Der Schlüssel zu mehr Kunden und zu einer deutlichen Umsatzsteigerung in heutigen, durch immer höheren Kosten- und Margendruck gekennzeichneten Überangebotsmärkten heißt "Empfehlen" statt "Verkaufen"!

Online-Shopping-Pioniere wie Amazon.com haben es vorgemacht und bewiesen: Je nach Produktgruppe zwischen 10 bis 20 Prozent Mehrumsatz im Webshop durch gezielte, automatisierte Artikel-Empfehlungen in den "Long Tail" des Gesamtsortiments hinein. Auch deutsche Unternehmen haben mittlerweile dieses enorme Potential erkannt. Quelle.de konnte z.B. nach der Einführung ihrer Recommendation-Engine-Lösung Anfang 2006 den Anteil von Cross-Selling-Artikeln an der Marktplatz-Nachfrage sogar mehr als verzehnfachen!

Die METRO-Gruppe geht noch einen Schritt weiter und prüft gegenwärtig den Realtime-Recommendation-Ansatz für die physische Einkaufswelt in ihrem Future-Store. Über sog. Personal Shopping Assistants (PSA) - am Einkaufswagen installierte Displays - werden die jeweiligen Artikel vom Kunden selbst erfasst. Unmittelbar dabei werden ihm, auf seinen bisherigen Einkauf perfekt abgestimmte, weitere Artikel-Empfehlungen in Echtzeit unterbreitet.

Wie gelangt nun aber das Wissen über Verbundkäufe und Nachfrageketten, über Präferenzen, Vorlieben und Verwendungsgewohnheiten in die IT-gestützten Empfehlungsmaschinen?

Um Verbundkäufe zu identifizieren, können einerseits Verfahren der Warenkorb-Analyse (mit zeitlichem Bezug der Sequenz-Analyse oder der sequentiellen Warenkorb-Analyse) andererseits aber auch Methoden des so genannten Collaborative Filtering (CF) zum Einsatz kommen. Hierbei wird die Artikel-Affinität jedes Kunden zu jedem Artikel (Kunden-Artikel-Matrix) auf der Grundlage ähnlicher Artikel oder ähnlicher Kunden berechnet.

• Artikel-basierter Ansatz: Zu einem Artikel A und einem Kunden B werden genau die Artikel X,Y,Z, ... aus allen historischen Artikel-Interaktionen (gekauft, angeklickt, gesucht, bewertet, retourniert, ...) des Kunden B ermittelt, die dem Artikel A am Ähnlichsten sind. Deren (gewichtete) Kunden-Affinitäten zu B werden in einem zweiten Schritt zur Berechnung der Affinität A-B herangezogen.


• Kunden-zentrierter Ansatz: Zu einem Artikel A und einem Kunden B werden genau die Kunden C,D,E, ... ermittelt, die B am Ähnlichsten sind. Deren (gewichtete) Artikel-Affinitäten zu A werden dann zur Berechnung der Affinität A-B herangezogen.

Wenn Sie im Detail erfahren möchten, welche Ansätze sich in der Praxis bewährt haben und welche weiteren Aspekte wie z.B.

• A/B- und multivariate Tests ("Lab on the Web"),
• Ähnlichkeits-Metriken und -Distanzmaße,
• Rolle von Artikel-Kategorien/-Hierarchien,
• Umgang mit dünn-besetzten Kunden-Artikel-Matrizen,
• Artikel-"Schnelldreher" im Sortiment,
• Collaborative Filtering (CF) bei Neukunden - was tun?,
• Berücksichtigung der Artikel-Eigenschaften (Marke, Autor, Komponist, ...),
• Affinitäten des Kunden (Farbe, Größe, Modell, ...) berücksichtigen,
• Verfügbarkeitsprüfung und Business Rules,
• Artikel-Preise und Preisoptimierung (PriMini - Price Mining),
• ...

für einen Umsatzsprung i.H.v. 10-20 Prozent im Webshop verantwortlich sind, dann klicken Sie bitte hier.

Weiterführende wissenschaftliche Literatur zu Recommendation Engines finden Sie unter diesem Link.

Die konsequente Weiterentwicklung und nächste Generation einer Recommendation Engine ist ein Kunden-Interaktionsserver.