Personalisierung im E-Commerce. Personalisierung im E-Commerce. Einleitung. Einleitung. Personalisierung im E-Commerce. Der Personalisierungsprozess

Transkript

1 Hauptseminar : Personalisierung Dozent: Herr Mandl Referentin: Anja Liebscher Datum: (WS 06/07) 2. 2 Einleitung Einleitung Was ist E-Commerce Definition: Die Unterstützung von Handelsaktivitäten über Kommunikationsnetze (vgl. Merz, M. 2002: 20) Gezielte Anpassung des Internetangebotes an den jeweiligen Nutzer durch die Analyse von Nutzerdaten Mehrwert für Kunden und Anbieter Nutzerdaten aufbereiten 3. Nutzerdaten auswerten 4. Personalisierung umsetzten 5 6 1

2 Registrierung und Umfragen Explizite Datenerhebung Vorteil: einfache Zuordnung zu Nutzer, leicht zu erstellende Nutzerprofile Nachteil: statische Daten, falsche Daten, hoher Aufwand für Nutzer Cookies Implizite Datenerhebung Vorteil: wenig Aufwand Nachteil: Blockieren oder Löschen von Cookies 7 8 Webserver Logdateien Webserver Logdateien [01/Jan/2000:15:02: ] "GET /info/index.html HTTP/ " " "Mozilla/4.01 (WinNT)" Quelle: Logdatei [01/Jan/2000:15:02: ] "GET /info/index.html HTTP/ Bezeichnung remotehost date request status Bedeutung IP-Adresse des Computers Datum, Zeit und Zeitverschiebung zur Greenwich Mean Time Transaktionsart - GET oder POST mit dem angefragten Dateinamen Kode der angibt ob die Transaktion erfolgreich war 9 10 Webserver Logdateien Logdatei Bezeichnung Bedeutung 6822 " "Mozilla/4.01 (WinNT)" bytes referrer useragent Größe der transferierten Datei in Bytes URL von der aus per Link oder Suchmaschine auf die Webseite zugegriffen wurde Name und Version des Browsers und das Betriebssystem Webserver Logdateien Implizite Datenerhebung Vorteil: viele Informationen über Navigationsverhalten Nachteil: Aufwändige Auswertung, schwere Zuordnung zu Nutzer und Aufteilung in Sessions

3 2. Nutzerdaten aufbereiten Bereinigung von unbrauchbaren Daten Statistische Informationen herausfiltern Verknüpfung der Daten 3. Nutzerdaten auswerten Web Usage Mining Analyse der Daten mit Hilfe von automatischen Mustererkennungsverfahren Methoden: Kollaboratives Filtern, Assoziations- und Sequenzanalyse, Segmentierung, Klassifikation Kollaboratives Filtern Das Verhalten eines Nutzers wird auf einen ähnlichen Nutzer übertragen z.b. könnten Nutzer, die sich für ein gleiches Produkt interessieren auch noch andere gemeinsame Vorlieben haben 15 Assoziationsanalyse Welche Daten werden oft im Zusammenhang aufgerufen Verbesserung der Navigation Assoziationsregeln: Interessiert sich der Nutzer für das Produkt X wird er sich mit einer bestimmten Wahrscheinlichkeit auch für Produkt Y interessieren 16 Sequenzanalyse Erweiterung der Assoziationsanalyse Berücksichtigt auch die Reihenfolge in der die Daten/Internetseiten aufgerufen wurden Segmentierung ähnliche Nutzer werden zu einer möglichst abgrenzbaren und gleichförmigen Gruppe zusammengefasst (Clusteranalyse)

4 Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen eingeordnet (Entscheidungsbaumverfahren) 3. Nutzerdaten auswerten Web Usage Mining Methoden: Kollaboratives Filtern, Assoziations- und Sequenzanalyse, Segmentierung, Klassifikation Kombination der Methoden sinnvoll Erstellen detaillierter Nutzerprofile Personalisierung umsetzten Nutzeraktivität beobachten und mit vorhandenen Profilen vergleichen Angebot anpassen Strukturelle Ebene (Benutzeroberfläche) Inhaltliche Ebene (Daten, Objekte etc.) Anwendungsbeispiele T-Online DoubleClick

5 T-Online vorher: nicht personalisiert nachher: personalisiert

6 T-Online DoubleClick Wozu verwenden wir Ihre Daten? Einblendung von Inhalten und Werbung passend zu Ihren Interessen Bildung anonymer Nutzergruppen nach Interessen (Cluster) Statistische Auswertung, um Angebot zu verbessern Weitergabe anonymer Daten an Partner (Bsp: 70% der Nutzer interessiert sich für Sport) Quelle: 31 Internet Werbeunternehmen vermarktet Werbebanner Kunden sind u.a.: YouTube, RTL, Map24, Playboy, Heise online, PC-Welt, Macwelt Beobachtet Nutzerverhalten auf den Webseiten seiner Kunden Verwendet dafür Cookies Kann mit Hilfe der Daten nutzerspezifische Werbung anbieten 32 Kritik 2. Präzision Zuordnung des Nutzers zu erhobenen Nutzerdaten Veraltete oder falsche Nutzerdaten Personalisierung kann nie 100% die Intentionen des Nutzers vorhersehen Kritik Datenschutz Datenerhebung wird nicht immer kenntlich gemacht Verbinden von persönlichen Daten mit Nutzungsdaten Gesetze & Richtlinien P3P Platform for Privacy Preferences

7 Ausblick Weitere Verknüpfung von Personalisierungsmöglichkeiten Semantic Web Nutzung mobiler Endgeräte (Handy, PDA, RFID etc.) Fragen zur Diskussion Quellen Bücher Ein Vorteil für den Nutzer? Für welchen Nutzen ist man bereit, wie viele persönliche Daten preiszugeben? MENA, Jesus (2002): Data Mining und E-Commerce - Wie Sie Ihre Online-Kunden besser kennen lernen und gezielter ansprechen. Düsseldorf: Symposion Publishing MERZ, Michael (2002): E-Commerce und E-Business, 2. Auflage. Heidelberg: dpunkt-verlag TAMM, Gerrit et al. (2003): Konzepte in ecommerce-anwendungen. Berlin : SPC TEIA Lehrbuch-Verlag Zeitschriftenaufsätze BRY, François ; HENZE, Nicola (2005): Personalisierung In: Informatik-Spektrum. Bd. 28 (2005), Nr. 3, S CINGIL, Ibrahim; DOGAC, Suman; AZIGN, Ayca (2000): A Broader Approach to Personalization In: Communicaitons of the ACM Volume 43, Issue8, ACM Press (2000), S CRANOR, Lorrie Faith (2003): I Didn t buy it for Myself Privacy and Ecommerce Personalization In: ACM EIRINAKI, Magdalini ; VAZIRGIANNIS, Michalis (2003): Web mining for web personalization In: ACM Transactions on Internet Technology (TOIT), Volume 3 Issue 1, ACM Press (2003), S KOBOSA, Alfred (2002): Personalized (2002), S Hypermedia and International Privacy In: Communicaitons of the ACM Volume 45, Issue 5, ACM Press 40 Quellen Sammelbände ARNDT, Dirk; KOCH Diana (2002): Datenschutz im Wb Mining Rechtliche Aspekte des Umgangs mit Nutzerdaten In: In: HIPPNER, Hajo; MERZENICH, Melanie; WILDE, Klaus D. (2002): Handbuch Web Mining im Marketing. Braunschweig/Wiesbaden: Vieweg, S ENGELBRECHT, Andreas; HIPPNER, Hajo; WILDE, Klaus D. (2004): Aufzeichnung und Analyse des Konsumentenverhaltens im Internet - Einsatzpotenziale des Web Mining In: BAUER, Hans H,; RÖSGER, Jürgen; NEUMANN, Marcus M. (2004): Konsumentenverhalten im Internet. München: Verlag Franz Vahlen, S GENTSCH, Peter (2002): Personalisierung der Kundenbeziehung im Internet - Methoden und Technologien In: HIPPNER, Hajo; MERZENICH, Melanie; WILDE, Klaus D. (2002): Handbuch Web Mining im Marketing. Braunschweig/Wiesbaden: Vieweg, S ROSSI, Gustavo; SCHWABE, Daniel; GUIMARÃES, Robson (2001): Designing personalized web applications In: Proceedings of the 10th international conference on World Wide Web. New Yok: ACM Press, S SCHAFER, J. Ben; KONSTAN, Joseph; RIEDL, John (1999): Recommender Systems in E-Commerce In: Proceedings of the 1st ACM conference on Electronic commerce. New Yok : ACM Press S