1. Angebotsoptimierung durch Empfehlungssystemeim E-Commerce Gunnar Schröder T-Systems Multimedia Solutions 5th Workshop on Business Intelligence „Business Intelligence im E-Commerce“ Dresden, 26. November 2010

2. Agenda Shopping Real-Life versus E-Commerce Personalisierung durch Empfehlungssysteme Verfahren für Empfehlungssysteme User-based Collaborative Filtering Item-based Collaborative Filtering Matrix Faktorisierung Chancen und Potentiale Fragen und Diskussion Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

3. Real-Life Shopping Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

4. Shopping im E-Commerce E-SHOP Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce Newsletter Suchmaschine URL Advertisement Link Startseite Landingpage Suchergebnisse Kategorie Produktdetail Empfehlungsseite Warenkorb Bezahlvorgang Bestellbestätigung Lieferung E-Mail Newsletter Katalog Call Center

5. Einsatzbereiche Empfehlungen auf Produktdetailseiten Verwandte Produkte Cross- und Upselling Bundleangebot Discounte Empfehlungen auf der Startseite Ranking von Kategorieübersichten Ranking von Suchergebnissen Empfehlungen zu Warenkorb, Checkout und Bestellbestätigung Inhalte auf Landingpages für Suchmaschinen Persönliche Empfehlungsseiten Produktkonfigurator E-Mail Marketing Call Center Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

6. Zielstellung von Empfehlungssystemen im E-Commerce Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce Personalisierung Mehr Umsatz Höhere Konversionsrate Verbesserte Usability Bessere Navigation Cross- und Up-Selling Stärkere Kundenbindung Weniger Warenkorbabbrüche Höhere Verweildauer Entscheidungsunterstützung Weniger manuelle Pflege Weniger Beratungsaufwand Höhere Kundenzufriedenheit

7. Business Intelligence und Customer Insight Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

8. Bewertungen in Matrixdarstellung Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce Bewertungsmatrix : Rm x n = (rui) 1 <= u <= m, 1 <= i <= n R 5 x 6=

11. 1- 5 Sterne

12. Schulnoten (1- 6)

14. Multimediacontent

15. News und redaktionierte Inhalte

16. War die Information hilfreich?

17. Response auf NewsletterBeispiel 2: Contentbewertungen als binäre Bewertungen Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

19. Kauftransaktionen

20. Warenkorb

21. Besuchte Seiten

22. Geklickte Banner und Ads

23. FacebookBeispiel 3: Kauftransaktionen als unäre Bewertungen Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

24. Collaborative Filtering – User-based Idee: Nutzt das Verhalten (Käufe, Bewertungen, Konsum) anderer Nutzer als Basis für das Schätzen einer Bewertung sowie Empfehlungen „Mir gefallen Sachen, die Nutzern, die mir ähnlich sind auch gefallen haben.“ Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

28. k-NearestNeighbor oder Threshold Ansatz

29. Gewichtung der Bewertungen durch die Ähnlichkeit

31. Collaborative Filtering – Item-based Idee: Das Verhalten der anderen Nutzer (Käufe, Bewertungen, Konsum) wird verwendet um eine Ähnlichkeit zwischen Items zu bestimmen und auszunutzen „Mir gefallen Sachen, die von anderen Nutzern ähnlich bewertet wurden wie meine bisherigen Käufe bzw. von anderen Nutzern mit diesen Sachen zusammen gekauft wurden.“ Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

34. Geschätzte Bewertung in diesem Fall: 1

36. Dimensionsreduzierung durch Singulärwertzerlegung Verfahren aus der linearen Algebra zu Matrix Faktorisierung Jede Matrix lässt sich in ein Produkt aus drei Matrizen zerlegen: R = UΣ V* wobei Σ eine Diagonalmatrix ist und die Singulärwerteσ enthält Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce = x x (m x n) (m x n) (m x m) (n x n)

37. Dimensionsreduzierung durch Singulärwertzerlegung Wählt man nur die k größten Singulärwerte findet man eine wesentlich kompaktere Darstellung die Bewertungsmatrix gut approximiert: Rechenbeispiel für 1.000.000 Nutzer, 10.000 Produkte, 20 größten Singulärwerte: (m x n) : 10.000.000.000 (m x k) : 20.000.000 (k x n) : 200.000 Platzersparnis: ca. Faktor 500 Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce ≈ x x (m x n) (k x k) (m x k) (k x n)

38. Latente Faktoren Pro Produkt und Nutzer erhält man so einen k-elementigen Vektor von latenten Faktoren: pu = [pu1, pu2, … , puk] qi = [qi1, qi2, … , qik] Die geschätzte Bewertung bzw. Kaufwahrscheinlichkeit erhält man einfach als Produkt: rui = pu * qiT Interessanter Nebeneffekt: Die latenten Faktoren entschlüsseln die Interessen und Vorlieben des Nutzers Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

39. Chancen und Potentiale Wettbewerbsvorteile Jeder Kunde bekommt seinen eigenen persönlichen Shop Persönliche Beratung auch im E-Commerce Umsatz steigern Cross- und Up-Selling durch Personalisierung gezielt ausnutzen Kundenpotentiale ausschöpfen Finden von geeigneten Produkten für jeden Kunden Individuelle Bundlelösungen und Rabatte Kosteneinsparung Manuelle Pflege von Cross- und Up-Selling Artikeln entfällt Profitabilität erhöhen Gezielte Werbe- und Marketingmaßnahmen mit hohem ROI Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

40. E-Commerce mit Empfehlungssystemen Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

41. Vielen Dank für die Aufmerksamkeit! Fragen, Anmerkungen oder Interesse? Gunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce Gunnar Schröder Consultant T-Systems Multimedia Solutions GmbH Riesaer Straße 5, 01129 Dresden Telefon +49 351 2820-2282 Telefax +49 351 2820-4282 E-Mail: gunnar.schroeder@t-systems.com Hausanschrift Telekontakte