anticorrupcion a abril 2014Seguimiento plan anticorrupcion a abril 2014
Seguimiento plan anticorrupcion a abril 2014
mcriverah
 
Cronograma y presupuesto
Cronograma y presupuestoCronograma y presupuesto
Cronograma y presupuesto
KTG90
 
Publicidad en internet
Publicidad en internetPublicidad en internet
Publicidad en internet
gabyota12
 

Andere mochten auch (17)

Módulo color
Módulo colorMódulo color
Módulo color
 
Respuesta observaciones banco oferentes
Respuesta observaciones banco oferentesRespuesta observaciones banco oferentes
Respuesta observaciones banco oferentes
 
Escuela nueva
Escuela nuevaEscuela nueva
Escuela nueva
 
Auch ein Kindle oder Smartphone kann im Ausland entlasten
Auch ein Kindle oder Smartphone kann im Ausland entlastenAuch ein Kindle oder Smartphone kann im Ausland entlasten
Auch ein Kindle oder Smartphone kann im Ausland entlasten
 
Historische tatsachen nr. 10 udo walendy deutsch-israelische fakten
Historische tatsachen nr. 10 udo walendy deutsch-israelische faktenHistorische tatsachen nr. 10 udo walendy deutsch-israelische fakten
Historische tatsachen nr. 10 udo walendy deutsch-israelische fakten
 
Bases psicologicas
Bases psicologicasBases psicologicas
Bases psicologicas
 
Präsentation 87 stiefel
Präsentation 87   stiefelPräsentation 87   stiefel
Präsentation 87 stiefel
 
Dropbox item2mitdemzug
Dropbox item2mitdemzugDropbox item2mitdemzug
Dropbox item2mitdemzug
 
Frauen lieben Stiefel!
Frauen lieben Stiefel!Frauen lieben Stiefel!
Frauen lieben Stiefel!
 
Seguimiento plan anticorrupcion a abril 2014
Seguimiento plan anticorrupcion a abril 2014Seguimiento plan anticorrupcion a abril 2014
Seguimiento plan anticorrupcion a abril 2014
 
Mein Woche Presentation
Mein Woche PresentationMein Woche Presentation
Mein Woche Presentation
 
Neue Potentiale durch Recommendations erschliessen und Conversions steigern (...
Neue Potentiale durch Recommendations erschliessen und Conversions steigern (...Neue Potentiale durch Recommendations erschliessen und Conversions steigern (...
Neue Potentiale durch Recommendations erschliessen und Conversions steigern (...
 
Equipo2
Equipo2Equipo2
Equipo2
 
Gimnasia por dentro y por Fuera
Gimnasia por dentro y por FueraGimnasia por dentro y por Fuera
Gimnasia por dentro y por Fuera
 
Cronograma y presupuesto
Cronograma y presupuestoCronograma y presupuesto
Cronograma y presupuesto
 
Weinbau in der Toskana - Umfassende Infos zu italienischen Weinen!
Weinbau in der Toskana - Umfassende Infos zu italienischen Weinen!Weinbau in der Toskana - Umfassende Infos zu italienischen Weinen!
Weinbau in der Toskana - Umfassende Infos zu italienischen Weinen!
 
Publicidad en internet
Publicidad en internetPublicidad en internet
Publicidad en internet
 

Ähnlich wie Mehr Umsatz mit einer intelligenten Shop-Suche

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
 
Strukturierte Daten — oder: das neue semantische Internet
Strukturierte Daten — oder: das neue semantische InternetStrukturierte Daten — oder: das neue semantische Internet
Strukturierte Daten — oder: das neue semantische Internet
Heinrich Klassen
 
Wie funktioniert EinfacheUmfrage.de?
Wie funktioniert EinfacheUmfrage.de?Wie funktioniert EinfacheUmfrage.de?
Wie funktioniert EinfacheUmfrage.de?
EinfacheUmfrage
 
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
SHI Search | Analytics | Big Data
 

Ähnlich wie Mehr Umsatz mit einer intelligenten Shop-Suche (20)

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
 
Analytics für Einsteiger
Analytics für EinsteigerAnalytics für Einsteiger
Analytics für Einsteiger
 
Wettbewerbsanalyse alle an Bord beim Relaunch
Wettbewerbsanalyse alle an Bord beim RelaunchWettbewerbsanalyse alle an Bord beim Relaunch
Wettbewerbsanalyse alle an Bord beim Relaunch
 
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)
 
Competitive Intelligence: Wettbewerbsbeobachtung im SEO und Online Marketing
Competitive Intelligence: Wettbewerbsbeobachtung im SEO und Online MarketingCompetitive Intelligence: Wettbewerbsbeobachtung im SEO und Online Marketing
Competitive Intelligence: Wettbewerbsbeobachtung im SEO und Online Marketing
 
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)
 
DCI LeadTarget - Marketing Automation
DCI LeadTarget - Marketing AutomationDCI LeadTarget - Marketing Automation
DCI LeadTarget - Marketing Automation
 
Strukturierte Daten — oder: das neue semantische Internet
Strukturierte Daten — oder: das neue semantische InternetStrukturierte Daten — oder: das neue semantische Internet
Strukturierte Daten — oder: das neue semantische Internet
 
Wie funktioniert EinfacheUmfrage.de?
Wie funktioniert EinfacheUmfrage.de?Wie funktioniert EinfacheUmfrage.de?
Wie funktioniert EinfacheUmfrage.de?
 
Audience Analytics: Wer sind Ihre Webseiten-Besucher? | nugg.ad & AT Internet
Audience Analytics: Wer sind Ihre Webseiten-Besucher? | nugg.ad & AT InternetAudience Analytics: Wer sind Ihre Webseiten-Besucher? | nugg.ad & AT Internet
Audience Analytics: Wer sind Ihre Webseiten-Besucher? | nugg.ad & AT Internet
 
Data Product Discovery: Die Produktseite der digitalen Transformation
Data Product Discovery: Die Produktseite der digitalen TransformationData Product Discovery: Die Produktseite der digitalen Transformation
Data Product Discovery: Die Produktseite der digitalen Transformation
 
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
 
Elasticsearch Cluster Management mit Marvel
Elasticsearch Cluster Management mit MarvelElasticsearch Cluster Management mit Marvel
Elasticsearch Cluster Management mit Marvel
 
SEMSEO 2011: Inhouse-SEO & Agentur-SEO
SEMSEO 2011: Inhouse-SEO & Agentur-SEOSEMSEO 2011: Inhouse-SEO & Agentur-SEO
SEMSEO 2011: Inhouse-SEO & Agentur-SEO
 
Modernes DAM lässt Ihr Team effizienter arbeiten - mit KI und Machine Learning
Modernes DAM lässt Ihr Team effizienter arbeiten - mit KI und Machine LearningModernes DAM lässt Ihr Team effizienter arbeiten - mit KI und Machine Learning
Modernes DAM lässt Ihr Team effizienter arbeiten - mit KI und Machine Learning
 
ONE Konferenz 2013: Analytics, ERP und CRM-Daten als Grundlagen des Redesigns
ONE Konferenz 2013: Analytics, ERP und CRM-Daten als Grundlagen des RedesignsONE Konferenz 2013: Analytics, ERP und CRM-Daten als Grundlagen des Redesigns
ONE Konferenz 2013: Analytics, ERP und CRM-Daten als Grundlagen des Redesigns
 
Online Marketing: Potenziale erkennen - Chancen nutzen
Online Marketing: Potenziale erkennen - Chancen nutzenOnline Marketing: Potenziale erkennen - Chancen nutzen
Online Marketing: Potenziale erkennen - Chancen nutzen
 
"Ich sehe was, was du nicht siehst" - Wie Live User Tracking das wahre Nutze...
"Ich sehe was, was du nicht siehst" -  Wie Live User Tracking das wahre Nutze..."Ich sehe was, was du nicht siehst" -  Wie Live User Tracking das wahre Nutze...
"Ich sehe was, was du nicht siehst" - Wie Live User Tracking das wahre Nutze...
 
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
 
Webinar: Shop-Personalisierung über die Suchfunktion optimieren (25.04.2016)
Webinar: Shop-Personalisierung über die Suchfunktion optimieren (25.04.2016)Webinar: Shop-Personalisierung über die Suchfunktion optimieren (25.04.2016)
Webinar: Shop-Personalisierung über die Suchfunktion optimieren (25.04.2016)
 

Mehr von SHI 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)

Buzzword Bingo E-Commerce
Buzzword Bingo E-CommerceBuzzword Bingo E-Commerce
Buzzword Bingo E-Commerce
 
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
 
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
 

Mehr Umsatz mit einer intelligenten Shop-Suche

  • 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. 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. 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. UNSERE KUNDEN (AUSZUG) VERLAGE & MEDIEN HANDEL & ECOMMERCE BEHÖRDEN IT, ENGINEERING, SONSTIGES
  • 5. Search … It is not a feature! E-Commerce User Experience, Vol. 5: Search (including Faceted Search) , Nielsen Norman Group
  • 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. Fehlertolleranz / Relevanztuning Häufigkeit der Suchanfrage Suchanfragen Unterschied zwischen Short und Long Tail beachten Genauigkeit der Suchanfrage „Schuhe“ „Blaue Schuhe“ „Blaue Herrenlaufschuhe von Nike“
  • 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
  • 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. WO BEGEGNEN UNS RECOMMENDATIONS?
  • 16. WARUM BEGEGNEN WIR RECOMMENDATIONS? Conversion Rates Kundenbindung Verweildauer Cross-Selling & Upselling Auffindbarkeit von Produkten Vorhandene Technik & Technologien Gewinn & Mehrwert Shopsicht
  • 17. WARUM BEGEGNEN WIR RECOMMENDATIONS? Auffindbarkeit von Produkten Usability Inspiration Erhöhter Komfort Zufriedenheit & Begeisterung Kundensicht
  • 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. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Meinungen?
  • 20. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Rezensionen?
  • 21. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Bewertungen?
  • 22. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Praktische Produktverknüpfungen?
  • 23. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Faktische Produktverknüpfungen? + Handyvertrag Versicherung
  • 24. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Produktergänzungen? +
  • 25. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Kaufverhalten? gekauft: dazu passend:
  • 26. WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS? Suchverhalten? Häufig geklickte Filter: > Elektronik > 250-300€ > Kamera  Berücksichtigung für zukünftige Suchen
  • 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?
  • 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. 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. 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. Q & A
  • 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