Recommendation Engines: Die Zukunft der subtilen ECommerce-Berater

Recommendation Engines stellen einen echten persönlichen Bezug zu den Kunden her und sorgen damit für eine nachhaltige Emotionalisierung des Online-Einkaufserlebnisses. Die Empfehlungssysteme unterstützen den Benutzer beim Finden geeigneter Produkte.

Aus den simplen Mitverkaufssystemen der frühen Nuller-Jahre ("Dieses Produkt passt dazu:") sind längst ausgefeilte semantische Systeme geworden. Aber die Kunden sind auch empfindlicher geworden. Aus 10 Jahren Recommendation-Engine-Erfahrung haben die Systementwickler gelernt: Der Kunde muss einen Mehrwert spüren. Keinesfalls allerdings dürfen die Systeme den Kunden bei seiner Auswahl bevormunden oder stören.

Warum Onlineshops Recommendation Engines wollen - und brauchen

Laut der Studie Produktempfehlungen als Erfolgsfaktor im Onlinehandel   des ECommerce-Center-Handel   (ECC Handel) arbeiten bereits 45,7 Prozent der befragten Shopbetreiber mit Produktempfehlungen in ihren Onlineshops, um die Kaufentscheidung der Kunden zu unterstützen und die Conversionrate zu steigern. Ganz nach dem prominenten Beispiel des ECommerce-Riesen Amazon  . Zeigt dieser doch jedem bekannten Kunden bereits eine eigene Startseite mit passenden Produktempfehlungen an. "Der Trend geht weiter zur Personalisierung", bestätigt darum Andreas Duscha , Bereichsleiter des ECC Handel. "Empfehlungssysteme stellen hier die Basis dar."
Doch schöpfen Onlinehändler bereits das volle Potenzial von Produktempfehlungen aus? Die Studienergebnisse zeigen, dass knapp ein Drittel der Händler das Potenzial von Empfehlungssystemen erkannt hat und die Anschaffung eines Empfehlungssystems als Shop-Erweiterung plant. Weitere 48,1 Prozent derjenigen, welche noch keine Empfehlungssysteme einsetzen, denken zumindest über die Anschaffung eines solchen nach. 24,7 Prozent der Befragten geben allerdings an, auch künftig keine Recommendation Engines in ihren Onlineshops nutzen zu wollen. Damit vergeben sie jedoch wichtige Chancen.

Einer der Onlinehändler, die sich noch dieses Jahr eine Recommendation Engine leisten wollen, ist der Online-Optiker Brille24  . Der Onlineshop plant die Einbindung einer Recommendation Engine für das dritte oder vierte Quartal 2012. Und das, obwohl sich für den Online-Optiker der Einsatz einer Recommendation Engine schwieriger gestaltet als bei anderen Händlern. "Unser Geschäftsmodell mit einem Einheitspreis pro Brille erschwert es uns, klassisches Cross- oder Up-Selling zu betreiben", erläutert Marketingleiter Björn Holste . Denn zumeist würden die Kunden nicht gleich mehrere Brillen in einer Bestellung ordern. "Dennoch möchten wir in Zukunft den Kunden bei uns auf Basis des Nutzerverhaltens die passende Brille anbieten. Von den Empfehlungen erhoffen wir uns in Zukunft für den Kunden einen schnelleren Weg zum Produkt und eine dynamischere Anzeige der einzelnen Kategorien", begründet Holste die Entscheidung. Zudem sei es ihnen wichtig gewesen, so Holste weiter, dass das Empfehlungssytem nicht nur reine Empfehlungen ausspiele, sondern auch in anderen Shop-Bereichen wie den Kategorien oder dem Newsletter in Echtzeit eingesetzt werden könne. Zudem soll die Software mit dem Shop wachsen können und auch international einsetzbar sein.

Gänzlich andere Anforderungen an seine Recommendation Engine als sein Kollege aus der Online-Optik, hat Rene Otto . Der BVH-Aktivist ist Geschäftsführer des Fanartikel-Shops Rock N Shop  . Rene Otto hält besonders für kleinere Onlineshops andere Aspekte für wichtiger - so beispielsweise die reale Warenverfügbarkeit im Lager: "Es nützt nichts, Produkte als Empfehlungen einzublenden, wenn die Ware nicht verfügbar ist." Des Weiteren müsse die Größe des Sortiments bedacht werden. Denn: Ist das Sortiment zu klein, lohnt sich auch keine Recommendation Engine.

Qual der Wahl: Welcher Recommender-Ansatz zu welchem Onlineshop passt

Abgesehen von der Sortimentsgröße des Onlineshops existieren noch weitere wichtige Faktoren, die Händler bei der Auswahl ihres Recommendation-Systems beachten sollten. Ein allgemeingültiges Erfolgsrezept gibt es allerdings nicht. Hier hilft nur ein bewährtes Hausmittel: Die klar definierten, individuellen Zielsetzungen des Onlineshops mit den reellen Gegebenheiten, sprich der Infrastruktur, und den Bedürfnissen der Zielgruppe abgleichen. Denn genauso unterschiedlich wie die Bedürfnisse der verschiedenen Shop-Anbieter ausfallen, sind auch die ihrer Kunden.

In diese Kerbe schlägt auch Christin Schmidt , Sprecherin des Bundesverbands des Deutschen Versandhandels   (BVH). "Grundsätzlich sollte sich jeder Shopbesitzer intensiv mit der Frage befassen, welches System das für ihn geeignete ist", rät Schmidt. Das richte sich selbstverständlich danach, welche Ware sich im Shop befinde, aber auch nach dem passenden und umsetzbaren Systemansatz für den jeweiligen Onlineshop, schränkt aber auch sie ein.

Nur mit dem für den Onlineshop geeigneten Recommendation-System können die Händler in den Genuss der Vorteile eines solchen Systems kommen. So erwarten sich ECommerce-Anbieter von dem Einsatz einer Recommendation Engine in ihrem Shop etwa,

• den Wert des Warenkorbs der Kunden zu steigern,
  
• das Cross-Selling oder Up-Selling zu fördern,
  
• eine stärkere Kundenbildung zu erreichen,
  
• die Häufigkeit der Besuche zu steigern,
  
• die Sichtbarkeit relevanter Produkte für die Suchmaschinen zu erhöhen,
  
• eine solide Basis für das Retargeting zu schaffen,
  
• die Einsparung des manuellen Pflegeaufwandes,
  
• eine Umsatz- und Gewinnsteigerung.

Um ganz sicher zu gehen, dass die eingesetzte Recommendation Engine auch die für seinen Shop passende ist, hat sich Rene Otto für ein System Marke Eigenbau entschieden. "Unsere Cloud-Lösung Customa   ist ein selbstentwickeltes System, das eine Dreifach-Engine einsetzt. Diese steuert Artikel nach den Kriterien "verwandte Artikel zum Vorkauf", "Andere Kunden kauften auch..." und "Topseller der Gewinnungskampagne" sowohl im Shop als auch auch in vollautomatisierten Mail-Anstoßketten zu", erzählt er.

Für die Auswahl einer geeigneten Recommendation Engine ist neben einer klaren Zielsetzung auch wichtig, dass der Händler sich darüber bewusst ist, wo er mit seinem Shop gerade steht. Denn das reell Machbare ist zwangsläufig immer an das bereits Vorhandene gekoppelt. Sprich, was Shop-Anbieter anhand von Recommendation Engines erreichen können, hängt unmittelbar von der Infrastruktur des Onlineshops ab. Faktoren, welche direkt die Auswahl der potenziell einsetzbaren Recommendation Engine beeinflussen, sind:

• Welche Shoplösung verwendet wird
  
• Die Höhe des Traffics
  
• Die Größe des Shop-Sortiments
  
• Die Größe der internen Ressourcen
  
• Und besonders: Welche Anforderungen einer Recommendation Engine das vorhandene Shopsystem verkraftet und somit auch erfüllen kann.

Hat der Shop-Anbieter sich seine Soll- und Ist-Situation klar vor Augen geführt, kann er zur Belohnung von Neuem mit der Grübelei beginnen. Denn nun muss er sich entscheiden, welches Empfehlungssystem beziehungsweise welchen Ansatz er gerne für seinen Shop hätte.


Ist aber die Entscheidung für einen (oder mehrere) Empfehlungssystemansatz erst einmal gefallen, geht es an das Eingemachte:

Technische Mindestanforderungen und Schnittstellen

Nicht zuletzt weil es sich bei den Recommendation Engines um algorithmusgesteuerte Systeme handelt, bringen diese einige technische Mindestanforderungen mit sich. "Diese hängen allerdings stark von dem Anwendungsgebiet der Engine, dem eingesetzten Recommendation-Ansatz und der zu bewältigenden Datengrundmenge ab", erläutert Christian Bok . Er ist Geschäftsführer des Münchner Recommendation-Engine-Anbieters Check Networks  . Bei einfacheren Objekten wie etwa Texten, biete es sich an, mit contentbasierten Ansätzen zu arbeiten. Denn diese können aufgrund ihrer Eigenschaften oder ihrer Inhalte relativ leicht in Zusammenhang miteinander gebracht werden, so Bok. Zudem verursachten contentbasierte Ansätze im Vergleich etwa zu Collaborative-Filtering-Ansätzen meist weniger Serverlast.

Generell könne man die technischen Mindestanforderungen für den Einsatz von Recommendation Engines aber nicht pauschalisieren, da sind sich die von iBusiness befragten Experten einig. Für einen kleinen Onlineshop etwa reiche in der Regel jedoch ein gängiger Server, auf dem bereits das Shopsystem betrieben würde, findet Christian Bok. Des weiteren arbeite ein Recommender-System nahezu ohne weiteren Administrationsaufwand, sobald es erst einmal implementiert sei und genügend Transaktionsdaten vorhanden wären.

Dass ein Recommender-System nach der Implementierung quasi ein Selbstläufer ist, bestreitet hingegen Andreas Lommatzsch . Der Diplomingenieur arbeitet bei dem Competence Center Information Retrieval and Machine Learning   (DAI-Labor) der Technischen Universität Berlin   . Lommatzsch mahnt, dass ein Empfehlungssystem regelmäßig gewartet und evaluiert werden müsse, um eine beständig hohe Empfehlungsqualität sicherstellen zu können. So lange keine funktionierenden CRM-Systeme mit ausgefeilter Semantik im Einsatz sind, muss der Mensch immer noch Hand anlegen. Gerade für Empfehlungssysteme gilt das alte Gesetz "Garbage in - Garbage out". Und das Problem ist: Ohne regelmäßige Pflege merkt man nicht, dass das System Unsinn ausspuckt. Das merkt man erst an den niedrigen Konversionsraten.

Die Kosten

Neben allen Überlegungen bezüglich der Zielsetzung, Infrastruktur und technischen Mindestanforderungen dürfen Onlinehändler natürlich auch das Thema Geld nicht außer Acht lassen bei der Anschaffung eines Empfehlungssystems. Rene Otto nennt Zahlen für sein selbst gebautes Recommender-System: "Die Kosten bewegen sich im unteren vierstelligen Bereich, wenn man das System inhouse realisiert. Externe Lösungen der etablierten Anbieter liegen deutlich im fünfstelligen Bereich und darüber hinaus."

Jens Scholz von Prudsys kalkuliert "je nach Leistungsfähigkeit, Funktionsumfang und Bereitstellung für ein gutes System für einen Mittelständler mit 20.000 bis 100.000 Euro pro Jahr." Kenngrößen für die Kosten einer Recommendation Engine sind laut Scholz der gemessene Erfolg, der Funktionsumfang des Systems und die Verfügbarkeit von Support und Ansprechpartnern des System-Herstellers. "Im Grundsatz sollte gelten, dass sich der Einsatz eines Systems immer durch den zusätzlichen Gewinn aus dem Mehrumsatz rechnen sollte. Das bedeutet, immer darauf drängen den Erfolg zu messen. Hier gilt ausnahmsweise mal nicht "weniger ist mehr", ist Scholz überzeugt.

Auch Christin Schmidt vom BVH verweist auf die Performance-Abhängigkeit der Recommender-Systeme in der Kostenfrage. " Positiv ist, dass die Kosten meist performanceabhängig sind und damit die Shops nicht in Vorleistung gehen müssen, sprich keine Anfangskosten haben." Höre man sich um, sprächen manche Unternehmen von bis zu 20 Prozent Umsatzsteigerung, so Schmidt. "Realistisch sind jedoch acht bis zehn Prozent bei optimaler Nutzung der Recommender Systeme. Diese Zahl sollten Shopbetreiber auch im Auge haben, wenn sie die Kosten für ein solches System mit einem Dienstleister verhandeln", mahnt sie.

Schlechte Umsetzungen bedrohen den Onlineshop

Nicht nur bei der Projektkalkulation müssen Onlineshop-Betreiber in Bezug auf Empfehlungssysteme vorsichtig sein. Denn die hohe Bedeutung der akkuraten und peniblen Bestimmung und Umsetzung der technischen Anforderungen bei Recommendation Engines kommt nicht von ungefähr. Vermasselt man die Umsetzung des Empfehlungssystems, spart man an der falschen Stelle. Denn die Negativfolgen lassen sich leicht vor Augen führen. So kann eine schlechte oder für den Shop nicht geeignete Recommendation Engine durchaus dazu führen, den Shopbesucher dauerhaft zu vergraulen.

Derlei potenzielle Gefahren für Onlineshops lauern laut Jens Scholz vor allem in falscher Methodik oder schlechten mathematischen Verfahren. Scholz ist Vorstand des Herstellers von Recommendation-Systemen Prudsys   . Er beobachtet das "Phänomen von undurchdachter Anwendung von Personalisierung" beispielsweise oft bei dem Retargeting im E-Commerce. "Hier hat sich eine stalkingähnliche Verwendung etwa von angesehenen Produkten für die Bannerbespielung in externen Portalen eingebürgert. Ein Umstand, der nicht eben Werbung für unsere Branche ist", kritisiert Scholz. Eine gute Personalisierung aber sollte seiner Meinung nach nicht mit dem Zaunpfahl sondern passgenau und sehr unauffällig erfolgen.

Ebenso wie der Prudsys-Vorstand äußert auch Empfehlungssystem-Hersteller Christian Bok Kritik an der eigenen Branche. "Unserer Meinung nach funktionieren momentan leider noch nicht alle Recommendation Engines wirklich zufriedenstellend." So seien zum einen die heutigen Systeme mit den enormen Datenmengen überfordert und zum anderen würden sie nur pseudo-personalisiert arbeiten. "Die Systeme können noch nicht wirklich auf die Bedürfnisse und Eigenheiten der Anwender eingehen", klagt Bok. So würden Empfehlungen meist anhand der vorherigen Aktivitäten des Nutzers auf der Seite des Anbieters berechnet. Dabei werde aber nicht berücksichtigt, dass der Kunde zum Beispiel nicht jedes Buch für sich selbst kaufe. "Bestellt ein Kunde etwa ein Kinderbuch für seinen Neffen, bekommt er weiterhin Kinderbücher vorgeschlagen. Die Bestellung beeinflusst die weiteren Empfehlungen des Anbieters für diese Person dauerhaft", veranschaulicht Bok das Problem. Genau dies müssen Onlinehändler jedoch dringlichst vermeiden: Besucher und damit potenzielle Kunden sollten auf keinen Fall durch irrelevante Produkte irritiert, bevormundet oder gar frustriert werden.

Die Zukunft der Empfehlungssysteme

Die zukünftige Entwicklung der Recommendation Engines sehen die meisten von iBusiness befragten Experten in dem kundenindividuellen, personalisierten und dynamischen Shopdesign. Das sieht auch Christian Bok so. Er rechnet mit der Entwicklung der Recommendation-Systeme zu Personalized-Consulting-Systemen. Dies könne zum Beispiel durch die Einbindung charakterlicher Eigenheiten und Motive einer Person funktionieren. Trotzdem müsse man hier jedoch die Standards des Datenschutzes erfüllen, merkt Bok an.

Eine andere Entwicklung erkennt Rene Otto: "Der Weg geht im E-Commerce immer weiter weg von global und hin zu individuell. sprich das Marketing der Zukunft wird one2one sein. Recommendation Engines werden einen essenziellen Beitrag hierzu leisten. Bei Rock N Shop agiere er bereits in dieser Form. "E-Mailings gehen an Zielgruppen-Cluster und sind individuell auf jeden Kunden ausgelegt. Im Bereich des Cross-Sellings wird ebenso verfahren. Im Shopdesign arbeiten wir noch daran."

Andreas Lommatzsch hingegen glaubt nicht, dass Zielgruppen-Clustern künftig noch große Bedeutung zugemessen werden muss. Seine Ansicht: "Durch die vereinfachte Verfügbarkeit von Rechenzeiten und Speicherplatz, etwa durch Cloud-Services, können komplexere Algorithmen auf größeren Datenmengen eingesetzt werden. Dies ermöglicht es, die Web-Applikationen besser an individuelle Präferenzen anzupassen. Auf das Zusammenfassen von Benutzern zu Gruppen mit ähnlichen Interessen, um Ressourcen zu sparen, kann dann verzichtet werden."

Die künftigen Entwicklungen und Trends der Recommendation Engines
Überbegriff	Trendindikator	Trend
"Verbesserte Anwendbarkeit und Transparenz für die Shopbetreiber & Hybrid-Systeme"	Christin Schmidt vom BVH rechnet künftig vermehrt mit personalisierten Startseiten. "Grundsätzlich wird auch hier die Herausforderung sein, den Bogen zwischen den eigentlichen Kundenbedürfnissen und der Spannung beim Kauf zu halten." Schmidt erwartet zudem eine kontinuierlich verbesserte Anwendbarkeit und Transparenz für die Shopbetreiber aufgrund der stark vorangeschrittenen Professionalisierung der Recommender-Systeme innerhalb der letzten zwölf Monate.	Für Shops kleiner und mittlerer Größe sieht Schmidt die interessanteste künftige Entwicklung darin, die verschiedenen Recommender-Systeme zu funktionelleren Hybriden zu verbinden, um die Vorteile der verschiedenen Systeme nutzen zu können.
"Cloud, Erklärungen und das Aussterben der Zielgruppen-Cluster"	Andreas Lommatzsch vom Distrubuted Artificial Intelligence Laboratory sieht die Zukunft der Recommender-Systeme in der Cloud: "Durch die vereinfachte Verfügbarkeit von Rechenzeiten und Speicherplatz, wie etwa bei Cloud-Services, können komplexere Algorithmen auf größeren Datenmengen eingesetzt werden." Dies ermögliche es, die Web-Applikationen besser an individuelle Präferenzen anzupassen. Auf das Zusammenfassen von Benutzern zu Gruppen mit ähnlichen Interessen, um Ressourcen zu sparen, könne dann verzichtet werden.	Aktuelle Trends erkennt Lommatzsch in der immer stärkeren Verwendung von Cloud-Diensten. Diese unterstützen seiner Meinung nach die Verteilung komplexer Algorithmen auf mehrere Maschinen, um diese dann effizient ausführen zu können. "Ein weiterer wichtiger Trend ist das Bereitstellen von Erklärungen, für bereitgestellte Empfehlungen, um das Vertrauen der Benutzer in die Empfehlungen zu verbessern."
"Empfehlungs-Leisten, Widgets und genauere Verhaltensanalyse"	Timo von Focht von Maxymiser glaubt daran, dass kurz- und mittelfristig Seitenleisten mit Empfehlungs-Leisten oder Widgets zu einem festen Bestandteil der Sekundärnavigation von Shopseiten werden. Langfristig rechnet von Focht damit, dass Empfehlungen für jeden Besucher in der für ihn passenden Anzahl, dem passenden Layout und der favorisierten Position erscheinen. " Von reinen Produkt-Affinitäten wie 'Besucher, die Produkt A sahen, kauften auch Produkt B' und Warenkorb-Auswertungen geht der Trend hin zum Vergleichen von Besucher- und Kundenverhalten sowie Kundenprofilen." Dabei würden beispielsweise Ähnlichkeiten von Besuchern ermittelt, was Wohnort, Alter, Geschlecht sowie weitere Eigenschaften und auch Präferenzen angehe.	"Zukünftig werden Empfehlungen sicher noch prediktiver und prognostischer hergeleitet: So könnten beispielsweise einem Kunden, der gerade Windeln, Schnuller und Säuglings-Ausstattung erworben hat, 20 Monate später erste Kinderschuhe und Spielzeug für Kinder im Alter von zwei Jahren empfohlen werden," prognostiziert von Focht.
"Dynamische Vernetzung, Verschwimmen von Grenzen und dynamische Preisbildung"	Jens Scholz von Prudsys meint, dass künftig die Empfehlungsfunktionen vermehrt frühzeitig Shop-Launches mit geplant und einbezogen werden. Die Entwicklungsspitze ziele darauf ab, immer mehr Funktionen miteinander zu vernetzen und immer weiter zu dynamisieren. "Das Shopdesign wird diesem Trend folgen und sich weiter modularisieren. Die klaren Trennungen zwischen Homepage, Kategorieeinstiegsseite, Artikeldetailseite usw. werden zunehmend verschwimmen. Man kann sich das so vorstellen, dass jede Seite nahezu jeden Inhalt ausspielen kann und eine Realtime Decisioning Engine den Inhalt dynamisch zusammenstellt."	Scholz nennt weiterhin den Trend der dynamischen Preisbildung. In Verbindung mit ohnehin in Echtzeit agierenden Systemen sei dies eine interessante Kombination. "Der Blick in unsere Entwicklungslabore zeigt für die nächsten Jahre weitere Schritte zur vollständigen Shopautomatisierung und da gibt es schon spektakuläre Prototypen." Die Tendenz gehe seiner Meinung nach zu einer einfacheren Integration bei komplexeren Aufgaben.
"Allgemeingültige Nutzerprofile, psychologisch personalisierter Recommendation Engines"	Christian Bok von Check Networks rechnet mit einer Personalisierung in Form von auf den Charakter und die Motive des Nutzers abgestimmten Empfehlungen. "Die Nutzer haben immer weniger Lust, lange nach etwas Passendem zu suchen. Zudem geben sie sich allerdings immer weniger mit ungenauen Ergebnissen zufrieden. Gleichzeitig wird immer öfter auf den Einkauf mit einer persönlichen Beratung verzichtet," schildert Bok die aktuellen Entwicklungen im E-Commerce. Auf lange Sicht werden sicher die Shops und Seiten im Internet gewinnen, die es schaffen, die persönliche Beratung am besten zu imitieren und ihren Kunden auch im Internet eine zügige und passgenaue Empfehlung zukommen zu lassen.	Bok hat deshalb eine konkrete Vorstellung von der Zukunft der Recommender-Systeme: "Der Kunde soll sich künftig mittels seines auf seinem Rechner oder Smartphone gespeicherten Persönlichkeitsprofils bei jedem beliebigen Shop oder auch anderer Internetseite anmelden können." Dies solle sicherstellen, dass der Kunde speziell für ihn personalisierte Start- und Folgeseiten erhalte. Der Kunde werde so mit für ihn passenden und interessanten Inhalten versorgt." Dies könne seiner Meinung nach nur mit Hilfe psychologisch personalisierter Recommendation Engines gewährleistet werden. "Die Zukunft sind mehrdimensionale, intelligente Empfehlungssysteme zur Generierung personalisierter Vorschläge aus zahlreichen Produkt- und Aktivitätskategorien."