Was ist eine Content Recommendation Engine?

Eine Content Recommendation Engine ist der Prozess und die Plattform, die entscheidet, welche Inhalte den einzelnen Nutzern empfohlen werden sollen. Oft geht es dabei darum, den Besuchern einer Website auf der Grundlage ihres Nutzerprofils Inhalte wie Blogartikel oder Produkte zu zeigen.

Unternehmen, die ihren Online-Kunden ein personalisiertes Erlebnis bieten wollen, setzen häufig eine Art Content Recommendation Engine ein. Diese Technik kann dynamische Webseiteninhalte für Besucher/innen erstellen und Produkte für Shopper/innen empfehlen. Die bekanntesten Websites - darunter Amazon, Facebook, Google und Netflix - nutzen Inhaltsempfehlungen, um ihre Nutzer/innen besser zu bedienen.

Das Wichtigste in Kürze

• Eine Inhaltsempfehlungsmaschine bietet den Besuchern der Website personalisierte Inhalte und Vorschläge, um ihr Erlebnis zu optimieren.

• Es gibt vier Schritte bei der Inhaltsempfehlung: Datenerfassung, Datenspeicherung, Datenanalyse und Datenfilterung

• Die kollaborative Filterung erstellt Empfehlungen auf der Grundlage der Ähnlichkeit eines Nutzers mit anderen Nutzern

• Die inhaltsbasierte Filterung erstellt Empfehlungen auf der Grundlage der Vorlieben und Abneigungen eines Nutzers

• Das hybride Empfehlungsmodell nutzt eine Mischung aus kollaborativer und inhaltsbasierter Filterung, um die genauesten Empfehlungen zu geben.

Was macht eine Content Recommendation Engine?

Eine Content Recommendation Engine ist eine Softwarelösung, die durch die Analyse von Benutzer- und Produktdaten personalisierte Benutzererlebnisse schafft. Die Engine analysiert das bisherige Online-Verhalten eines Nutzers, seine Vorlieben und Abneigungen sowie andere wichtige Informationen und nutzt diese Daten, um personalisierte Inhalte zu liefern oder Kauf- oder Anzeigeempfehlungen speziell für diesen Nutzer zu geben.

Durch den Einsatz von Empfehlungsmaschinen für Inhalte kann Amazon dir Produkte empfehlen, wenn du online einkaufst, oder Netflix kann dir neue Serien und Filme vorschlagen, die du gerne sehen möchtest. Wenn du ganz neu auf der Site bist, wirst du vielleicht nicht viele Empfehlungen finden - oder die Empfehlungen, die du bekommst, sind vielleicht nicht nützlich. Aber wenn du die Site weiter nutzt und die Site erfährt, was du magst und was nicht, bekommst du immer genauere Vorschläge.

Einige Content Recommendation Engines füttern die von dir besuchten Webseiten mit dynamischen Inhalten. Auf der Grundlage deines bisherigen Nutzungsverhaltens - und des Nutzungsverhaltens anderer Nutzer/innen - kann die Inhaltsempfehlungsmaschine automatisch personalisierte Inhalte generieren, während du die Seite herunter scrollst.

Die Nutzer/innen mögen Inhaltsempfehlungen, weil sie ihnen ein personalisiertes Erlebnis bieten. Unternehmen mögen Empfehlungsmaschinen, weil ein personalisiertes Benutzererlebnis zu mehr Zuschauern und Käufen führt. Das ist ein Gewinn für alle Beteiligten.

Wie funktioniert eine Empfehlungsmaschine für Inhalte?

Die Empfehlung von Inhalten ist in der Regel ein vierstufiger Prozess. Es geht darum, Daten zu sammeln, sie zu speichern, zu analysieren und dann zu filtern, um Empfehlungen zu erhalten.

1. Datenerfassung

Alle Inhaltsempfehlungssysteme brauchen Daten, auf die sie ihre Empfehlungen stützen können. Dabei kann es sich um Daten über die Nutzer/innen (demografische Informationen, Kauf- und Sehgewohnheiten usw.) oder über die Produkte (Schlüsselwörter, Beschreibung usw.) handeln. Einige Daten sind explizit (aus Kundeneingaben), andere implizit (aus dem Kundenverhalten, z. B. aus der Bestellhistorie).

2. Datenspeicherung

Die gesammelte Datenmenge muss in einer Art Datenbank gespeichert werden, z. B. in einer SQL-Datenbank, damit der Empfehlungsalgorithmus ausgeführt werden kann.

3. Datenanalyse

Das Inhaltsempfehlungssystem analysiert die gespeicherten Daten und sucht nach Beziehungen zwischen den Datenpunkten. Dies kann in Echtzeit oder durch eine nicht-dynamische Stapelanalyse geschehen.

4. Datenfilterung

Im letzten Schritt des Empfehlungsprozesses werden die Daten gefiltert, um die relevanten Informationen zu erhalten, die notwendig sind, um dem/der Nutzer/in eine genaue Empfehlung zu geben. Dies geschieht in der Regel durch eine Art Algorithmus - kollaborativ, inhaltsbasiert oder eine Mischung aus beiden Ansätzen.

Arten von Filtermaschinen

Es gibt drei Haupttypen von Filtern, die für Inhaltsempfehlungen verwendet werden. Einige Modelle verwenden kollaborative Filter, andere inhaltsbasierte Filter und wieder andere eine Mischung aus diesen beiden Methoden.

Kollaborative Filterung

Beim kollaborativen Filtern werden verschiedene Daten gesammelt und analysiert, um vorherzusagen, was den Nutzern gefallen wird, je nachdem, wie ähnlich sie anderen Nutzern sind. Eine Collaborative Filtering Engine nutzt Informationen über die Aktivitäten, das Verhalten und die Vorlieben der Nutzer/innen, z. B. ob sie bestimmte Lebensmittel, Filme oder Kleidung mögen. Die Vorhersagen werden mithilfe verschiedener maschineller Lernverfahren getroffen.

Der Vorteil des kollaborativen Filterns ist, dass es den zugrunde liegenden Inhalt nicht analysiert oder versteht. Es wählt einfach Inhalte auf der Grundlage dessen aus, was über den Nutzer bekannt ist. Das ist auch ein Nachteil, denn die Empfehlungen haben oft nur oberflächliche Ähnlichkeiten mit dem, was der Nutzer tatsächlich mag.

Wenn z. B. Nutzer A die gleichen Fernsehsendungen mag wie Nutzer B und Nutzer A auch Polohemden mag, könnte eine kollaborative Filtermaschine vermuten, dass Nutzer B auch Polohemden mag und ihm Inhalte empfehlen, die mit Polohemden zu tun haben. Wenn die Empfehlungen auf genügend Datenpunkten basieren, können sie erstaunlich genau sein. Empfehlungen, die auf weniger Datenpunkten beruhen, können dagegen nur zu oberflächlichen Empfehlungen führen.

Amazon.com verwendet für seine Empfehlungsmaschine kollaboratives Filtern. Amazon setzt ausgeklügelte Algorithmen ein, um ähnliche Produkte auf der Grundlage dessen zu empfehlen, was Kunden in letzter Zeit gekauft haben, um die Kundenbindung zu erhalten. Die Site zeigt diese Empfehlungen dann im Abschnitt "Artikel, die dir gefallen könnten" auf jeder Produktseite an. Das Ergebnis? Laut einer Studie von McKinsey & Company stammen 35% des Umsatzes von Amazon aus Produktempfehlungen.

Inhaltsbasierte Filterung

Die inhaltsbasierte Filterung verfolgt einen anderen Ansatz. Diese Art von Motor nutzt künstliche Intelligenz, um Artikel zu empfehlen, die denen ähneln, die der Nutzer zuvor gesehen oder gekauft hat, um das Benutzererlebnis zu verbessern. Wenn eine Person Artikel A mag und Artikel B dem Artikel A ähnlich ist, wird sie auch Artikel B mögen. Wenn ein Nutzer z. B. einen oder mehrere Marvel-Filme gesehen oder gekauft hat, könnte die inhaltsbasierte Filtermaschine ihm eine Marvel-Fernsehserie empfehlen, da sie inhaltlich offensichtlich ähnlich sind.

Die Effektivität der inhaltsbasierten Filterung ist darauf beschränkt, ähnlichen Nutzern ähnliche Arten von Inhalten oder Artikeln zu empfehlen. Wenn du zum Beispiel die Filmvorlieben eines Nutzers kennst, hilft dir das wenig, um herauszufinden, welche Art von Lebensmitteln diese Person mag.

Ein gutes Beispiel für inhaltsbasierte Filterung ist Facebook. Wenn Facebook dir potenzielle Freunde vorschlägt, tut es das auf der Grundlage deiner persönlichen Inhalte - wo du wohnst, wo du gearbeitet hast, wo du zur Schule gegangen bist. Das ist fast eine reine inhaltsbasierte Filterung.

Hybride Empfehlung

Das hybride Empfehlungsmodell kombiniert das kollaborative und das inhaltsbasierte Filtermodell. Es berücksichtigt sowohl die Nutzungsdaten der Kunden als auch die Beschreibungen der Inhalte und liefert so genauere Empfehlungen als jede einzelne Methode.

Der Videostreaming-Riese Netflix ist ein praktisches Beispiel für den Einsatz des hybriden Empfehlungsmodells. Um seinen Zuschauern Empfehlungen zu geben, schaut Netflix auf die Sendungen, die ähnliche Zuschauer gesehen haben, sowie auf den Inhalt der Sendungen, die du gesehen hast. Die daraus resultierenden Empfehlungen sind personalisierter, als es sonst möglich wäre - und machen 75 % der Sendungen aus, die die Nutzer/innen des Dienstes sehen.

Füge mit Optimizely Inhaltsempfehlungen zu deiner Site hinzu

Optimizely recommendations ist eine Empfehlungsmaschine für Inhalte, die du in deine Website einbauen kannst. Es ist ganz einfach, Empfehlungen auf jeder beliebigen Webseite einzubauen und dann die Wirkung mit der Stats Engine von Optimizely zu messen. Wähle den gewünschten Algorithmus, um deinen Nutzern ein möglichst personalisiertes Erlebnis zu bieten.