Webwissenschaften

Die Entwicklung des Web 1.0 hin zum Web 2.0 führte dazu, dass Konsumenten nicht mehr nur passiv am Internetgeschehen teilnehmen. Heute sind es nicht mehr nur die Unternehmen, die Informationen über das Web bereitstellen, sondern die Kunden selbst generieren Informationen, was sie zu sogenannten „Prosumenten“ macht. Das bedeutet also, dass durch die aktive Teilnahme an beispielsweise sozialen Netzwerken, durch den Upload von Fotos, das Schreiben von Kommentaren oder das Weiterempfehlen von Produkten, Kunden gleichzeitig Produzenten und Konsumenten von Informationen sind. (Q1)

Durch dieses Verhalten geben Kunden freiwillig Unmengen an Informationen bezüglich Vorlieben und Kaufverhalten preis, welche Unternehmen wiederum zur personalisierten Produktempfehlung verwenden können.

Mechanismus von Empfehlungssystemen

Empfehlungssysteme analysieren die zur Verfügung gestellten Informationen der Nutzer und erheben auf dieser Basis welche Produkte für den Käufer ebenfalls interessant sein könnten. Dabei sollen die Ergebnisse stets persönlich auf die Vorlieben des Einzelnen zugeschnitten sein. Normale Suchmaschinen wie Google hingegen, liefern bei gleicher Suchabfrage immer dieselben Ergebnisse. Empfehlungssysteme sollen personalisierte Suchergebnisse liefern, da die Interessen des Einzelnen ebenfalls miteinbezogen werden. (Q2)

·         Content Based Filtering (CBF)

Inhaltsbasierte Empfehlungen nutzen Beschreibungen der Produkte aus, um auf dieser Basis Ähnlichkeiten zu ermitteln. Bei Empfehlungen für Filme werden Informationen wie „Genre, Schauspieler, Produzenten, Regisseur etc.“ analysiert und mit den Vorlieben des Nutzers verglichen und auf dieser Basis weitere Produkte empfohlen.  (Q3)

·         Collaborative Filtering (CF)

Collaborative Filtering geht davon aus, dass „aus einer (großen) Anzahl einzelner Transaktionen der Benutzer, in einem System, Gemeinsamkeiten extrahiert werden können.“ Beispielsweise werden die Nutzer, die durch ihr Kauf- oder Klickverhalten  Bewertungen abgeben, miteinander verglichen. Eine weitere Möglichkeit wäre, dass die Produkte, die gleichzeitig im Warenkorb liegen, miteinander verglichen werden.

Dieses Verfahren ist vor allem durch Amazon bekannt geworden („Kunden die X gekauft haben, haben auch Y gekauft.“) (Q 4)

Vor und Nachteile:

Content Based Filtering Systeme liefern von Beginn an gute und qualitativ hochwertige Empfehlungen. Bei Collaborative Filtering ist man hingegen auf die Bewertungen der anderen Nutzer bzw. der Bereitschaft zur Kooperation angewiesen. Sind noch wenige Bewertungen abgegeben worden, bzw. sind noch wenige Produkte gekauft worden, sind gute Empfehlungen schwierig zu erkennen. (Cold-start-Problem) Allerdings ist CF deutlich einfacher umzusetzen und mit weniger Aufwand verbunden, bzw. sind die Ergebnisse häufig besser skalierbar. (Q5)

Recommendation Systems in Social Media Netzwerken

Durch User Generated Content, den die User in Sozialen Netzwerken preisgeben, ist es möglich, die Meinungen bzw. Interessen zu eruieren. Die Nutzer veröffentlichen Standpunkte über Produkte oder Services und auch positive oder negative Erfahrungen mit Produkten/Marken. Konsumenten legen vermehrt Wert auf Empfehlungen von Freunden anstatt von automatisierten Empfehlungssystemen. Freunde werden als qualifizierter angesehen, um nützliche Empfehlungen abzugeben. Daher ist davon auszugehen, dass positives Word-of-Mouth Marketing auf Sozialen Netzwerken unsere Einstellungen gegenüber Produkten und in weiterer Folge zu Käufen, maßgeblich beeinflusst. Unternehmen wie Amazon machen sich diese Informationen mithilfe von Opinion Mining Services zu Nutze und legen bereits viel Wert darauf. (Q6)

Auch mithilfe von Tagging-Systems geben Nutzer Ihre Interessen preis. Beispielsweise können auf Plattformen wie Instagram, Flickr oder auch Facebook sogenannte Hashtags vergeben werden. Analysieren Unternehmen die Tags, die die Nutzer bei ihren Inhalten vergeben, so kann sich erneut ein Muster abzeichnen, dass für Empfehlungen verwendet werden kann. (Q7)

Als Beispiel kann das größte Soziale Netzwerk Facebook herangezogen werden. Unternehmen können die zur Verfügung gestellten Informationen wie Interessen, Aktivitäten etc. heranziehen, um für Nutzer zugeschnittene Werbung zu relevanten Produkten auszuliefern. Dabei  kann auch das Verhalten auf externen Webseiten miteinbezogen werden. Durch die Facebook User ID kann der Nutzer über verschiedene Geräte am Weg durch das Internet identifiziert werden, und anschließend auf Facebook selbst erneut Werbung ausgeliefert bekommen. (Q8)

Zusammenhang zu Markttransparenz

Durch die entstandene Markttransparenz durch das Internet haben Unternehmen Zugang zu Unmengen an kundenspezifischen Informationen, die vorher nicht ersichtlich waren. Unternehmen können diese Nutzen, um personalisierte Empfehlungen auszuliefern und den Kunden zu weiteren Einkäufen zu bewegen. Dadurch wird nicht nur der Umsatz gesteigert, sondern die wird auch einen positiven Effekt auf die Kundenbindung haben. 

Q1: Zhou et al. 2012, S. 120

Q2: Zhou et al. 2012, S. 123

Q3: Zhou et al. 2012, S. 123

Q4: Zhou et al. 2012, S. 123 f.

Q5: Hussein und Ziegler 2011, S. 145

Q6: Zhou et al. 2012, S. 125 ff.

Q7: Zhou et al. 2012, S. 126 f.

Q8: https://www.facebook.com/business/products/ads [22.10.2014]

Literaturverzeichnis

Hussein, Tim; Ziegler, Jürgen (2011): Situationsgerechtes Recommending. In: Informatik Spektrum 34 (2), S. 143–152.

Zhou, Xujuan; Xu, Yue; Li, Yuefeng; Josang, Audun; Cox, Clive (2012): The state-of-the-art in personalized recommender systems for social networking. In: Artif Intell Rev 37 (2), S. 119–132.0