Der Empfehlungsalgorithmus
Erfahre, wie Amazon Produktempfehlungen mithilfe eines spezialisierten algorithmischen Systems gestaltet, das auf einer Vielzahl von Daten basiert, um maßgeschneiderte Vorschläge zu bieten.
Wie funktioniert der Algorithmus?
Produktempfehlungen sind ein zentraler Bestandteil des eCommerce, um Kund*innen passende Empfehlungen zu bieten, die optimal auf ihre Bedürfnisse zugeschnitten sind. Amazon verwendet dafür ein eigenes algorithmisches Empfehlungssystem, das auf verschiedene Datenquellen zugreift. Besonders wichtig sind dabei die Produktdaten, insbesondere bei der Einführung neuer Produkte. Diese Produktdaten spielen eine entscheidende Rolle dabei, wie gut der Algorithmus neue Produkte in seine Empfehlungen einbinden kann, was im Folgenden genauer betrachtet wird.
Algorithmus und Empfehlungen
Amazons Empfehlungsalgorithmus basiert auf drei Hauptbausteinen: Erstens nutzt er Daten zur Kaufhistorie einer großen Anzahl von Kund:innen, um Produkte zu identifizieren, die häufig gemeinsam gekauft werden. Zweitens werden Daten zu gemeinsamen Aufrufen verschiedener Produkte bei derselben Suchanfrage analysiert, um ähnliche Produkte zu empfehlen. Drittens bezieht der Algorithmus Produktmerkmale ein, um neue relevante Produkte vorzuschlagen, die bisher nur selten gekauft oder angesehen wurden.
Wie funktioniert der Algorithmus?
Der Empfehlungsalgorithmus arbeitet mit einem Produkt-Graphen, in dem Knoten (z. B. A, B, C) für verschiedene Produkte stehen. Jedem Knoten sind Metadaten wie Produkteigenschaften zugeordnet. Die Pfeillinien zwischen den Knoten repräsentieren entweder gemeinsame Käufe (gelb) oder gemeinsame Ansichten (rot) der Produkte. Dieser Produkt-Graph bildet die Grundlage für das Training eines neuronalen Netzwerks (dunkelblau), welches letztlich treffende Produktempfehlungen generiert.
Vernetzung von Produkten
In der Produktvernetzung unterscheidet man zwischen unidirektionalen und bidirektionalen Verbindungen. Bei einer unidirektionalen Verbindung hängt der Kauf eines Produkts von einem anderen ab, beispielsweise ist der Kauf einer Smartphone-Hülle abhängig vom Kauf eines Smartphones. Hier ist das Smartphone die Quelle und die Hülle das Ziel. Eine bidirektionale Verbindung besteht hingegen ohne Abhängigkeit zwischen den Produkten, etwa wenn eine Smartphone-Hülle in Verbindung mit einer Display-Schutzfolie gekauft wird. Wenn zwei ähnliche Produkte häufig gemeinsam angesehen werden, ist die Verbindung ebenfalls bidirektional.
Wie lassen sich relevante Produkte finden?
Für jedes Produkt werden zwei Umgebungen erstellt: In der einen wird das Produkt als Quelle einer Produktempfehlung betrachtet, in der anderen als Ziel. Diese Struktur dient dazu, Asymmetrien zu vermeiden. Beispielsweise, wenn eine Smartphone-Hülle (Produkt A) als Quelle für Produktempfehlungen fungiert, sollten als Ziel-Produkte keine Smartphones (C, B) vorgeschlagen werden, sondern passenderes Zubehör wie Display-Schutzfolien (E).
Fazit
Wenn ein*e Kund*in ein Smartphone kauft, kann auf dieser Basis eine Ziel-Umgebung mit neuen, relevanten Produkten erstellt werden, die unter anderem häufig zusammen gekaufte Produkte umfasst. Durch die Empfehlung von Produkten, die oft gemeinsam angesehen werden, wird eine größere Vielfalt an ähnlichen Produkten präsentiert. Die Einbeziehung von Metadaten (relevante Produkteigenschaften) stellt sicher, dass neue Produkte nicht unbeachtet bleiben. Für den Algorithmus ist es entscheidend, dass neben einer detaillierten Produktbeschreibung auch umfassend ausgefüllte Metadaten vorliegen, um das Produkt effektiv empfehlen zu können.
