SlideShare ist ein Scribd-Unternehmen logo
1 von 37
Downloaden Sie, um offline zu lesen
Herzlich Willkommen zu

Entscheidungshilfe:
Recommender
System
Glaubwürdige und überzeugende
Empfehlungssysteme entwerfen

Veranstaltung
HS: Personalisierung mit großen Daten

Referentin
Andreea Fabritius
06.12.2013
Glaubhafte Recommender Systeme

Gliederung
1.  Einleitung: Einsatz von Recommender Systemen
2.  Psychologische Grundlage: Der menschliche
Entscheidungsprozess
3.  Erfolgsfaktoren für glaubwürdige Recommender
Systeme
4.  Glaubhafter Recommender Systeme entwerfen
5.  Empfehlungssysteme der Zukunft

Andreea Fabritius

Seite 2 / 36
Glaubhafte Recommender Systeme

Einleitung

Wo wir auf Recommender Systeme treffen:

Andreea Fabritius

Seite 3 / 36
Glaubhafte Recommender Systeme

Einleitung

Wo wir auf Recommender Systeme treffen:

Andreea Fabritius

Seite 4 / 36
Glaubhafte Recommender Systeme

Wozu Recommender Systems?
Empfehlungssysteme aus Nutzersicht

Recommendation Systems (RS) helfen Nutzern:
• beim Finden von bekannten Personen in Netzwerken
•  als Verkaufsassistenten in Online Shops
•  bei der Orientierung in großen Informationsmengen
•  zur Eingrenzung großer Auswahlangebote
•  beim Entdecken weiterer interessanter Informationen und
Produkte
Andreea Fabritius

Seite 5 / 36
Glaubhafte Recommender Systeme

Wozu Recommender Systems?
Empfehlungssysteme aus Anbietersicht

Recommendation Systems (RS) helfen Anbietern:
•  als personalisierte Verkaufsassistenten in Online Shops
•  als Trustfaktor und Loyalitätsfaktor für Online Shops
•  zur Steigerung von Umsatz, Conversions und Clickraten
•  als Mittel für Promotion
•  um mehr Daten über Nutzer zu sammeln

Andreea Fabritius

Seite 6 / 36
Glaubhafte Recommender Systeme

Wozu Recommender Systems?

•  Recommender Systeme sind effektive Entscheidungshilfen, die
nicht nur aus technischer Sicht funktionieren müssen

à Recommender Systeme als „Social Actors“
unumgänglich

Andreea Fabritius

Seite 7 / 36
Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Für E-Commerce ist es extrem wichtig menschliches Kaufverhalten zu
verstehen. Dies ist eng gekoppelt an verschiedene Theorien, die während
des menschlichen Entscheidungsprozesses beobachtet werden können.
Studien haben herausgefunden, das es so etwas wie eine stabile
Präferenz im Entscheidungsprozess nicht gibt:
Bsp: Eine Person möchte sich einen Laptop
kaufen und definiert dafür ein festes Preislimit.
Eine detaillierte technische Beschreibung
des Geräts im Vergleich zu anderen kann
aber dazu führen, dass das Limit zu Gunsten
Ausstattung doch überschritten wird.
Andreea Fabritius

Seite 8 / 36
Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Kontext-Effekt

Die Wahrnehmung eines Produkts wird immer auch durch seinen Kontext
beeinflusst. Das bedeutet, die Darstellung eines Produktes in einer
Auswahl verschiedener Produkte kann die Wahrnehmung sowohl positiv
als auch negativ beeinflussen.
Die Kaufentscheidung wird immer auch im Bezug auf den Kontext
getroffen.

Andreea Fabritius

Seite 9 / 36
Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Kontext-Effekt

Produkt

A

B

C

Preis

30

25

50

10 GB

3 GB

12 GB

Download
Limit

à Welches Produkt wird eher gekauft?

Andreea Fabritius

Seite 10 / 36
Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Kontext-Effekt

Produkt

A

B

C

Preis

30

25

50

10 GB

3 GB

12 GB

Download
Limit

à  Der Kontext lässt Produkt A im Vergleich sehr attraktiv wirken. Für
signifikant weniger erhält man nahezu so viel, wie bei dem teuersten
Produkt C. C ist hierbei der Köder für A. A ist der Kompromiss zwischen
niedrigem Preis und hoher Leistung.
à  Mächtiges Instrument für den Abverkauf von Ladenhütern
Andreea Fabritius

Seite 11 / 36
Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Attraction-Effekt
Produkt

A

B

C

Preis

30

25

36

10 GB

3 GB

32 GB

Download
Limit
à Und nun?

Andreea Fabritius

Seite 12 / 36
Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Attraction-Effekt
Produkt

A

B

C

Preis

30

25

36

10 GB

3 GB

32 GB

Download
Limit

à C dominiert A deutlich bei der erhaltenen Leistung, während der Preis
vergleichsweise nur geringfügig höher ist.

Andreea Fabritius

Seite 13 / 36
Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Dieses Wissen kann genutzt werden um:
à  Gesteigerte Wahrscheinlichkeiten herbeizuführen, ein Produkt zu
verkaufen
à  Die Zufriedenheit der Nutzer beim Kauf zu steigern
à  Kaufbereitschaft zu steigern, als Konsequenz aus zufriedeneren Kunden
Wichtig: Kalkulieren der Dominanz der Produkte, um gewünschten Effekt
zu erzielen.

Andreea Fabritius

Seite 14 / 36
Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Weitere Effekte:

•  Primacy / Recency Effekt: kognitives Phänomen, das beschreibt,
dass Menschen sich aus einer Liste an Informationen besonders diejenigen
Sequenzen am Anfang und am Ende merken können.
•  Analog dazu: Produkte am Anfang und am Ende werden viel häufiger
beachtet, im Vergleich zu Produkten in der Mitte der Liste
à  Plus: User evaluieren typischerweise nicht jedes einzelne Produkt einer
Liste, um das beste zu finden
à  Als Konsequenz daraus, sollte dieses Wissen in Recommender
Systemen miteinkalkuliert werden.

Andreea Fabritius

Seite 15 / 36
Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Weitere Effekte:

•  Framing: Darstellung einer Information kann die Evaluierung des
Produkts beeinflussen:
à  Bei der Darstellung des Preises
à  Bei der Darstellung der einzelnen Attribute
Der Framing-Effekt ist dabei höher, je unerfahrener der User auf dem
Themengebiet ist. Bei Usern, die mit der Thematik gut vertraut sind,
können Framingeffekte kaum festgestellt werden.

Andreea Fabritius

Seite 16 / 36
Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Weitere Effekte:

•  Priming: Hier kann beispielsweise der Hintergrund einer Seite

Einfluss auf die Entscheidung des Nutzers nehmen (background
priming)
Beispiel von Mandel and Johnson 1999:
Der Hintergrund einer Seite für Möbel wurde in einem A/B-Test
einmal mit Münzen und einmal mit Wolken gestaltet. Die User mit
dem wolkigen Hintergrund gaben dabei signifikant mehr Geld aus,
als die andere Nutzergruppe.
à Hier wurde besonders die Gefühlswelt angesprochen. Die
Wolken vermittelten eine wohlige und beruhigende Stimmung.
Andreea Fabritius

Seite 17 / 36
Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Weitere Effekte:

•  Defaults: Standardeinstellungen werden häufig als Status Quo

gesehen und dadurch häufiger mit Alternativen verglichen, als
Alternativen untereinander.
à Status Quo Bias: User tendieren außerdem dazu
Standardeinstellungen NICHT zu ändern.
•  Änderungen von Defaults werden mit einem Risiko in Verbindung
gebracht die falsche Entscheidung zu treffen.
à Vorauswahl von Versicherungen, extra Garantie etc.
Andreea Fabritius

Seite 18 / 36
Glaubhafte Recommender Systeme

Erfolgsfaktoren glaubwürdiger Empfehlungssysteme

Glaubwürdigere Quellen sind auch überzeugender.
Für den Erfolg eines Recommender Systems ist damit eine
Vertrauensbasis essenziell.
Die Glaubwürdigkeit ist maßgeblich abhängig von der
Wahrnehmung des Nutzers. Das Design des Recommender
Systems muss so gestaltet sein, dass sich der Nutzer damit gut
beraten fühlt.
Wie kann eine Vertrauensbasis geschaffen werden?
à Psychologie der zwischenmenschlichen Interaktion
Andreea Fabritius

Seite 19 / 36
Glaubhafte Recommender Systeme

Erfolgsfaktoren glaubwürdiger Empfehlungssysteme
Intrinsische Eigenschaften für Empfehlungssysteme

Glaubwürdigkeit & Seriosität
Eigenschaften wie Wohlwollen, Neutralität, Wahrhaftigkeit sind
Menschen von sozialer Interaktion bekannt und vertraut.
àSchaffen einer Vertrauensbasis: Beim Nutzer das Gefühl
wecken, in seinem Interesse zu handeln.
Gegenteil: Forsches Überzeugen weckt Misstrauen

Andreea Fabritius

Seite 20 / 36
Glaubhafte Recommender Systeme

Erfolgsfaktoren glaubwürdiger Empfehlungssysteme
Intrinsische Eigenschaften für Empfehlungssysteme

Fachkompetenz des Systems
Das System muss auf seinem Fachgebiet kompetent und effektiv
funktionieren. Der User möchte sich auf den Expertenstatus des
Systems verlassen können.
à Hohe Kompetenz begünstigt hohe Glaubwürdigkeit und hat
damit positive Effekte auf die Überzeugungskraft

Andreea Fabritius

Seite 21 / 36
Glaubhafte Recommender Systeme

Erfolgsfaktoren glaubwürdiger Empfehlungssysteme
Intrinsische Eigenschaften für Empfehlungssysteme

Similarity
Ähneln die Empfehlungen den eigenen Mustern der
Entscheidungsfindung, tendieren User stärker dazu, die
Empfehlungen anzunehmen.

à Homophily Theorie
Ähnlichkeit begünstigt Wahrnehmung von Vertrauen und
Kompetenz
Andreea Fabritius

Seite 22 / 36
Glaubhafte Recommender Systeme

Erfolgsfaktoren glaubwürdiger Empfehlungssysteme
Output-Eigenschaften für Empfehlungssysteme

Informationen zu Produkten
Viele nützliche Informationen sind wichtig, um Produkte detailliert zu
beschreiben.
Erhöht die Transparenz und das Vertrauen in die Empfehlungen
des Systems und stützt die Empfehlungswirkung.

Andreea Fabritius

Seite 23 / 36
Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen
Entwurf

Um glaubhafte und überzeugende Recommender Systeme zu entwerfen
gilt es die zuvor genannten psychologischen Aspekte zu integrieren.
Kann man einen Nutzer als Kunden gewinnen, kann ein Kreislauf in Gang
gesetzt werden
Vertrauen à Überzeugung à Kauf à Zufriedenheit à gesteigerte
Bereitschaft zu
Kaufen
Nutzer kehrt zurück

Andreea Fabritius

Seite 24 / 36
Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen
Transparenz
Wichtig um die Vertrauensbasis aufrecht zu erhalten und zu stützen
ist Transparenz zur Funktionsweise des Recommender Systems.
Zentral ist dies für den Output von Recommender Systemen.
à WARUM werden mir diese Artikel vorgeschlagen?

Lösung: Explanations
Der Nutzer sollte verstehen können, wieso ihm diese Produkte
angezeigt werden. Bestenfalls sollte er Bewerten können, ob die
Vorschläge wirklich zu seinen Präferenzen passen.
Andreea Fabritius

Seite 25 / 36
Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen
Explanations
7 Kriterien für Explanations:
• 
• 
• 
• 
• 
• 
• 

Transparenz:
Scrutability:
Vertrauen:
Effektivität:
Überzeugung:
Effizienz:
Zufriedenheit:

Funktionsweise erklären
User kann das System korrigieren
stärken
Gute Entscheidungen ermöglichen
Nutzer überzeugen zu kaufen / probieren
Schnelle Entscheidungen (Need for closure)
Steigerung der Einfachheit + Zufriedenheit

.
Andreea Fabritius

Seite 26 / 36
Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen
Transparenz
Typische Beispiele von Explanations:

Andreea Fabritius

Seite 27 / 36
Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen
Transparenz
Besser: Hilfreiche Explanations

ß Plus: Möglichkeit noch mehr
zu entdecken
Andreea Fabritius

Seite 28 / 36
Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen
Die Vertrauensbasis
Produktvergleiche sind bei Nutzern nicht nur beliebt, sie schaffen auch
weiter Vertrauen in das Wohlwollen des Empfehlungssystems. Der
Vergleich von Produkten zeigt sowohl positive, als auch negative Faktoren
auf. Der Nutzer fühlt sich gut informiert.

Andreea Fabritius

Seite 29 / 36
Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen
Die Vertrauensbasis
Produktvergleiche sind bei Nutzern nicht nur beliebt, sie schaffen auch
weiter Vertrauen in das Wohlwollen des Empfehlungssystems. Der
Vergleich von Produkten zeigt sowohl positive, als auch negative Faktoren
auf. Der Nutzer fühlt sich gut informiert.

Andreea Fabritius

Seite 31 / 36
Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen
Bewertungen

Bewertungen anderer Nutzer stellen wichtige Entscheidungselemente dar.
Fälle von Manipulation oder fehlende Transparenz schüren Skepsis
gegenüber Bewertungen.
à Produkte, die gut bewertet wurden, aber nicht ganz die volle Punktzahl
erhalten haben wirken am glaubhaftesten.

à Der Haken?

Andreea Fabritius

Seite 32 / 36
Glaubhafte Recommender Systeme

Empfehlungssysteme der Zukunft

Emotionen, Mimik und bio-chemische Prozesse
Je näher die Human-Computer-Interaction der zwischenmenschlichen
Interaktion kommt, desto besser können PCs auf die Bedürfnisse der
Nutzer reagieren.
Je mehr Informationen über den Nutzer erfassbar sind, desto
maßgeschneiderter können Empfehlungen ausgesprochen werden.
à Nächste Stufe: Emotionen in Recommender Systemen zuverlässig
einbeziehen

Andreea Fabritius

Seite 33 / 36
Glaubhafte Recommender Systeme

Empfehlungssysteme der Zukunft

Emotionen, Mimik und bio-chemische Prozesse
Studie: „Implizite Messung von Emotionen durch webcambasierte
Gesichtsausdruckserkenung“ Ron Degen
à EmotiCam erfasst unmittelbare Emotionen auf einen Stimulus mittels
Webcam
Erfassen von:

Freude, Trauer, Wut, Angst, Ekel, Überraschung
Einsatzgebiet: Analyse von Werbesports

Andreea Fabritius

Seite 34 / 36
Glaubhafte Recommender Systeme

Empfehlungssysteme der Zukunft

Emotionen, Mimik und bio-chemische Prozesse
Studie 1: A Study on Using Biometric Sensors for Monitoring User
Emotions in Educational Games.
Studie 2: Evaluierung der Praxistauglichkeit von Emotions- und
Bioparametermessung als Usability-Testmethode
à Biometrische Sensoren erfassen emotionale und physische Reaktionen
auf verschiedene Stimuli
Erfassen von:
Herzschlag, Puls, Hauttemperatur, Muskelkontraktion, Atmung,

Andreea Fabritius

Seite 35 / 36
Glaubhafte Recommender Systeme

Empfehlungssysteme der Zukunft

Emotionen, Mimik und bio-chemische Prozesse
à Emotion Mouse
à  Erfassen von:
-  Mausbewegungen
-  Klickfrequenz
-  Druckintensität
-  Puls
-  Hauttemperatur
-  elektrodermale Aktivität

Andreea Fabritius

Seite 36 / 36
Glaubhafte Recommender Systeme

Quellen
http://www.research-results.de/fachartikel/2011/ausgabe-6/look-and-feel.html, zuletzt aufgerufen 05.12.2013
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.132.3171&rep=rep1&type=pdf, zuletzt aufgerufen 05.12.2013
http://www.amazon.de , zuletzt aufgerufen 05.12.2013
http://www.zalando.de, zuletzt aufgerufen 05.12.2013
http://www.conrad.de, zuletzt aufgerufen 05.12.2013

http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.132.3171&rep=rep1&type=pdf , zuletzt aufgerufen
05.12.2013

Frohs, Margarethe (2009): Recommender Systeme für produktbegleitende Dienstleistungen. Konzeption und empirische Anwendung.
Dr. Kovač Verlag, Hamburg
Mastoff, Judith / Tintarec, Nava:(2011): Designing and Evaluating Explanations for Recommender Systems. In: Recommender Systems
Handbook. Hrsg: Ricci et a., Springer Verlag, S. 479 – 510.
Yoo, K., Gretzel, U. & Zanker, M. (2012). Persuasive recommender systems: conceptual background and implications. New York:
Springer.
Jannach, Dieter: Online consumer Decision making. In: Recommender Systems. An Introduktion. Hrsg: Jannach et. al, Camridge
University Press 2010, S. 234 – 252.
A. Said(2013): Evaluating the Accuracy and Utility of Recommender Systems. Thesis for the Degree Doktor der
Ingenieurwissenschaften (Dr.-Ing.). TU Berlin, Berlin.

Andreea Fabritius

Seite 37 / 36

Weitere ähnliche Inhalte

Andere mochten auch

Design of recommender systems
Design of recommender systemsDesign of recommender systems
Design of recommender systems
Rashmi Sinha
 
Building a Recommendation Engine - An example of a product recommendation engine
Building a Recommendation Engine - An example of a product recommendation engineBuilding a Recommendation Engine - An example of a product recommendation engine
Building a Recommendation Engine - An example of a product recommendation engine
NYC Predictive Analytics
 
Informática power
Informática powerInformática power
Informática power
lissneth
 
Audience mawazine du 18 au 26 mai 2012
Audience mawazine du 18 au 26 mai 2012Audience mawazine du 18 au 26 mai 2012
Audience mawazine du 18 au 26 mai 2012
Moad Waddah
 

Andere mochten auch (20)

Business use of Social Media and Impact on Enterprise Architecture
Business use of Social Media and Impact on Enterprise ArchitectureBusiness use of Social Media and Impact on Enterprise Architecture
Business use of Social Media and Impact on Enterprise Architecture
 
Bootstrapping Recommendations with Neo4j
Bootstrapping Recommendations with Neo4jBootstrapping Recommendations with Neo4j
Bootstrapping Recommendations with Neo4j
 
Neo4j in Depth
Neo4j in DepthNeo4j in Depth
Neo4j in Depth
 
Design of recommender systems
Design of recommender systemsDesign of recommender systems
Design of recommender systems
 
Neo4j - graph database for recommendations
Neo4j - graph database for recommendationsNeo4j - graph database for recommendations
Neo4j - graph database for recommendations
 
Crm new1
Crm new1Crm new1
Crm new1
 
Operational, Analytical & Collaborative Crm
Operational, Analytical & Collaborative CrmOperational, Analytical & Collaborative Crm
Operational, Analytical & Collaborative Crm
 
Graph Based Recommendation Systems at eBay
Graph Based Recommendation Systems at eBayGraph Based Recommendation Systems at eBay
Graph Based Recommendation Systems at eBay
 
Build a Recommendation Engine using Amazon Machine Learning in Real-time
Build a Recommendation Engine using Amazon Machine Learning in Real-timeBuild a Recommendation Engine using Amazon Machine Learning in Real-time
Build a Recommendation Engine using Amazon Machine Learning in Real-time
 
How To Cultivate Brand Advocacy
How To Cultivate Brand AdvocacyHow To Cultivate Brand Advocacy
How To Cultivate Brand Advocacy
 
ChannelPilot - Feed Engine
ChannelPilot - Feed EngineChannelPilot - Feed Engine
ChannelPilot - Feed Engine
 
Customer relationship management
Customer relationship managementCustomer relationship management
Customer relationship management
 
Building a Recommendation Engine - An example of a product recommendation engine
Building a Recommendation Engine - An example of a product recommendation engineBuilding a Recommendation Engine - An example of a product recommendation engine
Building a Recommendation Engine - An example of a product recommendation engine
 
Infografia final
Infografia finalInfografia final
Infografia final
 
LA BELLA SIERRA TARAHUMARA
LA BELLA SIERRA TARAHUMARALA BELLA SIERRA TARAHUMARA
LA BELLA SIERRA TARAHUMARA
 
Informática power
Informática powerInformática power
Informática power
 
Audience mawazine du 18 au 26 mai 2012
Audience mawazine du 18 au 26 mai 2012Audience mawazine du 18 au 26 mai 2012
Audience mawazine du 18 au 26 mai 2012
 
Guia para soldadura
Guia para soldaduraGuia para soldadura
Guia para soldadura
 
IROISIE Organic Skincare Press Book France2011
IROISIE Organic Skincare Press Book France2011IROISIE Organic Skincare Press Book France2011
IROISIE Organic Skincare Press Book France2011
 
Opinionway pour Prism'emploi : enquête trimestrielle - les jeunes et l'emploi...
Opinionway pour Prism'emploi : enquête trimestrielle - les jeunes et l'emploi...Opinionway pour Prism'emploi : enquête trimestrielle - les jeunes et l'emploi...
Opinionway pour Prism'emploi : enquête trimestrielle - les jeunes et l'emploi...
 

Ähnlich wie Entscheidungshilfe: Recommender System

Social Commerce - Hype oder neues Erfolgsmodell
Social Commerce - Hype oder neues ErfolgsmodellSocial Commerce - Hype oder neues Erfolgsmodell
Social Commerce - Hype oder neues Erfolgsmodell
Khalil Aghelizadeh
 
Newsletter Beratungsqualität
Newsletter BeratungsqualitätNewsletter Beratungsqualität
Newsletter Beratungsqualität
emotion banking
 
VSV Boxalino Breakfastsession - LandingPages 2012
VSV Boxalino Breakfastsession - LandingPages 2012VSV Boxalino Breakfastsession - LandingPages 2012
VSV Boxalino Breakfastsession - LandingPages 2012
Boxalino AG
 
VSV Boxalino Breakfastsession - LandingPages 2012
VSV Boxalino Breakfastsession - LandingPages 2012VSV Boxalino Breakfastsession - LandingPages 2012
VSV Boxalino Breakfastsession - LandingPages 2012
Matthias Froese ✔
 

Ähnlich wie Entscheidungshilfe: Recommender System (20)

Vertrauen als Schlüssel zu einer höheren Conversion-Rate
Vertrauen als Schlüssel zu einer höheren Conversion-RateVertrauen als Schlüssel zu einer höheren Conversion-Rate
Vertrauen als Schlüssel zu einer höheren Conversion-Rate
 
Social Commerce - Hype oder neues Erfolgsmodell
Social Commerce - Hype oder neues ErfolgsmodellSocial Commerce - Hype oder neues Erfolgsmodell
Social Commerce - Hype oder neues Erfolgsmodell
 
Verkaufen Heute
Verkaufen HeuteVerkaufen Heute
Verkaufen Heute
 
Empfehlungsmarketing
EmpfehlungsmarketingEmpfehlungsmarketing
Empfehlungsmarketing
 
Alain Kamm: "BEA™ Pricing - Durch Experimente zu valideren Erkenntnissen" - Z...
Alain Kamm: "BEA™ Pricing - Durch Experimente zu valideren Erkenntnissen" - Z...Alain Kamm: "BEA™ Pricing - Durch Experimente zu valideren Erkenntnissen" - Z...
Alain Kamm: "BEA™ Pricing - Durch Experimente zu valideren Erkenntnissen" - Z...
 
smom - Qualitätsanalysen für Social Media
smom - Qualitätsanalysen für Social Mediasmom - Qualitätsanalysen für Social Media
smom - Qualitätsanalysen für Social Media
 
Was bringt die nutzer zum klicken?
Was bringt die nutzer zum klicken?Was bringt die nutzer zum klicken?
Was bringt die nutzer zum klicken?
 
E-Commerce Konferenz 2015: Erkenntnisse der Verhaltensökonomie zur Preisstrat...
E-Commerce Konferenz 2015: Erkenntnisse der Verhaltensökonomie zur Preisstrat...E-Commerce Konferenz 2015: Erkenntnisse der Verhaltensökonomie zur Preisstrat...
E-Commerce Konferenz 2015: Erkenntnisse der Verhaltensökonomie zur Preisstrat...
 
Newsletter Beratungsqualität
Newsletter BeratungsqualitätNewsletter Beratungsqualität
Newsletter Beratungsqualität
 
Inhaltsverzeichnis
InhaltsverzeichnisInhaltsverzeichnis
Inhaltsverzeichnis
 
Die Psychologie des Bewertens
Die Psychologie des BewertensDie Psychologie des Bewertens
Die Psychologie des Bewertens
 
Warum Sie Empfehlungsmarketing nutzen sollten
Warum Sie Empfehlungsmarketing nutzen solltenWarum Sie Empfehlungsmarketing nutzen sollten
Warum Sie Empfehlungsmarketing nutzen sollten
 
VSV Boxalino Breakfastsession - LandingPages 2012
VSV Boxalino Breakfastsession - LandingPages 2012VSV Boxalino Breakfastsession - LandingPages 2012
VSV Boxalino Breakfastsession - LandingPages 2012
 
VSV Boxalino Breakfastsession - LandingPages 2012
VSV Boxalino Breakfastsession - LandingPages 2012VSV Boxalino Breakfastsession - LandingPages 2012
VSV Boxalino Breakfastsession - LandingPages 2012
 
Customer Analytics & Customer Experience Management
Customer Analytics & Customer Experience Management Customer Analytics & Customer Experience Management
Customer Analytics & Customer Experience Management
 
Social Media Nutzendimensionen - Online Print Symposium München 16. Mai 2014
Social Media Nutzendimensionen - Online Print Symposium München 16. Mai 2014Social Media Nutzendimensionen - Online Print Symposium München 16. Mai 2014
Social Media Nutzendimensionen - Online Print Symposium München 16. Mai 2014
 
Webinar: "Customer Experience Management / Kundenservice 2.0"
Webinar: "Customer Experience Management / Kundenservice 2.0"Webinar: "Customer Experience Management / Kundenservice 2.0"
Webinar: "Customer Experience Management / Kundenservice 2.0"
 
Wenn es zu komplex wird im Coaching – über den Gebrauch von Werkzeugen zur Un...
Wenn es zu komplex wird im Coaching – über den Gebrauch von Werkzeugen zur Un...Wenn es zu komplex wird im Coaching – über den Gebrauch von Werkzeugen zur Un...
Wenn es zu komplex wird im Coaching – über den Gebrauch von Werkzeugen zur Un...
 
Mit Online-Bewertungen Kunden gewinnen - So stärkt Reputation Management Eure...
Mit Online-Bewertungen Kunden gewinnen - So stärkt Reputation Management Eure...Mit Online-Bewertungen Kunden gewinnen - So stärkt Reputation Management Eure...
Mit Online-Bewertungen Kunden gewinnen - So stärkt Reputation Management Eure...
 
100 Worte Customer Intelligence
100 Worte Customer Intelligence100 Worte Customer Intelligence
100 Worte Customer Intelligence
 

Mehr von Florian Stegmaier

Mehr von Florian Stegmaier (16)

Ansätze für gemeinschaftliches Filtering
Ansätze für gemeinschaftliches FilteringAnsätze für gemeinschaftliches Filtering
Ansätze für gemeinschaftliches Filtering
 
Fortschritte im Bereich Collaborative Filtering
Fortschritte im Bereich Collaborative FilteringFortschritte im Bereich Collaborative Filtering
Fortschritte im Bereich Collaborative Filtering
 
Realtime
 Distributed Analysis
 of Datastreams
Realtime
 Distributed Analysis
 of DatastreamsRealtime
 Distributed Analysis
 of Datastreams
Realtime
 Distributed Analysis
 of Datastreams
 
Effiziente Verarbeitung von großen Datenmengen
Effiziente Verarbeitung von großen DatenmengenEffiziente Verarbeitung von großen Datenmengen
Effiziente Verarbeitung von großen Datenmengen
 
Trust-based recommender systems
Trust-based recommender systemsTrust-based recommender systems
Trust-based recommender systems
 
Trust und Interest Similarity und deren Anwendung für Empfehlungssysteme
Trust und Interest Similarity und deren Anwendung für EmpfehlungssystemeTrust und Interest Similarity und deren Anwendung für Empfehlungssysteme
Trust und Interest Similarity und deren Anwendung für Empfehlungssysteme
 
Musikempfehlungssysteme
MusikempfehlungssystemeMusikempfehlungssysteme
Musikempfehlungssysteme
 
Robustheit in Empfehlungssystemen
Robustheit in EmpfehlungssystemenRobustheit in Empfehlungssystemen
Robustheit in Empfehlungssystemen
 
Linked Open Data als Basis für Empfehlungssysteme
Linked Open Data als Basis für EmpfehlungssystemeLinked Open Data als Basis für Empfehlungssysteme
Linked Open Data als Basis für Empfehlungssysteme
 
Funktionsweise und Ansätze von inhaltsbasiertem Filtern
Funktionsweise und Ansätze von inhaltsbasiertem FilternFunktionsweise und Ansätze von inhaltsbasiertem Filtern
Funktionsweise und Ansätze von inhaltsbasiertem Filtern
 
Context Basierte Personalisierungsansätze
Context Basierte PersonalisierungsansätzeContext Basierte Personalisierungsansätze
Context Basierte Personalisierungsansätze
 
Evaluierung von Empfehlungssystemen
Evaluierung von EmpfehlungssystemenEvaluierung von Empfehlungssystemen
Evaluierung von Empfehlungssystemen
 
Effiziente Verarbeitung von grossen Datenmengen
Effiziente Verarbeitung von grossen DatenmengenEffiziente Verarbeitung von grossen Datenmengen
Effiziente Verarbeitung von grossen Datenmengen
 
Introduction to the FP7 CODE project @ BDBC
Introduction to the FP7 CODE project @ BDBCIntroduction to the FP7 CODE project @ BDBC
Introduction to the FP7 CODE project @ BDBC
 
Generische Datenintegration zur semantischen Diagnoseunterstützung im Projekt...
Generische Datenintegration zur semantischen Diagnoseunterstützung im Projekt...Generische Datenintegration zur semantischen Diagnoseunterstützung im Projekt...
Generische Datenintegration zur semantischen Diagnoseunterstützung im Projekt...
 
AIR: Architecture for Interoperable Retrieval on Distributed and Heterogeneou...
AIR: Architecture for Interoperable Retrieval on Distributed and Heterogeneou...AIR: Architecture for Interoperable Retrieval on Distributed and Heterogeneou...
AIR: Architecture for Interoperable Retrieval on Distributed and Heterogeneou...
 

Entscheidungshilfe: Recommender System

  • 1. Herzlich Willkommen zu Entscheidungshilfe: Recommender System Glaubwürdige und überzeugende Empfehlungssysteme entwerfen Veranstaltung HS: Personalisierung mit großen Daten Referentin Andreea Fabritius 06.12.2013
  • 2. Glaubhafte Recommender Systeme Gliederung 1.  Einleitung: Einsatz von Recommender Systemen 2.  Psychologische Grundlage: Der menschliche Entscheidungsprozess 3.  Erfolgsfaktoren für glaubwürdige Recommender Systeme 4.  Glaubhafter Recommender Systeme entwerfen 5.  Empfehlungssysteme der Zukunft Andreea Fabritius Seite 2 / 36
  • 3. Glaubhafte Recommender Systeme Einleitung Wo wir auf Recommender Systeme treffen: Andreea Fabritius Seite 3 / 36
  • 4. Glaubhafte Recommender Systeme Einleitung Wo wir auf Recommender Systeme treffen: Andreea Fabritius Seite 4 / 36
  • 5. Glaubhafte Recommender Systeme Wozu Recommender Systems? Empfehlungssysteme aus Nutzersicht Recommendation Systems (RS) helfen Nutzern: • beim Finden von bekannten Personen in Netzwerken •  als Verkaufsassistenten in Online Shops •  bei der Orientierung in großen Informationsmengen •  zur Eingrenzung großer Auswahlangebote •  beim Entdecken weiterer interessanter Informationen und Produkte Andreea Fabritius Seite 5 / 36
  • 6. Glaubhafte Recommender Systeme Wozu Recommender Systems? Empfehlungssysteme aus Anbietersicht Recommendation Systems (RS) helfen Anbietern: •  als personalisierte Verkaufsassistenten in Online Shops •  als Trustfaktor und Loyalitätsfaktor für Online Shops •  zur Steigerung von Umsatz, Conversions und Clickraten •  als Mittel für Promotion •  um mehr Daten über Nutzer zu sammeln Andreea Fabritius Seite 6 / 36
  • 7. Glaubhafte Recommender Systeme Wozu Recommender Systems? •  Recommender Systeme sind effektive Entscheidungshilfen, die nicht nur aus technischer Sicht funktionieren müssen à Recommender Systeme als „Social Actors“ unumgänglich Andreea Fabritius Seite 7 / 36
  • 8. Glaubhafte Recommender Systeme Psychologische Grundlage: Der menschliche Entscheidungsprozess Für E-Commerce ist es extrem wichtig menschliches Kaufverhalten zu verstehen. Dies ist eng gekoppelt an verschiedene Theorien, die während des menschlichen Entscheidungsprozesses beobachtet werden können. Studien haben herausgefunden, das es so etwas wie eine stabile Präferenz im Entscheidungsprozess nicht gibt: Bsp: Eine Person möchte sich einen Laptop kaufen und definiert dafür ein festes Preislimit. Eine detaillierte technische Beschreibung des Geräts im Vergleich zu anderen kann aber dazu führen, dass das Limit zu Gunsten Ausstattung doch überschritten wird. Andreea Fabritius Seite 8 / 36
  • 9. Glaubhafte Recommender Systeme Psychologische Grundlage: Der menschliche Entscheidungsprozess Kontext-Effekt Die Wahrnehmung eines Produkts wird immer auch durch seinen Kontext beeinflusst. Das bedeutet, die Darstellung eines Produktes in einer Auswahl verschiedener Produkte kann die Wahrnehmung sowohl positiv als auch negativ beeinflussen. Die Kaufentscheidung wird immer auch im Bezug auf den Kontext getroffen. Andreea Fabritius Seite 9 / 36
  • 10. Glaubhafte Recommender Systeme Psychologische Grundlage: Der menschliche Entscheidungsprozess Kontext-Effekt Produkt A B C Preis 30 25 50 10 GB 3 GB 12 GB Download Limit à Welches Produkt wird eher gekauft? Andreea Fabritius Seite 10 / 36
  • 11. Glaubhafte Recommender Systeme Psychologische Grundlage: Der menschliche Entscheidungsprozess Kontext-Effekt Produkt A B C Preis 30 25 50 10 GB 3 GB 12 GB Download Limit à  Der Kontext lässt Produkt A im Vergleich sehr attraktiv wirken. Für signifikant weniger erhält man nahezu so viel, wie bei dem teuersten Produkt C. C ist hierbei der Köder für A. A ist der Kompromiss zwischen niedrigem Preis und hoher Leistung. à  Mächtiges Instrument für den Abverkauf von Ladenhütern Andreea Fabritius Seite 11 / 36
  • 12. Glaubhafte Recommender Systeme Psychologische Grundlage: Der menschliche Entscheidungsprozess Attraction-Effekt Produkt A B C Preis 30 25 36 10 GB 3 GB 32 GB Download Limit à Und nun? Andreea Fabritius Seite 12 / 36
  • 13. Glaubhafte Recommender Systeme Psychologische Grundlage: Der menschliche Entscheidungsprozess Attraction-Effekt Produkt A B C Preis 30 25 36 10 GB 3 GB 32 GB Download Limit à C dominiert A deutlich bei der erhaltenen Leistung, während der Preis vergleichsweise nur geringfügig höher ist. Andreea Fabritius Seite 13 / 36
  • 14. Glaubhafte Recommender Systeme Psychologische Grundlage: Der menschliche Entscheidungsprozess Dieses Wissen kann genutzt werden um: à  Gesteigerte Wahrscheinlichkeiten herbeizuführen, ein Produkt zu verkaufen à  Die Zufriedenheit der Nutzer beim Kauf zu steigern à  Kaufbereitschaft zu steigern, als Konsequenz aus zufriedeneren Kunden Wichtig: Kalkulieren der Dominanz der Produkte, um gewünschten Effekt zu erzielen. Andreea Fabritius Seite 14 / 36
  • 15. Glaubhafte Recommender Systeme Psychologische Grundlage: Der menschliche Entscheidungsprozess Weitere Effekte: •  Primacy / Recency Effekt: kognitives Phänomen, das beschreibt, dass Menschen sich aus einer Liste an Informationen besonders diejenigen Sequenzen am Anfang und am Ende merken können. •  Analog dazu: Produkte am Anfang und am Ende werden viel häufiger beachtet, im Vergleich zu Produkten in der Mitte der Liste à  Plus: User evaluieren typischerweise nicht jedes einzelne Produkt einer Liste, um das beste zu finden à  Als Konsequenz daraus, sollte dieses Wissen in Recommender Systemen miteinkalkuliert werden. Andreea Fabritius Seite 15 / 36
  • 16. Glaubhafte Recommender Systeme Psychologische Grundlage: Der menschliche Entscheidungsprozess Weitere Effekte: •  Framing: Darstellung einer Information kann die Evaluierung des Produkts beeinflussen: à  Bei der Darstellung des Preises à  Bei der Darstellung der einzelnen Attribute Der Framing-Effekt ist dabei höher, je unerfahrener der User auf dem Themengebiet ist. Bei Usern, die mit der Thematik gut vertraut sind, können Framingeffekte kaum festgestellt werden. Andreea Fabritius Seite 16 / 36
  • 17. Glaubhafte Recommender Systeme Psychologische Grundlage: Der menschliche Entscheidungsprozess Weitere Effekte: •  Priming: Hier kann beispielsweise der Hintergrund einer Seite Einfluss auf die Entscheidung des Nutzers nehmen (background priming) Beispiel von Mandel and Johnson 1999: Der Hintergrund einer Seite für Möbel wurde in einem A/B-Test einmal mit Münzen und einmal mit Wolken gestaltet. Die User mit dem wolkigen Hintergrund gaben dabei signifikant mehr Geld aus, als die andere Nutzergruppe. à Hier wurde besonders die Gefühlswelt angesprochen. Die Wolken vermittelten eine wohlige und beruhigende Stimmung. Andreea Fabritius Seite 17 / 36
  • 18. Glaubhafte Recommender Systeme Psychologische Grundlage: Der menschliche Entscheidungsprozess Weitere Effekte: •  Defaults: Standardeinstellungen werden häufig als Status Quo gesehen und dadurch häufiger mit Alternativen verglichen, als Alternativen untereinander. à Status Quo Bias: User tendieren außerdem dazu Standardeinstellungen NICHT zu ändern. •  Änderungen von Defaults werden mit einem Risiko in Verbindung gebracht die falsche Entscheidung zu treffen. à Vorauswahl von Versicherungen, extra Garantie etc. Andreea Fabritius Seite 18 / 36
  • 19. Glaubhafte Recommender Systeme Erfolgsfaktoren glaubwürdiger Empfehlungssysteme Glaubwürdigere Quellen sind auch überzeugender. Für den Erfolg eines Recommender Systems ist damit eine Vertrauensbasis essenziell. Die Glaubwürdigkeit ist maßgeblich abhängig von der Wahrnehmung des Nutzers. Das Design des Recommender Systems muss so gestaltet sein, dass sich der Nutzer damit gut beraten fühlt. Wie kann eine Vertrauensbasis geschaffen werden? à Psychologie der zwischenmenschlichen Interaktion Andreea Fabritius Seite 19 / 36
  • 20. Glaubhafte Recommender Systeme Erfolgsfaktoren glaubwürdiger Empfehlungssysteme Intrinsische Eigenschaften für Empfehlungssysteme Glaubwürdigkeit & Seriosität Eigenschaften wie Wohlwollen, Neutralität, Wahrhaftigkeit sind Menschen von sozialer Interaktion bekannt und vertraut. àSchaffen einer Vertrauensbasis: Beim Nutzer das Gefühl wecken, in seinem Interesse zu handeln. Gegenteil: Forsches Überzeugen weckt Misstrauen Andreea Fabritius Seite 20 / 36
  • 21. Glaubhafte Recommender Systeme Erfolgsfaktoren glaubwürdiger Empfehlungssysteme Intrinsische Eigenschaften für Empfehlungssysteme Fachkompetenz des Systems Das System muss auf seinem Fachgebiet kompetent und effektiv funktionieren. Der User möchte sich auf den Expertenstatus des Systems verlassen können. à Hohe Kompetenz begünstigt hohe Glaubwürdigkeit und hat damit positive Effekte auf die Überzeugungskraft Andreea Fabritius Seite 21 / 36
  • 22. Glaubhafte Recommender Systeme Erfolgsfaktoren glaubwürdiger Empfehlungssysteme Intrinsische Eigenschaften für Empfehlungssysteme Similarity Ähneln die Empfehlungen den eigenen Mustern der Entscheidungsfindung, tendieren User stärker dazu, die Empfehlungen anzunehmen. à Homophily Theorie Ähnlichkeit begünstigt Wahrnehmung von Vertrauen und Kompetenz Andreea Fabritius Seite 22 / 36
  • 23. Glaubhafte Recommender Systeme Erfolgsfaktoren glaubwürdiger Empfehlungssysteme Output-Eigenschaften für Empfehlungssysteme Informationen zu Produkten Viele nützliche Informationen sind wichtig, um Produkte detailliert zu beschreiben. Erhöht die Transparenz und das Vertrauen in die Empfehlungen des Systems und stützt die Empfehlungswirkung. Andreea Fabritius Seite 23 / 36
  • 24. Glaubhafte Recommender Systeme Glaubhafte Recommender Systeme entwerfen Entwurf Um glaubhafte und überzeugende Recommender Systeme zu entwerfen gilt es die zuvor genannten psychologischen Aspekte zu integrieren. Kann man einen Nutzer als Kunden gewinnen, kann ein Kreislauf in Gang gesetzt werden Vertrauen à Überzeugung à Kauf à Zufriedenheit à gesteigerte Bereitschaft zu Kaufen Nutzer kehrt zurück Andreea Fabritius Seite 24 / 36
  • 25. Glaubhafte Recommender Systeme Glaubhafte Recommender Systeme entwerfen Transparenz Wichtig um die Vertrauensbasis aufrecht zu erhalten und zu stützen ist Transparenz zur Funktionsweise des Recommender Systems. Zentral ist dies für den Output von Recommender Systemen. à WARUM werden mir diese Artikel vorgeschlagen? Lösung: Explanations Der Nutzer sollte verstehen können, wieso ihm diese Produkte angezeigt werden. Bestenfalls sollte er Bewerten können, ob die Vorschläge wirklich zu seinen Präferenzen passen. Andreea Fabritius Seite 25 / 36
  • 26. Glaubhafte Recommender Systeme Glaubhafte Recommender Systeme entwerfen Explanations 7 Kriterien für Explanations: •  •  •  •  •  •  •  Transparenz: Scrutability: Vertrauen: Effektivität: Überzeugung: Effizienz: Zufriedenheit: Funktionsweise erklären User kann das System korrigieren stärken Gute Entscheidungen ermöglichen Nutzer überzeugen zu kaufen / probieren Schnelle Entscheidungen (Need for closure) Steigerung der Einfachheit + Zufriedenheit . Andreea Fabritius Seite 26 / 36
  • 27. Glaubhafte Recommender Systeme Glaubhafte Recommender Systeme entwerfen Transparenz Typische Beispiele von Explanations: Andreea Fabritius Seite 27 / 36
  • 28. Glaubhafte Recommender Systeme Glaubhafte Recommender Systeme entwerfen Transparenz Besser: Hilfreiche Explanations ß Plus: Möglichkeit noch mehr zu entdecken Andreea Fabritius Seite 28 / 36
  • 29. Glaubhafte Recommender Systeme Glaubhafte Recommender Systeme entwerfen Die Vertrauensbasis Produktvergleiche sind bei Nutzern nicht nur beliebt, sie schaffen auch weiter Vertrauen in das Wohlwollen des Empfehlungssystems. Der Vergleich von Produkten zeigt sowohl positive, als auch negative Faktoren auf. Der Nutzer fühlt sich gut informiert. Andreea Fabritius Seite 29 / 36
  • 30.
  • 31. Glaubhafte Recommender Systeme Glaubhafte Recommender Systeme entwerfen Die Vertrauensbasis Produktvergleiche sind bei Nutzern nicht nur beliebt, sie schaffen auch weiter Vertrauen in das Wohlwollen des Empfehlungssystems. Der Vergleich von Produkten zeigt sowohl positive, als auch negative Faktoren auf. Der Nutzer fühlt sich gut informiert. Andreea Fabritius Seite 31 / 36
  • 32. Glaubhafte Recommender Systeme Glaubhafte Recommender Systeme entwerfen Bewertungen Bewertungen anderer Nutzer stellen wichtige Entscheidungselemente dar. Fälle von Manipulation oder fehlende Transparenz schüren Skepsis gegenüber Bewertungen. à Produkte, die gut bewertet wurden, aber nicht ganz die volle Punktzahl erhalten haben wirken am glaubhaftesten. à Der Haken? Andreea Fabritius Seite 32 / 36
  • 33. Glaubhafte Recommender Systeme Empfehlungssysteme der Zukunft Emotionen, Mimik und bio-chemische Prozesse Je näher die Human-Computer-Interaction der zwischenmenschlichen Interaktion kommt, desto besser können PCs auf die Bedürfnisse der Nutzer reagieren. Je mehr Informationen über den Nutzer erfassbar sind, desto maßgeschneiderter können Empfehlungen ausgesprochen werden. à Nächste Stufe: Emotionen in Recommender Systemen zuverlässig einbeziehen Andreea Fabritius Seite 33 / 36
  • 34. Glaubhafte Recommender Systeme Empfehlungssysteme der Zukunft Emotionen, Mimik und bio-chemische Prozesse Studie: „Implizite Messung von Emotionen durch webcambasierte Gesichtsausdruckserkenung“ Ron Degen à EmotiCam erfasst unmittelbare Emotionen auf einen Stimulus mittels Webcam Erfassen von: Freude, Trauer, Wut, Angst, Ekel, Überraschung Einsatzgebiet: Analyse von Werbesports Andreea Fabritius Seite 34 / 36
  • 35. Glaubhafte Recommender Systeme Empfehlungssysteme der Zukunft Emotionen, Mimik und bio-chemische Prozesse Studie 1: A Study on Using Biometric Sensors for Monitoring User Emotions in Educational Games. Studie 2: Evaluierung der Praxistauglichkeit von Emotions- und Bioparametermessung als Usability-Testmethode à Biometrische Sensoren erfassen emotionale und physische Reaktionen auf verschiedene Stimuli Erfassen von: Herzschlag, Puls, Hauttemperatur, Muskelkontraktion, Atmung, Andreea Fabritius Seite 35 / 36
  • 36. Glaubhafte Recommender Systeme Empfehlungssysteme der Zukunft Emotionen, Mimik und bio-chemische Prozesse à Emotion Mouse à  Erfassen von: -  Mausbewegungen -  Klickfrequenz -  Druckintensität -  Puls -  Hauttemperatur -  elektrodermale Aktivität Andreea Fabritius Seite 36 / 36
  • 37. Glaubhafte Recommender Systeme Quellen http://www.research-results.de/fachartikel/2011/ausgabe-6/look-and-feel.html, zuletzt aufgerufen 05.12.2013 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.132.3171&rep=rep1&type=pdf, zuletzt aufgerufen 05.12.2013 http://www.amazon.de , zuletzt aufgerufen 05.12.2013 http://www.zalando.de, zuletzt aufgerufen 05.12.2013 http://www.conrad.de, zuletzt aufgerufen 05.12.2013 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.132.3171&rep=rep1&type=pdf , zuletzt aufgerufen 05.12.2013 Frohs, Margarethe (2009): Recommender Systeme für produktbegleitende Dienstleistungen. Konzeption und empirische Anwendung. Dr. Kovač Verlag, Hamburg Mastoff, Judith / Tintarec, Nava:(2011): Designing and Evaluating Explanations for Recommender Systems. In: Recommender Systems Handbook. Hrsg: Ricci et a., Springer Verlag, S. 479 – 510. Yoo, K., Gretzel, U. & Zanker, M. (2012). Persuasive recommender systems: conceptual background and implications. New York: Springer. Jannach, Dieter: Online consumer Decision making. In: Recommender Systems. An Introduktion. Hrsg: Jannach et. al, Camridge University Press 2010, S. 234 – 252. A. Said(2013): Evaluating the Accuracy and Utility of Recommender Systems. Thesis for the Degree Doktor der Ingenieurwissenschaften (Dr.-Ing.). TU Berlin, Berlin. Andreea Fabritius Seite 37 / 36