Die Effizienz von Recommender-Systemen

Eine positive Customer Experience macht den Unterschied: Unternehmen, ihre Produkte und ihre Dienstleistungen werden sich immer ähnlicher. Im E-Commerce-Bereich wird dies besonders deutlich. Damit rückt die Erfahrung, die die Kunden mit Unternehmen machen, stärker in den Fokus. In Zukunft müssen darum vor allem das Marketing und die Customer Journey an Bedeutung gewinnen, starker miteinander verknüpft werden und vor allem datengetrieben sein. Mit Data-Science-Methoden eröffnen sich eine breite Palette von Möglichkeiten, die in diesem Bereich zum Zweck der Optimierung der Customer Journey eingesetzt werden können. Ein bislang unterschätztes Tool in diesem Zusammenhang sind Recommender-Systeme beziehungsweise Empfehlungsdienste. Dabei handelt es sich um einen datenbasierten Ansatz, der enorme Vorteile mit sich bringt, wenn es darum geht, Inhalte oder Produkte optimal zu präsentieren.

Funktionsprinzip von Recommender-Systemen

Empfehlungen haben an sich eine lange Tradition, die weit vor das digitale Zeitalter zurückreichen. Früher kannte der Plattenhandler des Vertrauens den Geschmack seiner Stammkunden und konnte diesen entsprechend passende neue Künstler und Platten empfehlen. An diese Stelle sind heute langst Algorithmen getreten, die beispielsweise bei Spotify individualisierte Empfehlungen aussprechen oder über Neuveröffentlichungen informieren, die zum eigenen Musikgeschmack passen könnten. Recommender-Systeme wie diese basieren heute in der Regel auf Algorithmen, die Künstliche Intelligenz beziehungsweise Machine Learning nutzen. Die Empfehlungsdienste aufseiten wie Amazon, Spotify oder Netflix sind die bekanntesten Beispiele für Recommender-Systeme.

Das Grundprinzip, auf denen diese Empfehlungsdienste basieren, ist das Prinzip der Ähnlichkeit: „Wenn Ihnen X gefallt, dann gefallt Ihnen auch Y.“ Recommender-Systeme, manchmal auch „Recommender Engines“ genannt, gibt es in fünf Ausformungen:

1. Kollaboratives Filtersystem: Das Verhalten einer großen Zahl von Nutzern wird anonymisiert analysiert, um ein Muster zu erkennen, das wieder auf die Präferenzen des Einzelnen übertragen wird (automatisierter Filter).
2. Demografie-basiertes Filtersystem: Klassifikation von Kundendaten nach demografischen Kategorien wie Alter, Geschlecht oder Wohnort.
3. Content-basiertes Filtersystem: Ähnliche Eigenschaften von Content oder Produkten sind die Grundlage von Empfehlungen.
4. Wissensbasiertes Empfehlungssystem: Analyse des Warenkorbs beziehungsweise historischer Daten, um individuelle Wunsche und Bedürfnisse zu erkennen.
5. Hybrides System: Kombination der Systeme von 1-4.

Recommender-Systeme optimieren Customer Journey

Recommender-Systeme optimieren die Customer Journey in zweierlei Hinsicht: Zum einen bieten sie eine Möglichkeit, diese zu individualisieren (Personalisierung) und zum anderen bieten sie eine 360-Grad-Sicht auf den Kunden. Denn jeder Kontakt mit einem Kunden – ganz gleich ob B2B oder B2C – sollte nicht als singuläres Ereignis betrachtet werden. Aus der Perspektive der Customer Journey geht es vielmehr darum, jeden Kontakt als Teil eines großen Ganzen zu begreifen.
Instrumente wie Recommender-Systeme verfolgen als zentrales Anliegen die optimale Fortführung der Customer Journey. Die wichtigste Frage lautet: Welcher Inhalt, welches Produkt oder welche Information ist zu einem bestimmten Zeitpunkt für meinen Kunden relevant? Um diese Frage zu beantworten, ist es nötig, die Bedürfnisse und Interessen von Nutzern zu quantifizieren und zu analysieren.

Welchen Nutzen hat der Kunde?

Kunden profitieren in mehrerlei Hinsicht von Recommender- Systemen. Sie bekommen zu ihren Interessen, ihrem Geschmack oder ihren Bedürfnissen passende Inhalte oder Produkte präsentiert, ohne selbst danach suchen zu müssen. Kunden können von Rabatten oder Angeboten profitieren, die ihnen passend zu ihrem Warenkorb angeboten werden. Die Auswahl oder Produktpalette von bestimmten Anbietern beziehungsweise Seiten wird transparenter und leichter vergleichbar. Die Erfahrung des Kunden wird insgesamt dadurch verbessert, dass er mehr nützliche Informationen oder Angebote erhalt. Gemas einer IDC-Studie für den deutschen Markt klicken 74 Prozent der Befragten die Empfehlungen direkt an. Davon wiederum kaufen 35 Prozent ein empfohlenes Produkt sogar spontan und 28 Prozent nahmen die Vorschlage in ihre Merklisten auf [1].

Welchen Nutzen hat das Unternehmen?

Unternehmen auf der anderen Seite profitieren von einer besseren Kundenbindung, da diese aufgrund der positiven Kundenerfahrung loyaler werden. Durch Automatisierung von Entscheidungsprozessen werden weniger Ressourcen benötigt. Empfehlungsdienste erhöhen die Interaktionsmöglichkeiten zwischen Kunden und Angeboten. Einerseits wird dadurch die Aufenthaltsdauer von Kunden auf einer Seite verlängert. Andererseits besteht die Möglichkeit des Cross-Sellings. Seiten wie Amazon nutzen beispielsweise Recommender-Systeme, um seinen Kunden individualisierte Angebote zu zeigen, die zum ausgewählten Produkt oder zum Warenkorb passen. Das Ziel ist in beiden Fallen die Steigerung der Umsätze. Unternehmen können auch von einer Verbesserung der Entscheidungsqualität profitieren. Recommender-Systeme lassen sich beispielsweise auch unternehmensintern als Tools für die Verbesserung der Employer Experience einsetzen. Wenn Mitarbeiter mit großen und komplexen Mengen von Informationen umgehen müssen, können Recommender-Systeme dabei helfen Priorisierungen vorzunehmen, um Entscheidungen zu erleichtern. Auch Chatbots können diese Aufgabe übernehmen. Recommender-Systeme liefern die Grundlage, um das Marketing zu verbessern: Next-Best-Action- beziehungsweise Next-Offer-Marketing sind zwei Möglichkeiten, um Recommender-Systeme in diesem Bereich einzusetzen. Dabei geht es darum zu antizipieren, was der Kunde am wahrscheinlichsten sucht und was wahrscheinlich der nächste Schritt auf seiner Customer Journey sein wird. Das Ziel ist, zum einen die Absprung-Rate auf diese Weise zu reduzieren und zum anderen die Konversionsrate zu maximieren.

Die Vorteile von Recommender-Systemen auf einen Blick:

•  Besseres Verständnis der eigenen Kunden und deren Bedürfnisse
• Personalisierung der Customer Journey
• Optimierung der Customer Journey durch Next-Best-Action und
• Next-Offer-Marketing
• Erhöhung der Kundenbindung
• Steigerung der eigenen Relevanz durch bessere Platzierung von Inhalten, Produkten und Angeboten
• Steigerung der Aufenthaltsdauer der Kunden
• Möglichkeiten zum Cross-Selling
• Verbesserung der Entscheidungsqualität
• Steigerung der Umsatze
• Reduzierung der Absprungrate
• Steigerung der Konversionsrate

Grundlage: Große Datenmengen und Datenqualität

Die großen Datenmengen, die heute in den Unternehmen verfügbar sind, schaffen die optimalen Voraussetzungen, um darin nach Mustern und Ähnlichkeiten zu suchen. Essenziell für das Funktionieren von Recommender-Systemen ist jedoch die Datenqualität. Wenn Fake-
Accounts oder automatisierte Bots die Datengrundlage verfälschen, um beispielsweise ein bestimmtes Produkt zu pushen, wird die Anwendbarkeit von Recommender-Systemen untergraben.

Anwendungsbereiche für Recommender-Systeme

Die Vielfalt an Anwendungsmöglichkeiten für Recommender-Systeme ist gros. In den Industrien, in denen diese Systeme bislang eingesetzt wurden, waren sie maßgeblich für das Wachstum in diesen Bereichen verantwortlich. Sei es bei digitalem Content von Streaming-Diensten wie Netflix, Zeitungen, Onlinemagazinen oder sozialen Netzwerken auf Basis von Beliebtheit, bei Hotelempfehlungen auf Basis von Bewertungen oder im Retail und Handel bei Produktempfehlungen auf Basis von Warenkorbanalysen. Zukünftige Anwendungen sind überall dort denkbar, wo es um die Verbesserung und Optimierung der Customer Journey geht. Vor allem der Einsatz von Künstlicher Intelligenz (KI) und Tracking steigert die Möglichkeiten und die Qualität von Recommender-Systemen zusätzlich. Ebenfalls im Zentrum der Anwendbarkeit von Recommender-Systemen steht die Personalisierung etwa im Bereich Marketing. Im Unternehmenskontext lassen sich Wissensdatenbanken nach Relevanz sortieren, um Zugriff auf wichtige Inhalte zu erleichtern. Insbesondere die Kombination von KI und Recommender-Systeme sind eine der attraktivsten Neuerungen in diesem Bereich. Das macht sie zu einem der aussichtsreichsten Tools, um aus Daten effektiv Werte zu schaffen.

Fazit: Das richtige Angebot zum richtigen Zeitpunkt

Recommender-Systeme bieten allen voran die Möglichkeit, unterschiedliche Unternehmensbereiche intelligent miteinander zu verknüpfen. Insbesondere im Marketing, bei dem es darum geht, das richtige Angebot oder den richtigen Inhalt zum richtigen Zeitpunkt am richtigen Ort zu präsentieren, profitiert von Recommender-Systemen.

 

Herausgeber: Stefan Schulte & Torsten Schwarz
Verlag: marketing-BÖRSE
Seitenanzahl: 319 Seiten

Print: ISBN 978-3-943666-11-3

Print-Ausgabe, Preis 37,29 Euro* EUR

JETZT BESTELLEN

 

Literatur

[1] Rosentraeger, St. (2014): Personalisierung sorgt für Shopping ohne Grenzen.
Onlinemarketing.de. https://onlinemarketing.de/news/personalisierung-sorgtfuer-
shopping-ohne-grenzen – Zugriff 01.10.2019