Die Präsentation von Gunnar Schröder behandelt die Optimierung von Angeboten im E-Commerce durch Empfehlungsysteme, die die Personalisierung und Umsatzsteigerung fördern sollen. Methoden wie nutzerbasiertes und artikelbasiertes kollaboratives Filtern sowie Matrixfaktorisierung werden erläutert, um die Benutzererfahrung und Konversionsraten zu verbessern. Die Vorteile dieser Systeme beinhalten verbesserte Usability, stärkere Kundenbindung und reduzierte Warenkorbabbrüche.

1. Angebotsoptimierung durch Empfehlungssystemeim E-CommerceGunnar SchröderT-Systems Multimedia Solutions5th Workshop on Business Intelligence„Business Intelligence im E-Commerce“Dresden, 26. November 2010

2. AgendaShopping Real-Life versus E-CommercePersonalisierung durch EmpfehlungssystemeVerfahren für EmpfehlungssystemeUser-based Collaborative FilteringItem-based Collaborative FilteringMatrix FaktorisierungChancen und PotentialeFragen und DiskussionGunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

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

4. Shopping im E-CommerceE-SHOPGunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-CommerceNewsletterSuchmaschineURLAdvertisementLinkStartseiteLandingpageSuchergebnisseKategorieProduktdetailEmpfehlungsseiteWarenkorbBezahlvorgangBestellbestätigungLieferungE-Mail NewsletterKatalogCall Center

5. EinsatzbereicheEmpfehlungen auf ProduktdetailseitenVerwandte ProdukteCross- und UpsellingBundleangebotDiscounteEmpfehlungen auf der StartseiteRanking von KategorieübersichtenRanking von Suchergebnissen Empfehlungen zu Warenkorb, Checkout und BestellbestätigungInhalte auf Landingpages für SuchmaschinenPersönliche EmpfehlungsseitenProduktkonfiguratorE-Mail MarketingCall CenterGunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

6. Zielstellung von Empfehlungssystemen im E-CommerceGunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-CommercePersonalisierungMehr UmsatzHöhere KonversionsrateVerbesserte UsabilityBessere NavigationCross- und Up-SellingStärkere KundenbindungWeniger WarenkorbabbrücheHöhere VerweildauerEntscheidungsunterstützungWeniger manuelle PflegeWeniger BeratungsaufwandHöhere Kundenzufriedenheit

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

8. Bewertungen in MatrixdarstellungGunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-CommerceBewertungsmatrix : Rm x n = (rui) 1 <= u <= m, 1 <= i <= nR 5 x 6=

9. Dünnbesetzte BewertungsmatrixGunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-CommerceIn der Praxis ist die Matrix R dünn oder sogar extrem dünn besetzt

10. Dünnbesetzt = Werte sind unbekanntBeispiel 1: Buchbewertungen als numerische BewertungenGunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-CommerceTypische numerische Bewertungsskalen:

11. 1- 5 Sterne

12. Schulnoten (1- 6)

13. Reeller Wert (0.0 - 1.0)Anwendungsfälle für binäre Bewertungen:

14. Multimediacontent

15. News und redaktionierte Inhalte

16. War die Information hilfreich?

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

18. Beispiele für unäre Bewertungen

19. Kauftransaktionen

20. Warenkorb

21. Besuchte Seiten

22. Geklickte Banner und Ads

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

24. Collaborative Filtering – User-basedIdee: 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

25. Collaborative Filtering – User-based am BeispielGunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-CommerceZu schätzen ist die Bewertung bzw. die Kaufwahrscheinlichkeit eines gegebenen Nutzers für den Item 5

26. Ausnutzen der Ähnlichkeit zwischen Zeilen (Usern) in der BewertungsmatrixCollaborative Filtering – User-based am BeispielÄhnlichkeitsmaße:CosinusähnlichkeitPearson KorrelationSimple Matching- , Dice- , Jaccard-Koeffizient und viele mehrGunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-Commerce

27. Collaborative Filtering – User-based am BeispielGunnar Schröder - Angebotsoptimierung durch Empfehlungssysteme im E-CommerceBestimmen der ähnlichsten Nutzer