Wer erinnert sich heute noch daran, wie es der Normalfall war, CDs in\n den Regalen der Plattenl\u00e4den durchzubl\u00e4ttern, um etwas Neues oder \nInteressantes zu entdecken!? Auch die Musikexperten hinterm Tresen \nspielten dabei oft eine wichtige Rolle, wenn es darum ging, eine \nEmpfehlung zu bekommen.<\/p>\n\n\n\n
Im Zeitalter von Big Data<\/strong>, AI<\/strong> und Machine Learning<\/strong> ist der Gang in den Plattenladen eher Nostalgie als Norm und Empfehlungen basieren auf unserem pers\u00f6nlichen Geschmack. Welche Relevanz haben Empfehlungsdienste <\/strong>bzw. Recommendation-Systeme <\/strong>in der aktuellen Marketing-Landschaft? Wie ver\u00e4ndern dabei Methoden wie Machine Learning die Empfehlungsdienste selbst und unser eigenes Verhalten?<\/p>\n\n\n\n \u201eWenn Ihnen das gefallen hat, dann gef\u00e4llt Ihnen auch\u2026\u201c Die \nProduktempfehlungen auf Shopping-Seiten wie Amazon, Content-Anbietern \nwie Zeitungen und Magazinen oder auf Streaming-Seiten wie Netflix oder \nSpotify sind die bekanntesten Beispiele f\u00fcr Empfehlungsdienste. Das Prinzip<\/strong>,\n auf denen diese Empfehlungsdienste basieren, ist dabei immer \u00e4hnlich, \nauch wenn sie sich in der Funktionsweise unterscheiden. Denn im Kern \nbasieren Recommendation-Systeme auf dem Prinzip der \u00c4hnlichkeit<\/strong>.<\/p>\n\n\n\n Empfehlungsdienste beziehungsweise \u201eRecommendation-Services\u201c \u2013 manchmal auch \u201eRecommender Engines\u201c genannt \u2013 gibt es in f\u00fcnf verschiedenen Auspr\u00e4gungen <\/strong>als: <\/p>\n\n\n\n Die ersten beiden Typen sind nicht nur die \u00e4ltesten der hier aufgef\u00fchrten Recommendation-Systeme, sondern auch die am h\u00e4ufigsten eingesetzten. Aktuell liegt die Renaissance<\/strong> dieser beiden Typen<\/strong> aber auch an den inh\u00e4renten Problemen, vor die EU-DSGVO Unternehmen und Marketer stellt.<\/p>\n\n\n\n Die EU-DSGVO stellt insofern ein Ungleichgewicht<\/strong> in der Marketinglandschaft her, als sie die gro\u00dfen, nicht-europ\u00e4ischen Technologie-Konzerne in ihrer Entwicklung nicht hemmt \u2013 viele europ\u00e4ische Unternehmen jedoch schon. Denn selbst wenn Amazon oder Google zum Trainieren eines Algorithmus<\/strong> nicht auf die Daten seiner europ\u00e4ischen Kunden zur\u00fcckgreift, k\u00f6nnen sie von den Ergebnissen der Analysen auch in diesen M\u00e4rkten profitieren. <\/p>\n\n\n\n Der Paradigmenwechsel, um den es hier geht, ist durchaus signifikant. Denn Software basierte bislang nicht auf selbstlernenden Systemen<\/strong>.\n Diese sind zuk\u00fcnftig jedoch eine weitere Kategorie, die in die obere \nAufreihung aufgenommen werden m\u00fcsste. Aus heutiger Perspektive stellen \nsich aber auch noch weitere Fragen \u2013 und zwar jenseits der \ntechnologischen Umsetzung.<\/p>\n\n\n\n Denn wenn \u00fcberall das Prinzip der \u00c4hnlichkeit herrscht, entstehen mit einer hohen Wahrscheinlichkeit Filterblasen<\/strong>, in denen wir uns zunehmend bewegen. An anderer Stelle habe ich dar\u00fcber nachgedacht, warum es gut und sinnvoll ist, Filter Bubbles immer wieder auch zum Platzen zu bringen. Denn allein ein kurzer Blick in den Kleiderschank oder unsere Musik-Playlists beweist, dass \u00c4hnlichkeit nicht das einzige Prinzip ist, nach der wir unsere Entscheidungen treffen.<\/p>\n\n\n\n \u201cWer glaubt, dass das Prinzip der \u00c4hnlichkeit als Erkl\u00e4rungsansatz f\u00fcr #Empfehlungsdienste ausreicht, muss zum Gegenbeweis nur einen Blick in den eigenen Kleiderschrank werfen.\u201c <\/em><\/p><\/blockquote>\n\n\n\n In der Marketing-Landschaft<\/strong> nehmen heute Recommendation-Systeme eine wichtige Rolle ein. Sie sind ein hervorragendes Tool, um die Customer Journey zu steuern, die eigene Relevanz zu betonen und beispielsweise die Aufenthaltsdauer von Kunden auf der eigenen Seite zu verl\u00e4ngern. Die Vorteile liegen auf der Hand: Die Interaktionsm\u00f6glichkeiten zwischen Kunde und Angebot werden erh\u00f6ht, der Ums\u00e4tze gesteigert und vor allem die Customer Journey individualisiert.<\/p>\n\n\n\n Gleichzeitig muss gesagt werden, dass wir angesichts dessen, was technisch m\u00f6glich ist, aktuell hinter dem zur\u00fcckbleiben, was m\u00f6glich ist. Das wird vor allem deutlich, wenn wir uns vor Augen f\u00fchren, was durch den Einsatz von AI<\/strong> und Tracking<\/strong> bei mobilen Gesch\u00e4ftsprozessen m\u00f6glich ist. Genau an dieser Stelle kommen die neuen M\u00f6glichkeiten in Spiel, die uns AI und Machine-Learning-Algorithmen erm\u00f6glichen.<\/p>\n\n\n\n Denn gerade in einer Zeit, in der Marketing-Abteilungen in der Regel \n\u00fcber eine gro\u00dfe Menge an Daten verf\u00fcgen, ist es angeraten, diese nach \nMustern und Auff\u00e4lligkeiten zu untersuchen. Denn w\u00e4hrend viele \nRecommendation-Systeme heute in der Regel auf dem Prinzip der \n\u00c4hnlichkeit aufbauen, k\u00f6nnen intelligente System dar\u00fcber hinaus gehen. \nEntscheidend ist dabei ist, diese Erkenntnisse nicht isoliert zu \nbetrachten, sondern mit anderen Informationen zu verkn\u00fcpfen<\/strong>.\n Die Frage, ob eine Empfehlung als relevant erachtet wird, h\u00e4ngt nicht \nnur von Geschmacksfragen ab. Ganz entscheidend ist auch, an welchem Ort \nich mich gerade befinde.<\/p>\n\n\n\n \u201c#Empfehlungsdienste werden in Zukunft gerade dadurch noch relevanter, wenn es gelingt, sie mit #mobilen #Gesch\u00e4ftsprozessen zu verkn\u00fcpfen. \u201c <\/em><\/p><\/blockquote>\n\n\n\n Der beste Empfehlungsdienst bringt nichts, wenn die Grundlage nicht vorhanden ist: Relevanter Content<\/strong>,\n eine ausreichende Menge von Produkten, Kaufdaten oder \nWiederkaufszyklen. Vor allem die umfassende Analyse aller verf\u00fcgbaren \nDaten ist hier ausschlaggebend. Viel zu oft wird beispielsweise der Kauf als Ereignis<\/strong>\n in die Auswertung nicht miteinbezogen. Das konnte ich selbst k\u00fcrzlich \nfeststellen, als ich auf der Suche nach einer B\u00fcrolampe war. W\u00e4hrend \nmeiner Orientierungsphase wurden mir zuverl\u00e4ssig passende Angebote \nunterbreitet. Allerdings bekam ich auch weit \u00fcber den Kaufzeitpunkt \nhinaus weiter Empfehlungen. So verliert Werbung ihre Relevanz<\/strong> und auch Akzeptanz<\/strong>.<\/p>\n\n\n\n Damit Empfehlungsdienste im vollen Umfang funktionieren kann, m\u00fcssen bestimmte Voraussetzungen erf\u00fcllt sein. Empfehlungsdienste zeigen, welchen Digitalisierungsgrad<\/strong> ein Unternehmen hat. Denn sie ben\u00f6tigen zwingend eine ausreichende und vor allem aktuelle Datengrundlage<\/strong> und einen Omni-Channel-Marketing-Ansatz<\/strong>. Zudem ist es hilfreich, wenn bestimmte Data Analytics Standards bereits implementiert sind. Insbesondere ein System zur Kundensegmentierung<\/strong> hilft enorm, wenn es darum geht, gezielt und individualisiert Empfehlungen auszusprechen.<\/p>\n\n\n\n Das gr\u00f6\u00dfte Potential, das ich in Empfehlungsdiensten sehe, besteht in\n ihrer intelligenten Verkn\u00fcpfung mit anderen Bereichen der \nMarketing-Landschaft. Mobile Gesch\u00e4ftsprozesse<\/strong> und Methoden <\/strong>wie Tracking<\/strong>\n verhelfen einem System, das es bereits seit vielen Jahren gibt, zu \neiner neuen Relevanz. Denn Empfehlungsdienste erf\u00fcllen dann ihren vollen\n Zweck, wenn sie uns zum richtigen Zeitpunkt<\/strong> am richtigen Ort<\/strong> den richtigen Impuls<\/strong>\n geben. Dann werden sie erst voll und ganz an die leer gewordene Stelle \ntreten k\u00f6nnen, die fr\u00fcher einmal der Musikexperten im Plattenladen \neingenommen hat.<\/p>\n\n\n\n Wer erinnert sich heute noch daran, wie es der Normalfall war, CDs in den Regalen der Plattenl\u00e4den durchzubl\u00e4ttern, um etwas Neues oder Interessantes zu entdecken!? Auch die Musikexperten hinterm Tresen spielten dabei oft eine wichtige Rolle, wenn es darum ging, eine Empfehlung zu bekommen. Im Zeitalter von Big Data, AI und Machine Learning ist der […]<\/p>","protected":false},"author":1,"featured_media":2557,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[1],"tags":[],"yoast_head":"\n
\n\n\n\nSo funktionieren Empfehlungsdienste<\/h1>\n\n\n\n
\n\n\n\n
\n\n\n\nVerbreitung und aktuelle Anwendung von Empfehlungsdiensten<\/h1>\n\n\n\n
\n\n\n\nIst Geschmack ausschlie\u00dflich mit \u00c4hnlichkeit erkl\u00e4rbar?<\/h1>\n\n\n\n
\n\n\n\n
\n\n\n\n
\n\n\n\nDie aktuelle und zuk\u00fcnftige Relevanz von Recommendation-Systeme<\/h1>\n\n\n\n
\n\n\n\n
\n\n\n\nWarum mobile Gesch\u00e4ftsprozesse Empfehlungsdienste in Zukunft noch relevanter machen<\/h1>\n\n\n\n
\n\n\n\n
\n\n\n\n
\n\n\n\nEmpfehlungsdienste und ihre Relevanz & Akzeptanz<\/h1>\n\n\n\n
\n\n\n\n
\n\n\n\nDer richtige Ort und der richtige Moment<\/h1>\n\n\n\n
\n\n\n\n
","protected":false},"excerpt":{"rendered":"