E-Business

Modul zur Vertiefung

Anwendungsgebiete & Beispiele

Anwendungsgebiete & Beispielen Empfehlungssystem

Empfehlungssysteme finden mittlerweile in vielen Bereichen und Branchen Anwendung: E-Commerce, Streaming-Dienste, Soziale Medien, Online-Werbung, Reisebranche, Bildung, Gaming, Finanzdienstleistungen, Gesundheitswesen, Personalisierung von Content

Damit werden die zwei Beispielen von der große Streaming-Dienst Netflix, klassische E-Commerce-Anbieter wie Amazon und spezielle Empfehlungssysteme für contentbasierte Werbung gezeigt.
amazon
spotify
netflix
linkedin
instagram
tinder
tripadvisor
reddit
tiktok 



















Anwendungsgebiete des Empfehlungssystems




























E-Commerce











https://www.ionos.de/digitalguide/online-marketing/verkaufen-im-internet/so-nutzen-sie-empfehlungssysteme-im-e-commerce/















Online-Shops verwenden Empfehlungssysteme, um personalisierte Produktempfehlungen für Kunden bereitzustellen, basierend auf deren bisherigem Verhalten, Einkäufen und Präferenzen.






















Plattformen für Musik, Filme und Videos nutzen Empfehlungsalgorithmen, um Benutzern Inhalte vorzuschlagen, die ihren Vorlieben entsprechen. Beispiele hierfür sind Netflix, Spotify und YouTube.









Streaming-Dienste









https://t3n.de/news/spotify-startseite-update-1368704/


























Soziale Medien






















Plattformen wie Facebook, Twitter und Instagram verwenden Empfehlungssysteme, um Benutzern Inhalte, Freunde oder Seiten vorzuschlagen, die zu ihren Interessen passen.
Like und Dislike ist auch ein Teil der Daten, die zur Optimierung des Empfehlungssystems beitragen. 


















Werbeplattformen setzen Empfehlungssysteme ein, um personalisierte Anzeigen für Benutzer zu erstellen, basierend auf deren demografischen Daten, Verhalten und Interessen.









Online-Werbung









http://www.watchyourweb.de/p496060663_563.html






















Reisebranche






















Reise- und Buchungsseiten können Empfehlungssysteme verwenden, um Benutzern personalisierte Vorschläge für Hotels, Flüge, Restaurants und Aktivitäten zu unterbreiten.


















In der Gaming-Industrie werden Empfehlungsalgorithmen eingesetzt, um Spielern Spiele, In-Game-Items oder Freunde vorzuschlagen, die zu ihren Spielvorlieben passen.









Gaming









https://store.steampowered.com/






















Finanzdienstleistungen









https://www.finanzberatung-bierl.de/leistungen/berufsunfaehigkeit/bu-sonderaktionen/













Banken und Finanzdienstleister können Empfehlungssysteme verwenden, um ihren Kunden personalisierte Angebote für Kredite, Versicherungen oder Anlageprodukte zu machen.


















Plattformen und Websites aller Art können Empfehlungssysteme nutzen, um den Benutzern personalisierte Inhalte, Nachrichten oder Produkte bereitzustellen.









Personalisierung von Content









https://www.produktbezogen.de/wp-content/uploads/2020/05/Amazon-DE-Image-04.jpg




























Streaming-Dienst: Empfehlungssystem von Netflix


































Alles ist eine Empfehlung


















Über 80 % 





der von Mitgliedern gesehenen Sendungen stammen aus denen Empfehlungen













































Wie das Netflix-Empfehlungssystem funktionieren?









Um den Nutzern personalisierte Empfehlungen zu bieten, hat Netflix ein proprietäres, komplexes Filmempfehlungssystem entwickelt.

Der Video-Streaming-Dienst Netflix hat erst Anfang 2016 ein neues Empfehlungssystem in die Plattform integriert. Überarbeitet wurde der Algorithmus, der jedem Netflix-Nutzer passend zu seinem persönlichen Geschmack Filme und Serien ausspielt. Die Personalisierungsalgorithmen von Netflix berücksichtigen keine Daten wie Alter oder Geschlecht.









Zeilen, Rankings und Titeldarstellungen sind Teil des Netflix-Empfehlungssystems.

Jede Reihe hat drei Personalisierungsebenen:
– Die Auswahl der Zeile (z. B. Trending Now, Popular on Netflix, Netflix Originals)
– Welche Titel erscheinen in der Zeile
– Das Ranking dieser Titel











Clicken, um die Definition für jede Kategorie zu sehen :)







































Wie Netflix seine Bibliothek zusammenstellt?






















Netflix muss dafür sorgen, dass die Empfehlungen speziell auf jeden einzelnen Nutzer angepasst sind.


Netflix verwendet auch Techniken zur Ähnlichkeit von Mitgliedern, um die Empfehlungen zu unterstützen. Wenn ein Nutzer mit den Interessen eines anderen Nutzers übereinstimmt, generiert Netflix Empfehlungen für den neuen Nutzer, die dem Geschmack und den Vorlieben des anderen Nutzers sehr ähnlich sein werden.
































Die Bedeutung von Zeilen für Netflix













Clicken zu sehen, wie Netflix benutzt Zeilen für die Empfehlung 🙂


















Auf diese Weise können Netflix-Mitglieder mehr Zeit mit dem Ansehen von Titeln verbringen (während Netflix mehr Daten für den Algorithmus sammelt) und weniger mit der Suche nach neuen Titeln. 






















Wie Netflix Bilder zur Optimierung von Empfehlungen nutzt



















 









































Quizzzzz!!!

































E-commerce: Produktempfehlungen auf Amazon und Co
































Amazon





















Im E-Commerce betreibt man mit Produktempfehlungen im Grunde klassisches Cross-Selling: Man zeigt Nutzern zueinander passende oder sich ergänzende Produkte. Vorreiter solcher Produktempfehlungen ist Amazon, das als Marktführer des Onlinehandels einen riesigen Pool an nutzergenerierten Daten zur Verfügung hat. Schon früh hat der E-Commerce-Riese erkannt, dass sich mit den richtigen Produktempfehlungen die Warenkörbe der Kunden schneller füllen. Mittlerweile findet man an unterschiedlichen Stellen des Kaufprozesses bis zu fünf verschiedene Formen von Produktempfehlungen:









    

  • „Kunden, die diesen Artikel angesehen haben, haben auch angesehen“
    • 




  • „Kunden, die diesen Artikel gekauft haben, kauften auch“
    • 




  • „Wird oft zusammen gekauft“
    • 




  • „Welche anderen Artikel kaufen Kunden, nachdem sie diesen Artikel angesehen haben?“
    • 




  • „Ihre zuletzt angesehenen Artikel und besonderen Empfehlungen – Inspiriert von ihrem Browserverlauf“
    • 






































Amazon und Kollaborative Filterung









2.1. Benutzerbasierte kollaborative Filterung

Amazon verwendet benutzerbasierte kollaborative Filterung, um Benutzer mit ähnlichem Geschmack und ähnlichen Vorlieben auf der Grundlage ihres historischen Verhaltens zu identifizieren. 

In diesem Beispiel zeigt der Kaufverlauf, dass das grüne und das rote Mädchen zwei gleiche Früchte gekauft haben. Im Gegensatz dazu hat das grüne Mädchen nur ein Produkt mit dem blauen Mädchen gemeinsam. Daher wird das System dem grünen Mädchen andere Produkte empfehlen, die das rote Mädchen gekauft hat









2.2. Artikelbasierte kollaborative Filterung

Bei der artikelbasierten kollaborativen Filterung werden Ähnlichkeiten zwischen Artikeln auf der Grundlage der Käufer identifiziert.

Da in diesem Beispiel die ersten beiden Mädchen die erste Frucht wählen und die dritte Frucht von allen drei Mädchen gewählt wird, würde das System dem dritten Mädchen die erste Frucht empfehlen, da es ihre gemeinsamen Vorlieben erkennt.












Amazon recommandation system User-Based Collaborative Filtering











































Amazon und Inhaltsbasiertes Filtern









Durch Inhaltsbasierte Filterung kann Amazon ähnliche Produkte auf der Grundlage ihrer Merkmale und Eigenschaften empfehlen. 
Zum Beispiel, ein Nutzer hat Interesse am Kauf eines Smartphones mit bestimmten Merkmalen wie einer hochauflösenden Kamera, einem großen Display und einer langen Akkulaufzeit gezeigt. Als Ergebnis der Analyse kann das System Smartphones mit ähnlichen Eigenschaften empfehlen.
























Das Amazon Empfehlungssystem ist so kompliziert! 









Neben den oben genannten Methoden verwendet das Empfehlungssystem von Amazon noch eine ganze Reihe weiterer komplexer Methoden. Hier ist eine Liste für diejenigen, die mehr wissen wollen: 









    

  • Machine Learning und Deep Learning
    • 




  • Deep Neural Networks für die Vorhersage der Click-Through-Rate (CTR)
    • 




  • Rekurrente Neuronale Netze (RNNs) für sequenzielle Empfehlungen
    • 




  • Real-Time Datenverarbeitung
    • 




  • A/B Testing und Experimente
    • 




  • Hybride Ansätze
    • 




  • Kontextuelle Faktoren
    • 




  • Feedback-Schleife
    • 

























Quizzz!!!































Quellen