Lade Inhalt...

Transparente Visualisierung von Empfehlungen im mobilen Umfeld

Diplomarbeit 2008 182 Seiten

BWL - Unternehmensführung, Management, Organisation

Leseprobe

Inhaltsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

Abkürzungsverzeichnis

Symbolverzeichnis

1 Problemstellung
1.1 Einführung
1.2 Zielsetzung und Lösungsansatz
1.3 Struktur der Arbeit

2 Empfehlungssysteme
2.1 Bedeutung von Empfehlungssystemen für die Wirtschaft
2.1.1 Reduzierung von Komplexität
2.1.2 Kundenbindung durch Personalisierung
2.1.3 One-to-One Marketing
2.1.4 Cross-Selling Potentiale
2.2 Bedeutung von Empfehlungssystemen für die Informationsgesellschaft
2.2.1 Reduzierung der Transaktionskosten
2.2.2 Kundenzufriedenheit durch Personalisierung
2.2.3 Aktualität
2.2.4 Verfügbarkeit
2.3 Ausprägungen von Empfehlungen
2.4 Klassische Empfehlungssysteme
2.4.1 Uniforme Empfehlungssysteme
2.4.2 Meinungsportale
2.4.3 Regelbasierte Empfehlungssysteme
2.4.3.1 Formular-Based Filtering
2.4.3.2 Rule-Based Filtering
2.4.3.3 Beurteilung des Verfahrens
2.4.4 Attribute-Based Filtering
2.4.4.1 Self-Explicated Measurements
2.4.4.2 Conjoint-Analyse
2.4.4.3 Beurteilung des Verfahrens
2.4.5 Collaborative Filtering
2.4.5.1 Speicherbasierte Verfahren
2.4.5.2 Modellbasierte Verfahren
2.4.5.3 Vergleich von speicher- und modellbasierten Ansätzen
2.4.5.4 Beurteilung des Verfahrens
2.4.6 Hybride Systeme

3 Transparenz von Empfehlungen
3.1 Definition von Transparenz
3.2 Bedeutung transparenter Empfehlungen für DIE INFORMATIONSGESELLSCHAFT
3.2.1 Akzeptanz
3.2.2 Vertrauen
3.2.3 Effektivität und Effizienz
3.2.4 Kundenzufriedenheit
3.3 Bedeutung transparenter Empfehlungen für DIE WIRTSCHAFT
3.3.1 Kundenbindung
3.3.2 Kaufwahrscheinlichkeit
3.4 Selektion des Inhalts transparenter Empfehlungen
3.5 Selektion der Visualisierungsmöglichkeiten transparenter Empfehlungen
3.6 Empirische Untersuchungen transparenter Empfehlungen
3.6.1 Projekt „MovieLens“
3.6.2 Projekt „LIBRA“
3.7 Scrutability als Transparenz erhöhender Faktor
3.8 Zusammenfassung

4 VISUALISIERUNG der Transparenz von Empfehlungen IM mobilen Umfeld
4.1 Mobiles Internet: Geschichte und aktueller Marktüberblick
4.2 Alleinstellungsmerkmale von Empfehlungssystemen im mobilen Umfeld
4.2.1 Ubiquität und Erreichbarkeit
4.2.2 Kontextsensitivität und Lokalisierbarkeit
4.2.3 Nutzeridentifikation und Sicherheit
4.3 Bedeutung der Alleinstellungsmerkmale für Anbieter, Anwender und Transparenz
4.4 Anforderungen an mobile Empfehlungssysteme
4.5 Visualisierungsmöglichkeiten im mobilen Umfeld
4.5.1 Textbasierte Visualisierung
4.5.2 Audiobasierte Visualisierung
4.5.3 Visualisierung durch Ratings/Skalen
4.5.4 Visualisierung durch Icons
4.5.5 Visualisierung durch Diagramme
4.5.6 Visualisierung durch Kombination der Methoden
4.6 Empirische Untersuchung Transparenter EMPFEHLUNGEN im mobilen Umfeld
4.7 Zusammenfassung

5 Entwicklung eines prototypischen transparenten Empfehlungssystems
5.1 Vorbemerkungen
5.2 Die Grundidee
5.3 Ausgangssituation und Anforderungen
5.4 Design und Visualisierung des transparenten Empfehlungssystems
5.4.1 Visualisierung des Startscreens
5.4.2 Visualisierung der Empfehlungen durch Freunde
5.4.3 Visualisierung der Empfehlungen mittels Ortsbezug
5.4.4 Visualisierung der Empfehlungen mittels Profilbezug
5.4.5 Visualisierung der Empfehlungen mittels individueller Suche
5.5 Zusammenfassung

6 Nutzerumfrage
6.1 Ziel der Umfrage und Hypothesen
6.2 Untersuchungsdesign
6.3 Präsentation und Analyse der Ergebnisse
6.4 Zusammenfassung und Grenzen der Untersuchung

7 Fazit und Ausblick

ANHANG
ANHANG A - Umfragenkatalog
Anhang B – Ergebnisse der Umfrage

Literaturverzeichnis

Ehrenwörtliche Erklärung

Anzahl Wörter:

Abbildungsverzeichnis

Abbildung 1: Website der Stiftung Warentest

Abbildung 2: Visualisierung der Bewertungen bei Stiftung Warentest

Abbildung 3: Visualisierung der Gesamtbewertung eines Produkts in einem Meinungsportal

Abbildung 4: Visualisierung einer Einzelbewertung in einem Meinungsportal

Abbildung 5: Visualisierung der Empfehlungen auf amango.de

Abbildung 6: Attribute-Based Filtering

Abbildung 7: Visualisierung von Empfehlungen mittels Attribute-Based Filtering

Abbildung 8: Beispiel für eine explizite Bewertung durch eine „Check-Box“

Abbildung 9: Collaborative Filtering

Abbildung 10: Unterschied zwischen Contend-Based und Collaborative Filtering

Abbildung 11: Kategorisierung von Collaborative Filtering

Abbildung 12: Visualisierung transparenter Empfehlungen bei Collaborative Filtering

Abbildung 13: Vorgehensweise beim Collaborative Filtering

Abbildung 14: Grundsätzliche Vorgehensweise beim Clusterverfahren

Abbildung 15: Mit Hilfe von Bayesschen Netzen erzeugter Entscheidungsbaum

Abbildung 16: Funktionsweise von „LIBRA“

Abbildung 17: Mittlere Akzeptanz für transparente und nicht-transparente Empfehlungen

Abbildung 18: Kaufwahrscheinlichkeit für transparente und nicht-transparente Empfehlungen

Abbildung 19: Visualisierung des durchschnittlichen Ratingwertes

Abbildung 20: Visualisierung der Transparenz mittels Darstellung von Eigenschaftsausprägunge

Abbildung 21: Visualisierung der Ratings der Mentoren

Abbildung 22: Transparente Visualisierung einer Empfehlung mittels tabellarischer Darstellung der Bewertungen der nächsten Nachbarn

Abbildung 23: Transparente Visualisierung einer Empfehlung mittels Clustering der Bewertungen der nächsten Nachbarn in Gruppen

Abbildung 24: Visualisierung einer transparenten Empfehlung mittels KSE in „LIBRA“

Abbildung 25: Erklärung der transparenten Empfehlung in „LIBRA“

Abbildung 26: Visualisierung einer transparenten Empfehlung mittels ISE in „LIBRA“

Abbildung 27: Histogramm der Ratings von NSE, KSE, ISE und der „actual-ratings“

Abbildung 28: Transparenz und Scrutability bei „amazon.de“

Abbildung 29: Transparenz und Scrutability-Optionen bei „amazon.de“

Abbildung 30: Transparente Darstellung der Empfehlungen bei „MovieLens“

Abbildung 31: Empfehlungsgenerierung durch audiobasierte Spracheingabe

Abbildung 32: Erhöhung der Transparenz einer Empfehlung mittels Visualisierung der Bewertungen anderer Nutzer durch eine Sternen-Skala

Abbildung 33: Visualisierung der Distanz mittels Icon und numerischer Angabe

Abbildung 34: Visualisierung der Ratings der Mentoren mittels eines Stabdiagramms

Abbildung 35: Visualisierung von Transparenz in einem Musikempfehlungssystem durch Icons und textbasierter Visualisierung

Abbildung 36: Visualisierung von Transparenz in einem Filmempfehlungssystem durch Darstellung der Mentoren

Abbildung 37: Visualisierung von Transparenz in einem Musikempfehlungssystem Darstellung der geclusterten Mentoren

Abbildung 38: Nützlichkeit von Empfehlungssystemen

Abbildung 39: Kenntnis der Informationsverarbeitung zur Empfehlungsgenerierung

Abbildung 40: Verständnis der Transparenz von Empfehlungen

Abbildung 41: Nützlichkeit verschiedener Design Elemente auf mobilen Endgeräten

Abbildung 42: Gewünschte Anzahl an Informationen in einer transparenten Empfehlung

Abbildung 43: Grundlegende System-Architektur des „StudisGoOutVZ“ Systems

Abbildung 44: Startscreen von „StudisGoOutVZ“

Abbildung 45: Visualisierung der „Was machen deine Freunde“-Empfehlungen

Abbildung 46: Transparente Erklärung der Empfehlung „Indiana Jones IV“

Abbildung 47: Visualisierung der „Was ist in der Nähe“-Empfehlungen

Abbildung 48: Auswahlmöglichkeit der Profilempfehlungen in „StudisGoOutVZ“

Abbildung 49: Transparente Empfehlungen bei Vergleich der Profileigenschaften mit Eventprofilen

Abbildung 50: Transparente Empfehlungen bei Vergleich der Profileigenschaften mit Profilen anderer Nutzer

Abbildung 51: Startseite der individuellen Suche

Abbildung 52: Transparente Empfehlung nach individueller Suche bei „StudisGoOutVZ“

Abbildung 53: Alter der Teilnehmer

Abbildung 54: Tätigkeiten der Teilnehmer

Abbildung 55: Durchschnittliche mobile Internetnutzung in Stunden/Monat

Abbildung 56: Aktivitätstage pro Monat im sozialen Netzwerk

Abbildung 57: Soziale Kontakte im Netzwerk

Abbildung 58: Präferenz für eine der vier Empfehlungsmöglichkeiten

Abbildung 59: Verständnis der Erklärungen Q14, Q17, Q21, Q23

Abbildung 60: Nützlichkeit der Erklärungen Q15, Q18, Q22, Q24

Abbildung 61: Qualität der Empfehlungen insgesamt

Abbildung 62: Nutzungshäufigkeit von StudisGoOutVZ pro Monat

Abbildung 63: Zahlungsbereitschaft für „StudisGoOutVZ“

Tabellenverzeichnis

Tabelle 1: Kategorisierung von Empfehlungssystemen

Tabelle 2: Linear-additives Präferenz-Modell

Tabelle 3: Mögliche Interpretation des Korrelationskoeffizienten

Tabelle 4: Datenmatrix zur Berechnung des Prognosewerts Abbildung in dieser Leseprobe nicht enthalten

Tabelle 5: Datenmatrix zur Berechnung der Wahrscheinlichkeit bei Cluster-Verfahren

Tabelle 6: Geclusterte Datenmatrix zur Berechnung der Wahrscheinlichkeit bei Cluster Verfahren

Tabelle 7: Wahrscheinlichkeiten für jede Person/Film-Cluster-Kombination

Tabelle 8: Vergleich von Attribute-Based und Collaborative Filtering

Tabelle 9: Mittels eines Content-Based Rankers erstelltes Nutzerprofil in „LIBRA“

Tabelle 10: Auswirkung von Transparenz auf Vertrauen

Tabelle 11: Mittlere Ratingwerte und Standartabweichungen der 21 vorgestellten Visualisierungsmöglichkeiten

Tabelle 12: Tabelle der Rating-Mittelwerte und Standartabweichungen

Tabelle 13: Mittelwerte und Standardabweichungen der Differenz zwischen „explanation-ratings“ und „actual-ratings“

Tabelle 14: Mobile Content Consumption: iPhone, Smartphone and Total Market

Tabelle 15: Erweiterte Suchkriterien der individuellen Suche bei „StudisGoOutVZ“

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Symbolverzeichnis

Abbildung in dieser Leseprobe nicht enthalten Teilnutzenwert für Ausprägung m von Eigenschaft j

Abbildung in dieser Leseprobe nicht enthalten Clusterzugehörigkeit von Nutzer a

Abbildung in dieser Leseprobe nicht enthalten positive Klasse

Abbildung in dieser Leseprobe nicht enthalten negative Klasse

Abbildung in dieser Leseprobe nicht enthalten Eigenschaftsausprägung von Eigenschaft i für Produkt j

Abbildung in dieser Leseprobe nicht enthalten Erwartungswert des Nutzens für Nutzer a bei Objekt j

Abbildung in dieser Leseprobe nicht enthalten Prognosewert der Präferenz des aktiven Nutzers a für Objekt j

Abbildung in dieser Leseprobe nicht enthalten Global-Präferenz für Produkt j

Abbildung in dieser Leseprobe nicht enthalten Menge der Objekte j, die von Nutzer a bewertet wurden

Abbildung in dieser Leseprobe nicht enthalten Menge der Mentoren von Nutzer a

Abbildung in dieser Leseprobe nicht enthalten Menge der Mentoren von Nutzer a für Objekt j

Abbildung in dieser Leseprobe nicht enthalten Partial-Präferenz für Eigenschaft i

Abbildung in dieser Leseprobe nicht enthalten empirischer Rangwert von Produkt k

Abbildung in dieser Leseprobe nicht enthalten Pearsonscher Korrelationskoeffizient

Abbildung in dieser Leseprobe nicht enthalten Ähnlichkeitsmaß von Nutzer a zu Nutzer i

Abbildung in dieser Leseprobe nicht enthalten Bewertungswert von Nutzer i für Objekt j

Abbildung in dieser Leseprobe nicht enthalten Bewertungswert von Nutzer a für Objekt j

Abbildung in dieser Leseprobe nicht enthalten Bewertungs-Mittelwert des Objekts j über alle Benutzer i Abbildung in dieser Leseprobe nicht enthaltenI

Abbildung in dieser Leseprobe nicht enthalten Arithmetisches Mittel aller von Benutzer a abgegebenen Bewertungen

Abbildung in dieser Leseprobe nicht enthalten Arithmetisches Mittel aller von Benutzer i abgegebenen Bewertungen

Abbildung in dieser Leseprobe nicht enthalten Arithmetisches Mittel aller von Benutzer a abgegebenen Bewertungen bei Objekten, die auch von Nutzer i bewertet wurden

Abbildung in dieser Leseprobe nicht enthalten Arithmetisches Mittel

Abbildung in dieser Leseprobe nicht enthalten Arithmetisches Mittel der Differenz

Abbildung in dieser Leseprobe nicht enthalten Standartabweichung der Differenz

Abbildung in dieser Leseprobe nicht enthalten Gesamtnutzen für Produkt k

Abbildung in dieser Leseprobe nicht enthalten monoton angepasster Rangwert von Produkt k

Abbildung in dieser Leseprobe nicht enthalten, Abbildung in dieser Leseprobe nicht enthalten Indikatorvariablen Abbildung in dieser Leseprobe nicht enthalten

1 Problemstellung

1.1 Einführung

„Wir hungern nach Wissen und ertrinken in Informationen.“

Dieses Zitat des amerikanischen Zukunftsforschers John Naisbitt[1] charakterisiert treffend das Dilemma des Informationszeitalters. Einer massenhaften Nachfrage nach Informationen steht ein schier unerschöpfliches Angebot gegenüber.

Informationen waren schon immer essentieller Bestandteil des menschlichen Lebens. Waren unsere Vorfahren noch auf den mündlichen Informationsaustausch angewiesen, so entstanden mit der Entwicklung der Schriftform im alten Ägypten im Laufe der Zeit die ersten vorzeitlichen Datenbanken. Die Bibliothek der Stadt Alexandria umfasste zu ihrer Blütezeit um ca. 100 v. Christus immerhin 700.000 Schriftrollen. Mit der anfänglichen Entwicklung des Buchdrucks im China des Jahres 1040 und der stetigen Weiterentwicklung bis hin zur Erfindung des Buchdrucks mittels beweglicher metallener Lettern durch Johannes Gutenberg Mitte des 15. Jahrhunderts wurden Informationen in schriftlicher Form erstmals auch einer breiteren Bevölkerungsschicht zugänglich gemacht und waren nicht mehr nur einem elitären Kreis vorbehalten. Das Interesse an Informationen wuchs daraufhin kontinuierlich weiter, steigende Bildung der Bevölkerung und öffentliche Bibliotheken beschleunigten diesen Prozess. Unter Betrachtung dieser Zeitspanne ist die Entstehung moderner Computertechnologien Mitte des 20. Jahrhunderts bis hin zur kommerziellen Nutzung des Internets, die ihren Anfang mit der Entwicklung des „World Wide Web“, kurz WWW, im Jahre 1993 fand, noch als ein recht junges Stadium der Menschheitsgeschichte anzusehen.

So sagte noch 1977 Ken Olson, Präsident und Gründer der Computerfirma „Digital Equipment Corporation“: „ Es gibt keinen Grund, warum jemand einen Computer zu Hause haben wollte.

Wenige Jahre später sind Personal Computer und mit ihnen einhergehend der Zugang zum WWW in den meisten privaten Haushalten unerlässlich geworden. Doch die gewaltige Menge an Daten und Informationen, die das Internet seinen Nutzern global zur Verfügung stellt sind mittlerweile für einen einzelnen Menschen nicht mehr zu überschauen und zu verarbeiten. Man spricht von Informationsüberflutung oder Information Overflow, welche eine sinnvolle und produktive Informationssuche ohne fremde Hilfe unmöglich macht.

Betrachtet man den Bestand der 700.000 Schriftrollen in der alexandrinischen Bibliothek, der für sich genommen für eine einzelne Person schon eine ungeheure Menge an Informationen beinhaltet, so wirkt diese Zahl verglichen mit den Datenbeständen auf die das WWW Zugriff gewährt, eher unbedeutend. Die Suchmaschine Google beispielsweise hat gegenwärtig Zugriff auf rund 8 Milliarden Dokumente und Websites.

Suchmaschinen waren auch die ersten „Helfer“, die Internetnutzern bei der Suche nach den für sie relevanten Informationen unterstützten indem Dokumente nach verschiedenen Suchkriterien gefiltert wurden. Bei identisch gestellten Suchanfragen liefern sie aber für alle Anwender gleiche Ergebnisse und haben keinen persönlichen Charakter. Mit der Entwicklung von Empfehlungssystemen wurde dieser Nachteil umgangen. Empfehlungssysteme sind Anwendungen, die Nutzer bei der Auswahl von Objekten unterstützen indem sie mittels Bezug zu persönlichen Präferenzen der Anwender Empfehlungen generieren. Sie existieren in den unterschiedlichsten Interessensgebieten. So gibt es spezielle Empfehlungssysteme z. B. für Filme, Musik, Websites, Witze, Events, Dienstleistungen usw. Auch die meisten Online-Shops filtern ihr Produktangebot mit Hilfe von Empfehlungssystemen und schlagen dem Kunden Produkte vor, die für ihn von Interesse sein könnten. Im mobilen Umfeld, dem Internetzugang mittels eines Mobiltelefons, Smartphones oder PDAs, kommen Empfehlungssysteme seit einigen Jahren ebenfalls zum Einsatz.

1.2 Zielsetzung und Lösungsansatz

Die Aufgabe der vorliegenden Arbeit besteht darin, die Grundlagen und Funktionsweise von Empfehlungssystemen zu erläutern und die von ihnen ausgesprochenen Empfehlungen zu analysieren. Im Fokus der Thematik steht hierbei das Verständnis der Nutzer über das

Zustandekommen einer Empfehlung, bzw. die Existenz einer Erklärung wie und warum das Objekt empfohlen wurde. Man spricht von „Transparenz“ oder von „transparenter Empfehlung“, wenn Informationen vorhanden sind, die Anwender den Grund der Empfehlungsgenerierung offen legen.

In diesem Zusammenhang lautet die zentrale Zielsetzung dieser Arbeit

- Erarbeitung, Darstellung und Analyse von Visualisierungsmöglichkeiten transparenter Empfehlungen im mobilen Umfeld

Das Forschungsgebiet über Transparenz in Empfehlungssystemen ist ein relativ neues, es existiert kaum Literatur, die sich mit dieser Thematik auseinandersetzt. Als Lösungsansatz werden deshalb drei weitere Fragestellungen aufgeworfen, die im Laufe dieser Arbeit mittels Sichtung und Analyse der vorhandenen Literatur geklärt werden und mit Hilfe derer die zentrale Problemstellung beantwortet werden soll:

- Welche Bedeutung hat die Implementierung von Transparenz generell für Anwender und Anbieter von Empfehlungssystemen? Welche besondere Bedeutung kommt ihr dabei speziell im mobilen Umfeld zu?
- Selektion des Inhalts von Transparenz: Aus welchen Informationen bestehen die zur Darstellung von Transparenz benötigten Erklärungen?
- Visualisierung von Transparenz: Welche Möglichkeiten bestehen, Transparenz zu visualisieren? Welche Möglichkeiten bestehen speziell im mobilen Umfeld und welche Restriktionen sind dabei zu berücksichtigen?

Nach Beantwortung der Fragen und der zentralen Zielsetzung, soll das erarbeitete Wissen mittels der Entwicklung eines prototypischen mobilen transparenten Empfehlungssystems, an einem Beispiel praktisch veranschaulicht werden.

1.3 Struktur der Arbeit

Die Arbeit ist in 7 Kapitel gegliedert, die aufeinander aufbauend mit jedem Kapitel eine Spezialisierung bzw. Weiterführung mittels der aus den vorangegangenen Kapiteln gewonnenen Erkenntnisse vornehmen.

Kapitel 2 gibt eine Einführung in das Thema Empfehlungssysteme und erläutert deren Grundlagen. Aufbauend auf der Bedeutung, die Empfehlungssysteme sowohl für Anwender als auch für Anbieter haben, werden die klassischen Systeme vorgestellt. Insbesondere werden dabei ihre jeweiligen Funktionsweisen und Unterschiede sowohl anhand praktischer und theoretischer Beispiele als auch durch präzise Darstellung der zugrunde liegenden mathematischen Modelle und Algorithmen präsentiert.

Kapitel 3 definiert den Begriff Transparenz für die Thematik dieser Arbeit und analysiert welche Vorteile die Implementierung transparenter Empfehlungen in Empfehlungssystemen für Anwender und Anbieter generieren können. Nach Selektion der Inhalte und der grundlegenden Visualisierungsmöglichkeiten von Transparenz, werden zwei empirische Studien vorgestellt, die transparente Empfehlungen aus der Perspektive der Nützlichkeit für Anwender untersuchen.

Kapitel 4 gibt zunächst eine kurze Einführung in die Geschichte des mobilen Internets, und skizziert einen aktuellen Marktüberblick. Nach Analyse welchen Alleinstellungsmerkmalen das mobile Umfeld unterliegt wird deren Bedeutung für Anbieter und Anwender sowie insbesondere für transparente Empfehlungen herausgearbeitet. Unter Berücksichtigung der Alleinstellungsmerkmale und Restriktionen mobiler Endgeräte sowie mittels der aus den vorangegangenen Kapiteln gewonnenen Erkenntnisse werden generelle Möglichkeiten der Visualisierung von Transparenz in mobilen Empfehlungssystemen selektiert und mittels einzelner Beispiele dargestellt.

Darauf aufbauend umfasst Kapitel 5 den Entwurf eines prototypischen Empfehlungssystems, das Empfehlungen auf mobilen Endgeräten transparent kommuniziert.

Der entwickelte Prototyp dient als Grundlage einer Nutzerumfrage, die dessen Nützlichkeit insbesondere im Hinblick auf die implementierten transparenten Faktoren untersucht. Die Umfrage und deren Ergebnisse werden in Kapitel 6 präsentiert.

Die Arbeit schließt in Kapitel 7 mit einer Zusammenfassung sowie einem kurzen Ausblick.

2 Empfehlungssysteme

Der kommerzielle Erfolg des stationären Internets hat für den Beginn eines neuen Informationszeitalters gesorgt. Täglich Emails zu empfangen und zu versenden ist für den Menschen des 21. Jahrhunderts genauso selbstverständlich geworden wie das Telefonieren. Er knöpft im Internet Kontakte, tätigt online Überweisungen und nutzt es als Einkaufsmöglichkeit oder Informationsmedium. Doch das Auffinden der für ihn relevanten Informationen oder die Produktauswahl in Online-Shops gerät in Anbetracht der im Vergleich zum realen Leben wesentlich größeren Produktpalette und der Informations- und Datenflut schnell zur Sisyphusarbeit. Das zentrale Problem des Information Overflows ist somit eines der grundlegenden der Informatik, die Nadel in einem exponentiell wachsenden Heuhaufen zu finden (Vgl. [Kasp06], S.3).

In realen Geschäften stehen Fachverkäufer bereit, um individuelle Kaufempfehlungen auszusprechen oder den Informationsbedarf individuell zu befriedigen. Doch wer übernimmt diese Beratung in der Online-Welt? Und was genau sind individuell „relevante“ Informationen? Welche Informationen sind „gut“ und welche eher weniger und wie finde ich schließlich die qualitativ „bessere“ und für das einzelne Individuum „nützlichere“ Information? Hierfür bedienen sich Unternehmen und Dienstleister so genannter Empfehlungssysteme, die Suchenden Empfehlungen generieren, welche Informationen, welche Produkte oder welche Dienstleistungen für die Befriedigung der Bedürfnisse am besten geeignet sind. Gleichzeitig werden diese Systeme von Unternehmen verwendet, ihre Kunden bei der Produktsuche zu unterstützen und ihr Angebot durch gezielte Werbung zu individualisieren und personalisieren, den Kunden an sich zu binden und in letzter Konsequenz den Unternehmensgewinn zu maximieren (Vgl. [Runt00], S.5-8). Zu zeigen, welche Bedeutung Empfehlungssystemen im Einzelnen für die Wirtschaft und für die Informationsgesellschaft zugemessen werden kann, welche Arten von Empfehlungssystemen existieren, welche Ansätze und Algorithmen diesen zugrunde liegen und wie sie schließlich in der Praxis umgesetzt und visualisiert werden ist Ziel dieses Kapitels.

2.1 Bedeutung von Empfehlungssystemen für die Wirtschaft

Im Kern geht es bei der Implementierung von Empfehlungssystemen für Unternehmen immer um die gleiche Zielsetzung: Dem Kunden bzw. Interessenten schnell die von ihm gewünschte Information zu liefern, bzw. ein auf seine persönlichen Präferenzen zugeschnittenes Angebot zu unterbreiten, um die Wahrscheinlichkeit einer Transaktion (oder das Transaktionsvolumen) zu erhöhen, die Kundenzufriedenheit und damit einhergehend die Kundenbindung zu steigern und letztendlich den Unternehmensgewinn zu maximieren (Vgl. [Kroe02], S.2). Die einzelnen Gründe und Methoden, warum und wie diese Ziele durch individualisierte Angebote mittels Empfehlungssystemen erreicht werden können, werden im Folgenden erläutert.

2.1.1 Reduzierung von Komplexität

Die Zahl neuer Produkte und Dienstleistungen, die über das Internet angeboten und vertrieben werden, wächst täglich. Der Kunde sieht sich einer stetig wachsenden Informationsflut ausgesetzt, es gibt kaum etwas, das nicht via Internet bezogen werden kann. So stellt die Bestellung von Kleidung, Autos und sogar Medikamenten über das Internet heute kein Problem mehr dar. Der Handel in der physischen Welt hilft dem Kunden beispielsweise mittels persönlicher Beratung durch einen Verkäufer das für ihn passende Produkt zu finden, im Internet bietet sich dem Nachfrager allerdings eine ungleich höhere Anzahl von in Frage kommenden Angeboten und die persönliche Beratung entfällt. Diese Komplexität zu reduzieren und dem Interessenten ein auf ihn zugeschnittenes Angebot zu unterbreiten ist die zentrale Aufgabe von Empfehlungssystemen. Der Kunde erhält durch sie schnell und für das Unternehmen relativ kostengünstig ein seinen Interessen entsprechendes Angebot. Ein Anstieg der Kaufwahrscheinlichkeit und Kundenzufriedenheit sowie die Steigerung der Kundenbindungsrate sind die unmittelbaren Folgen. Denn zufriedene Kunden kommen wieder (Vgl. [Kroe02], S.2).

2.1.2 Kundenbindung durch Personalisierung

Im Gegensatz zu den klassischen Massenmedien besteht einer der am weitest reichenden Unterschiede zu den interaktiven Medien wie dem Internet darin, dass sich für Unternehmen und Dienstleister in diesem Umfeld die Möglichkeit einer massenhaften Individualisierung der Marketing-Instrumente bietet, welche auch als Personalisierung bezeichnet wird (Vgl. [Runt00], S. 8). Eine Definition findet sich z.B. bei Heinrich et al. ([HeHR04], S. 294):

„Personalisierung ist die Darstellung von Inhalten im WWW unter Berücksichtigung eines von bestimmten oder für bestimmte Benutzer oder Benutzergruppen erstellten individuellen bzw. gruppenspezifischen Bedarfsprofils.“

Der grundsätzliche Ablauf von Personalisierung besteht darin, Informationen über einen Nutzer zu sammeln, diese zu bewerten und zu analysieren, um anschließend aus seinen Angaben geeignete Inhalte zu erschließen und ihm somit eine auf ihn zugeschnittene, personalisierte Empfehlungen zu generieren. Die Informationen über einen Nutzer werden entweder implizit mittels Beobachtung und Aufzeichnung des Surfverhaltens („ Push-Personalisierung “) oder explizit über direkte Eingabe der Daten durch den Anwender, z. B. durch Anlegen eines Nutzerprofils oder über Check-Boxen, gesammelt und zusammengeführt („Pull-Personalisierung“). In der Literatur wird dies häufig als „benutzergesteuerte Personalisierung“ bezeichnet (Vgl. [Fleh01], S. 899).

Das folgende Beispiel erläutert die Vorgehensweise des Personalisierungsprozesses anhand des Unternehmens buch.de[2], welches im Internet einen Online-Shop für Bücher betreibt. Während der Interaktion des Kunden mit der Website hinterlässt dieser einen elektronischen Fingerabdruck, welcher aufgezeichnet wird. Interessiert er sich für oder kauft er z. B. ein Buch von Stephen King, werden ihm mit Hilfe von Empfehlungssystemen automatisch weitere Werke dieses Autors empfohlen. Hat der Kunde zudem ein Profil mit soziodemographischen Daten und Präferenzen angelegt, können diese zur Generierung weiterer ganz individuell auf diesen Nutzer zugeschnitten Empfehlungen verwendet werden (Siehe hierzu 2.2.3).

Bei nicht-personalisierten Systemen kommen vergleichsweise einfache Methoden der Empfehlungsabgabe zum Einsatz. Die abgegebenen Empfehlungen sind für jeden Benutzer identisch, die Systeme nutzen damit die Möglichkeiten der interaktiven Medien nur beschränkt. Ein Beispiel hierfür sind Bestsellerlisten (Vgl. [Runt00], S.9).

Personalisierung ist die Vorraussetzung für eine effektive und optimale Ausnutzung der Marketing-Möglichkeiten mittels Empfehlungssystemen die sich Unternehmen im interaktiven Umfeld bieten.

2.1.3 One-to-One Marketing

Wie Abschnitt 2.1.2 erläuterte, ist es Unternehmen und Dienstleistern durch Empfehlungssysteme möglich ihren Kunden ein personalisiertes Angebot zu unterbreiten. Bei Empfehlungssystemen, die z. B. auf vorher angelegte Nutzerprofile zurückgreifen können, lässt sich diese Personalisierung noch steigern. Sind (sozio-) demographische Daten und Interessen bzw. Vorlieben des Kunden im System hinterlegt ist es möglich nicht mehr nur personalisierte, sondern auf einen spezifischen Nutzer ausgerichtete, individuelle Kaufempfehlungen auszusprechen, man spricht von One-to-One Marketing (Vgl. [Hild97], S. 41).

Vorraussetzung für effektives One-to-One Marketing ist die Identifikation des Nutzers. Typische Identifikationsmethoden sind:

- IP- oder Netzwerknummer

-ine IP-Adresse (Internet-Protocol-Adresse) oder Netzwerkadresse dient zur eindeutigen Adressierung von Rechnern im Internet oder in einem Netzwerk. Ist eine IP-Adresse immer derselben Person zugeordnet, können Kunden so eindeutig identifiziert werden.

- die Verwendung von Cookies

Cookies sind Schlüssel/Wert-Paare, die auf dem Computer des Benutzers angelegt werden und in welchen Informationen über den Kunden gespeichert werden können (z. B. welche Produkte der Kunden abgerufen hat). Der Server, auf dem ein Portal läuft, kann den Browser des Benutzers anweisen, ein solches Cookie zu speichern. Ruft der Benutzer das Portal erneut auf, wird das Cookie an den Server übertragen und der Server verarbeitet die

im Cookie gespeicherten Informationen. Probleme treten auf, wenn der Benutzer Cookies auf seinem Rechner deaktiviert hat.

▪ die Anmeldung des Nutzers über Name und Passwort (Login)

Diese ist die für Benutzer umständlichste, aber auch die verlässlichste Identifikations-Methode. Bei jedem Aufruf des Portals muss der Benutzer seinen Benutzernamen und ein ihm zugeordnetes Passwort eingeben um Zugriff auf den vollen Funktionsumfang des Anbieters und seiner Leistungen zu erhalten.

Welche dieser Verfahren angewendet werden, hängt von der jeweiligen Unternehmensstruktur, der zugrunde liegenden Kundenbeziehungen sowie von den angebotenen Produkten und Dienstleistungen ab. Die Einrichtung einer personalisierten Website ist umso sinnvoller, je mehr Transaktionen mit dem Kunden stattfinden. Finden nur zeitweilige Transaktionen statt, ist die Identifikation über IP-Adresse oder Cookies sinnvoller, da der Aufwand für die Einrichtung einer individualisierten Website höher ist als der Einsatz von Cookies (Vgl. [Teia06]).

Die Marketing-Instrumente können somit durch Nutzeridentifikation unter zur Hilfenahme von Empfehlungssystemen individuell auf jeden einzelnen Kunden ausgerichtet werden (Vgl. [Runt00], S.1). Neben dieser „ Personalisierung des Inhalts“ ist es Unternehmen zudem möglich die Website so zu gestalten, dass auch eine „ Personalisierung der Darstellung “ möglich wird. Nutzer können dabei beispielsweise die Farbschemata, Schriftarten, Schriftgrößen und die Position von Elementen auswählen und so das Erscheinungsbild des Portals an individuelle Bedürfnisse anpassen. Sind im System zusätzlich persönliche Daten hinterlegt, erlauben es diese den Kunden persönlich beim Namen anzusprechen. Nach Erscheinungsbild und Darstellung personalisierte Websites können wesentlich dazu beitragen, dass der Kunde sich vom Unternehmen individuell erkannt und behandelt fühlt, die Kundenzufriedenheit und damit einhergehend die Kundenbindungsrate steigen (Vgl. [Kroe02], S.3). Neben diesem emotionalen Moment des Beziehungsaufbaus liegt ein weiterer Effekt personalisierter Websites darin, dass es dem Kunden „schwer“ gemacht wird den Anbieter zu wechseln. Das Anlegen persönlicher Konten, Lieferadressen, spezieller persönlicher Bereiche lassen die Wechselkosten zu einem Konkurrenten steigen (Vgl. [Kroe02], S.4).

Die wirtschaftlichen Vorteile des Anbieters ergeben sich hierbei vor allem daraus, dass keine bzw. signifikant niedrigere Akquisitionskosten entstehen als bei der Neukundengewinnung. Zum anderen entstehen aus einer anhaltenden Kundenbeziehung weitere Vorteile wie sinkende Preissensibilität (Vgl. [Runt00], S.13).

2.1.4 Cross-Selling Potentiale

Cross-Selling bezeichnet den Verkauf ergänzender Produkte oder Dienstleistungen für die der Kunde sich ursprünglich nicht direkt interessierte, so dass der Umsatz pro Transaktion steigt [HoSc01]. Mittels der in Abschnitt 2.1.2 und 2.1.3 vorgestellten Methoden können Empfehlungssysteme Produktempfehlungen generieren, die den Präferenzen und Vorlieben einzelner Nutzer entsprechen. Personalisierung, Individualisierung und One-to-One Marketing bieten somit durch Verwendung von Empfehlungssystemen eine ideale Ausgangssituation für Up- & Cross-Selling, denn mit “intelligenter Individualisierung” lassen sich Kunden schnell segmentieren und identifizieren (Vgl. [Kroe02], S.4). Von einem bekannten Anbieter sind Kunden zudem häufig bereit, ein weiteres Produkt abzunehmen. So ist es beispielsweise sinnvoll, einem Interessenten, der Badebekleidung nachfragt weitere Produkte wie Sonnenmilch oder Handtücher anzubieten.

Welche unterschiedlichen Empfehlungssysteme zur Durchsetzung dieser wirtschaftlichen Ziele und zur Generierung von Empfehlungen verwendet werden und welchen mathematischen Algorithmen diese unterliegen wird in Kapitel 2.4 erläutert.

2.2 Bedeutung von Empfehlungssystemen für die Informationsgesellschaft

Personalisierung, individuelle Angebote und One-to-One Marketing generieren auch auf Seiten des Anwenders ökonomische Vorteile. Der wesentliche Unterschied aus Sicht der Informationsgesellschaft liegt hierbei in der Verringerung der Transaktionskosten. Sowohl Informationsbeschaffungs- bzw. Suchkosten nach der gewünschten Information als auch Anbahnungskosten werden durch Einsatz von Empfehlungssystemen verringert (Vgl. [RiKl02]). Mit der Vorstellung dieser und weiterer Vorteile, die sich durch Verwendung von Empfehlungssystemen für die Informationsgesellschaft ergeben, beschäftigen sich die folgenden Abschnitte.

2.2.1 Reduzierung der Transaktionskosten

Täglich wachsende Produktpaletten im Bereich des E-Commerce, stetig steigende Anzahl abrufbarer Informationen sowie expandierende Dienstleistungsangebote sind Kennzahlen des Information Overflows, dem Informationssuchende im Internet ausgesetzt sind. Mit der großen Vielfalt des Angebots steigt auch die Anzahl der Entscheidungsmöglichkeiten für den Nutzer ins Unermessliche; Loren Terveen und Will Hill sprechen in diesem Zusammenhang von einem „ Universe of Alternatives “ (Vgl. [TeHi01], S.3). Empfehlungssysteme reduzieren diesen Informationsüberfluss und geben dem Interessenten schnell einen Überblick über die für ihn interessanten Informationen, Produkte oder Dienstleistungen. Ebenso entfallen bei der Informationssuche und Produktberatung im Internet die klassischen Anfahrtswege oder Wartezeiten auf Fachverkäufer. Die größte Bedeutung eines Empfehlungssystems für die Informationsgesellschaft ergibt sich demnach aus einer erheblichen Reduzierung des Suchaufwands nach der gewünschten Information, einer Reduktion der Informationsbeschaffungs-, Such- und Anbahnungskosten und damit einhergehend einer erheblichen Zeitersparnis (Vgl. [HoKw07], S.1).

2.2.2 Kundenzufriedenheit durch Personalisierung

„[Die] Personalisierung […] dient dem Hersteller eines Produktes als Argument

und Instrument der Vermarktung. Dem Verbraucher eines personalisierbaren Produktes hilft sie hingegen, Arbeitsabläufe effektiver zu gestalten. Beide Sichten zeigen, dass Personalisierung in der modernen Zeit ein wichtiges Werkzeug ist, um den Erfolg eines Produktes positiv zu beeinflussen, indem letztlich die Wünsche seines Verbrauchers beachtet werden“ ([Aehn03], S.130).

Die Möglichkeit durch Personalisierung in einem Empfehlungssystem ein dem Kundenwunsch entsprechendes, auf seine individuellen Präferenzen ausgelegtes Produkt anzubieten, führt analog zu 2.2.1 zu niedrigeren Suchkosten, einer Reduktion des Zeitaufwands und letztlich zu steigender Kundenzufriedenheit (Vgl. [RiKl02]).

One-to-One Marketing als Personalisierungsmöglichkeit erfordert die Identifikation des Nutzers über IP-Adresse, Cookies oder im System angelegte Nutzerprofile. Die Notwendigkeit bei jedem Besuch der Seite erneut die gleichen persönlichen Daten, Informationen oder Interessen anzugeben entfällt. Transaktionskostenreduktion, Zeitersparnis und Kundenzufriedenheit sind auch bei dieser speziellen Personalisierungsform das Ergebnis (Vgl. [Teia06]).

2.2.3 Aktualität

Unternehmen ist es möglich Interessenten immer die neuesten Empfehlungen, Angebote und Informationen zu unterbreiten oder diese sehr schnell zu aktualisieren. Der Kunde kann, im Gegensatz zu nicht dynamischen Angeboten (wie beispielsweise in Katalogen oder Büchern) immer auf die aktuellsten Informationen zugreifen (Vgl. [RiKl02]).

2.2.4 Verfügbarkeit

Interessenten haben die Möglichkeit sich an jedem Tag der Woche 24 Stunden lang mittels Empfehlungssystemen bei der Produkt- oder Informationssuche beraten zu lassen. Die Abhängigkeit von Öffnungszeiten oder der Verfügbarkeit eines beratenden Verkäufers entfällt.

2.3 Ausprägungen von Empfehlungen

Empfehlungen werden im Internet in zahlreichen unterschiedlichen E-Commerce Anwendungen und Dienstleistungen eingesetzt und existieren in den verschiedensten Formen. Resnick und Varian klassifizieren diese Ausprägungen von Empfehlung anhand der folgenden fünf Dimensionen [ReVa97]:

1. Inhalt einer Empfehlung:

Der Inhalt einer Empfehlung kann in unterschiedlichen Formen dargestellt werden, zum Beispiel als ein einzelnes Bit (1=empfohlen, 0=nicht empfohlen) oder in Form einer Schulnote oder eines Rankings. Auch unstrukturierter Text oder eine URL, welche auf eine andere Informationsquelle verweist sind Inhalte von Empfehlungen.

2. Daten zur Generierung einer Empfehlung:

Die Daten werden anhand expliziter Bewertungen durch den Benutzer (z. B. über Kritiken, Meinungen, Bewertungen durch Skalen, Noten o. ä.) oder durch eine implizit vorgenommenen Bewertung erhoben. Implizite Bewertungen können unter anderem beobachtetes Benutzerverhalten, Surfverhalten oder Kaufverhalten sein. Beispiele für die Methode der impliziten Datenerhebung ist die Zeit, die ein Nutzer zur Betrachtung eines Objektes benötigt, die Anzahl der „Views“ auf dieses Objekt oder die Aufnahme in den Warenkorb des Kunden.

3. Aggregation einer Empfehlung:

Empfehlungen können anhand einzelner Personen, anhand von Usergruppen (clusters), die beispielsweise gleiche Interessen und Präferenzen aufweisen oder für alle User (globally) statistisch zusammengefasst werden.

4. Verwendungsmöglichkeiten:

Empfehlungen werden einerseits dazu verwendet ein Objekt direkt zu bewerten (z. B.: mittels Sternen oder Noten) oder um Rankings von Objekten zu erstellen. Außerdem können sie auch dazu dienen negativ bewertete Produkte aus der Anfrage herauszufiltern. Empfehlungen können auch durch „Bewertung anderer Empfehlungen“ ausgesprochen werden, beispielsweise ob eine schriftlich verfasste Kritik („Review“) über ein Produkt hilfreich war oder nicht.

5. Personalisierungsgrad:

Der Personalisierungsgrad gibt an, ob der Benutzer anonym ist oder ob persönliche Daten gespeichert sind. Es wird dabei unterschieden, ob persönlichen Daten dauerhaft, z. B. in einem angelegten und in der Datenbank abgespeichertem Nutzerprofil gespeichert sind oder nur während der Online-Session zur Verfügung stehen.

2.4 Klassische Empfehlungssysteme

Empfehlungssysteme sind in zwei Hauptkategorien, in personalisierte und nicht-personalisierte Systeme unterteilt. Personalisierte Empfehlungssysteme bedienen sich der Methodik der Personalisierung, sie generieren individuelle Empfehlungen, die auf persönlichen Präferenzen des Benutzers basieren, welche dieser aktiv im System hinterlegt hat oder die passiv durch das Surfverhalten prognostiziert werden. Im Vergleich dazu sind nicht-personalisierte Empfehlungssysteme unpersönlich, d. h. sie sprechen für alle Benutzer identische Empfehlungen aus und benötigen in der Regel keine persönlichen Daten des Nutzers. Personalisierte sowie nicht-personalisierte Systeme lassen sich nochmals in expertengestützte und nutzergestützte Systeme kategorisieren (Vgl. [GeSk02]).

Expertengestützte Empfehlungssysteme basieren auf den Meinungen, Erfahrungen oder Testergebnissen von Experten, nutzerbasierte auf den Meinungen und Präferenzen der Nutzer. Tabelle 1 stellt die Kategorisierung von Empfehlungssystemen dar:

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Kategorisierung von Empfehlungssystemen (Quelle: [GeSk02])

Die nicht-personalisierten Systeme, Meinungsportale und uniforme Empfehlungssysteme sind nur bedingt als Empfehlungs-„Systeme“ anzusehen (Vgl. [Skie00], S.8). Sie unterliegen keinem mathematischen Algorithmus und greifen nicht auf die Möglichkeit der Personalisierungsmethoden zurück. Der Vollständigkeit halber werden sie in den nächsten beiden Abschnitten kurz erläutert. Für den weiteren Verlauf der Arbeit spielen sie allerdings keine bzw. nur eine untergeordnete Rolle. Detailliert vorgestellt werden in Abschnitt 2.4.3 – 2.4.5 die personalisierten Systeme: Regelbasierte Empfehlungssysteme, das Attribute-Based Filtering sowie das Collaborative Filtering, wobei bei den zwei letztgenannten, die in der Praxis den Großteil der vorhanden Systeme ausmachen, detailliert auf verschiedene Möglichkeiten der Analyse und der zugrunde liegenden Algorithmen eingegangen wird.

2.4.1 Uniforme Empfehlungssysteme

Uniforme Empfehlungssysteme sind Systeme, die Nutzern zum Kauf eines Produktes oder zur Wahrnehmung einer Dienstleistung Entscheidungshilfen geben, die sich nicht an den individuellen Präferenzen einzelner, sondern am Nutzen der Allgemeinheit orientieren. Diese Empfehlungen bestehen in der Regel aus ausführlichen Testberichten oder Kritiken von Experten (Vgl. [Klug02], S. 21f). Uniforme Empfehlungssysteme sind im stationären Internet eher selten anzutreffen und spielen eine untergeordnete Rolle. Ein Beispiel für ein uniformes Empfehlungssystem ist die Bewertung der „Stiftung Warentest“[3].

Bei uniformen Empfehlungssystemen werden alle relevanten Daten eines Produkts, z. B. eines Fernsehers, durch Expertenanalysen identifiziert, manuell erhoben und das Produkt durch verschiedene Tests (häufig im Labor) einer wissenschaftlichen Prüfung auf Faktoren wie Qualität, Nützlichkeit oder dem Preis-Leistungs-Verhältnis unterzogen. Meist werden Produkte der gleichen Produktkategorie verschiedener Hersteller für einen Test herangezogen und verglichen. Die relevanten Eigenschaften des jeweiligen Produkts werden schließlich nach ihren Merkmalsausprägungen benotet und zu einer Gesamtnote aggregiert. Die für ein Produkt ausgesprochene Empfehlung in Form der ausführlichen schriftlichen Darstellung der Testergebnisse und Erfahrungen sowie der Gesamtnote (skaliert nach Schulnoten von 1-6) ist für alle Interessenten gleich. Die Bewertungen der Stiftung Warentest können als Online-Version oder als pdf-Dokument gegen Entgelt herunter geladen werden (Vgl. [Skie00], S.8). Abbildung 1 zeigt diese Möglichkeit exemplarisch anhand eines Tests für DVB-Empfänger:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1: Website der Stiftung Warentest

(Quelle: [Test08])

Nach dem Download erhält der Interessent den ausführlichen schriftlichen Testbericht, die Bewertung der einzelnen Eigenschaften sowie die Gesamtbewertung des Produkts im Vergleich zu analog getesteten Konkurrenzprodukten in Tabellenform. Abbildung 2 zeigt dies beispielhaft anhand eines Tests für verschiedene Fernsehgeräte.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2: Visualisierung der Bewertungen bei Stiftung Warentest

Uniforme Empfehlungssysteme sind unabhängig von Nutzer- oder Käuferdaten und generieren Empfehlungen ohne Personalisierung, die den Interessenten in seiner Kaufabsicht unterstützen (Vgl. [Doer03], S. 18).

2.4.2 Meinungsportale

Internetseiten, auf denen Konsumenten Testberichte und Kritiken zu verschiedenen Dienstleistungen oder Produkten publizieren, stellen den Bereich der Meinungsportale dar. Das WWW bietet zahlreiche Seiten, auf denen explizite Bewertungen bzw. Erfahrungen zu Produkten und Dienstleistungen jeglicher Art von Konsumenten gesammelt und als Testberichte (so genannte „ Rezensionen “) anderen Verbrauchern online zur Verfügung gestellt werden. Die zwei bekanntesten Meinungsportale sind die Websites „ciao.de“[4] und „dooyoo.de“[5], die in ihrer Funktionsweise nahezu identisch sind.

Nach vorheriger Registrierung kann man in Meinungsportalen seine Erfahrungen zu verschiedenen Produkten, Dienstleistungen, Veranstaltungen, Filmen, Reisezielen, Hotels, Restaurants u. a. in Form eines ausführlichen schriftlichen Testberichts abgeben. Das bewertete Produkt wird vom Mitglied abschließend auf einer „Sternenskala“ (wobei fünf Sterne für sehr gut und ein Stern für sehr schlecht steht) benotet und mit dem Testbericht interessierten Usern unentgeltlich zur Verfügung gestellt. Existieren mehrere Testberichte zu einem Produkt werden die einzelnen Noten aggregiert, durch die Gesamtzahl der Testberichte für dieses Produkt dividiert und dem Verbraucher als Durchschnittsnote dargestellt. Interessieren sich Kunden für ein Produkt, lassen sich die Testberichte in einer Vorschau oder einzeln ganzseitig anzeigen. Die Produkte, die in den jeweiligen Meinungsportalen bewertet werden, sind in Kategorien eingeteilt und können zusätzlich über eine seiteninterne Suchfunktion gefunden werden. Jede publizierte Meinung wird von den Portalbetreibern belohnt, entweder mit Bargeld (Ciao) oder per Webmiles (Dooyoo). Andere User wiederum können die Qualität der veröffentlichten Rezensionen bewerten. Diese Bewertungen werden ebenfalls aufsummiert, der Durchschnitt der Qualität des Testberichts in der Form „ sehr hilfreich“, „hilfreich“, „wenig hilfreich “ und „ nicht hilfreich “ dargestellt. Dies beeinflusst die Vergütung durch den Portalbetreiber. Abbildung 3 zeigt exemplarisch die Darstellung der aggregierten Bewertung eines „Apple iPod nano in der Kategorie „MP3 Player“ auf dem Meinungsportal „ dooyoo.de “:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3: Visualisierung der Gesamtbewertung eines Produkts in einem Meinungsportal (Quelle: [Dooy08])

Die einzelnen Bewertungen bzw. Testberichte sind wie folgt visualisiert:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 4: Visualisierung einer Einzelbewertung in einem Meinungsportal

(Quelle: [Dooy08])

Gleichzeitig integrieren Meinungsportale vermehrt Links zu Online-Shops oder bieten Preisvergleichssysteme an (siehe Abbildung 3), die immer den günstigsten Preis aus bestimmten Internetshops finden sollen, in denen der Interessent das Produkt erwerben kann.

Meinungsportale zählen wie uniforme Systeme zu den nicht-personalisierten Empfehlungssystemen. Die angebotenen Testberichte sind für alle Nutzer konform abzurufen, es werden keine individuellen Empfehlungen ausgesprochen (Vgl. [Fabr02], S. 4).

2.4.3 Regelbasierte Empfehlungssysteme

Regelbasierte Systeme sammeln Informationen über die persönlichen Präferenzen sowie demographischen Daten der Benutzer (meist mittels Eingabemasken, Formularen oder Drop-Down-Menüs) und stellen diese einem Satz von Regeln gegenüber, welche dem Prinzip einer Wenn-Dann -Bedingung folgen. Erfüllt ein Nutzer eine Wenn-Dann -Bedingung, wird die entsprechende Empfehlung generiert. Die grundlegende Funktionsweise erfolgt nach folgendem einfachen Algorithmus (Vgl. [Skie00], S. 9):

wenn (Bedingung ist wahr ) [Abbildung in dieser Leseprobe nicht enthalten] Aktion/Empfehlung

Auf Regeln basierende Empfehlungssysteme lassen sich weiter in das „Formular-Based Filtering“, bei der die Regeln vom Nutzer festgelegt werden, und in das „Rule-Based Filtering“, bei dem die Regeln von Experten spezifiziert werden, untergliedern (Vgl. [Wing04], S. 27; [Buch01]). Eine Erläuterung dieser Verfahren folgt in den nächsten beiden Abschnitten.

2.4.3.1 Formular-Based Filtering

Formular-Based Filtering ist die älteste Personalisierungsmethode. Die Empfehlung bei dieser Form der Personalisierung ist abhängig von der Eingabe des Benutzers. Solche Empfehlungssysteme finden ihre Einsatzgebiete im Internet meist bei Unternehmen, welche nur eine Dienstleistung oder ein Produkt, das in seiner Tiefe variiert, anbieten. Ein Automarkt wie „ mobile.de[6] beispielsweise bietet ausschließlich Kraftfahrzeuge in allen Variationen an, ein Online-Reisebüro wie „ ltur.com[7] ausschließlich Urlaubsreisen in großer Vielfalt und eine Online-Videothek wie „ amango.de[8] ausschließlich Filme aller Arten und Genres. Alle diese Portale haben gemein, dass sie sich zur Generierung von Empfehlungen eines regelbasierten Systems bedienen, welches auch gleich auf der Startseite zu erkennen ist. Durch aktive Selektion der Produkteigenschaften durch den Interessenten wird mittels des regelbasierten Systems eine Vorauswahl getroffen, um die Produktsuche zu erleichtern (Vgl. [Skie00], S. 8-9).

Regeln und Bedingungen können hierbei mit Hilfe der Booleschen Algebra[9] zusammengestellt werden und so detaillierte Abfragen der Benutzerbedürfnisse ermöglichen:

wenn (BedingungAbbildung in dieser Leseprobe nicht enthalten ist wahr Abbildung in dieser Leseprobe nicht enthalten BedingungAbbildung in dieser Leseprobe nicht enthalten ist wahr…) [Abbildung in dieser Leseprobe nicht enthalten] Aktion/Empfehlung

Exemplarisch wird die Funktionsweise eines regelbasierten Empfehlungssystems anhand der Online-Videothek „ amango.de “ erläutert:

Hat der Kunde nur ungefähre Vorstellungen über den gewünschten Film kann er die erweiterte Suche von Amango benutzen und das System fragt ihn mittels freien Eingabemasken und/oder verschiedener Drop-Down-Formularen nach seinen Vorlieben. Auszugsweise seien hier die folgenden Ausprägungen genannt, welche der Nutzer angibt:

- Genre (z. B. Genre = Komödie)
- Altersfreigabe (z. B. Freigabe = FSK 6)
- Darsteller (z. B. Tom Han ks)

Das System generiert daraufhin mit Hilfe der im Formular angegebenen und selektierten Eigenschaften die entsprechenden Filmempfehlungen an den Kunden. In obigem Beispiel erhält der Interessent alle vorhanden Komödien empfohlen, in denen Tom Hanks mitspielt und die einer Altersfreigabe bis FSK 6 unterliegen. Die aufgestellten Wenn-Dann -Regeln sind in diesem Fall wie folgt definiert:

wenn (Genre = Komödie Abbildung in dieser Leseprobe nicht enthalten FSK Abbildung in dieser Leseprobe nicht enthalten 6 Abbildung in dieser Leseprobe nicht enthalten Darsteller = Tom Hanks)

- Empfehle „Big“, „Catch me if you can“…

Abbildung 5 zeigt exemplarisch die Visualisierung der generierten Empfehlungen im Falle des vorgestellten Beispiels bei amango.de

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 5: Visualisierung der Empfehlungen auf amango.de

Der Vorteil bei diesem Verfahren liegt in der technisch einfachen Umsetzung. Der Nachteil ist, es kann nur ein minimaler Grad an Personalisierung damit umgesetzt werden (Vgl. [Doer03]).

2.4.3.2 Rule-Based Filtering

Dieses Filterverfahren basiert ebenfalls auf fest definierten Wenn-Dann -Regeln und die Empfehlung ist in der Regel abhängig vom Verhalten sowie von den Eigenschaften des Kunden. Das Verhalten beschreibt, was der Benutzer während der Online-Session „ tut“. So beinhaltet es beispielsweise das Surfverhalten oder diverse Kaufdaten (Produkt, Menge, Preis, Zeitpunkt, etc.). Die Eigenschaften beschreiben, was der Benutzer „ist“. Sie bestehen aus den demographischen Daten (Alter, Geschlecht, Wohnort, etc.) des jeweiligen Interessenten (Vgl. [Skie00], S.9).

Der Ansatz nutzt individuelle Informationen bzw. Verhaltensweisen des jeweiligen Kunden, um zu bestimmen, welche Produkte empfohlen und angeboten werden.

Empfehlungen, die nach einem derartigen Schema ausgesprochen werden, erfordern das Wissen um kaufrelevante Zusammenhänge. Diese Zusammenhänge werden von „Experten“ analysiert und dementsprechend geeignete „Wenn-Dann-Regeln“ festgelegt. Sie bestimmen welche Informationen über den Nutzer zu erheben sind (Vgl. [GeSk02]).

Die Regeln werden in der Form von Assoziationsregeln aufgestellt, eine solche Regel und die daraus folgende Empfehlung unterliegen folgendem Algorithmus:

(x1 Abbildung in dieser Leseprobe nicht enthalten . . . Abbildung in dieser Leseprobe nicht enthalten xn) → (y1 Abbildung in dieser Leseprobe nicht enthalten . . . Abbildung in dieser Leseprobe nicht enthalten ym)

X [Abbildung in dieser Leseprobe nicht enthalten] Y; d.h.: Wenn X vorhanden ist, dann kommt auch Y vor.

Die zu generierende Empfehlung unterliegt einem einfachen Wenn-Dann -Algorithmus:

wenn kauf (Kunde j, Produkt X) [Abbildung in dieser Leseprobe nicht enthalten] empfehle (Kunde j, Produkt Y)

Beispiel:

Wurden von einem Experten die beiden Regeln

1. Wenn Kunde X ein Auto besitzt, dann biete einen Eis-Kratzer an.

2. Wenn Kunde X Winterreifen kauft, dann hat Benutzer X ein Auto.

festgelegt und ist aus den Kaufdaten ersichtlich, dass ein Benutzer Winterreifen gekauft hat, so kann das System mit Regel 2 schließen, dass der Benutzer ein Auto besitzt. Dieses (erweiterte) Wissen kann es in einem zweiten Schritt nutzen, um mit Regel 1 einen Eis-Kratzer anzubieten (Vgl. [Doer03]).

2.4.3.3 Beurteilung des Verfahrens

Der Vorteil beim Formular-Based Filtering liegt in der technisch einfachen Umsetzung. Der Nachteil ist, es kann nur ein minimaler Grad an Personalisierung damit umgesetzt werden (Vgl. [Doer03]).

Der Vorteil des Verfahrens mittels Rule-Based Filtering liegt ebenfalls in der technisch einfachen Umsetzbarkeit, zudem sind, wie beim Formular-Based Filtering, keine komplexen Berechnungen notwendig. Es besteht jedoch ein hoher manueller Erstellungs- und Wartungsaufwand (z. B. wenn neue Erkenntnisse bezüglich der kaufrelevanten Zusammenhänge vorliegen). Ebenso unterliegen diese Zusammenhänge den subjektiven Meinungen der Experten, das tatsächliche Kaufverhalten der Konsumenten kann dagegen abweichen (Vgl. [ScKR03]).

2.4.4 Attribute-Based Filtering

Das Ziel von Attribute-Based Filtering ist es, die Präferenz eines Benutzers für ein Objekt aus der Betrachtung der Eigenschaften zu ermitteln. Empfehlungssysteme mit eigenschaftsbasierten Filtern stützen sich darauf, dass einige Produkte und Dienstleistungen mittels einer Reihe von objektiven Eigenschaften beschrieben und somit bewertet werden können. Wird ein Objekt und die damit verbundene Kombination von Eigenschaftsausprägungen von einem Kunden als gut bewertet, so werden Objekte mit identischen oder ähnlichen Eigenschaften empfohlen, da angenommen werden kann, dass Produkte mit ähnlichen Ausprägungen ebenfalls positiv bewertet werden. Man spricht bei dieser Technik auch von „ item-to-item correlation“. Anhand der Ähnlichkeitsbestimmung werden entsprechende Objekte vom System erkannt und dem Benutzer empfohlen (Vgl. [Doer03], S. 19).[10]

Abbildung 6 zeigt die grundlegende Funktionsweise eines Empfehlungssystems, dass mittels Attribute-Based Filtering Empfehlungen erzeugt. Der Nutzer bewertet durch implizite oder explizite Datenerhebung ein Objekt A mit den Eigenschaftsausprägungen x und y. Das Präferenzprofil setzt sich in diesem Fall aus den Attributen {x, y} zusammen. Das System vergleicht daraufhin die Eigenschaftsausprägungen aller in der Datenbank gespeicherten Objekte auf Ähnlichkeit zum Präferenzprofil des aktiven Nutzers und empfiehlt Objekt(e) mit ähnlichen oder identischen Eigenschaften.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 6: Attribute-Based Filtering (Quelle: [Choi04])

Der bekannteste Online Shop, der mit Hilfe von Attribute-Based Filtering arbeitet ist „amazon“[11]. Abbildung 7 zeigt Empfehlungen von Artikeln, die ähnliche Eigenschaften aufweisen, wie zuvor implizit bewertete Produkte („ Diese Empfehlungen basieren auf den von ihnen kürzlich angesehenen Artikeln “):

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 7: Visualisierung von Empfehlungen mittels Attribute-Based Filtering

(Quelle: www.amazon.de)

Bei der Methode des Attribute-Based Filtering bestehen die benötigten Informationen aus expliziter oder impliziter Datenerhebung. Sie werden durch persönliche Daten des Nutzers, aus seinem Surf- bzw. Kaufverhalten oder aus Produktbewertungen erhoben.

In den folgenden Abschnitten werden nun zwei Techniken zur Analyse dieser Daten vorgestellt: Self-Explicated Measurements und Conjoint-Analyse.

2.4.4.1 Self-Explicated Measurements

Bei dieser kompositionellen Technik werden Objekte auf Basis von objektiven Eigenschaften klassifiziert und bewertet, d. h. für die jeweils betrachtete Gruppe wird ein Eigenschaftsraum entwickelt. Die Domäne „Kraftfahrzeuge“ als Beispiel für einen Eigenschaftsraum lässt sich nach diversen objektiven Eigenschaften wie z. B. Leistung des Motors, Anzahl der Türen oder Volumen des Kofferraums klassifizieren. Kraftfahrzeuge lassen sich somit durch Objekt-Eigenschaften beschreiben, daraus folgt, dass Objekte Eigenschaftsbündel sind (Vgl. [Broc93], S. 22 ff.).

Ziel des Verfahrens ist es in einem ersten Schritt mittels Filterung ungewünschte Produkteigenschaften aus dem Eigenschaftsbündel herauszufiltern. Dies geschieht durch den expliziten Ausschluss der Eigenschaften durch den Nutzer (z. B. Baujahr maximal bis 1998). Den Eigenschaften wird die Präferenz Null zugewiesen. In einem zweiten Schritt werden die verbliebenen Objekte mittels eines linear-additiven Präferenz-Modells in eine Rangfolge gebracht. Hierzu wird der Nutzer direkt nach seinen Partial-Präferenzen („Bedeutungsgewichten“) für die verbliebenen Eigenschaften befragt, z. B. über explizite Bewertung der Eigenschaften mittels einer Check-Box:

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 8: Beispiel für eine explizite Bewertung durch eine „Check-Box“

(Vgl. [Runt00])

Diese erhobenen Partialpräferenzen Abbildung in dieser Leseprobe nicht enthalten für Eigenschaft i werden mit den Eigenschaftsausprägungen Abbildung in dieser Leseprobe nicht enthalten von Eigenschaft i bei Objekt j multipliziert und anschließend aggregiert. Als Ergebnis erhält man die Global-Präferenz Abbildung in dieser Leseprobe nicht enthalten für Produkt j (Vgl. [Runt00], S. 12):

(1) Abbildung in dieser Leseprobe nicht enthalten

mit

Abbildung in dieser Leseprobe nicht enthalten = Global-Präferenz für Produkt j

Abbildung in dieser Leseprobe nicht enthalten= Partial-Präferenz für Eigenschaft i

Abbildung in dieser Leseprobe nicht enthalten= Eigenschaftsausprägung von Eigenschaft i für Produkt j

Tabelle 2 zeigt ein Beispiel für ein linear-additives Präferenz-Modell für ein Kraftfahrzeug. Es werden drei Eigenschaften i verwendet, deren Ausprägungen bei dem betrachteten Fahrzeug mit 4, 3 und 2 operationalisiert wurden. Die Partial-Präferenzen Abbildung in dieser Leseprobe nicht enthalten des aktiven Nutzers betragen 6, 4 und 3. Es ergibt sich eine Global-Präferenz Abbildung in dieser Leseprobe nicht enthalten für Fahrzeug j von 42.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2: Linear-additives Präferenz-Modell (Vgl. [Runt00], S. 12)

Als zu empfehlende Objekte kommen die Produkte mit den höchsten Global-Präferenz-Werten in Betracht, sie befriedigen die Bedürfnisse und Präferenzen des aktiven Nutzers am besten.

2.4.4.2 Conjoint-Analyse

Beim dekompositionellen Verfahren der Conjoint-Analyse werden Benutzern Objekte mit verschiedenen Eigenschaften präsentiert, zu denen entsprechende Global-Präferenzen explizit abgegeben werden. Dies dient der Analyse welche Objekteigenschaften in welcher

Ausprägung einem Nutzer besonders wichtig sind bzw. welche Produkteigenschaften die entscheidenden Größen für die Bewertung oder den Kauf des Objektes darstellen. Mittels der erhobenen Global-Präferenzen werden im zweiten Schritt metrische Teilnutzenwerte der einzelnen Komponenten berechnet (dekompositionelles Verfahren). Ausgangspunkt dieses Ansatzes ist die Annahme, dass sich der Gesamtnutzen, die Global-Präferenz, aus der Summe der Teilnutzenwerte zusammensetzt (Vgl. [Runt00], S. 13).

Die Ermittlung der Produkteigenschaften und deren Ausprägungen, für die später die Teilnutzenwerte errechnet werden, unterliegen folgenden Bedingungen ([BEPW96], S.501):

1. Die Eigenschaften sind für die Kaufentscheidung oder Bewertung des Produkts relevant.

2. Die Eigenschaften sind unabhängig voneinander.

3. Die Eigenschaften haben kompensatorischen Charakter.

4. Es muss sichergestellt sein, dass es sich nicht um Ausschlusskriterien (K. O.-Kriterien) handelt.

5. Die Anzahl der Eigenschaften und Eigenschaftsausprägungen sollte auf wenige beschränkt sein.

Die Rangfolge der Objekte wird durch Bewertung des Kunden auf einer Skala oder in Form von Noten, welche die Global-Präferenz darstellen, erhoben und absteigend angeordnet. Diese empirischen Rangwerte sind Grundlage der folgenden Berechnungen.

§ Schätzung der Nutzenwerte

Die bei der additiven Conjoint-Analyse benutzte Formel lautet allgemein:

(2) Abbildung in dieser Leseprobe nicht enthalten

mit

Abbildung in dieser Leseprobe nicht enthalten = geschätzter Gesamtnutzen für Produkt k

Abbildung in dieser Leseprobe nicht enthalten = Teilnutzenwert für Ausprägung m von Eigenschaft j

Abbildung in dieser Leseprobe nicht enthalten = Abbildung in dieser Leseprobe nicht enthalten

[...]


[1] Vgl. [Zimm01]

[2] Siehe: http://www.buch.de

[3] Siehe: http://www.stiftung-warentest.de

[4] Siehe: http://www.ciao.de

[5] Siehe: http://www.dooyoo.de

[6] Siehe: http://www.mobile.de

[7] Siehe: http://www.ltur.com

[8] Siehe: http://www.amango.de

[9] Die boolesche Algebra ist eine spezielle algebraische Struktur, die die Eigenschaften der logischen Operatoren UND, ODER, NICHT sowie die Eigenschaften der mengentheoretischen Verknüpfungen Durchschnitt, Vereinigung, Komplement verallgemeinert.

[10] In der Literatur oft auch als Content-Based Filtering oder eigenschaftsbasiertes Filtern bezeichnet

[11] Siehe: http://www.amazon.de

Details

Seiten
182
Erscheinungsform
Originalausgabe
Jahr
2008
ISBN (eBook)
9783836625524
Dateigröße
2.5 MB
Sprache
Deutsch
Katalognummer
v226519
Institution / Hochschule
Johann Wolfgang Goethe-Universität Frankfurt am Main – Wirtschaftswissenschaften, Betriebswirtschaftslehre
Note
1,3
Schlagworte
empfehlungssystem transparenz mobil informationssystem internet

Autor

Teilen

Zurück

Titel: Transparente Visualisierung von Empfehlungen im mobilen Umfeld