Maßgeschneiderte Empfehlungen für das Onlineshopping
Empfehlungssysteme werden im Zusammenhang mit Onlineshopping genutzt. Typischerweise empfiehlt das System auf der Basis der zuvor vom Anwender getroffenen Auswahl weitere Artikel. Solche "kollaborativen Filtersysteme" sind jedoch nicht besonders lernfähig und werden vielleicht niemals begreifen, dass ein Verbraucher an einem Produkt interessiert sein könnte, das noch nicht so weit verbreitet ist. Andernfalls verwendet ein System Inhaltsfilter, um zusätzliche Produkte auf der Basis der zuvor getätigten Einkäufe des Verbrauchers zu empfehlen. Auch dies ist wirkungslos, da die angebotenen Produkte den gekauften Produkten sehr ähnlich und somit redundant sind. Das EU-finanzierte Projekt ASSORTMENTCUSTOMIZE will Softwareverfahren entwickeln, mit denen Empfehlungen auf Anwender entsprechend deren individuellen Merkmalen zugeschnitten werden. Es verwendet Einkaufsdaten, um die Verbraucherschicht zu bestimmen sowie situationsbezogene Faktoren, die auf Interesse, Zweck oder Alter basieren. Das System nutzt diese Schichten und Produktkategorien zusammen mit dem Produktpreis und den Kosten, um die beste Vorschlagsliste für den speziellen Verbraucher zusammenzustellen. Jede weitere Entscheidung, die der Verbraucher in der Zukunft trifft, wird den Algorithmus verfeinern. Solche Berechnungen sind üblicherweise zeitaufwändig. Das im Projekt ASSORTMENTCUSTOMIZE entwickelte Tool wird jedoch in der Lage sein, dies schnell zu berechnen, da es eine innovative Programmierung einsetzt. Einzelhändler werden den Kunden dadurch Produktempfehlungen geben können, die ihren Merkmalen entsprechen, so dass das Tool zur Gewinnmaximierung beiträgt. Die Algorithmen werden im Rahmen des Projekts auf den Marktplätzen des Kabelfernsehens getestet, aber die Technologie wird in anderen Zusammenhängen nutzbar sein, in denen eine große Auswahl zur Verfügung steht. In der ersten Projektphase wurden die ursprünglichen Parameter des Modells neu konzipiert, um die Software in die Lage zu versetzen, gleichzeitig eine beliebige Anzahl von Kundenmerkmalen lernen zu können. Zuvor konnte es nur ein Merkmal zur selben Zeit lernen. Man erhielt im Projekt auch eine große Menge an Auswahldaten eines amerikanischen Videohändlers, die die Grundlage für die für das Projekt erforderliche Kundenhistorie bilden. Simulationen mithilfe dieser Daten und eines optimierten Algorithmus' führten zu einer funktionsfähigen Webversion eines Prototypen. Es wurden zahlreiche weitere Softwareoptimierungen erzielt. In der nächsten Phase wurde das System im Juni 2013 mit mehr als 2.000 Nutzern getestet. Dadurch werden die Ergebnisse realistischer. Ein Artikel mit den Ergebnissen wird dem angesehenen Fachjournal Management Science vorgelegt.
