Wenn der Server beim Einkaufen hilft
Recommendation Engines liefern passgenaue Einkaufsempfehlungen im Internet-Shop - wie ist der Stand der Entwicklung in diesem Bereich? Ein Interview mit dem Data Mining-Experten Professor Andreas Ittner.
„70 Prozent der Kunden haben sich für das auf dieser Seite angebotene Produkt entschieden“, „Wenn Sie Produkt X haben, könnte Produkt Y für sie interessant sein“.
Solche und ähnliche Empfehlungen finden sich mittlerweile in immer mehr Online-Shops. Das Werkzeug dazu sind „Recommendation Engines“ (Abkürzung: RE), die man auch als eine Art öffentliche Variante von Business Intelligence beschreiben kann. Auf Basis mathematischer Analysen werden die Präferenzen der Nutzer und das Produktangebot mit einander abgeglichen.
Beim Branchenriesen Amazon wächst die Zahl solcher Zusatzelemente stetig an - viele sind hilfreich bei der Kaufentscheidung und zugleich Treiber für wachsende Umsätze.
Wir wollten wissen: Wie ist der Stand der Entwicklung? Für welche Shops lohnt die Investition in eine solche Erweiterung? Um hier Licht ins Dunkel zu bringen, haben wir Professor Andreas Ittner, einen ausgewiesenen Experten in diesem Bereich, um ein Interview gebeten.
Hintergrund: Guter Service, steigende Umsätze
Online-Shopping legt nach wie vor zu, trotz Wirtschaftskrise. Damit das so bleibt, investieren die Shop-Betreiber weiter in Technologien, die Angebot und Nachfrage zusammen führen.
Eine zentrale Rolle spielen hier "Recommendation Engines", die auf Basis mathematischer Analysen die Präferenzen der Nutzer und das Produktangebot mit einander abgleichen. Beim Branchenriesen Amazon wächst die Zahl solcher Zusatzelemente ständig an.
Basis für REs ist Data Mining, das Thema erlebt gerade angesichts der rasant steigenden Datenmengen eine Renaissance. Beim Umgang mit "Big Data" (großen, ständig veränderlichen Informationsmengen) sind Strategien für die Extraktion sinnvoller Informationen gefragt.
Zur Person:
Professor Andreas Ittner ist Forscher, Lehrender und Unternehmensgründer in den Bereichen Business Modeling und Data Mining. Ittner ist Gründer der Prudsys AG und seit 2006 im Aufsichtsrat des Unternehmens. Er hält Patente im Bereich des Data Minings. Außerdem initiierte er den jährlich veranstalteten Data-Mining-Cup und die Data-Mining-Anwendertage, heute der weltweit größte Studentenwettbewerb mit zugehöriger Fachkonferenz. Mehr zur Person hier.
Interview
Als Einstiegsfrage: Welche Rolle spielen Recommendation Engines im Online-Handel?
Ittner: "Recommendation Engines, kurz RE, übernehmen im Online-Handel zunehmend die Rolle des proaktiven Verkäufers, der seine Kunden sowie dessen Bedürfnisse, Wünsche und Erwartungen hervorragend kennt und personalisierte Produkt-/Service-Angebote unterbreitet. Im Idealfall ist das so ähnlich, wie vor Jahrzehnten im Tante-Emma-Laden um die Ecke."
Nutzen das schon alle Shops?
Ittner: "Nach meiner Einschätzung halten gegenwärtig rund 85% aller Shops Empfehlungen für ihre Kunden bereit. Allerdings nutzen nur etwas 30% tatsächliche REs mit automatisch erzeugten, statistisch relevanten und nach betriebswirtschaftlichen Kriterien gefilterten Regeln.
Die restlichen Shops verwenden manuell erzeugte Regelbasen, sowie Bestseller-Listen und Angebotsartikel. "Nach außen" stellt sich dies für die Kunden wie eine tatsächliche RE (im Amazon-Stil) dar. Schaut man sich die Empfehlungen aber genauer an, so trennt sich schnell Spreu und Weizen."
Wie erreichen die Systeme eine wirklich hohe Empfehlungsqualität? Gibt es da einen Königsweg?
Ittner: "Pauschal würde ich keine Favorisierung für spezielle Algorithmen und Verfahren shopbezogen abgeben. Oft führt ein gewichteter Durchschnitt von Ergebnissen unterschiedlicher Ansätze zu besseren Angebotsregeln einer RE.
Die Ergebnisse der momentan Erstplatzierten beim größten internationalen RE-Wettbewerb Netflix Prize, bei dem es 1 Million US-Dollar zu gewinnen gibt, sind meist Kombinationen aus unterschiedlichen Ansätzen.
An meiner Professur an der Hochschule Mittweida schauen wir uns z.B. einzelne dieser Ansätze im Rahmen mehrerer Forschungsprojekte sehr genau an und entwickeln diese praxisbezogen weiter. Darüber müssen die statistisch via Algorithmen generierten RE-Regeln vor ihrem Einsatz auch "durch die betriebswirtschaftliche Brille" betrachtet werden."
Wie verändert sich der Blick auf die Regeln, die eine RE produziert, durch die „betriebswirtschaftliche Brille“? Ein Beispiel?
Ittner: "Vielleicht möchte ich als Shop-Betreiber keine preiswerteren Artikel oder Artikel mit einer geringeren Marge anbieten? Auch die Artikelverfügbarkeit spielt eine wichtige Rolle. Denn, wer freut sich schon über sein Weihnachtsgeschenk am 28.12."
Kann man eine Prognose abgeben, wie sich der Einsatz einer Recommendation Engine auf den Umsatz eines Shops auswirkt?
Ittner:"Zwischen 5-20% Mehrumsatz sind keine Seltenheit. Diese Steigerungen resultieren zum einen aus einer höheren CR (Conversion Rate - aus Shop-Besuchern werden Kunden) und zum anderen aus einem höheren Umsatz pro Warenkorb. Der "Hebel" liegt hier eindeutig bei der Verführung des Kunden. Zum Vergleich: Im stationären Handel werden über 50% aller Kaufentscheidungen spontan in der Filiale getroffen. Die Spontankaufquote ist im eCommerce bei weitem nicht so hoch. Dies bedeutet aber auch, dass hier noch genügend Freiraum für wirklich gute RE-Ansätze gegeben sind."
Gibt es einen Online-Shop, bei dem die Empfehlungs-Systeme besonders gut eingesetzt werden?
Ittner:"Ein mustergültiger Shop, von dem man sehr viel darüber lernen kann, wo und wie man überall Empfehlungen mit seinem Shop-System verzahnen kann, ist für mich Amazon.com (Newsletter- und Wunschlisten-Integration, Lieblingslisten, Rezensionen, Tagging, etc.)."
Welche Kosten bringt der Einsatz einer Recommendation Engine mit sich? Wie lange dauert es bis zur Amortisation?
Ittner: "Die Kosten für den Einsatz einer Recommendation Engine variieren von wenigen hundert Euro pro Monat für Miet-/ASP-Modelle bis hin zu fünfstelligen Beträgen für Softwarelizenzen und -integrationsprojekten.
Gehen wir im Durchschnitt von 12% Mehrum