EC-VL07

XTrade-off zwischen Decision Effort und Decision Quality

Konsumenten verfolgen laut Theory of Human Information Processing zwei Ziele:

• Decision Effort (Entscheidungsaufwand) minimieren

  • -> oberflächliche Suche/Vergleiche um Komplexität zu verringern

    -> schlechtere Decision Quality

• Decision Quality (Entscheidungsqualität) maximieren

  • -> erfordert detailierte Vergleiche von vielen Alternativen

    -> erhöhter Decision Effort

Beide gleichzeitig zu optimieren ist nicht möglich → Trade-off

XBounded Rationality

Rationale decision-maker suchen nach der besten Alternative von allen verfügbaren Optionen

Durch Information Overload tendieren Konsumenten aber die Komplexität der Entscheidung zu reduzieren und minimieren ihren Decision Effort.

Sie suchen somit meist eine zufriedenstellende, ausreichende Lösung, anstatt der optimalen

-> Bounded Rationality

Vorteile - Recommender Systems aus Nutzerperspektive

• Reduzieren Information Overload durch kürzere Ergebnislisten

• Reduzieren Decision Effort: weniger Produkte müssen im Detail geprüft werden

• Erhöhen Decision Quality: freigesetzte mentale Ressourcen werden in detaillierten Vergleich der verbleibenden Alternativen investiert

Vorteile - Recommender Systems aus Anbieterperspektive

• Conversion: Besucher werden zu Käufern (Empfehlungen helfen passende Produkte zu finden)

• Förderung von Cross-/Up-Selling (z. B. Zubehör, ähnliche Musik)

• Kundenbindung durch Switching Costs: System lernt Präferenzen über Zeit, bei Anbieterwechsel gehen diese verloren, Nutzer scheuen das „Neu-Trainieren“ eines anderen Systems

XRecommender System

Software, die Interessen und Präferenzen von Nutzern sammelt und passende Objekte (Items) empfiehlt.

• Systeme die (basierend auf dem user profile) automatisch Empfehlungen generieren

• Helfen gegen Information overload (im Internet)

• Analysieren Nutzerverhalten (auf Websites)

• Bieten evtl. relevante Vorschläge für Content/Produkte auf Basis des Nutzerverhaltens

- Unbegrenzter „Regalplatz“ im Internet erhöht die Auswahlvielfalt

- Hohe Wahrscheinlichkeit, dass es für jeden ein optimales Produkt gibt

- Viele Produkte müssten anhand unterschiedlicher Attribute verglichen werden

Nutzer bewertet „konsumierte“ Filme auf einer Skala von 0 (am wenigsten favorisiert) bis 5 (Lieblingsfilm). Aus diesen Bewertungen (Assessment of Preferences) sagt ein Filter voraus, wie gut ein neuer Film zu den Präferenzen des Nutzers passt (Recommendation).

XDifferent Kinds of Recommender Systems

• Nicht personalisiert (z. B. Bestsellerlisten, Rankings)

• Personalisiert:

  • Content-based Filtering

  • Collaborative Filtering

  • weitere (z. B. Deep Learning)

User

Person, für die Empfehlungen aus der Menge aller Produkte generiert werden sollen. Verhalten und Statistiken werden geloggt, um ein Profil zu erstellen.

Profile

Speichert die bisherigen Aktivitäten eines Nutzers. Wird genutzt, um Nutzer in Kategorien zu klassifizieren oder Referenzen zu zuvor gewählten Produkten herzustellen.

Item

Ein Element/Produkt aus der Menge möglicher Empfehlungen. Für Items werden i. d. R. Verkaufs-/Nutzungsstatistiken erfasst (z. B. Anzahl Verkäufe, Auswahlhäufigkeit, Link zum Käufer).

Item Rating

Bewertung eines Items anhand einer Referenz. Beispiel: Eine von Nutzern abgegebene Bewertung eines Items kann als Referenz für die Bewertung desselben Items durch andere Nutzer dienen.

Basic Logic der Recommendation Generation

Input → Präferenzen (Interessen, Neigungen, Bedürfnisse) der Nutzer bzgl. Items

Filter → Auswahl der Items, die am besten zu Nutzerinteressen passen

Output → Nutzer erhält Darstellung der Item-Auswahl

XKlassifikationskriterien - Recommender Systems

• Preference Elicitation: implizit vs. explizit

• Filter Properties: aktiv vs. passiv; memory-based vs. model-based

• Filter Methods: Attribut-/Content-based vs. Collaborative

• (Recommendation Format: sortierte vs. unsortierte Listen)

• (Recommendation Content: predicted rating)

X Preference Elicitation - how user preferences can be collected

X aktive & passive Filter

XMemory-based vs. model-based Filter

XContent-based Filtering

Alle Inhalte/Items werden mittels Keywords und Kategorien klassifiziert, um ähnliche oder komplementäre Items zu identifizieren.

Nutzer, die an einem klassifizierten Item interessiert sind, erhalten Empfehlungen für ähnliche Objekte – dies wird als „item-to-item correlation“ bezeichnet (Empfehlung nur durch Vergleich der Items).

X Content-based Filtering

1. Bestimmung der Nutzerpräferenzen (explizit/implizit) und Erstellung eines Nutzerprofils (Kauf-, Nutzungs-, Suchhistorie)

2. Abgleich der Merkmale/Keywords des Nutzerprofils mit Merkmalen/Keywords klassifizierter Produkte

3. Empfehlung von Items mit Merkmalsähnlichkeit

„Today's Recommendations for You“, „New for You“, „Inspired by Your Browsing Trends“, „Similar Items to Those You Recently Viewed“ – nur als Beispiele für typische Formulierungen bekannt sein.

Ein Nutzer, der sich für The Lord of the Rings interessiert, erhält The Hobbit empfohlen, da beide Bücher ähnlich kategorisiert sind (Item-to-Item-Vergleich über Klassifikationsähnlichkeit).

Berechnungsmethode für Ähnlichkeit von Dokumenten/Items (z. B. über die best-match method). Der Vektorraum hat n Dimensionen (n = Anzahl aller zugewiesenen Keywords), jede Dimension repräsentiert ein Keyword. Zwei Objekte sind ähnlich, wenn ihr Abstand im Vektorraum klein ist; unähnlich, wenn der Abstand groß ist.

XCollaborative Filtering

Ein Produkt wird einem Nutzer empfohlen, wenn andere Nutzer mit einem ähnlichen Profil (bzgl. anderer Produkte) dieses Produkt positiv bewertet haben.

Collaborative Filtering

1. Käufer wählt ein Produkt aus dem Angebot

2. Muster individueller Auswahl-/Kaufentscheidungen werden gesammelt

   Der Collaborative Filter analysiert kontinuierlich die Auswahlentscheidungen der Nutzer.

3. Präferenzprofil des Kunden wird erstellt und einer Affinitätsgruppe („Mentors“) mit ähnlichen Präferenzen zugeordnet

4. Anbieter optimiert das Produktangebot basierend auf den Präferenzen der Affinitätsgruppe

„Customers Who Viewed This Also Viewed“, „Frequently Bought Together“, „Customers Who Bought Items in Your Recent History Also Bought“, „What Do Customers Ultimately Buy After Viewing This Item?“ – nur als Beispiele bekannt sein.

Frage: Wäre Person B an The Eyes of the Dragon (Stephen King) interessiert?

Person B bewertete Victim (Chris Mooney) mit 4 Sternen. Person C bewertete Victim ebenfalls mit 4 Sternen und The Eyes of the Dragon mit 5 Sternen. Da B & C ein ähnliches Profil haben, wird B das Buch empfohlen. Nur den Ablauf/das Ergebnis dieses Beispiels kennen müssen.

XCollaborative-Filtering-Algorithmus

1. Collection of User Data

2. Proximity Calculation

3. Selection of Mentors

4. Prediction

X Collection of User Data - Collaborative-Filtering-Algorithmus

Daten aktiver Nutzer sammeln, um Ähnlichkeiten zu anderen Nutzern zu identifizieren.

Möglichkeiten: abgeschlossene Käufe/Suchbegriffe, Website-Besuche, gelesene Nachrichtenartikel, Nutzerbewertungen.

X Proximity Calculation - Collaborative-Filtering-Algorithmus

Bestimmt die Ähnlichkeit/Unähnlichkeit zwischen Nutzern über ein Proximity-/Similarity-Measure. Nötig, um Nutzer mit ähnlichen Präferenzen (Affinitätsgruppen/Mentors) zu identifizieren. Übliche Maße: Korrelationskoeffizient, Minkowski-Distanz, Euklidische Distanz.

XMentor Selection & Prediction Calculation - Collaborative-Filtering-Algorithmus

3. Mentor Selection

Mentors sind Nutzer, deren Bewertungen genutzt werden, um fehlende Bewertungen des aktiven Nutzers vorherzusagen. Wird der Korrelationskoeffizient als Proximity-Measure verwendet, wird der Nutzer mit der höchsten positiven Korrelation zum aktiven Nutzer als Mentor gewählt.

4. Prediction Calculation

Die Bewertung des Mentors für ein Item wird genutzt, um die fehlende Bewertung des aktiven Nutzers für dieses Item vorherzusagen (Rating des nächsten Nachbarn = ähnlichster Nutzer wird verwendet).

Deep Learning Recommender Systems

Sie ersetzen nicht die Logik von Content-based und Collaborative Filtering, sondern generalisieren sie: Sie lernen automatisch reichhaltigere User-Item-Repräsentationen und erfassen komplexere, indirekte Beziehungen in großen Empfehlungsumgebungen.

Gemeinsamkeiten von Deep Learning Recommender Systems

• Wie Content-based Filtering: Nutzung von User- und Item-/Content-Merkmalen (Produktkategorie, Marke, Stil, Text, Bilder)

• Wie Collaborative Filtering: Nutzung von Verhaltensmustern vieler Nutzer (Klicks, Käufe, Bewertungen, Browsing-Pfade)

• Beide: Vorhersage der User-Item-Relevanz (z. B. Klick-, Kauf- oder Engagement-Wahrscheinlichkeit)

Zentrale Unterschiede von Deep Learning Recommender Systems

• Lernen Embeddings (dichte numerische Repräsentationen von Usern/Items)

• Können viele Datentypen gleichzeitig kombinieren (Nutzer-/Item-Merkmale, vergangene Interaktionen, Text, Bilder, Kontext)

• Graph Neural Networks (GNNs) modellieren User und Items als Netzwerk: Nutzer/Items = Nodes, Interaktionen = Edges

• GNNs lernen aus benachbarten Knoten und Beziehungen höherer Ordnung statt Nutzer/Items nur direkt zu vergleichen

• Output oft ein Prediction Score (z. B. Wahrscheinlichkeit für einen Klick)

XCost-Benefit-Analyse

Strukturierte Bewertung von Investitionen/Maßnahmen durch Vergleich finanzieller und nicht-finanzieller Kosten und Nutzen, um fundierte Entscheidungen über deren wirtschaftliche Tragfähigkeit zu treffen. Unterscheidung:

• Financial Criteria: Beitrag zum wirtschaftlichen Erfolg des Unternehmens

• User-centric Criteria: Einfluss auf die Nutzerakzeptanz

X Kostenkriterien - Anbieterperspektive

• Entwicklungs- und Implementierungskosten (Algorithmus-Design, Systemintegration)

• Infrastruktur- und Betriebskosten (Serverkapazität, Cloud Computing)

• Wartungs-, Datenmanagement- und Compliance-Kosten (Modell-Updates, Datenschutzanforderungen)

X Revenue-Dimensionen - Anbieterperspektive

• Erhöhte Verkäufe und Conversion Rates (mehr Nutzer finden passende Produkte)

• Cross-Selling, Up-Selling und höhere Bestellwerte (Zubehör, Premium-Alternativen)

• Höheres Engagement, höhere Retention und Werbeeinnahmen (längere Nutzung, mehr Anzeigen-Impressionen)

XNutzerperspektive

1. Nutzer Decision Making Process: Unterstützung von Suchbeginn bis zur Entscheidung für ein Item (Trade-off Decision Effort/Decision Quality)

2. Nutzer Ratings: Bewertung subjektiver Eindrücke (Usefulness, Ease of Use, Satisfaction) während der Suche

3. Absicht der Wiederverwendung (Intention to reuse)

-> tatsächliche Wiederverwendung, Loyalität, Umsatz

Absicht der Wiederverwendung (Intention to Reuse)

Definition: Absicht der Nutzer, ein Recommendation System auch zukünftig zu nutzen.

Relevanz:

• Treue Bestandskunden benötigen nur ca. 10 % der Marketingausgaben zur Neukundengewinnung und sind wesentlich profitabler

• Umsatz durch Bestandskunden steigt tendenziell mit Dauer der Kundenbeziehung (Cross-/Up-/Next-Selling)

Decision Effort messen

• Subjektive Bewertung via Fragebogen

• Anzahl betrachteter Alternativen

• Anzahl geprüfter Produktbewertungen

• Suchzeit

Decision Quality messen

• Subjektive Bewertung via Fragebogen

• Beobachtung der objektiven Item-Auswahl

XFaktoren - zukünftige Nutzung eines Recommender Systems

• Perceived Ease of Use

• Perceived Usefulness

• Satisfaction

Perceived Ease of Use

Der vom Nutzer wahrgenommene Aufwand, um das System zu bedienen und zu nutzen.

Perceived Usefulness

Der vom Nutzer wahrgenommene Nutzen des Systems und seiner Empfehlungen bei der Suche nach passenden Items.

Satisfaction

Satisfaction ergibt sich aus dem Vergleich der ex-ante erwarteten mit der ex-post wahrgenommenen Systemleistung:

• Perception > Expectation → Delight

• Perception = Expectation → Satisfaction

• Perception < Expectation → Dissatisfaction

Data Collection Methods

• behavior tracking im System: Mausklicks, Eye-Tracking, Suchzeit, angesehene Produkte

• Fragebögen: papierbasiert/offline oder online