Collaborative Filtering

Beim Collaborative Filtering werden die Daten größerer Nutzergruppen analysiert, um daraufhin Rückschlüsse auf das Verhalten einzelner Nutzer zu ziehen. So sollen die Interessen des Einzelnen besser erkannt und darauf zugeschnittene Angebote gemacht werden können.

Allgemeine Informationen zum Thema

Collaborative Filtering ist manuell oder automatisiert denkbar. Die manuelle Methode beschränkt sich auf kleinere Nutzergruppen und ist mit dem klassischen Empfehlungsmarketing vergleichbar (ein zufriedener Kunde empfiehlt ein Produkt oder eine Dienstleistung einem potenziellen Kunden). Um größere Mengen an Nutzerdaten auswerten zu können, wird auf die automatisierte Methode zurückgegriffen. Dies geschieht entweder implizit durch Kaufbeobachtungen, Benutzer-Tracking oder explizit durch Fragebögen und ähnliche Techniken[1]. Eine weitere Spielart ist das artikelbasierte Collaborative Filtering, das unter anderem Amazon erfolgreich betreibt. Wird ein Produkt durch einen Nutzer gekauft, erhält dieser Vorschläge für vergleichbare Produkte („Das könnte Sie auch interessieren“).

Abgrenzung von Collaborative Filtering und Content Based Filtering

Collaborative Filtering wird häufig zusammen mit Content Based Filtering angewendet. Die Aussagen, die mit Content Based Filtering erstellt werden, beziehen sich ausschließlich auf die Kaufeigenschaften bzw. die Produkte eines Nutzers, dem aufgrund seines Verhaltens Kaufempfehlungen gegeben werden. Da im Gegensatz zum Collaborative Filtering eine größere Gruppe anderer Nutzer nicht einbezogen wird, sind die gesammelten Informationen weniger umfangreich und weniger aussagekräftig[2]. Werden andere Nutzer mit in die Datenerhebung einbezogen, können Alternativen angezeigt werden, die dem Nutzer bisher nicht bekannt sind. Das schafft beim Collaborative Filtering einen größeren Empfehlungsrahmen.

Stärken und Schwächen des Collaborative Filtering

Die Stärke des Collaborative Filtering besteht in erster Linie in der Effizienz. So fällt das Führen aufwändiger Datenbanken weg, die Beziehungen von Nutzern und Produkten können leicht eingeordnet werden, Produkte, die Nutzer bislang nicht kannten, können die Aufmerksamkeit wecken. Zudem wirkt sich der Erfahrungsaustausch von Kunden, die sich normalerweise nicht kennen und begegnen, auf das Kaufverhalten aus und eröffnet neue Chancen durch Empfehlungen.

Problematisch beim Collaborative Filtering sind Aussagen über die Qualität der Ergebnisse. Der Kauf eines Produktes sagt noch nichts über die Bewertung des Nutzers aus. Daher werden verlässliche Ergebnisse nur erzielt, wenn die Nutzer sich am System beteiligen. Aus diesem Grund sind Bewertungssysteme für das Collaborative Filtering von großer Bedeutung. Hat ein Produkt eine repräsentative Anzahl an positiven Bewertungen durch deren Käufer erfahren, bietet sich die Weiterempfehlung des Produktes an. Fallen die Bewertungen kollektiv eher schwach aus, wäre die Empfehlung an andere Nutzer suboptimal. Schwierigkeiten bereitet zudem die sogenannte „Cold-Start-Problematik“ (auch unter dem Begriff „First-Rater-Problem“ bekannt). Sie besagt, dass ein Produkt, das bislang von keinem Nutzer bewertet wurde, als Empfehlung praktisch ausgeschlossen ist, da keine Vergleichsdaten vorliegen[3].

Angenommen, Kunde 1 kauft Produkt A und Produkt B, während Kunde 2 sich bisher nur für Produkt B entschieden hat, der Kunde 3 dagegen hat die Produkte C und D bestellt. Beim Collaborative Filtering wird nun dem Kunden 2 das Produkt A empfohlen, da die Produkteigenschaften zu einem vergleichbaren Kunden – Kunde 1 – passen. Kunde 3 erhält keine auf diesen Kaufeigenschaften basierenden Empfehlungen, da die Produkteigenschaften der Produkte C und D nicht zu den Kunden 1 und 2 passen.

Die richtige Software

Welche Software für das Collaborative Filtering geeignet ist, richtet sich nach der Art und Größe des betreffenden Shops. Sinnvoll ist diese Filtermethode erst, wenn mindestens 100 Produkte zur Auswahl stehen, da sonst die angebotenen Empfehlungen wiederholt angezeigt werden, was Kunden meist nicht honorieren. Zudem funktioniert Collaborative Filtering besser, je größer die Zahl der Bestellungen eines Shops sind, da auf diese Weise eine große Datenmenge gesammelt und ausgewertet werden kann. Experten gehen davon aus, dass Collaborative Filtering erfolgreich sein kann, wenn täglich mindestens 40 Bestellungen getätigt werden[4].

Umfassende Nutzerdaten helfen beim Collaborative Filtering nicht immer weiter, sie können unter Umständen sogar stören, insbesondere weil die Empfehlungen zu einem Großteil auf Daten vergangener Bestellungen größerer Kundengruppen zustande kommen. Das kann bei Büchern hilfreich sein, bei komplexeren Produkten hinderlich. Wer auf der Suche nach einem neuen Auto ist, wird mit dem Hinweis, dass andere Kunden ebenfalls Autos bestellt haben, wenig anfangen können. Entscheidend sind vielmehr bestimmte Eigenschaften des Autos. In diesem Fall kann die Methode des Content Based Filtering die bessere Wahl sein, weil es sich auf die Produkteigenschaften fokussiert, nicht auf das Verhalten anderer Nutzer. Durch Content Based Filtering können dem Kunden Angebote in Sachen Sicherheit, Sportlichkeit, Geräumigkeit etc. gemacht werden, die ihm bei seiner Kaufentscheidung helfen, die Informationen des Collaborative Filtering sind dagegen zu unkonkret.

Bedeutung für das Online Marketing

Für Shopsysteme ab einer bestimmten Größe kann Collaborative Filtering wertvolle Erkenntnisse liefern, die sich auf die Umsätze positiv auswirken können. Sinnvoll kann – je nach Produktarten und Shopangebot – der zusätzliche Einsatz von Content Based Filtering sein, da sich dadurch die Parameter erweitern bzw. anpassen lassen. Auf die zusätzliche Verwendung von Bewertungssystemen sollte nicht verzichtet werden, da die Beziehungen der Kunden zu bereits verkauften Produkten helfen, zu entsprechenden Schlüssen zu kommen und diese in das Shopsystem einfließen zu lassen.

Einzelnachweise

  1. Servlet software-kompetenz.de. Abgerufen am 08.03.2017
  2. Content based filtering excentos.com. Abgerufen am 08.03.2017
  3. Collaborative filtering excentos.com. Abgerufen am 08.03.2017
  4. iBusiness Interview informatik.uni-freiburg.de. Abgerufen am 03.08.2015

Weblinks

Kategorie

Verwandte Artikel