Empfehlungssysteme als eine Ausprägung der Personalisierung, bieten einen Ansatz, den fehlenden Verkäufer zu kompensieren und die Informationsüberflutung zu überwinden. Dadurch kann die Benutzerzufriedenheit gesteigert werden. Allerdings ist ein sensibles Vorgehen gefragt: Denn durch künstliche Intelligenz kann der Eindruck geweckt werden, dass der Algorithmus den angesprochenen Käufer besser kennt, als dass er sich selbst kennt. 
In welchem Maß ein Webshop individuell auf den User reagieren kann, hängt primär von der Grundfrage ab, auf welche persönlichen Daten Zugriff besteht.  

Das Sammeln von Daten – im Onlineshop wie im Einzelhandel 

Die Autoren Bernard und Mühling vergleichen das Sammeln von Daten eines Webshops mit dem Einkaufsprozess im stationären Einzelhandel. Das Setzen eines Cookies ist mit dem 
Erinnerungsvermögen eines Verkäufers gleichzustellen. In einem Webshop werden die persönlichen Daten wie zum Beispiel Name und Konfektionsgröße gespeichert, während sich der lokale Verkäufer an seinen Kunden vom letzten Einkauf erinnert oder nachfragt. 

Anstatt eine Suchanfrage im Webshop zu stellen, wird der lokale Verkäufer zum Beispiel darum gebeten, rote Schuhe herauszusuchen und es werden unterschiedliche Varianten gezeigt. Der Verkäufer orientiert sich an der Reaktion des Kunden auf die unterschiedlichen Schuh-Modelle. Im Webshop würde ein Algorithmus die Vorlieben des Kunden beispielsweise anhand des Klickverhaltens versuchen herauszufinden, denn der Kunde im Internet ist schweigsamer als im Einzelhandel.

Es gibt verschiedene Ansätze, wie bei Produktempfehlungen vorgegangen werden kann. Im Folgenden werden zwei häufig verwendete Verfahren vorgestellt. 

Inhaltsbasierte Empfehlungen – Ihre Reaktion steht im Mittelpunkt 

Das inhaltsbasierte Verfahren beruht ausschließlich auf der Reaktion des Users auf bestimmten Empfehlungen. Die benötigten Informationen beziehen sich also weniger auf die statistischen Eigenschaften der Kunden, sondern auf die Produkteigenschaften, welche datenschutzrechtlich weitestgehend unbedenklich sind. Mithilfe von Cookies werden Verhaltensdaten in einen internen Speicher geschrieben. Bei einem erneuten Aufruf des Webshops besteht die Möglichkeit, auf die hinterlegten Daten erneut zuzugreifen.

Grundvoraussetzung für inhaltsbasierte Empfehlungen ist ein detailliert gepflegter Produktkatalog bzw. ausführliche Metadaten. Der Algorithmus wird lernen, auf welche Produkte und Produkteigenschaften ein User positiv reagiert. Zum Beispiel werden schwarze Schuhe mit Schnürsenkeln verhältnismäßig lange betrachtet. Schuhe mit Reißverschluss werden stattdessen nicht geöffnet oder direkt wieder geschlossen. In einigen Branchen ist das Pflegen der Metadaten einfacher und in manchen Branchen ist es schwieriger. Beim Videostreaming ist beispielsweise in der Regel nirgends die ganze Handlung beschrieben und das System orientiert sich an anderen Daten, wie z. B. am Regisseur oder an den Schauspielern. Aber nur weil der gleiche Regisseur oder die gleiche Schauspielerin in zwei Filmen mitgespielt haben, heißt das ja nicht, dass sich die Filme direkt ähnlich sind.

Collaborative Filtering – die Macht der Warenkorb-Analyse  

Jetzt erläutern wir Ihnen noch eine weitere Vorgehensweise von Empfehlungssystemen, die Sie selbst bestimmt auch schon einmal gesehen haben:

Wenn auf ein Produkt geklickt wird, erscheinen häufig auf der Produktdetailseite Vorschläge für Artikel, welche Kunden gekauft haben, die das gerade aufgerufene Produkt auch gekauft haben. Dieses Verfahren basiert auf dem Auszählen von Warenkörben und wird Collaborative Filtering bzw. kollaboratives Filtern genannt. Je nachdem, welches Produkt aufgerufen wird, gibt es individuelle Vorschläge zum gerade aufgerufenen Produkt. Beispielsweise wird ein Pullover häufig von einer bestimmten Personengruppe zusammen mit einem Strampelanzug gekauft. Daher wird er anderen Personen, die der Personengruppe ähnlich sind, auch angezeigt. Wenn dieser Strampelanzug allerdings auch Frauen ohne Kindern ausgespielt wird, weil die Personengruppen nur grob selektiert werden können, wird deutlich, dass es hier noch Potenzial der genaueren Personalisierung gibt.  

Die Vorschläge des Collaborative Filtering basieren auf der Datenanalyse und gehen von einem speziellen Ansatz aus. „Wenn einem Nutzer Produkte vorgeschlagen werden, welche andere Nutzer mit vergleichbarem Profil in einem vergleichbaren Zustand ausgewählt haben, so stellen diese die besten Empfehlungen dar. Oder anders gesagt: Es wird empfohlen, was ein Nutzer statistisch ohnehin mit höchster Wahrscheinlichkeit auch ohne Empfehlungen ausgewählt hätte“. 

Dieser Ansatz funktioniert in der Praxis gut, sollte aber kritisch hinterfragt werden, da sich ein Nutzerverhalten ändern kann. Zudem könnte es sein, dass die Produkte auch ohne Empfehlung gekauft würden und dann wäre es vielleicht sinnvoller, diejenigen Produkte vorzuschlagen, deren Empfehlung den höchsten Wirkungsgrad der Änderung des Nutzerverhaltens hätte. 

Ausblick 

Empfehlungssysteme können perspektivisch den Wert der Kunden über deren gesamte Customer Journey steigern. Neben Empfehlungen gibt es eine Vielzahl an weiteren Personalisierungsverfahren, wie zum Beispiel dynamische Preise, persönliche Rabatte und Bundles. Alles miteinander kombiniert, steht dem Erfolg Ihres Online-Shops nichts mehr im Weg. 

---

Quellen
Bernhard, M., Mühling, T. (2020): Verantwortungsvolle KI im E-Commerce
Scholz, J. (2019): Next Best Action – Recommendation Systeme Next Level, in: Gentsch P., Künstliche Intelligenz für Sales, Marketing und Service
Hosseinzadeh, M. et al. (2020): A Systematic Study on the Recommender Systems in the E-Commerce