Personalisierung elektronischer Märkte: Möglichkeiten und Techniken Vortrag in der Lehrveranstaltung Unternehmen im internationalen Leistungswettbewerb von Stefan Marr
Agenda 2 Motivation Nutzen für Kunden und Anbietern Personalisierungsmöglichkeiten B2C und B2B Übersicht über ausgewählte Techniken Benutzer-Modellierung Zweistufige Suche Empfehlungssysteme Hat das was mit Web 2.0 zu tun? Fazit
Warum Personalisierung? 4 Dem Kunden geben was er wirklich benötigt Kundenbindung sichern/erhöhen Wünsche und Bedürfnisse des Kunden verstehen Effiziente und kompetent Betreuung Kunden beim Erreichen seiner Ziele unterstützen Realisierung abhängig von Kostenstrategie
Beispiele für Personalisierung Business-to-Customer 5 Beispiel: Amazon Diverse Hilfen/Angebote Ihnen könnte gefallen Zuletzt angesehen Wunschzettel, Liste der gekauften Artikel Empfehlungen, Bundle-Angebote Kundenrezensionen
Beispiele für Personalisierung Business-to-Business 6 B2B Marktplätze Rohstoffe z.b. Holz über e-wood.com Personalisierung wie bei B2C Zusätzlich z.b. Automatisierungen Anbieter: Auswahl oder Ranking Einbezug von eigener Risikobereitschaft Günstiger und hohes Risiko Teurer aber geringeres Risiko
7 Ausgewählte Techniken zur Personalisierung Benutzer-Modellierung Zweistufige Suche Empfehlungssysteme
Benutzer-Modellierung 8 Ermittlung durch Befragung Meist nur in geringem Umfang praktikabel Alter, Geschlecht, Wohnort, Problematischer aber relevant Einkommen, Interessen, Alternativen Ermittlung durch Nutzungshistorie Vergleich mit ähnlichen Profilen
Benutzer Modellierung mithilfe der Nutzungshistorie 9 Webserver- oder Application-Logs Vorverarbeitung der Daten Gewichtung von Aktionen und Episoden Korrelation mit gewünschter Information aus [6]
Zweistufige Suche 10 Stufe 1: Schlüsselwort basierte Suche Normale Suche Ergebnisranking auf Basis der Anfrage Stufe 2: Neuordnung der Ergebnismenge Verwendung des Nutzerprofils Angegebene Präferenzen Verlauf von früheren Aktionen Erweiterung der Datenbasis durch Gruppieren von Nutzerprofilen
Zweistufige Suche bei www.jobfinder.ie 11 aus [5]
Empfehlungssysteme 12 Problem von e-plattformen Benutzer wissen nicht was sie suchen Oder wie sie es ausdrücken können Zweck von Empfehlungen Hilfe bei der Suche Anreiz zum Stöbern Verschiedene technische Ansätze Mit und ohne Individualisierung
Empfehlungssysteme Technische Ansätze 13 Recommending Systems (Empfehlungssysteme) nicht-individualisiert individualisiert Feature-Based Filtering (eigenschaftsbasierte Systeme) Collaborative Filtering (Empfehlersysteme) Active CF Automated CF nach [7]
Empfehlungssysteme Anwender 14 Bekanntes Beispiel: Amazon Akademisch: http://movielens.umn.edu
Empfehlungssysteme Vor- und Nachteile 15 Grundannahme ähnliches Profil ähnliche Entscheidungen Vorteile Aufdeckung von Benutzer-Objekt-Beziehungen die nicht direkt beschreibbar sind Austausche zwischen Nutzern Nachteil Datenbasis nötig (Kaltstart-Problematik) Schlechte Empfehlungen durch zufällige Zusammenhänge
Hat das was mit Web 2.0 zutun? 16 Wichtige Aspekte des Web 2.0 Empfehlungen, Sozial Software, Partizipation, Zusammenarbeit, Wikis, Blogs und natürlich Personalisierung Syndication als Datenquelle Bilden Basis für sich selbst personalisierende Umgebungen z.b. mit Xing, StudiVZ und Co. Beispiel: Spreadshirt.net, Personalisierung in jeder Dimension
www.spreadshirt.net 17
Fazit 18 Kann Nutzer echten Mehrwert bieten Bessere Benutzbarkeit der Software Maßgeschneiderte Angebote Technische Umsetzung behutsam gestalten Benutzer nicht mit Überanalyse verschrecken Schlechte Empfehlungen sehr problematisch Software Entwicklung entsprechend anpassen User-Centered Design Ansatz für Personalisierung ([3])
Quellenverzeichnis 19 [1] Wells, N. & Wolfers, J.: Finance with a personalized touch Commun. ACM, ACM Press, 2000, 43, 30-34 [2] Demir, G. K. & Gini, M.: Risk and user preferences in winner determination. ACM Press, 2003, 150-157 [3] Kramer, J.; Noronha, S. & Vergo, J.: A user-centered design approach to personalization. Commun. ACM, ACM Press, 2000, 43, 44-48 [4] Riecken, D.: Introduction: personalized views of personalization Commun. ACM, ACM Press, 2000, 43, 26-28 [5] Smyth, B.; Bradley, K. & Rafter, R.: Personalization techniques for online recruitment services. Commun. ACM, ACM Press, 2002, 45, 39-40 [6] Mobasher, B.; Cooley, R. & Srivastava, J.: Automatic personalization based on Web usage mining. Commun. ACM, ACM Press, 2000, 43, 142-151 [7] Bohnert, F.: Einsatz von Collaborative Filtering zur Datenprognose, Universität Ulm Januar 2004 http://www.mathematik.uni-ulm.de/sai/ws03/dm/arbeit/bohnert.pdf [8] Keenoy, K.; Levene, M.: Personalisation of Web Search, Intelligent Techniques for Web Personalization, Springer Berlin / Heidelberg, 2005, 3169, 201-228 [9] Smyth, B. & Cotter, P.: A personalized television listings service Commun. ACM, ACM Press, 2000, 43, 107-111
Q & A