Warum sind Empfehlungssysteme auch außerhalb großer Technologiekonzerne wichtig?
Empfehlungssysteme sind für jedes Unternehmen wichtig, dessen Sortiment zu groß ist, als dass Kunden es vollständig durchsehen könnten. Denn was das System zuerst anzeigt, bestimmt maßgeblich, was gesehen, gekauft und nachbestellt wird.
Nehmen Sie den fiktiven Online-Shop für Bastelbedarf Willowmere Crafts mit etwa 4,000 Produkten und einem Team von 15 Personen. Der E-Commerce-Leiterin Hana liegen eine Beschwerde des Einkaufsteams und ein Bericht der Agentur vor, die den Bereich 'Das könnte Ihnen auch gefallen' eingerichtet hat. Ihre Notizen lauten: 'auf fast jeder seite werden dieselben 40 produkte empfohlen. neue frühjahrsgarnkollektion (220 artikel) wurde in 3 wochen fast nie als empfehlung angezeigt. wiederkehrende kunden bekommen gute vorschläge, erstbesucher scheinbar zufällige. unabhängige herstellermarken sagen, dass sie nie erscheinen.' Sie muss dem Gründer erklären, was vor sich geht, bevor sie die Agentur um Änderungen bittet.
Wie entscheiden Empfehlungssysteme, was sie anzeigen?
Die meisten Empfehlungssysteme verwenden inhaltsbasierte Filterung, kollaborative Filterung oder eine Mischung aus beidem. Der Unterschied liegt darin, ob sie Elemente mit Elementen oder Personen mit Personen vergleichen.
Inhaltsbasierte Filterung
Empfiehlt anhand von Artikelmerkmalen Produkte, die dem ähneln, was eine Person bereits mag. Wer dicke Merinowolle in Petrol gekauft hat, bekommt andere dicke Wolle und Garne in Petrol angezeigt. Dafür sind keine Daten über andere Kunden nötig. Der Ansatz funktioniert jedoch nur so gut wie die festgelegten Artikelmerkmale und überrascht selten mit etwas außerhalb des gewohnten Geschmacks.
Kollaboratives Filtern
Empfiehlt, was ähnlichen Personen gefallen hat. Wenn Kunden nach dem Kauf eines Stricksets für Anfänger häufig Maschenmarkierer und ein Anleitungsbuch gekauft haben, werden diese auch neuen Käufern des Sets angezeigt. Dieser Ansatz kann unerwartete, aber nützliche Vorschläge liefern und benötigt keine Artikelbeschreibungen. Er ist jedoch auf bisherige Interaktionen angewiesen.
Hybride Systeme
Kombinieren Sie beide Ansätze, oft ergänzt durch einfache Regeln wie das Entfernen nicht vorrätiger Artikel, damit jeder Ansatz die Schwächen des anderen ausgleicht.
Was ist das Kaltstartproblem?
Das Kaltstartproblem besteht darin, dass ein Empfehlungssystem mit neuen Artikeln und neuen Nutzern Schwierigkeiten hat, weil ihm deren Interaktionsverlauf fehlt. Insbesondere kollaboratives Filtern kann einen Artikel nicht einordnen, den noch niemand gekauft oder angeklickt hat. Genau das geschah mit dem Frühlingsgarnsortiment von Willowmere. Auch bei einem erstmaligen Besucher gibt es kaum Anhaltspunkte.
Gängige Lösungen sind, bei neuen Artikeln auf inhaltsbasierte Ähnlichkeit zurückzugreifen, einen neuen Artikel anhand anderer Artikel derselben Kategorie oder desselben Herstellers einzuschätzen, neuen Besuchern bewusst eine vielfältige Auswahl beliebter Artikel zu zeigen und mit ein oder zwei kurzen Fragen Vorlieben zu ermitteln, sofern das zum Shop passt.
Wie entstehen Rückkopplungsschleifen und Fairnessprobleme?
Eine Rückkopplungsschleife entsteht, wenn das System aus Klicks auf Artikel lernt, die es selbst zur Anzeige ausgewählt hat. Häufig angezeigte Artikel erhalten dadurch mehr Klicks und werden noch häufiger angezeigt. Mit der Zeit verdrängt eine kleine Auswahl beliebter Produkte alles andere, wie bei den 40 Produkten von Willowmere. Artikel, die nie angezeigt werden, bekommen dagegen nie die Chance, sich zu bewähren.
Daraus ergeben sich unmittelbar Fragen zur Fairness. Wenn zu den Produkten unabhängiger Hersteller anfangs weniger historische Daten vorliegen, kann diese Rückkopplung sie unabhängig von ihrer Qualität dauerhaft unsichtbar halten. Kunden verlieren dadurch Auswahlmöglichkeiten. Gegenmaßnahmen sind etwa, einige Empfehlungsplätze für neuere oder bislang seltener angezeigte Artikel zu reservieren, die Sichtbarkeit nach Hersteller und Kategorie statt nur anhand der Gesamtklickzahl zu messen und die Trainingsdaten des Modells zu aktualisieren, damit es nicht nur aus seinen eigenen früheren Entscheidungen lernt.
Wie sieht eine schwache und eine verbesserte Anfrage an die Agentur aus?
Eine schwache Anfrage lautet: 'Die Empfehlungen funktionieren nicht, bitte verbessern Sie sie.' Die Agentur trainiert dann möglicherweise einfach mit noch mehr derselben Klickdaten und verstärkt damit die Rückkopplungsschleife.
Eine verbesserte Anforderung lautet: 'Unser Empfehlungsbereich scheint sich nur auf die Kaufhistorie zu stützen. Bitte (1) nutzen Sie Produkteigenschaften wie Faser, Gewicht, Farbe und Handwerkstechnik, um neue Artikel zu empfehlen, bis genügend Kaufdaten vorliegen; (2) zeigen Sie Erstbesuchern eine vielfältige Auswahl aus verschiedenen Kategorien statt einer einzigen Bestsellerliste; (3) reservieren Sie zwei von acht Plätzen für Artikel, die in den letzten 30 Tagen selten angezeigt wurden; (4) berichten Sie monatlich über den Anteil der Empfehlungsanzeigen nach Hersteller und Produktalter; und (5) testen Sie Änderungen im Vergleich zum aktuellen Empfehlungsbereich, indem Sie die Besucher aufteilen und Bestellungen statt nur Klicks messen.' Hana kann nun beurteilen, ob die Arbeit erledigt wurde.
Wie prüfen Sie, ob Empfehlungen die gewünschte Wirkung haben?
Prüfen Sie Empfehlungen nicht nur anhand der Klickrate, sondern auch anhand von Bestellungen, Retouren und der Verteilung der Sichtbarkeit auf Produkte und Lieferanten. Ein Empfehlungsbereich, der die Klicks auf wenige Bestseller erhöht, neue Sortimente aber kaum sichtbar macht, kann dem Geschäft schaden. Vergleichen Sie Änderungen mit einer Kontrollgruppe von Besuchern, die die alte Version sehen. Denn Empfehlungen, die während einer Rabattaktion oder an einem Feiertag angezeigt werden, schneiden unabhängig vom Modell besser ab.
Was sind häufige Fehler bei Empfehlungssystemen?
Der häufigste Fehler ist, ausschließlich auf Klicks zu optimieren. Das belohnt auffällige Artikel und verstärkt die Rückkopplungsschleife. Weitere Fehler: ein neues Sortiment ohne inhaltliche Merkmale einführen, sodass es unter dem Kaltstartproblem leidet, den Erfolg anhand eines Vorher-nachher-Vergleichs ohne Kontrollgruppe beurteilen, ignorieren, welche Lieferanten oder Kategorien nie erscheinen, und personenbezogene Daten für Empfehlungen nutzen, ohne Kunden in den Datenschutzhinweisen darüber zu informieren.
Wo ist diese Lektion bei Tosheo.ai eingeordnet?
Diese Lektion gehört zur Kategorie Maschinelles Lernen im Kurs für maschinelles Lernen und folgt auf die Lektionen darüber, wie Modelle lernen und bewertet werden. In der Praxisaufgabe bei Tosheo.ai verfassen Sie einen Arbeitsauftrag zur Verbesserung der Empfehlungen eines fiktiven Geschäfts. Die Rückmeldung anhand des Kriterienrasters prüft, ob Sie den Kaltstart, Rückkopplungsschleifen, faire Behandlung und einen fairen Test berücksichtigt haben. Das Angebot vermittelt berufliche Grundlagen, um solche Arbeiten zu beauftragen und zu beurteilen. Die Programmierung eines Empfehlungssystems gehört zum optionalen Programmierpfad.
Quellen und Geltungsbereich
Google für Entwickler: Vor- und Nachteile inhaltsbasierter Filterung (geprüft am 19 October 2026) ↗