Die Produktvielfalt, die es heute gibt und die uns insbesondere durch das Online-Shopping vor Augen geführt wird, scheint schier grenzenlos. Das ist einerseits eine große Bereicherung, weil dadurch jeder die Möglichkeit bekommt, genau das Produkt kaufen zu können, das am besten zu seinen Bedürfnissen passt. Andererseits bringt diese Vielfalt die Herausforderung mit sich, sich orientieren zu müssen und Produkte, die zum Teil sehr ähnlich sind, miteinander vergleichen zu müssen. Eine Möglichkeit besteht darin, sich auf eine bestimmte Marke oder eine bestimmte Lösung zu beschränken. Nicht ohne Grund sehen wir heute vermehrt starke Marken und den Trend zur Diversifizierung und der Entstehung von geschlossenen Ökosystemen. Das allein genügt aber heute nicht mehr. Die andere Lösung, die Kunden Orientierung verschafft, sind Recommender Systeme. Dieser datenbasierte Ansatz verschafft enorme Vorteile und sorgt für eine optimale Customer Journey.

Recommender Systeme als Voraussetzung für Next-Best-Action- bzw. Next-Offer-Marketing

Die Customer Experience von Kunden soll so optimal wie möglich gestaltet sein. Wenn den Kunden dadurch Zeit und Mühe erspart wird, weil sie sich nicht selbst durch eine Unmenge von verschiedenen Produkten arbeiten zu müssen. Ein Recommender System ist die Grundvoraussetzung für Next-Best-Action-Marketing bzw. Next-Offer-Marketing. 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 es, zum einen die Absprung-Rate auf diese Weise zu reduzieren und zum anderen die Konversions-Rate zu maximieren.

Ein Recommender System kann dies auf unterschiedliche Arten erreichen. Dabei kommt es vor allem auf die Datengrundlage und die Vorhersagemethoden an, die hier den Unterschied machen.

Linktipp: Mit diesen 5 Maßnahmen sorgen Sie für eine optimale Datenqualität.

Individuelles vs. Kollektives Recommender System

Es gibt zwei Typen von Recommender Systemen. Auf der einen Seite sogenannte individuelle und auf der anderen Seite kollektive Recommender Systeme. Einmal beruht die Empfehlung auf der Analyse von persönlichen Präferenzen des einzelnen Kunden. Zum anderen kann eine Empfehlung auf der Analyse anderer Kundenentscheidungen, also eines „Kollektivs“ erfolgen (Big Data). Dabei lautet die zugrundeliegende These: Kunden, die ein bestimmtes Produkt gekauft haben, interessieren sich mit einer gewissen Wahrscheinlichkeit auch für ein anderes Produkt.

Im Prinzip lässt sich hier auch noch ein dritter Typus von Recommender Systemen anführen. Denn es lässt sich auch eine hybride Form aus individuellem und kollektivem Recommender System bilden. Bei beiden bzw. allen drei Typen ist zu beachten, dass sie mit der neuen Datenschutzgrundverordnung in Einklang stehen müssen. Das bedeutet, dass Daten beispielsweise zur bzw. vor der Analyse anonymisiert werden müssen und Kunden um das Einverständnis zur Nutzung ihrer Daten gebeten werden müssen.

Verbesserung der Entscheidungsqualität

Recommender Systeme gibt es nicht nur im Bereich der Produktempfehlung. Vielmehr sind diese nur eines von vielen Beispielen für ein Empfehlungssystem. Ganz allgemein lassen sich Recommender Systeme definieren als Tools, die mit großen und komplexen Mengen von Informationen umgehen, um Priorisierungen vornehmen zu können und Entscheidungen zu erleichtern. Auch Chatbots können diese Aufgabe beispielsweise übernehmen. Gegenstand von Recommender Systemen kann jede Form von Content werden. Dabei lassen sich drei Kategorien von Entscheidungsgrundlagen unterscheiden:

1. Informationen über den Anwender (z.B. persönlicher Geschmack, Kaufshistorie etc.)
2. Informationen über die Produkte, Dienstleistungen und andere Gegenstände selbst (z.B. Essen, Filme, Bücher, Technik, Autos etc.)
3. Informationen über Transaktionen oder ähnliche Prozesse (z.B. Recruiting, Finanztransaktionen, Geschäftsentscheidungen etc.)

Das Ziel ist dabei immer gleich: Die Entscheidungsqualität der Nutzer soll durch die Recommender Systeme verbessert werden. Essentiell für das Funktionieren von Recommender Systemen ist 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.

Ausblick: Große Anwendungsvielfalt von Recommender Systemen

Entsprechend groß ist die Vielfalt bei den Recommender Systemen. 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 etwa bei Streaming-Diensten, Zeitungen, Online-Magazinen oder Sozialen Netzwerken auf Basis von Beliebtheit,
• Hotel-Empfehlungen auf Basis von Bewertungen
• oder im Retail und Handel bei Produkt-Empfehlungen auf Basis von Warenkorb-Analysen

Zukünftige Anwendungen sind überall dort denkbar, wo es um die Verbesserung und Optimierung der Customer Journey geht. 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 (Künstlicher Intelligenz) 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.