Recommendation Engines
Eine Recommendation Engine ist ein System, welches personalisierte Produkt- und Content-Empfehlungen für UserInnen bereitstellt. Solche Systeme werden durch Machine Learning Algorithmen angetrieben und nutzen Daten, die Vorwissen über die bekannten Interessen und Interaktionen der BenutzerInnen enthalten.Drei der wichtigsten Ansätze für Recommendation Engines sind:
- Content based filtering: Dieser Ansatz empfiehlt Produkte, die dem ähneln, was ein User oder eine Userin in der Vergangenheit angesehen oder geliked hat. Da die Empfehlungen benutzerspezifisch sind, können sie leicht skaliert werden, um eine große Anzahl von BenutzerInnen zu berücksichtigen. Allerdings bieten diese Empfehlungen den UserInnen nicht die Möglichkeit, andere Produkte als die, die ihnen bisher gefallen haben, zu entdecken.
- Collaborative filtering: Dieser Ansatz basiert auf der Annahme, dass zwei verschiedene UserInnen, die in der Vergangenheit eine Affinität für die gleichen Produkte zeigten, wahrscheinlich auch jetzt und in Zukunft die gleichen Produkte mögen werden. Solche Modelle empfehlen Produkte, die von NutzerInnen mit ähnlichen Interessen geliked oder angesehen wurden. Ein großer Vorteil dieser Methode ist, dass sie kein Domänenwissen über die Produkte erfordert und den NutzerInnen auch die Möglichkeit gibt, Produkte zu erkunden, die sie bereits entdeckt haben. Allerdings können solche Modelle keine Produkte empfehlen, die neu in den Katalog eines Unternehmens aufgenommen wurden, und erfordern daher häufiges Retraining, um diese Produkte in ihre Empfehlungslisten aufzunehmen.
- Hybrid: Dieser Ansatz kombiniert sowohl inhaltsbasiertes als auch kollaboratives Filtern und passt die Empfehlungen entsprechend an.
Anforderungen
Welchen Ansatz sollte Ihr Unternehmen wählen? Bevor Sie sich entscheiden, ist es wichtig, das Konzept der Recommendation Engines aus drei Hauptperspektiven zu beurteilen:Business Objective: Was soll verbessert werden?
Die Identifizierung des Unternehmensziels (Business Objective) ist die erste Voraussetzung, die erfüllt sein sollte, um sicherzustellen, dass die Empfehlungen letztendlich das gewünschte Ergebnis für ein Unternehmen erzielen. Wenn das Ziel beispielsweise darin besteht, den Umsatz mit einer Vielzahl von Produkten zu steigern, dann könnte eine Recommendation Engine so optimiert werden, dass sie den UserInnen vielfältigere Produkte vorschlägt. Wenn aber das Ziel darin besteht, die User Experience zu verbessern, könnten die Empfehlungen beispielsweise auf Produkten basieren, die gut zusammenpassen oder die von UserInnen mit ähnlichen Interessen geliked oder angesehen werden.Ausspielung: Touchpoints und Timing
Ein weiterer wichtiger Aspekt ist, zu verstehen, wie eine Recommendation Engine genutzt werden soll. Werden die Empfehlungen den NutzerInnen zum Beispiel in Echtzeit präsentiert, sobald sie eine Website, eine App oder sogar ein Geschäft vor Ort besuchen? Oder soll die Strategie stattdessen sein, Empfehlungen periodisch über eine E-Mail-, Display- und Video-Werbekampagne auszuspielen? Werden die UserInnen damit interagieren, indem sie zum Beispiel Feedback zu den Empfehlungen geben? Solche Entscheidungen werden sich definitiv nicht nur auf die Machine Learning-Methode, sondern auch auf die Gesamtarchitektur der Recommendation Engine auswirken und sollten daher bereits in einem sehr frühen Stadium der Entwicklungsphase berücksichtigt werden.Data Assessment: Analyse der Daten
Die Entwicklung einer Recommendation Engine, die auf Techniken des maschinellen Lernens basiert, erfordert große Mengen an historischen Benutzer- und Produktdaten. Solche Daten werden in Machine Learning-Modelle eingespeist, um deren Fähigkeit zu optimieren, Vorhersagen über Empfehlungen zu machen. Dies hat zur Folge, dass Daten von schlechter Qualität zu schlechten Empfehlungen führen können (dieses Konzept ist im Machine Learning als “Garbage in, garbage out” bekannt). Eine gute Praxis ist es, die verfügbaren Daten deshalb zu analysieren, und zu beurteilen, ob sie relevant und ausreichend für den Aufbau einer Recommendation Engine sind. Wenn man zum Beispiel weiß, dass der Produktkatalog viele Artikel enthält, wie oft die Daten des Produktkatalogs aktualisiert werden und ob es Daten gibt, die das Feedback der UserInnen erfassen, wird der Entscheidungsfindungsprozess definitiv vereinfacht. Und selbst dann, wenn die Daten vorhanden sind, ist es wichtig, die Fähigkeit zu haben, die geschäftlichen Anforderungen richtig zu identifizieren (Business Understanding) sowie die Daten zu verarbeiten und die Lösung zu implementieren (Cloud & Data Science), um eine Recommendation Engine zu entwickeln, die letztendlich einen Mehrwert für das Unternehmen und seine KundInnen schafft.
Google Cloud Platform Lösungen für Recommendation Engines
Derzeit bietet die Google Cloud Platform vier Möglichkeiten, State-of-the-Art Machine Learning-Techniken zu nutzen und Recommendation Engines in der Cloud einzusetzen:- BigQuery ML
- Recommendations AI
- AI Platform
- Selbst entwickelt & personalisiert mit Tensorflow oder anderen ähnlichen Programmier-Frameworks
Die Nutzung von BigQuery ML für Recommendations
BigQuery ML ist ein großartiges Tool für kostengünstige und schnelle Implementierungen von Recommendation Engines, unterstützt derzeit jedoch nur einen bestimmten Recommendation Type (es empfiehlt UserInnnen nur Produkte, die von anderen UserInnen mit ähnlichen Interessen geliked oder angesehen werden). Die Modelle werden mit SQL erstellt und können in BigQuery über ein Web User Interface angesprochen werden (Rest API, Kommandozeilentools und externe Tools wie jupyter notebooks werden ebenfalls unterstützt). Für Performance-Tests (z. B. A/B-Tests) muss eine separate Implementierung in diese Lösung integriert werden.Recommendations AI – Reco AI
AI Platform
AI Platform ist eine Entwicklungsplattform, die eine schnelle und kosteneffiziente Bereitstellung von ML-Projekten ermöglicht. Sie erfordert definitiv ein gewisses Maß an ML-Expertise und Domain Wissen für die Vorbereitung, Erstellung, Validierung und Bereitstellung von ML-Modellen. Wenn es um Recommendation Engines geht, bietet AI Platform die Möglichkeit, einen der eingebauten Algorithmen (Wide & Deep) zu verwenden, der in der Vergangenheit zur Steigerung der App-Akquisitionen in Google Play verwendet wurde.Selbst entwickelte & personalisierte Recommendation Engines
Self Customized Recommendation Engines hingegen bieten die größte Flexibilität, erfordern aber ML, Domain Expertise sowie einen höheren Entwicklungs- und Wartungsaufwand.Im Folgenden finden Sie eine kurze Zusammenfassung dessen, was die unterschiedlichen Lösungen bieten:
| BigQuery ML | Recommendations AI | AI Platform | Selbst entwickelt & personalisiert | |
|---|---|---|---|---|
| Recommendation Type | “Produkte, die User mit ähnlichen Interessen angesehen haben” | “Weitere Produkte, die Ihnen gefallen könnten” | “Relevanteste Produkte” | Hängt von der gewählten Methode ab, z.B.: “Ähnliche Produkte”, “Produkte, die User mit ähnlichen Interessen angesehen haben” |
| “Oft zusammen gekauft” | ||||
| “Empfehlung für Sie” | ||||
| “Zuletzt angesehen” | ||||
| Methode | Matrix-Faktorisierung | Nicht bekannt | Wide & Deep | Hybrid |
| Datenquelle | Product IDs | Produktkatalog | Produktkatalog | Produktkatalog User events |
| User IDs | User events aus einer Vielzahl von Datenquellen | User events aus einer Vielzahl von Datenquellen | User events aus einer Vielzahl von Datenquellen | |
| Implizites oder explizites Feedback | Optional andere relevante Datenquellen | Optional andere relevante Datenquellen | Optional andere relevante Datenquellen | |
| Domain Wissen | Gering | Gering | Hoch | Hoch |
| Entwicklungsaufwand | Mittel | Gering | Mittel | Hoch |
| Laufzeitkosten | Mittel | Hoch | Mittel | Gering |
| Konfiguration UI | Nein | Ja | Nein | Nein |
| Personalisierung | Gering | Gering | Mittel | Hoch |
| Performance Messung | Individualisierbar | Eingebunden in die Benutzeroberfläche | Individualisierbar | Individualisierbar |
| A/B testing | Individualisierbar | Implizit | Individualisierbar | Individualisierbar |
Sind fertige Recommendation Engines von bekannten Anbietern eine gute Lösung?
Bei der Suche nach Recommendation Engines finden Sie eine Fülle von bekannten Anbietern, die Out-of-the-Box-Software anbieten. Auch wenn viele von ihnen tolle Lösungen anbieten, gibt es einige Punkte, die man beachten muss:- Black box solutions: Die meisten Lösungen nutzen Daten und Techniken des maschinellen Lernens, um die Recommendation Models zu entwickeln. Solche Modelle werden als “Black Box” betrachtet, da es nicht möglich ist, genau zu interpretieren, wie die Variablen miteinander kombiniert werden, um Vorhersagen zu treffen.
- Customization: Fertige Lösungen können dennoch die Möglichkeit bieten, die Recommendation Engine an Ihre Bedürfnisse anzupassen. Zum Beispiel, um
- Empfehlungen über mehrere Touchpoints und Kanäle auszuspielen
- zusätzliche Datenquellen (z.B. Wetterdaten) einzubinden, die für Ihr Unternehmen relevant sein könnten
- Modelle in Abhängigkeit von bestimmten Zielen zu entwickeln (Umsatzmaximierung, Click-Through-Rate etc.)
- spezifische Geschäftsregeln anwenden (z. B. Lagerverfügbarkeit)
- Compliance: Die Lösungen müssen den DSGVO-Standards entsprechen.
- Cost & Return of Investment (ROI): Die relativ hohen Kosten für einen “Out of the Box”-Service können sich in kürzester Zeit amortisieren, wenn die Einrichtung entsprechend den gewünschten Geschäftsanforderungen und -zielen erfolgt.
