E-Commerce

Wissen was der Kunde will

| Autor / Redakteur: Stefan Kolmar / Dr. Gesine Herzberger

Durch Verknüpfung der einzelnen Daten und deren Beziehungen zueinander entsteht mit Recommendation Engines ein ganzheitliches Kundenbild.
Durch Verknüpfung der einzelnen Daten und deren Beziehungen zueinander entsteht mit Recommendation Engines ein ganzheitliches Kundenbild. (Bild: gemeinfrei / CC0)

Recommendation Engines sind aus dem E-Commerce nicht mehr wegzudenken. Doch treffen sie auch immer ins Schwarze? Ja, aber nur wenn alle kundenrelevanten Daten sowie deren Beziehungen zueinander in Echtzeit ausgewertet werden.

Produktempfehlungen, die über so genannte Recommendation Engines erstellt werden, zählen zu den wichtigsten Bausteinen im E-Commerce. Content-basierte Systeme analysieren Merkmale von Produkten und gleichen diese mit dem Kauf- und Browserverhalten des Kunden ab. Hat der Nutzer bereits ein Buch über den Online-Shop bestellt, empfiehlt die Website ihm weitere Titel des gleichen Genres oder Autors.

Beim kollaborativen Filtern hingegen werden die Verhaltensmuster von Benutzergruppen ausgewertet, um so auf die Interessen Einzelner zu schließen. Bewertet Nutzer X einen gekauften Roman positiv, wird dieser auch dem befreunden Nutzer Y empfohlen. Auf der einen Seite bilden also die Eigenschaften eines Produkts, auf der anderen Seite die Beziehungen zu anderen Käufern die Grundlage von Empfehlungen.

Geringe Trefferquote mit herkömmlichen Systemen

Solche komplexen Beziehungsgeflechte lassen sich in relationalen Datenbanken nur schwer abbilden. Auch würde die Abfrage zu lange dauern. Nicht selten gründen Empfehlungen deshalb auf veralteten Daten. Das ist vor allem dann ärgerlich, wenn ein Produkt empfohlen wird, das gerade gekauft, zurückgegeben oder sogar schlecht bewertet wurde. Solche „falschen“ Empfehlungen können zu Kundenbeschwerden oder gar Abwanderung, anstatt echtem Mehrwert führen.

Wirklich relevante Empfehlungen berücksichtigen umfassende Zusatzinformationen: In welcher Situation befindet sich der Kunde gerade? Benutzt er ein mobiles Gerät für seinen Einkauf? Und welchen Point of Sales er nutzt? Damit die Vorschläge tatsächlich ins Schwarze treffen und eine Kaufhandlung auslösen, müssen all diese individuellen Faktoren in die Empfehlungen miteinfließen.

Graph sei Dank

Ein ganzheitliches Kundenbild, das sich aus allen diesen Informationen und deren Beziehungen zueinander zusammensetzt, ist also das A und O. Die nötigen Datenstrukturen lassen sich dabei am anschaulichsten in einem Graphen abbilden und abfragen. Das Modell dahinter ist relativ simpel: Einzelne Daten („Kunden“, „Produkt“) werden als Knoten dargestellt. Die Verbindung zwischen diesen Knoten („gefällt“, „kauft“) nennt man Kanten. Zudem können beiden Angaben eine beliebige Anzahl von Eigenschaften zugewiesen werden, zum Beispiel Produktkategorie („Thriller“) oder der Preis. Die Verknüpfung dieser Datenpunkte spiegelt so ein wirklichkeitsgetreues Bild von Kundenprofilen, Produkteigenschaften und Kaufverhalten wider.

Stefan Kolmar ist Director Field Engineering Europe bei Neo Technology.
Stefan Kolmar ist Director Field Engineering Europe bei Neo Technology. (Bild: Neo Technology)

Vergleiche in Millisekunden

Das Graphmodell lässt sich für unterschiedlichste Anwendungen nutzen, zum Beispiel für Preisvergleichsportale. Das israelische Unternehmen Wobi hilft beispielsweise Kunden, maßgeschneiderte Finanzservices zu finden. Anwender nutzen das Portal, um Preise für Rentenvorsorge und Versicherungen miteinander zu vergleichen. Voraussetzung dafür sind eine Unmenge an Daten, die ein ganzheitliches Kundenbild zeichnen: Familienstatus, Einkommen, bestehenden Versicherungspolicen, Konten und mehr.

In das Vergleichsportal fließen die Daten von über 500.000 Kunden sowie Millionen Besucher der Website ein. Durchschnittlich verfügt jeder Kunde über acht verschiedene Dienstleistungen (zum Beispiel Versicherung), so dass insgesamt vier Millionen Knoten und 30 Millionen Beziehungen im Graphen vorliegen. Als zentrale Datenbank wird die Graphdatenbank Neo4j genutzt, die je nach Szenario bis zu 1.000-mal schneller als relationale Datenbanken arbeitet – bei Wobi sind es circa 1 Million Beziehungen pro Sekunde.

Dank der hohen Skalierbarkeit der Graphdatenbanken lassen sich neue Daten zudem einfach und schnell einpflegen. Die Beziehungen werden einfach mit der Eigenschaft „aktuell“ oder „veraltet“ versehen und dann entsprechend gefiltert. So bleiben die Daten immer up-to-date. „Falsche“ Empfehlungen gehören damit der Vergangenheit an. Im E-Commerce schafft eine solche zeitnahe Analyse von Kunden- und Produktdaten echten Mehrwert. Dank des 360° Blicks auf ihre Kunden, können Onlinehändler die Customer Journey weiter personalisieren und einen hohen Grad an Service anbieten.

Über den Autor

Als Director Field Engineering Europe unterstützt Stefan Kolmar Kunden in ganz Europa beim Management und der Leitung von Großprojekten sowie bei der Erstellung von Architekturkonzepten mit Neo4j. Zu seinen Aufgaben zählen die technische Unterstützung des Vertriebs, der Ausbau des PreSales- und Consulting-Teams sowie die enge Kooperation mit dem Entwicklungsteam zur Weiterentwicklung des Funktionsumfangs der Graphdatenbank. Stefan Kolmar ist seit 22 Jahren im Bereich IT-Beratung tätig und kann auf ein umfassendes Fachwissen zu Datenbanken (Oracle, Tandem NonStop SQL, Informix, etc.) zurückblicken.

Über Graphtechnologie und Neo4j
Graphtechnologie gelingt es stark vernetzte, unstrukturierte Daten anschaulich abzubilden. Besonderer Fokus liegt dabei auf den Datenbeziehungen. Als führende Graphdatenbank wird Neo4j von Unternehmen weltweit eingesetzt – darunter eBay, Walmart und adidas Group. Zu den Anwendungsgebieten zählen die graphbasierte Suche, Betrugserkennung, Identitäts- und Zugangsmanagement, MDM sowie Telekommunikations- und soziale Netzwerke.

Kommentare werden geladen....

Kommentar zu diesem Artikel abgeben

Der Kommentar wird durch einen Redakteur geprüft und in Kürze freigeschaltet.

Anonym mitdiskutieren oder einloggen Anmelden

Avatar
Zur Wahrung unserer Interessen speichern wir zusätzlich zu den o.g. Informationen die IP-Adresse. Dies dient ausschließlich dem Zweck, dass Sie als Urheber des Kommentars identifiziert werden können. Rechtliche Grundlage ist die Wahrung berechtigter Interessen gem. Art 6 Abs 1 lit. f) DSGVO.
  1. Avatar
    Avatar
    Bearbeitet von am
    Bearbeitet von am
    1. Avatar
      Avatar
      Bearbeitet von am
      Bearbeitet von am

Kommentare werden geladen....

Kommentar melden

Melden Sie diesen Kommentar, wenn dieser nicht den Richtlinien entspricht.

Kommentar Freigeben

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

Freigabe entfernen

Der untenstehende Text wird an den Kommentator gesendet, falls dieser eine Email-hinterlegt hat.

copyright

Dieser Beitrag ist urheberrechtlich geschützt. Sie wollen ihn für Ihre Zwecke verwenden? Infos finden Sie unter www.mycontentfactory.de (ID: 44383599 / Digitaler Vertrieb)