Das Dokument behandelt die User Experience personalisierter Empfehlungen und die Bedeutung von Daten in diesem Kontext, wobei zwischen impliziter und expliziter Personalisierung sowie First- und Third-Party-Daten unterschieden wird. Es werden Schritte zur Erstellung eines Machine-Learning-Modells aufgezeigt und auf die ethischen Aspekte der Datennutzung hingewiesen. Zudem wird die Wichtigkeit von Transparenz und Selbstbeschreibbarkeit bei der Personalisierung hervorgehoben.

1. Kaufen Sie das SOFA!!!
die User Experience personalisierter Empfehlungen.
Hias Wrba, WUD Berlin 2020

2. Wias Hrba?
Twitter @ScreaminHias http://www.uxi.de https://artop.de/uxt

4. Begriffe
Implizite vs. Explizite
Personalisierung

5. Begriffe
Implizite vs. Explizite
Personalisierung
1st party Daten vs. 3rd party
Daten

6. Begriffe
Implizite vs. Explizite
Personalisierung
1st party Daten vs. 3rd party
Daten
Strong AI vs. Weak AI
(“If it’s called Machine Learning it’s likely written in Python - if
it’s called AI it’s likely written in ppt.”)

7. Technologie
ML Engine
1. Define Goal
2. Gather Data
3. Build Model
4. Test Model against goal
5. Refine Model
6. GOTO 4
Daten
Quantifizierbares Ziel
Neuronales Netzwerk (vereinfachte
Darstellung)

8. Terminologie & Technologie
Recommendations based on data:
Time of Day, Day of Week, Taste, Mood, Rental
History, Feedback on past rentals, Favourite
Genres, Context of Watching, New Releases…
Könnse watempfehlen?

10. https://qz.com/571007/the-magic-that-makes-spotifys-discover-weekly-playlists-so-damn-good

11. Erlebnisse & Politik & Sofas

12. Sofas

14. Politik

15. Bubbles

16. Bubbles

17. „A squirrel dying in front of your house
may be more relevant to your interests
right now than people dying in Africa.“
Mark Zuckerberg

18. Aspiration vs. Impulse
Quinoa or Burger
arte or RTL II
Sport or Sofa

19. Brokers

20. Source: https://www.ftc.gov/system/files/documents/reports/data-brokers-call-transparency-accountability-report-federal-trade-commission-may-2014/140527databrokerreport.pdf

21. Bubbles & Brokers

22. Decisions & Power
It’s a black box
und oft nicht mal ne gute …

23. Decisions & Power
Data Ethics
Kate Crawford
@katecrawford

24. und wir?

25. Na is doch klar:
DIN ISO 9241

26. Prinzipien für menschzentrierte
Personalisierung
Erwartungskonformität
Personalisierte Interfaces dürfen nie die Konsistenz
des Produktes, des Services oder der Lösung
beeinträchtigen.
Selbstbeschreibungsfähigkeit
Mache deutlich wo, wie und auf welcher Datenbasis
personalisiert wird. Mach Personalisierung transparent
und nachvollziehbar.
Steuerbarkeit
Gib deinen Nutzer:innen immer die Möglichkeit, die
Personalisierung zu deaktivieren.

27. 27