Empfehlungssysteme für Internet-Shops

Viele Internet-Shops empfehlen ihren Kunden bereits

• Produkte, die sie auch interessieren könnten.
• Produkte, die oft zusammen gekauft werden
• Produkte, die auch andere Kunden gekauft haben

Das Empfehlen dieser Produkte führt sehr oft zu einer Kaufentscheidung, die der Kunde sonst nicht getroffen hätte. Die Folge sind

• höhere Conversion-Rate (Rate der Benutzer, die bei Besuch der Webseite auch etwas kaufen)
• größere Bestellmengen pro Kauf
• in Folge Umsatz- und Gewinnsteigerung

Basierend auf den Sitzungsdaten Ihrer bisherigen Shop-Besucher bilden wir Modelle, welche die Gewohnheiten der Shop-Besucher abbilden. Diese Gewohnheiten werden mit entsprechenden Algorithmen innerhalb des Standard-Prozesses CRISP-DM erlernt.

Dem Benutzer werden dann im Shop diejenigen Artikel empfohlen, die auch für "ähnliche" Kunden in der Vergangenheit interessant waren.

Um die Modelle bewertbar zu machen, werden Punkte vergeben, wenn der vorhergesagte Artikel tatsächlich

• vom Benutzer betrachtet wird
• in den Warenkorb gelegt wird
• gekauft wird

Im Rahmen des Standard-Prozesses CRISP-DM werden verschiedene Modelle erzeugt und dann die Modelle mit der besten Güte ausgewählt.

Wir bieten Ihnen die Modell-Erstellung und -Anwendung in verschiedenen Varianten an:

• Recommendation.Classic: Das Modell wird nach entsprechender Beratung individuell für unsere Kunden nach CRISP-DM erstellt (z.B. für das erste Modell zur Potentialabschätzung). Hierbei testen wir kundenspezifisch verschiedene Ansätze durch und wählen den besten Ansatz aus.
• Recommendation.aaS (Recommendation as a Service): Verwendung unseres Dienstes "Mining as a Service" zur automatischen Modellerstellung für Empfehlungssysteme. Der Dienst wird laufend erweitert, wodurch automatisch immer bessere und robustere Lösungenansätze zum Einsatz kommen. Ziel ist neben Kosteneinsparungen eine nachhaltige Qualitätsverbesserung für alle Dienstnutzer.
• Recommendation.Combi: Zuerst Recommendation.Classic und anschließend Recommendation.aaS, wobei alle Erkenntnisse aus Recommendation.Classic in Recommendation.aaS einfließen und zur laufenden automatischen Modellerstellung zur Verfügung stehen. Dieses Paket stellt daher eine sowohl individuelle alsauch nachhaltig nutzbare Lösung dar.