Recommender Systeme

Aus Winfwiki

Namen der Autoren:	Peter Boldt, Roman Fischer, Robert Vogelsang, Christian Walter
Titel der Arbeit:	"Recommender Systeme"
Hochschule und Studienort:	FOM Düsseldorf

Inhaltsverzeichnis 1 Einleitung 1.1 Problemstellung / Ausblick 1.2 Einordnung 1.3 Historie 2 Klassifizierung von Recommender Systemen 2.1 Abgrenzung nicht personalisierter Recommender Systeme 2.2 Personalisierte Recommender Systeme 2.2.1 Demografische Recommender Systeme 2.2.1.1 Methodische Umsetzung 2.2.1.2 Restriktionen 2.2.2 Inhaltsbasierte Recommender Systeme 2.2.2.1 Methodische Umsetzung 2.2.2.2 Restriktionen 2.2.3 Kooperative Recommender Systeme 2.2.3.1 Methodische Umsetzung 2.2.3.2 Restriktionen 2.2.4 Hybride Systeme 2.2.4.1 Methodische Umsetzung 2.2.4.2 Restriktionen 2.3 Profilbildung und Präferenzstrukturen 2.3.1 Initiale Profilbildung 2.3.2 Erweiterung und Pflege des Profils 3 Einsatzgebiete 3.1 Aktuelle Online-Mediennutzung 3.1.1 Internet-Nutzungsart 3.1.2 Suche nach Produktinformationen 3.1.3 Online Ein- und Verkauf boomt 3.2 Marktüberblick 3.3 Trends 4 Nutzen Analyse 4.1 Vorteile für Unternehmen 4.1.1 Effizienzsteigerung 4.1.2 Kundenbindung 4.1.3 Chancen in der Verkaufsförderung 4.1.3.1 Persönliche Ansprache 4.1.3.2 Cross Selling 4.1.3.3 Up-Selling 4.1.3.4 After Sales 4.1.4 Online Marketing 4.2 Nachteile für Unternehmen 4.2.1 „First Rater“ / „Sparsity“ Problematik 4.2.2 Manipulation durch Wettbewerber 4.2.3 Zusätzliche Herausforderungen 4.3 Vorteile für Kunden 4.3.1 Orientierung vor dem Kauf 4.3.1.1 Gezielte Informationssuche 4.3.1.2 Entscheidungsunterstützung 4.3.1.3 Substitute 4.3.1.4 Komplementärgüter 4.3.1.5 Unstrukturiertes Suchen 4.3.1.5.1 Orientierung 4.3.1.5.2 „Stöbern“ 4.3.2 After Sales 4.4 Nachteile für Kunden 5 Datenschutz 5.1 Rechtliche Vorgaben 5.1.1 Darstellung und Definition des Datenschutzes 5.1.2 Umgang mit personenbezogenen Daten 5.2 Praxis 5.2.1 Risiken „Der gläserne Konsument“ 5.2.2 Profiling 5.2.2.1 Pro Profiling 5.2.2.2 Contra Profiling 6 Fazit

1 Einleitung

Recommender Systeme sind spezielle Empfehlungssysteme, die insbesondere im Online-Handel genutzt werden. Sie erzeugen Produktvorschläge für interessierte Kunden, die auf die Vorlieben und Wünsche des Nutzers zugeschnitten zu sein scheinen.

1.1 Problemstellung / Ausblick

Auf Basis der genannten Definition werden im Rahmen dieser Arbeit sowohl die reine Technologie als auch mögliche Einsatzgebiete von Recommender Systemen einer eingehenden Betrachtung unterzogen, um eine klare Einschätzung zu tatsächlichen und potenziellen Nutzwerten von Empfehlungssystemen abgeben zu können. Nach einer historischen sowie semantischen Einordnung der reinen Begrifflichkeit der Recommender Systeme, widmet sich diese Arbeit zunächst einer eingehenden Klassifizierung der zugrunde liegenden Technologien, wobei insbesondere personalisierte Systeme, die Empfehlungen individuell für jeden Kunden erstellen, im Hauptaugenmerk dieser Arbeit liegen. Ebenso werden mögliche Einsatzgebiete der zuvor beschriebenen Systeme vor dem Hintergrund eines aktuellen Marktüberblicks von Recommender Systemen umfassend analysiert, um auf dieser Basis einen Ausblick auf mögliche Trends und somit potenzielle Einsatzgebiete dieser Systeme zu geben. Auf die zuvor dargelegten Studienergebnisse aufbauend, steht im Zentrum dieser Fallstudie die Nutzen-Analyse. Diese beleuchtet den eigentlichen Mehrwert von Recommender Systemen, sowohl als Methode und System der Verkaufsförderung für ein Unternehmen, sowie auch als unterstützendes Instrument zur Orientierung und Produktsuche für den Kunden, kritisch. Eine folgende Betrachtung geltender Datenschutzbestimmungen bettet die vorangegangenen Erkenntnisse in den Kontext gesetzlicher Vorgaben ein und thematisiert deren Auswirkungen auf die Praxis. In dem abschließenden Fazit der Fallstudie wird eine Handlungsempfehlung an Unternehmungen hinsichtlich potenzieller Einsatzmöglichkeiten von Recommender Systemen gegeben.

1.2 Einordnung

Mit der exponentiell steigenden Nutzung des Internets seit Anfang der neunziger Jahre und der daraus resultierenden Menge an Informationsangeboten steigt das Bedürfnis sowohl auf Nutzer- als auch auf Anbieterseite, Informationen zielgerecht auf die jeweiligen Interessen- und Anwendungsgebiete maßzuschneidern. Erste Versuche, eine derartige Bündelung von Informationen technologisch zu ermöglichen und dem Problem des „Lost in Information“ (vgl. Fraunhofer IPSI 2004, S. 1) entgegenzuwirken, manifestierten sich in der Entwicklung so genannter Recommender Systeme (Empfehlungssysteme). Im Gegensatz zu bereits existierenden Suchsystemen, zielen diese auf eine individuell passende Filterung von Informationen ab, um dem Anwender konkrete Vorschläge unterbreiten zu können.

1.3 Historie

In einer historischen Betrachtung ist die Entwicklung von Recommender Systemen im Wesentlichen auf die Anmeldung zweier US-Patente (US-Patente 4870579 und 4996642) aus den Jahren 1987 und 1989 zurückzuführen, die in den Jahren 1989 bzw. 1991 bewilligt wurden. Der US-Amerikaner John Hey beschrieb in der ersten seiner beiden Einreichungen die Vorhersage von Benutzerreaktionen auf Basis bereits bekannter Reaktionen anderer Benutzer: „A system and method of predicting, for a user selected from a group of users, the reactions of the selected user to items sampled by one or more users in the group but not sampled by the selected user.“ (US-Patent 4870579, Hey, 1989) Während Hey sich in seinem ersten Ansatz lediglich auf das Vorhersagen von Nutzerverhalten bezog, zielte seine zweite Patenteinreichung bereits explizit auf Systeme und Methoden für konkrete Empfehlungen ab. Erneut diente ihm die Analyse und Auswertung bekannter Nutzerverhaltensmuster als Basis. Dabei veranschaulichte er bereits damals seinen Ansatz anhand des Beispiels konkreter Videofilm-Empfehlungen, wie sie heutzutage in Online-Shopping-Anwendungen zu finden sind: „The recommendations are based on other items previously sampled by the user and preferably on the availability of the items from a source, for example the availability of movies from a video store.“ (US-Patent 4996642, Hey, 1991) Beide in den US-Patenten beschriebenen Algorithmen stellen heutzutage die Grundlage moderner Filterungssysteme dar, die sich in inhaltsbasierte (Content-based) sowie gemeinschaftsbasierte (Collaborative) Filterung gliedern lassen. Der Begriff des Collaborative Filterings fand in der Literatur erstmalig in einer Studie zu dem E-Mail-Filtersystem Tapestry von David Goldberg 1992 Erwähnung. (vgl. Goldberg et al. 1992, S. 61-70) Das vom Xerox Palo Alto Research Center eingesetzte E-Mail-Filtersystem Tapestry verfolgte die Idee, bei Filterungen erstmals auch Benutzerbewertungen mit einfließen zu lassen. Individuelle Nutzererfahrungen und die daraus resultierenden Meinungen wurden bei den Bewertungen berücksichtigt. Die zuvor genutzten inhalts- bzw. eigenschaftsbasierten Filterungen, die lediglich auf das Bewerten einzelner Attribute zurückgegriffen hatten, wurden um diese Daten ergänzt. Tapestry gilt somit als das erste realisierte Recommender System. Weitere Pioniere im Umfeld der Recommender Systeme fanden ihre ersten Anwendungsgebiete in der Empfehlung von Newsgroup-Nachrichten, Videofilmen und Musiktiteln. In einem Aufsatz zu einem System namens GroupLens beschrieb Paul Resnick im Jahr 1994 ein personalisiertes Verfahren zur Empfehlung relevanter Usenet-Beiträge aus den zahlreichen Newsgroup-Einträgen. (vgl. Resnick et al. 1994, S. 175-186). Will Hill, Mark Rosenstein und George Furnas stellten 1995 erstmals einen Zusammenhang zwischen Virtual Communities und Recommender Systemen her, indem sie das Empfehlen von Videofilmen per E-Mail thematisierten. (vgl. Hill et al. 1995, S. 194-201) Während der SIGCHI Conference on Human Factors in Computing Systems 1995 wurde von Upendra Shardanand und Pattie Maes der Begriff „Automating The Word Of Mouth“ in ihrem Artikel zu einem Recommender System namens Ringo geprägt, welches zum ersten Mal Musiktitel und Interpreten für eine Internet-Community empfohlen hat. (vgl. Shardanand und Maes 1995, S. 210-217) Darüber hinaus veröffentlichten David Maltz und Kate Ehrlich im Zuge derselben Konferenz einen Artikel über Collaborative Filtering, in dem sie eine begriffliche Trennung in Active und Passive Collaborative Filtering vornahmen. (Maltz und Ehrlich 1995, S. 202-209) Demzufolge müssen in aktiven Recommender Systemen die Regeln zur Filterung, wie im Falle des oben genannten E-Mail-Filtersystems Tapestry, explizit vorgegeben werden. Einen ersten Überblick über die zu der Zeit bereits am Markt verfügbaren Recommender Systeme und deren Techniken lieferten 1997 Paul Resnick und Hal R. Varianz in einer Veröffentlichung in Communications of the ACM. Darin wiesen sie die Technik des Collaborative Filterings eindeutig der Begrifflichkeit der Recommender Systeme zu. (vgl. Resnick und Varian 1997, S. 56-58)

2 Klassifizierung von Recommender Systemen

Empfehlungen können entweder allgemein, also nicht-personalisiert oder individuell für jeden Kunden erstellt werden.

2.1 Abgrenzung nicht personalisierter Recommender Systeme

Dieser Typ stellt die einfachste Form eines Recommender Systems dar. Der Kunde wird durch seine Eingaben zu allgemein gültigen Produktempfehlungen geführt, bei welchen seine individuellen Bedürfnisse unberücksichtigt bleiben. Nicht-personalisierte Systeme bieten also allen Kunden identische Empfehlungen an. (vgl. Höhfeld & Kwiatkowski 2007, S. 266) Entsprechend besteht die Datenbasis des Systems ausschließlich aus Produktdaten. Der Empfehlungsprozess unterscheidet sich je nachdem, ob eine gezielte Suchanfrage gemacht oder die Produktdatenbank durchforscht wird. Bei der gezielten Suche gibt der Kunde Suchdaten in eine Suchmaske ein, woraufhin ihm eine Ergebnisliste mit potenziell passenden Produkten empfohlen wird. Diese kann in der Regel nach verschiedenen Kriterien, wie z. B. dem Preis sortiert oder weiter eingeschränkt werden, wie durch die Eingabe einer Preisspanne oder durch die Festlegung anderer relevanter Produktmerkmale. Beim Durchforschen stöbert der Kunde durch vordefinierte Listen, wie beispielsweise Produktkategorien, in welchen wiederum oft Unterkategorien, also weitere Filter gewählt werden können. Je nach Umfang des Produktangebots sowie Angebot und Granularität der Filter erweist sich dieses Vorgehen für den Kunden als mehr oder weniger zeitaufwändig.

2.2 Personalisierte Recommender Systeme

Konträr zu den nicht-personalisierten, werden bei personalisierten Recommender Systemen Kaufempfehlungen vor allem auf Basis des Wissens über den Kunden, wie z.B. Präferenzen oder Kaufverhalten, generiert. Es werden also Empfehlungsansätze verfolgt, bei denen Kundenprofile in die Suche nach Produkten einfließen, um dem Kunden Produkte vorzuschlagen, welche für ihn persönlich möglichst relevant sind. (vgl. Schafer et al. 2001, S. 125 ff) Voraussetzung für dieses Verfahren ist neben dem Einsatz von statistischen, mathematischen sowie wissensbasierten Methoden und Algorithmen insbesondere die Wissens- und Datenbasis. Diese setzt sich aus Informationen zum einen über Produkte und zum anderen über Kunden zusammen. Vor allem Letztere stehen im Fokus, da deren Qualität und Quantität entscheidend für die Güte der vermeintlich auf das Individuum zugeschnittenen Empfehlungen ist. (vgl. Burke 2002, S. 331 f) Bei personalisierten Recommender Systemen werden entweder direkte Beziehungen zwischen Anwender- und Produktcharakteristika hergestellt (user profile – item matching) oder Ähnlichkeiten und Unterschiede zwischen verschiedenen Anwendern verwendet (user profile matching), um daraus Produktempfehlungen abzuleiten. Dabei bilden die demografischen (demographic), inhaltsbasierten (content based) und kooperativen (collaborative) Filter (filtering) die drei Hauptkategorien. (vgl. Schneider 2005, S. 10)

2.2.1 Demografische Recommender Systeme

Ein demografisches Recommender System erstellt Empfehlungen auf Grundlage der Einordnung eines Kunden in eine von mehreren demografischen Gruppen, welche auf Basis verschiedener spezifischer Charakteristika (wie z. B. Alter, verfügbares Einkommen, Geschlecht, etc.) von Bevölkerungsgruppen (wie z. B. Studenten, Jugendliche, Hausfrauen etc.) im System durch den Betreiber implementiert werden (vgl. Höhfeld & Kwiatkowski 2007, S. 266). Die Einordnung eines Kunden findet zum Beispiel über die bei der Registrierung im System getroffenen Pflichteingaben, üblicherweise Beruf, Alter, Einkommensklasse, Wohnort etc., statt.

2.2.1.1 Methodische Umsetzung

Für die Erstellung von Empfehlungen kann beispielsweise eine Regressionsanalyse angewandt werden, bei welcher der Zusammenhang zwischen dem Kaufverhalten einer demografischen Gruppe als unabhängige Variable und der Produktwahl oder auch -nichtwahl als abhängige Variable ermittelt wird. Als Resultat werden dann solche Produkte empfohlen, die auf Basis des Kaufverhaltens einer Gruppe am meisten gekauft wurden, aber der konkrete Kunde selbst noch nicht erwarb. (vgl. Schneider 2005, S. 11)

2.2.1.2 Restriktionen

Als problematisch erweist sich der mitunter unsichere Zusammenhang zwischen den Merkmalen einer demografischen Gruppe und der Produktpräferenz. Außerdem ist die demografische Datenbasis vordefiniert, was zur Folge hat, dass das System statistisch reagiert und sich nur einseitig bezüglich der Produktpräferenzen einer demografischen Gruppe weiterentwickeln kann. (vgl. Schneider 2005, S. 11)

2.2.2 Inhaltsbasierte Recommender Systeme

Inhaltsbasierte Recommender Systeme funktionieren ähnlich wie demografische Systeme, nur dass Zusammenhänge granularer gebildet werden, indem das konkrete Kundenprofil auf Produkte und deren Eigenschaften bezogen wird (vgl. Tusek 2006, S. 47). Das Kundenprofil wird anhand von impliziten oder expliziten Feedbacks des Kunden generiert, modifiziert und erweitert (vgl. Höhfeld & Kwiatkowski 2007, S. 267). Implizite Feedbacks werden vom System selbst erhoben, indem das Verhalten (u. a. Kaufverhalten, Suchverhalten, Bewertung von Produkten) des Kunden beobachtet und analysiert wird, während explizite Feedbacks durch das Befragen des Kunden erlangt werden. (vgl. Schafer et al. 2001, S. 125 ff)

2.2.2.1 Methodische Umsetzung

Grundlegend ist die Standard Cosine Similarity Function, die untersucht, inwieweit ein Zusammenhang zwischen einem Produkt und dem Präferenzprofil eines Kunden besteht, indem die Eigenschaften eines Produktes mit den gewichteten Eigenschaften des Präferenzprofils verglichen werden. Problematisch hierbei ist die Tatsache, dass es für gleiche Eigenschaften synonyme Bezeichnungen gibt, wie zum Beispiel die vorausgesetzte Plattform eines Videospiels, bei der beispielsweise „Computer“ mit „PC“ oder „PS3“ mit „Play Station 3“ gleichzusetzen sind. (vgl. Färber et al. 2003, S. 6) Dieser Problematik verschafft das Latent Semantic Indexing Abhilfe, welches Schlagworten ihren latenten Bedeutungsgehalt zuordnet, so dass begrifflich verschiedene Eigenschaften sinngemäß miteinander verknüpft werden können. Würde also nach der Eigenschaft „Vorausgesetzte Plattform: PC“ gesucht, resultierten ebenfalls Ergebnisse mit „Vorausgesetzte Plattform: Computer“. (vgl. Foltz/Dumais 1992, S. 52)

2.2.2.2 Restriktionen

So Individuum-bezogen dieser Ansatz auch ist, bringt er essentielle Probleme mit sich, da vor allem komplexe Produkte schlecht zu beschreiben sind (vgl. Balbanovic/Shoham 1997, S. 67). Hinzu kommt das Problem der Überspezialisierung, bei welcher dem Kunden Produkte empfohlen werden, die den bereits gekauften sehr ähnlich sind, während andere potenziell für den Kunden interessante Produkte, die auf Grund von Divergenzen gegenüber dem Kundenprofil niedriger bewertet wurden, nicht angezeigt werden (vgl. ebd., S. 2). Desweiteren wird vorausgesetzt, dass ein Kunde das System öfter benutzt, da sonst kein Kundenprofil aufgebaut werden kann. Hieraus verdeutlicht sich auch das sogenannte Kaltstartproblem (cold start problem): Das System kann anfangs keine individuellen Empfehlungen aussprechen, da es keine Kenntnis über das noch unbekannte Individuum hat. Die Produktdaten wiederum müssen natürlich sehr genau über ihre Merkmale definiert sein, was fortwährend – also für jedes vorhandene, aber auch neue Produkt – einen hohen Aufwand bedeutet. Dabei können lediglich objektive Merkmale hinterlegt werden, während subjektive außen vor bleiben. (vgl. Schneider 2005, S. 12)

2.2.3 Kooperative Recommender Systeme

Kooperative Recommender Systeme berechnen Ähnlichkeiten zwischen Kunden bzw. zwischen den Bewertungsprofilen der in Beziehung gesetzten Kunden (vgl. Tusek 2006, S. 47). Hier werden also einem Kunden Produkte empfohlen, die bereits andere Kunden mit einem ähnlichen Profil positiv beurteilt haben. Vergleichen kann man diese Art des Empfehlens mit der aus dem täglichen Leben bekannten „Mundpropaganda“, wobei man sich auf die Empfehlungen von Personen verlässt, die einen ähnlichen Geschmack haben (vgl. Schneider 2005, S. 13). Auch bei diesem Ansatz muss eine Datenbasis vorhanden sein, die ebenfalls in Form von expliziten oder impliziten Bewertungen aufgebaut wird. Hierbei stellen sich die expliziten Beurteilungen in Form von Produktbewertungen dar, wie zum Beispiel Rezensionen parallel mit der Bewertung verschiedener Eigenschaften der Produkte mit den Noten eins bis fünf, wie beispielsweise Komplexitätsgrad und Spiellänge bei Computerspielen. Implizite Informationen lassen sich durch die Auswertung der Verweilzeiten von Kunden bei einem Produkt, durch Navigationsverhalten, natürlich auch durch einen Kauf – da dieser automatisch als positive Bewertung aufgefasst wird – etc. erschließen. Konkrete Produkteigenschaften bleiben bei diesem Ansatz, im Gegensatz zu den inhaltsbasierten Recommender Systemen, unberücksichtigt, wofür hier jedoch zusätzlich subjektive Produkteigenschaften durch die Kunden selbst abgebildet werden. (vgl. ebd., S. 13 f) Die wesentlichen Vorteile dieses Systems liegen darin, dass komplexe Eigenschaften von Produkten wesentlich besser abgebildet werden können und dem Kunden Produkte empfohlen werden, die nicht seinen bereits gekauften ähneln (vgl. Balbanovic/Shoham 1997, S. 67), da nicht die objektiven Eigenschaften eines Produktes ins Gewicht fallen (siehe Problem der Überspezialisierung), sondern die subjektiven. Zur Verdeutlichung der subjektiven und objektiven Eigenschaften mag ein Beispiel anhand eines MP3-Players dienen: „Kann OGG-Dateien abspielen; hat ein SVGA-Display“ sind Beispiele für objektive Eigenschaften, während „sehr hochwertige Verarbeitung; ein sehr guter Klang, besser als der von Produkt XY; problemlose und schnelle Hilfe an der Hotline“ subjektive Kriterien wären, die selbstverständlich nur glaubhaft und vergleichsweise günstig durch die Erfahrung von Kunden eingepflegt werden können.

2.2.3.1 Methodische Umsetzung

Einer der ersten Ansätze bei den kooperativen Recommender Systemen ist die Memory-based Methode zur Ermittlung von sich ähnelnden Profilen z. B. unter Verwendung des empirischen Korrelationskoeffizienten. Hierfür wird die gemeinsame Schnittmenge der bewerteten Produkte des Profils des aktiven Kunden mit den jeweils anderen Kundenprofilen untersucht. Es wird also das spezifische Kundenprofil mit jeweils jedem anderen verfügbaren Profil verglichen, wobei je Profil das arithmetische Mittel der bidirektional vorhandenen Produktbewertungen gebildet und deren lineare Abhängigkeit erschlossen wird. Der dimensionslose Korrelationskoeffizient von zwei verglichenen Profilen kann zwischen -1 und 1 liegen, wobei ein Wert von 1 auf vollkommen identische und ein Wert von -1 auf absolut entgegengesetzte Präferenzprofile schließen lässt. Ein Wert von 0 sagt aus, dass gänzlich keine lineare Abhängigkeit der beiden Profile besteht, diese also vollkommen verschieden sind. Idealerweise werden jene Kundenprofile für die Erstellung von Empfehlungen herangezogen, deren Korrelationskoeffizient mit dem Profil des zu beratenden Kunden möglichst nahe bei 1 liegt. Zur Verdeutlichung mag die auf diesen Ansatz angepasste Formel des empirischen Korrelationskoeffizienten dienen:

(vgl. Färber et al. 2003, S. 19) Hinzu kommt, dass die Bewertungen der Kunden nicht absolut verglichen werden, sondern relativ im Bezug auf die Art und Weise, wie der jeweilige Kunde bewertet. So mag z. B. mancher in einem Bewertungssystem auf Basis von Schulnoten eine durchschnittliche Note für ein als durchschnittlich empfundenes Produkt vergeben, während sehr kritischere Käufer ebenfalls nur eine durchschnittliche Note für als gut empfundene Produkte und nur in Ausnahmefällen eine gute bis sehr gute Note vergeben. (vgl. Ziegler 2005, S. 127) Weniger rechenintensiv ist der Model-based-Ansatz, der Clustering-basiert ist: Methoden ermitteln aus einzelnen Kundenprofilen Gemeinsamkeiten und definieren über diese Kundensegmente, welche die Modelle darstellen. Für eine individuelle Empfehlung wird bei diesem Verfahren dem Einzelprofil des zu beratenden Kunden das passendste Kundensegment zugeordnet und auf Basis dessen die Empfehlungen generiert. Der große Vorteil dieses Ansatzes liegt in seiner Schnelligkeit, da Kundenprofile lediglich mit Segmenten verglichen werden müssen, welche wiederum offline berechnet werden, im Gegensatz zu den online zu berechnenden Übereinstimmungen des zuvor erläuterten Memory-based Ansatzes. Da jedoch Daten verdichtet und Einzelprofile verallgemeinert werden, leidet die Qualität der Empfehlungen unter diesem Umstand. Dementsprechend gilt: Je detaillierter ein Segment, desto besser die Empfehlungen. Jedoch steigt dann auch der Rechenaufwand, was letztendlich wieder den Trade-off zwischen Qualität und Performanz von Empfehlungen herausstellt. (vgl. Ziegler 2005, S. 125)

2.2.3.2 Restriktionen

Es ergeben sich jedoch auch bei den inhaltsbasierten Recommender Systemen diverse Probleme, die teilweise unter das bereits genannte Kaltstartproblem fallen. Neue Produkte, die noch keine Bewertungen haben, können auch nicht weiterempfohlen werden (early rater problem). Beim Start des Systems müssen wiederum sowohl die Datenbasen der Kunden, als auch die der Produkte ausreichend groß sein, damit das System sinnvoll funktionieren kann (critical mass problem). Bei einer sehr großen Produktdatenbasis mit relativ wenigen Kunden, die die gleichen Produkte beurteilt haben, findet man kaum Kunden, die ähnliche Präferenzprofile haben (sparsity problem). Dies gilt insbesondere für Kunden, die ein sehr exzentrisches Präferenzprofil haben. (vgl. Schneider 2005, S. 14) Hinzu kommt, dass der Kunde nicht nachvollziehen kann, wie Empfehlungen zustande kommen, was in einigen risikobehafteten Bereichen (z.B. Medikamente, Kapitalanlagen) durchaus kritisch sein kann (vgl. ebd., S. 14 f). Darüber hinaus können implizit erworbene Informationen das Kundenprofil verfälschen, wenn sie tatsächlich gar nicht zutreffen. Insbesondere die als positiv verstandenen Käufe können sich erstens im Nachhinein für den Kunden als enttäuschende Fehlkäufe herausstellen oder gar nicht für den Kunden selbst bestimmt gewesen sein, da dieser für jemand anderen, z. B. einen Bekannten ohne Internetzugang den Kauf getätigt hat. (vgl. Ziegler 2005, S. 126) Am problematischsten bei der Memory-based Methode ist der sehr hohe Rechenaufwand, welcher sich darin begründet, dass sämtliche Profile und die jeweils dahinterstehenden Präferenzdaten untersucht werden müssen. Modifizierte Modelle dieser Methode bieten zwar eine bessere Performanz, allerdings auf Kosten der Empfehlungsqualität. (vgl. Hofmann 2003, S. 259)

2.2.4 Hybride Systeme

Zuletzt soll dieser Ansatz genannt sein, um die Möglichkeit aufzuzeigen, dass die vorhergehenden Ansätze auch sinnvoll kombiniert werden können, um Schwächen gegenseitig zu kompensieren und Synergien zu nutzen, was den Kern der hybriden Systeme darstellt (vgl. Tusek 2006, S. 47).

2.2.4.1 Methodische Umsetzung

Exemplarisch sei der weitverbreitete Collaborative via Content Ansatz genannt, bei welchem zuerst der Einfluss von Produkteigenschaften auf das Kaufverhalten des Kunden untersucht wird. Dieser Zusammenhang bildet die Grundlage für das darauf folgende kooperative Filtern, bei welchem Kundenprofile von denjenigen Kunden ausgewertet werden, die sich ähnlich von den Produkteigenschaften beeinflussen lassen. Hierdurch wird zum einen das early rater problem eliminiert, da gekaufte, aber noch nicht bewertete Produkte weiter empfohlen werden können. Zum anderen erweitert sich das Empfehlungsspektrum und verringert das Problem der Überspezialisierung, da hier dank des kooperativen Anteils dieses Ansatzes nicht ausschließlich die objektiven Produkteigenschaften betrachtet werden. (vgl. Schneider 2005, S. 15)

2.2.4.2 Restriktionen

Die dem Collaborative via Content Ansatz wirkt sich das sparsity problem (breite Produktbasis, wenige Kunden mit ähnlichen Präferenzprofilen) im besonderen Maße aus, da die Suche nach passenden Präferenzprofilen anderer Kunden noch stärker eingeschränkt wird (vgl. ebd., S. 15).

2.3 Profilbildung und Präferenzstrukturen

Jedes Recommender System braucht eine entsprechende Datenbasis, aus welcher es die Empfehlungen generiert. Wie bereits ersichtlich wurde, können die benötigten Daten für die verschiedenen Ansätze von unterschiedlicher Art und Güte sein, jedoch soll dieser Abschnitt die Möglichkeiten verdeutlichen, wie Datenbestände aufgebaut, gepflegt und erweitert werden. Insbesondere die Daten der Kunden stehen hier im Mittelpunkt, da diese im Gegensatz zu den Produkten vom Verkäufer nicht direkt greifbar und beim ersten Kontakt für das System weitestgehend unbekannt sind. Den Produktdaten wird hier weniger Bedeutung beigemessen, da das Entstehen jener Datenbasen bereits verdeutlicht wurde: Objektive Eigenschaften werden vom Verkäufer im System administriert und Bewertungen bei Ansätzen, die das kooperative Filtern verfolgen, entstehen durch die Bewertung der Käufer.

2.3.1 Initiale Profilbildung

Beim ersten Kontakt zwischen einem neuen Kunden und dem System stehen dem System zunächst keinerlei persönliche Daten der Person zur Verfügung. Allerdings bieten heutzutage gängige Technologien die Möglichkeiten, Daten über die verwendete Soft- und Hardware eines Besuchers auf einer Website, wie zum Beispiel einem Onlineshop, festzustellen, zu speichern und auszuwerten. Interessant für ein Recommender System könnten zum Beispiel der verwendete Browser und dessen Version, Prozessorgeschwindigkeit, Bandbreite seines Zugangs oder Anzeigeeinstellungen sein. (vgl. Höhfeld & Kwiatkowski 2007, S. 270) Weiterhin ist dem System anfangs am ehesten möglich, den neuen Kunden mit einem Minimum an Informationen zuerst in eine demografische Gruppe einzuordnen, da schon die ersten Suchanfragen, die Navigation im System und gegebenenfalls die verfügbaren Informationen über die verwendeten Technologien des Kunden erste Rückschlüsse zulassen. Ein anderer Ansatz lässt den Kunden zunächst in einer Trainingsphase eine Reihe von Bewertungen vornehmen, um diese als Grundlage für ein einleitendes Anwenderprofil zu verwenden (vgl. Schneider 2005, S. 22).

2.3.2 Erweiterung und Pflege des Profils

Wie bereits zu den einzelnen Ansätzen geschildert, werden verschiedene Daten benötigt und als relevant betrachtet, je nach dem welcher Empfehlungsansatz verwendet wird. Ob es nun wie bei dem kooperativen Ansatz die Beurteilungen der Kunden oder die objektiven Eigenschaften von Produkten in Verbindung mit den Käufen der Kunden beim inhaltsbasierten Ansatz sind, das Kundenprofil muss um jede zusätzliche relevante Information erweitert werden. Beispielsweise gibt es bei dem Onlinehändler Amazon (www.amazon.de) für Kunden die Möglichkeit zu entscheiden, ob für sie die Bewertung eines anderen Kunden zu einem Produkt hilfreich war oder nicht. Je nach dem, wie diese Bilanz für eine Bewertung ausfällt („x von y Kunden fanden die folgende Rezension hilfreich: […]“), kann ein Kunde relativ schnell erkennen, wie der Durchschnitt der Käufer diese Bewertung empfindet und entscheiden, ob er ihr vertraut oder nicht bzw. wie viel Relevanz sie für die Beeinflussung seiner Entscheidung hat. Sobald er nun seine Stimme abgibt, mit der er beurteilt, ob er die Bewertung des anderen Kunden als hilfreich empfand, macht er zusätzlich auch eine Aussage über seine persönliche Präferenz, welche für die Konkretisierung seines Profils verwendet wird. So wird mit jeder zusätzlichen Information das Kundenprofil zwar aussagekräftiger, aber auch komplexer. Viele Systeme speichern schlicht jede gewonnene Information, dennoch muss bedacht werden, dass sich Kundenpräferenzen im Zeitverlauf auch ändern können. Eine wichtige Methode, die nicht von jedem System verwendet wird, ist das graduelle Vergessen von Informationen, bei dem aktuellen Informationen über die Präferenzen des Kunden eine höhere Relevanz und somit Gewichtung beigemessen wird, als länger zurückliegenden. Dies führt zu einer Verbesserung der Empfehlungsqualität, da aktuellere Bewertungen die gegenwärtigen Interessen eines Kunden authentischer abbilden. (vgl. Schneider 2005, S. 23)

3 Einsatzgebiete

Im Zuge einer eingehenden Betrachtung der Einsatzgebiete von Recommender Systemen bedarf es einer Analyse der aktuellen Mediennutzung des Internets sowie eines Überblicks der derzeitig am Markt befindlichen Recommender Systeme, um darauf aufbauend weitere Potenziale und mögliche Trends für zukünftige Einsatzgebiete identifizieren zu können.

3.1 Aktuelle Online-Mediennutzung

42,7 Millionen Bundesbürger ab 14 Jahre sind online aktiv – so beziffert es die aktuelle ARD / ZDF-Onlinestudie in Zahlen (vgl. ARD / ZDF-Onlinestudie 2008, Seite 2). Demzufolge nutzen knapp zwei Drittel der Gesamtbevölkerung (72%) das Internet in seiner Funktion als Informations-, Kommunikations- und Transaktionsmedium. Soziodemographisch betrachtet wird das Internet dabei laut der internetfacts 2008 II-Studie von allen Altersgruppen genutzt. Beinahe vollständig vertreten sind die 14- bis 29-jährigen, von denen 90% aller dieser Altersklasse Zugehörigen online präsent sind. Bei den 30- bis 39-Jährigen sind 87% und bei den 40- bis 49-Jährigen sind 77,4% im Internet aktiv. Zunehmend im Internet vertreten sind auch die so genannten Silver Surfer, die 50- bis 59-Jährigen. Von Ihnen nutzen bereits 61,7% das Internet. Bei den über 60-Jährigen ist es noch ein Viertel der Altersklasse. Ökonomisch betrachtet ist auffallend, dass die deutschen Internetnutzer im Vergleich zu den Nicht-Internet-Nutzern eine solvente Zielgruppe darstellen. 55,3%, d.h. 22,65 Millionen Online-Nutzer, verfügen über ein monatliches Haushaltsnettoeinkommen von 2.000 Euro und mehr. (vgl. internetfacts 2008 II-Studie, AGOF, 2008) Im europäischen Vergleich hinkt die Abdeckung der online aktiven Haushalte in Deutschland noch zurück – 74% aller niederländischen, 70% aller dänischen und schwedischen sowie 67% aller finnischen, englischen oder belgischen Haushalte verfügen über einen Internetanschluss (vgl. G&J-Branchenbild, Nr. 35, Online-Nutzung, August 2008). In Deutschland soll die Anzahl aller Anschlüsse von 50%, d.h. von 19 Millionen Haushalten, im Jahr 2008 bereits auf 58% angestiegen sein. Begleitet wird dieser Anstieg durch die immer schneller werdenden Zugänge für die Benutzer. Verfügten derselben Studie zufolge Ende 2007 noch 17,7 Millionen Nutzer über einen DSL-Zugang, konnten allein im Jahr 2008 3,3 Millionen Neukunden gewonnen werden, womit die Gesamtzahl auf 21 Millionen anstieg. Nach der aktuellen AGOF-Studie surfen 69,2% aller Internetnutzer mit DSL, 19,5% mit ISDN und nur noch 16,6% mit einem analogen Modem im Netz. (vgl. internetfacts 2008 II-Studie, AGOF, 2008) Diese Entwicklung eröffnet und fördert ganz neue Möglichkeiten in der Art der Internetnutzung. Allein die Steigerung des zu befördernden Datenvolumens im Breitbandnetz unterstützt das rasante Wachstum des Downloadmarkts. So wurden im Jahr 2007 insgesamt 32% mehr Daten aus den Bereichen Musik, Hörbücher, Videos, Spiele sowie Software heruntergeladen (vgl. G&J-Branchenbild, Nr. 35, Online-Nutzung, August 2008). Im Einklang mit dieser Tendenz steht die stetig ansteigende Erfahrung der Internet-Nutzer im Umgang mit dem „neuen“ Medium. Mehr als zwei Drittel, 69,4% bzw. 28,39 Millionen der deutschen Internetnutzer sind seit mehr als drei Jahren online aktiv. Dem gegenüber stehen nur noch 11,2% (4,59 Millionen) Neulinge – Tendenz rückläufig (vgl. internetfacts 2008 II-Studie, AGOF, 2008).

3.1.1 Internet-Nutzungsart

Der zunehmend versierte Umgang der Nutzer mit dem Internet wird unterstützt von der großen und wachsenden Anzahl an Personen, die über das Internet soziale Kontakte pflegen. Allein 16 Millionen Menschen sind mit Messenger-Systemen oder in Chats sowie Foren aktiv. Einen rasanten Anstieg erfährt dieser Trend durch den wachsenden Einsatz so genannter Web 2.0-Anwendungen und den daraus hervorgegangenen sozialen Netzwerken. Communities wie „StudiVZ“ (inkl. „SchülerVZ“ und „MeinVZ“) verzeichnen in Deutschland, Österreich und der Schweiz bereits über 10 Millionen Nutzer (vgl. G&J-Branchenbild, Nr. 35, Online-Nutzung, August 2008). Jeder zweite Deutsche hat dieser Studie zufolge bereits ein Profil in „MySpace“ oder „Xing“. Das populärste und internationalste Netzwerk stellt dabei „Facebook“ mit über 80 Millionen Teilnehmern dar. Laut der G&J-Studie kann dieses Massenphänomen zwar bisher noch nicht mit messbarem wirtschaftlichen Erfolg belegt werden, die Bereitschaft der „Onliner“, persönliche Daten untereinander zu teilen, wächst jedoch tendenziell schnell. (vgl. G&J-Branchenbild, Nr. 35, Online-Nutzung, August 2008). Bei einer näheren Betrachtung der generellen Internet-Nutzungsart kristallisieren sich folgende Schwerpunkte heraus: 89,2%, d.h. 36,50 Millionen Bundesbürger, nutzen das Internet für ihre elektronische Post, eng gefolgt von 87,6% (35,84 Millionen Menschen), die vor allem Suchmaschinen oder Web-Kataloge zu Recherche-Zwecken aufrufen (vgl. internetfacts 2008 II-Studie, AGOF, 2008). Die Hälfte aller „Onliner“ beschafft sich aktuelle Nachrichten im World Wide Web und nutzt im Internet angebotene Dienstleistungen wie Online-Banking oder Kaufkanäle (E-Commerce). Dies bestätigt auch die G&J-Studie, die unter den nicht mehr wegzudenkenden Angeboten zur Informationsbeschaffung Online-Inhalte wie den Wetterbericht, Fahr- und Flugpläne sowie Veranstaltungshinweise nennt (vgl. G&J-Branchenbild, Nr. 35, Online-Nutzung, August 2008).

3.1.2 Suche nach Produktinformationen

Insbesondere die zunehmende Nutzung des Internets ist für das Auffinden von Produktinformationen sowie dem Erstellen von Preisvergleichen hinsichtlich des Einsatzes von Recommender-Systemen von großem wirtschaftlichem Interesse. Die AGOF-Sudie belegt, dass mit 97,4% (39,86 Millionen) fast alle deutschen Internetnutzer schon einmal Produktinformationen im Internet gesucht haben (vgl. internetfacts 2008 II-Studie, AGOF, 2008). Somit sind die Auswirkungen des Internets auf das direkte Kaufverhalten vieler Konsumenten bestätigt. Unabhängig davon, ob der Kauf letztlich online oder offline stattfindet, fungiert das Internet eindeutig als entscheidende Informationsplattform in der Orientierungs- und Entscheidungsphase vor einem Kauf. Den Zusammenhang zwischen der Online-Informationssuche und einem ebenfalls online getätigten Kauf thematisiert die AGOF-Studie bei einer näheren Betrachtung der so genannten „Online-Conversion-Rate“, die den Anteil von Online-Käufern eines Produktes an den Online-Informationssuchenden zu diesem Produkt beschreibt (vgl. internetfacts 2008 II-Studie, AGOF, 2008). Demzufolge ist der Anteil von Online Käufern bei Gewinnspielen mit einer Conversion-Rate von 83,3% am höchsten. Bei Produkten wir Büchern, Musik-CDs, Film-DVDs oder gebührenpflichtiger Musik- oder Film-Downloads tätigt immerhin noch mehr als jeder zweite Informationssuchende einen Kauf. Dies gilt ebenso für Damenbekleidung, Spielwaren, Eintrittskarten, Herrenbekleidung, Wetten, Babybedarf oder Computer-Hardware. Bei größeren oder langfristigeren Investitionen wie einem Auto-Kauf, dem Abschluss von Versicherungen oder der Aufnahme von Krediten, scheint das Internet immer noch eine wesentliche Informationsquelle darzustellen. Bei den Wenigsten kommt es jedoch zu einem Online-Kauf. Hier scheint das persönliche Beratungsgespräch unentbehrlich. Sei es über Suchmaschinen-Ergebnisse, Anbieterseiten, direkte Produktvergleiche oder das durch Recommender Systeme ermöglichte Einbeziehen der Bewertungen anderer Nutzer, die Betrachtung der Online Conversation-Rate belegt eindeutig: Kaufentscheidungen werden zunehmend über das Internet getroffen. Laut der AGOF-Studie bzw. den Online Conversion-Rate-Betrachtungen ist dabei auch der Anteil an Personen, die eine generelle Informationssuche mit konkreten Kaufplänen verbinden, bei den Internetnutzern erheblich höher als bei Nicht-Internetnutzern (vgl. internetfacts 2008 II-Studie, AGOF, 2008). So stehen hier 55% aller „Onliner“, also 22,53 Millionen Menschen, insgesamt 35,1% und damit 8,04 Millionen „Offlinern“ gegenüber. Für Anbieter und Werbetreibende dieser Produktgruppen lässt sich aus diesen Tendenzen folgern, dass sich das Internet nicht in allen Bereichen als Vertriebskanal eignet, aber eine Online-Information über die jeweiligen Angebote zur Kaufvorbereitung unerlässlich geworden ist. Letztlich bietet allein der hohe Anteil an Personen im Internet mit konkreten Kaufplänen gepaart mit der Tatsache, dass viele Konsumenten in der Entscheidungsphase vor dem eigentlichen Kauf besonders aufgeschlossen für Produktinformationen sind, ganz neue Dialogmöglichkeiten mit potenziellen Kunden.

3.1.3 Online Ein- und Verkauf boomt

85,5% der Internetnutzer, 34,97 Millionen Menschen, sind Online-Käufer und haben in den vergangenen 12 Monaten im Internet ein Produkt gekauft oder eine kostenpflichtige Dienstleistung in Anspruch genommen (vgl. internetfacts 2008 II-Studie, AGOF, 2008). Dabei liegen Bücher mit 36,8% und 15,05 Millionen Käufern, auf Platz eins, gefolgt von Eintrittskarten für Kultur- und Sportevents mit 31,8% und 13,03 Millionen Nutzern. Begehrte Produkte beim Online-Einkauf sind Musik-CDs und Reisebuchungen. Mehr als 20% der Nutzer interessieren sich für Damenbekleidung, Spielwaren, Computer-Hardware sowie Filme. Aus der Online-Anbieter-Perspektive betrachtet, schlägt sich diese Käuferverteilung wie folgt in Geschäftszahlen nieder Mit 3,9 Milliarden Euro pro Jahr bilden Bekleidung, Textilien und Schuhe die umsatzstärkste Warengruppe beim Online-VerkaufBücher und Medien wie CDs oder DVDs erwirtschaften 2 Milliarden Euro und die Summe aller digitalen Dienstleistungen liegt bei 5,9 Milliarden Euro. Dazu zählen Online-Verkäufe von Fahr- oder Flugtickets (37%), Reisen (34%), Sport- und Kulturveranstaltungen (13%) sowie von Klingeltönen, Online-Spielen, MP3-, Videodateien, sowie der Download von Computerprogrammen (2%). (vgl. G&J-Branchenbild, Nr. 35, Online-Nutzung, August 2008). Dass das Internet als Verkaufsplattform immer wichtiger wird, belegen nach der G&J-Studie nicht nur der Umsatz, der im Business-to-Consumer-Bereich im Jahr 2007 bereits bei 17,2 Milliarden Euro lag, sondern vor allem die Wachstumsrate, die in 2007 bei 12% lag. Aus der Online-Anbieter-Perspektive betrachtet sind die bei den deutschen Nutzern bekanntesten, im Internet vertretenen Marken die Online-Auktionsbörse e-bay, die Verkaufsplattform Amazon sowie die vornehmlich als Suchmaschinen-Anbieter bekannten Unternehmen Google und Yahoo. Mit Blick auf den erfolgreichen Einsatz von Recommender Systemen zur Verkaufsförderung im Online-Geschäft ist sicherlich Amazon das in der breiten Öffentlichkeit bekannteste Beispiel.

3.2 Marktüberblick

Vor dem Hintergrund, dass aktuelle Studien des Online-Nutzungsverhaltens einen direkten Zusammenhang zwischen der Produktinformationsbeschaffung im Internet und Online-Käufen bestätigen, zeichnet sich ein zunehmender Einsatz von Recommender Systemen als Instrument zur direkten Verkaufsförderung im E-Commerce ab. Diese Entwicklung wird durch die große Anzahl an Unternehmen belegt, die Recommender System-Technologien entwickeln und anderen Unternehmen wie Markenartiklern oder Dienstleistungsanbietern, die Recommender Systeme zur Unterstützung Ihrer Online-Abverkäufe kommerziell anbieten. Auf Basis einer eingehenden Internet-Recherche wurde deutlich, dass sowohl Technologien für qualitativ verbesserte Produktempfehlungen als auch Systeme zur reinen Inhaltsoptimierung angeboten werden. Ein durch die Verkaufsplattform Amazon in der Öffentlichkeit bekannt gewordenes Beispiel sind Buch- und andere Produktempfehlungssysteme, die nicht nur in reinen Online-Shop-Lösungen Anwendung finden, sondern ebenfalls kontextsensitiv auf beliebigen Webseiten inhaltsbezogen passende Angebot für eventuelle Kaufinteressenten positionieren können. Derartige produktorientierte Recommender Systeme finden Ihren Einsatz nicht nur, um direkte Kaufempfehlungen für Konsumenten bzw. Endkunden auszusprechen, sondern ebenso um personalisierte Empfehlungen für Händler und Hersteller zu generieren. Diese Technologien werden in erster Linie als Webservices oder als Enterprise Software-Lösungen angeboten... Anwendung finden solche Recommender Systeme bei Produktgruppen und Services jeglicher Art wie zum Beispiel Unterhaltungselektronik, Wein, Kleidung, Spielzeug, Autos oder auch Büchern, Videos, Musik und Klingeltönen. Berücksichtigt werden dabei eine Vielzahl von Informationsfaktoren wie Produktmarke, Preis, vorausgehende Käufe, Produktbewertungen und geographische Daten. Oberstes Ziel ist es, den Endkunden individuell auf dessen Bedürfnisse zurecht geschneiderte Empfehlungen aussprechen und Angebote unterbreiten zu können, die letztlich eine höhere Kundenzufriedenheit und -loyalität und damit auch höhere Abverkäufe bewirken können. Im Einklang mit den verbesserten, auf den Endkunden zugeschnittenen Produkt- oder Dienstleistungsangeboten, geht die über Recommender System-Technologie optimierbare Kundenberatung. Grundidee ist hierbei auf Basis bereits im Vorfeld geführter Beratungsdialoge, fehlerhafte Beratungen datenbankgestützt zu vermeiden und die Beratungsqualität insgesamt sukzessiv zu erhöhen. Einige Recommender System und -Web Service Anbieter (wie beispielsweise Baynote, ChoiceStream oder Clicktorch) spezialisieren sich auf die Integration von passenden Inhalt-Links, Produktempfehlungen, Videos oder anderer relevanter Inhalte in die Webseiten und Medien ihrer Kunden. Ebenso finden Recommender Systeme Einsatz in der Optimierung Zielgruppen-spezifischer Online-Werbemaßnahmen. Anbieter (wie Collarity, www.collarity.com) sind darauf spezialisiert, geeignete Plattformen und Positionierungen für die Werbemaßnahmen ihrer Kunden zu identifizieren, indem sie mit Hilfe der von ihnen angebotenen Technologie ermitteln, wo und in welcher Form sich relevante Zielgruppen im Internet bewegen und analysieren, an welchen Stellen diese auf entsprechende verkaufsfördernde Maßnahmen reagieren. Die Endkonsumenten einbeziehend, treten bei einer Recommender System-Marktbetrachtung eine Vielzahl an Einsatzgebieten in Erscheinung, bei denen der private Austausch an persönlichen Interessen sowie Geschmäckern dazu führt, online Empfehlungen für bestimmte Produkte oder Dienstleistungen auszusprechen. Ein eingängiges Beispiel für ein derartiges Recommender System-Einsatzgebiet bietet die Musikszene. So verbinden Musik Service-Seiten (wie iLike, www.ilike.com) die Möglichkeit Informationen über Musikvorlieben und -wissen der Nutzer untereinander zu teilen, mit direkten Download-Angeboten (wie Apple iTunes, www.apple.com/de/itunes). Ähnlich prominent im Internet ist der Musik Service Last.fm, der den Begriff des „Scrobbelns“ mitprägte. „Scrobbeln“ (Englisch: scrobbling / to scrobble) ist das Übermitteln von Musiktiteln an eine Datenbank. Wenn ein Nutzer ein Lied auf seinem Rechner anhört, werden Künstlername, Titel und Album übertragen und einem Last.fm-Nutzerprofil hinzugefügt. So können individuelle Nutzercharts der einzelnen Last.fm-Profile für andere Nutzer online öffentlich einsehbar gemacht werden. Dies soll auf der einen Seite den musikalischen Horizont der Nutzer in Ihrer Musikauswahl erweitern, unterstützt auf der anderen Seite aber auch den kommerziellen Abverkauf einzelner Musiktitel. Ähnliche Bewertungs- und Empfehlungssysteme haben sich rund um das Thema Film etabliert. Film Recommender Systeme wie Criticker haben dabei sogar einen Index namens Taste Compatibility Index (TCI) festgelegt, der Ähnlichkeiten des Filmgeschmacks zweier Nutzer misst. Je geringer der TCI-Wert, desto größer die Wahrscheinlichkeit, dass ein Film, der dem einen Nutzer gefallen hat, nun auch die Zustimmung des zweiten finden wird. Neben Musik- und Filmindustrie profitieren aber auch kleinere Wirtschaftsbetriebe von Endkunden-Meinungen getriebenen Recommender Systemen im Internet. Dazu gehören beispielsweise Restaurant-Empfehlungen oder auch Nischenbereiche, wie bei dem Genuss von Wein. Recommender Systeme wie StyleFeeder bieten darüber hinaus die Möglichkeit einer personalisierten Einkaufssuche, die darauf abzielt, Einkaufsempfehlungen auszusprechen, die auf Vorkenntnissen aus so genannten Social Bookmarking und Networking-Plattformen gewonnen werden. Individuelle Wunschlisten, Favoriten und Produktbewertungen auf vorgegebenen Skalen füttern das System dabei mit Informationen, um persönlich passende Ergebnisse bei Produktsuchen im Internet zu erhalten.

3.3 Trends

Den Erkenntnissen aus der Analyse der aktuellen Online-Mediennutzung sowie dem Überblick derzeitig am Markt befindlicher Recommender Systeme folgend, geht die Tendenz auf dem Recommender System-Markt hin zu Technologien, welche die soziale Komponente mit abzubilden versuchen. Den Nutzern sollen nicht nur Empfehlungen auf Basis des bereits bekannten Verhalten von Nutzern unterbreitet werden, die ihnen ähnlich sind, sondern die ihnen sogar bekannt sind und denen sie bestenfalls bereits Vertrauen entgegen bringen (vgl. Jeffrey M. O'Brien, 2006). Auf Basis des in der G&J-Studie beschriebenen Massenphänomens der in Ihrer Verbreitung wachsenden Web 2.0-Anwendungen und sozialen Netzwerke sowie Communities, nimmt der Einsatz von Recommender Systemen, deren Einkaufsempfehlungen auf Vorkenntnissen aus so genannten Social Networking-Plattformen beruhen, zu (vgl. G&J-Branchenbild, Nr. 35, Online-Nutzung, August 2008). Insbesondere der Einsatz so genannter Social Bookmarkings und Taggings, die sich unter dem Oberbegriff der Folksonomies fassen lassen, scheint im Recommender System-Markt zunehmend Einsatz zu finden, wie die seit kurzem neu vorzufindende Social Tagging-Funktionalität innerhalb der Amazon-Verkaufsplattform belegt (s. www.amazon.de). Eine Folksonomy ist eine durch Internetbenutzer entstandene Taxonomie, also eine Klassifizierung von Informations- oder produktbezogenen Internet-Inhalten mittels Schlagwörtern. Mit ihrer Hilfe werden Webinhalte kategorisiert und üblichen Suchbegriffen, die aus dem Vokabular der Benutzer stammen, zugeordnet. Diese Suchschlagwörter werden als Tags bezeichnet; die Kategorisierung nennt man deshalb Tagging. Bei Folksonomies erfolgt die Kategorisierung direkt durch die Benutzer des sozialen Netzwerks. Durch das gemeinsam verwendete Vokabular der Benutzer werden effektivere Suchergebnisse geschaffen. So markieren innerhalb von Folksonomies die Benutzer ihre Lieblingsinhalte des Internets und legen sie unter einem eingängigem Begriff ab. Andere Benutzer können über diese Schlagwörter dann die zugehörigen Inhalte finden (vgl. Guy/Tonkin, 2006). Praktische Anwendung findet dieser Trend beispielsweise auf der Social Bookmarking-Plattform Delicious (www.delicious.com), der Bilder-Plattform Flickr (www.flickr.com) sowie in Online-Shops, wie in dem oben genannten Beispiel von Amazon.

4 Nutzen Analyse

Wesentlicher Teil der Betrachtung von Recommender Systemen ist der sich daraus ergebende Mehrwert gegenüber anderen Methoden und Systemen der Verkaufsförderung (Sicht des Unternehmens) und der Hilfe zur Produktsuche (Sicht des Kunden). Die Vor- und Nachteile, sowie die Risiken, die sich durch den Einsatz von Recommender Systemen ergeben, werden im Folgenden anhand von Beispielen aus Sicht der Anbieter und deren Endkunden aufgezeigt.

4.1 Vorteile für Unternehmen

Grundsätzlich lassen sich anbietende Unternehmen im B2C Segment in 3 Bereiche gliedern:

• eigene Produkte verkaufen (Beispiele: nike.com; asics.de; adidas.de)
• eigene und fremde Produkte verkaufen (Beispiele: amazon.de; otto.de)
• über Produkte informieren (Beispiele: wempe.de; peekundcloppenburg.de).

Gegenstand dieser Betrachtung sind jene Anbieter, welche ihren Kunden direkte Online-Kaufoptionen anbieten. Eine der zentralen Herausforderungen dieser Unternehmen ist es neben der reinen Informationspräsentation, effiziente Abwicklungs- und Abruffunktionen des Internets zur Steigerung von Umsätzen zu nutzen (vgl. Neeb, S. 456 ff). Die effektive und effiziente Nutzung des Mediums Internet als Verkaufsplattform stellt grundsätzlich ähnliche Herausforderungen, wie auch die Gestaltung einer „klassischen“ Verkaufsplattform. Darüber hinaus „ist ein sehr tiefgehendes Verständnis für die Unternehmen notwendig, welchen Weg ihre Kunden in der Informationssuche zur Kaufvorbereitung gehen.“ (vgl. Brunelle/Lapierre 2007, S. 64) Die wesentlichen Vorteile des E-Commerce (permanente Verfügbarkeit, Aktualität, geringere Personalkosten) sollen optimal genutzt und mit einer möglichst hohen Kundenbindung verknüpft werden.

4.1.1 Effizienzsteigerung

Einen essentiellen Beitrag zur Gewinnmaximierung von Unternehmen leistet das Senken von Kosten, da es bei dem Wettbewerb um den Verkauf von homogenen Gütern einzelnen Anbietern nicht möglich ist, den Preis signifikant zu beeinflussen. Die Einführung eines Recommender Systems zur Kostensenkung (Reduzierung personalintensiver Vertriebskanäle) muss mit einem geeigneten Verfahren bewertet und durch die leitenden Organe der Unternehmung entschieden werden. Die Balanced Scorecard Methode bietet beispielsweise dafür ein weitgehend anerkanntes, umfassendes und ausgewogenes Rahmenwerk zur qualitativen Beurteilung von strategischen Maßnahmen (vgl. Hirschmeier, S. 23). Durch die in der Balanced Scorecard angesprochenen Dimensionen (finanzielle Perspektive, kundenbezogene Perspektive, interne Prozessperspektive und die Innovations- bzw. Wachstumsperspektive) können die mit der gleichen Methode bewerteten Alternativen (z. B. einfache Rule-based-Engines) gegenüber gestellt und somit eine Entscheidungsgrundlage geschaffen werden. Des Weiteren ist im Rahmen der ökonomischen Bewertung zur Einführung eines Recommender Systems die Entscheidung des Make or Buy vorzubereiten und ebenfalls strategisch zu treffen. Die Eigenentwicklung eines Systems ist in Betracht zu ziehen, wenn durch Forschungsergebnisse oder zusätzliche Ideen, Vorteile am Markt erreichbar sind. Dies sind beispielsweise eine höhere Performance und/oder qualitativ hochwertigere Ergebnisse. Bei der Bewertung der Kosten sind alle Anschaffungs- und Wartungskosten zu berücksichtigen und dem wirtschaftlichen/monetären Nutzen gegenüber zu stellen. In der Literatur empfohlen – und in der Praxis bewährt – kann dafür der Total Cost of Ownership (TCO) ermittelt werden. Dieser Ansatz, der auf die Gartner Group zurückgeht, kumuliert die Gesamtkosten der Anschaffung und die zu erwartenden laufenden Kosten (vgl. Hirschmeier, S. 111 ff). Die derzeit auf dem Markt verfügbaren Systeme (Bsp.: www.atg.com; www.broadvision.com; www.pangora.com) bieten Recommender Systeme als „Software as a Service“ (SAAS) an. Den Vorteilen dieses Modells (laufende Updates, schnelle Adaptierbarkeit) stehen Risiken (rechtliche Sicherheit, technologische Grundlagen) entgegen.

4.1.2 Kundenbindung

Wesentliches Kriterium erfolgreicher Unternehmen ist ein loyaler, „treuer“ Kundenstamm, der wiederholt Einkäufe tätigt und somit Gewinn und Umsatz sichert. Die im E-Commerce permanente Gefahr geringer Wechselbarrieren, also die Kaufabsichten bei einem Konkurrenten zu realisieren, ist daher aus Unternehmenssicht zu minimieren. Dabei ist die Kundenbindung durch Kundenzufriedenheit ein wesentlicher Faktor für den langfristigen Erfolg des Unternehmens, denn durch Zufriedenheit und Vertrauen gebundene Kunden haben eine höhere Kundenbindung (‚Treue‘), kaufen tendenziell eher neue Produkte des gleichen Anbieters bzw. ersetzen alte Produkte durch neue. Zudem empfehlen sie das Unternehmen und seine Produkte weiter, sind weniger preissensibel und liefern dem Unternehmen häufig Ideen und Anregungen (vgl. Kotler/Bliemel 2006, S. 37). Kunden, die mit einer qualitativ hochwertigen Empfehlung und dem erworbenen Produkt zufrieden sind, werden sich leichter zum erneuten Kauf entscheiden als jene, die mit einer Empfehlung unzufrieden sind. Daraus abgeleitet ergibt sich ein hoher Anspruch an die Qualität der Empfehlungen, die durch das einzusetzende Recommender System generiert werden, um damit die Kundenbindung zu steigern.

4.1.3 Chancen in der Verkaufsförderung

Die Verkaufsförderung und die einhergehende Umsatzsteigerung ist aus Unternehmenssicht essenziell, da mit dem Umsatz auch der Gewinn steigt. Deshalb ist es das Ziel Recommender Systeme zur Absatzförderung einzusetzen.

4.1.3.1 Persönliche Ansprache

Jeff Bezos, CEO des weltbekannten Online Händlers Amazon.com, formulierte die Notwendigkeit „eines eigenen Shops für jeden Kunden“. In klassischen Beratungsgesprächen kann durch geschultes Fachpersonal individuell auf den Kunden eingegangen werden. Der Berater kann mittels geeigneter Verkaufstechniken, z. B. AIDA, Kundenwünsche aufnehmen, wecken und auch erfüllen. Dabei kann er auf die Gestik und Mimik des Kunden reagieren, die Reaktion auf seine Empfehlungen sofort erkennen und ggf. eine andere, bessere Empfehlung aussprechen. Jedoch besteht bei der personalisierten Beratung vor Ort auch die Gefahr von qualitativ unterschiedlichen Beratungsleistungen. Bosch nennt als wesentliche Gründe für diese Heterogenität der Beratungsqualität zum einen mangelndes Fachwissen und/oder fehlende gesprächstechnische Fähigkeiten. (vgl. Bosch 2006, S. 180) Im E-Commerce stellt sich die Frage nach einer manuellen, individuellen Beratung aufgrund der Vielzahl von Produkten – die nicht durch die physische Verfügbarkeit beschränkt ist - und Anzahl an möglichen Kunden – die nur theoretisch auf die Summe aller Internetbenutzer beschränkt ist – nicht. Eine maschinelle und somit automatisierte „Beratung“, die Schwächen der physischen Beratung ausgleicht, homogene Beratungsleistung ermöglicht und dennoch persönliche Interessen berücksichtigt, lässt sich mit herkömmlichen Rule-based Engines nicht oder nur sehr aufwendig vollbringen. Der Einsatz von personalisierten Recommender Systemen bietet sich an, um die fehlende Individualität herzustellen und dadurch die Bindung des Kunden an das Angebot zu stärken (vgl. Müller 2005, S. 330).

4.1.3.2 Cross Selling

Die Möglichkeit, einem Kunden unmittelbar mehrere Produkte anzubieten, ist für viele Unternehmen eine verlockende Möglichkeit Umsatz und Gewinn zu steigern. Der Gedanke des Cross Selling, also der Querverkauf von Komplementärgütern, ist in der Bankenbranche ein fester Standard und wird zunehmend in anderen Industrien als wichtiger Beitrag zur Sicherung des Unternehmenserfolges anerkannt. Als Trend im E-Commerce lässt sich beobachten, dass Unternehmen versuchen, gleichartige Produkte (z. B. Fachbücher zum identischen Thema) als Bundle zum Kauf anzubieten. Der Erfolg des Cross Selling kann mittels Benchmarking zum Beispiel mit dem RPV (Revenue per Visit), also dem durchschnittlichen Umsatz pro Seitenaufruf und Kunde, gemessen werden. Nach Schäfer ist es für Unternehmen gewinnbringend, ein erfolgreiches Cross Selling zu implementieren. Wesentliche Erfolgskriterien sind unter anderem die kundenorientierte Gestaltung des Informationssystems sowie die umfassende Nutzung der kundenbezogenen Informationen. Darüber hinaus wird die Wichtigkeit der individuell zusammengestellten Leistungsbündel herausgestellt, so dass das vorhergehende Kapitel 4.1.3.2. „Persönliche Ansprache“ auch in der Umsetzung des Cross Selling bestätigt wird (vgl. Schäfer 2002, S. 176).

4.1.3.3 Up-Selling

Unternehmen entscheiden sich bei ihrer Produktpolitik mit unterschiedlichen Produktlinien verschiedene Produktvarianten anzubieten. Der sich daraus ergebende Vorteil, mit den gleichen Produktionsmitteln (ermöglicht geringe Stückkosten) verschiedene Preisklassen anbieten zu können, ist es die Produzentenrente zu maximieren. So ist es zum Beispiel bei Turnschuhen üblich, Modelle mit ähnlichen Eigenschaften in verschiedenen Preiskategorien (Discountpreis vs. Premiumpreis) anzubieten. Aus Sicht eines Betreibers von E-Commerce Shops ist es interessant, die Modelle mit der höchsten Marge zu vertreiben. Diese finden sich zumeist am oberen Ende der Diversifikationsstruktur und bieten zusätzliche Vorteile (neueste Technologien), die den Kundennutzen erhöhen. Daraus abgeleitet ergibt sich für Recommender Systeme die Anforderung, jene Produkte besonders zu empfehlen, die vom Hersteller im Premiumbereich angeboten werden.

4.1.3.4 After Sales

Die Betreuung eines Kunden nach dem Kauf erfährt in der aktuellen Literatur und Praxis eine besondere Bedeutung. Da die Aufwände des Unternehmens für die Überzeugung des zufriedenen Kunden zu einem erneuten Kauf wesentlich geringer sind als für die Neukundengewinnung, kommt dem Thema der Nachakquise entsprechend hohe Bedeutung zu. Nach Nieschlag et al. umfasst After Sales die Gesamtheit der Dienstleistungen, die in oder nach der Ge- bzw. Verbrauchsphase eines Produktes erbracht werden und der gesteigerten Kundenbindung dienen (vgl. Nieschlag et al 1994, S. 1034). Recommender Systeme befriedigen den Wunsch des Kunden, seine Zufriedenheit bzw. seine Meinung zum Ausdruck zu bringen und anderen zur Verfügung zu stellen. Dies wird durch die Bereitstellung von Rezensionsoptionen ermöglicht. Besonders vorteilhaft für das Unternehmen ist dabei die meist steigende Loyalität von Kunden, die in den Angebotsprozess für spätere Nutzer eingebunden werden (vgl. Schüller, S. 22), also Bewertungen über das gekaufte Produkt abgeben. In der Praxis weit verbreitet ist die Nutzung des Kundenfeedbacks zur Gestaltung des Produktportfolios. So dienen auch schlechte Bewertungen einzelner Produkte dazu, die Angebotspolitik permanent zu überdenken und zu optimieren.

4.1.4 Online Marketing

Ähnlich der Nutzung des Feedbacks von Kunden, lassen sich neben all den Vorteilen im direkten Vertriebsgeschäft, die ein Recommender System mit sich bringt, auch die gewonnenen Daten mit großem Vorteil nutzen. Die Marketingverantwortlichen benötigen Verkaufsmeldungen zuverlässig und schnell (vgl. Kotler/Bliemel 2006, S. 193). Durch die Aufzeichnung der Käufe, aber auch z. B. der Clickstreams, lassen sich wertvolle Daten sammeln. Diese Informationen lassen sich nach geeigneter Auswertung durch z. B. Data- bzw. Web-Mining direkt und unmittelbar wieder im Verkauf nutzen. Diese Informationsgewinnung schreibt Müller als wesentlichen Bestandteil den Recommender Systemen zu, da somit das Lernen der bestehenden Kundenpräferenzen und die Adaption an Präferenzveränderungen kontinuierlich ermöglicht wird (vgl. Müller 2005, S. 27 ff).

4.2 Nachteile für Unternehmen

Der Einsatz eines Recommender Systems birgt für Unternehmen nicht nur Vor-, sondern auch Nachteile und besondere intellektuelle sowie technische Herausforderungen, auf die im Folgenden eingegangen werden soll.

4.2.1 „First Rater“ / „Sparsity“ Problematik

Für Nischenprodukte oder für neue Produkte liegen in aller Regel noch keine Bewertungen oder Erfahrungen vor. Jedoch können diese durch bestimmte Kundenkreise (Early Adaptors) besonders gefragt sein. Wie bereits in Kapitel 2.3.1. Initiale Profilbildung beschrieben, sind Recommender Systeme ein Vorteil bei der Produkteinführung.

4.2.2 Manipulation durch Wettbewerber

Fairplay in Zeiten des globalen Wettbewerbs ist wünschenswert, aber nicht immer Realität. Die Vielzahl von konkurrierenden Produkten, Anbietern und Plattformen sowie die „Unpersönlichkeit“ der Anbieter im Internet kann Unternehmen zum Missbrauch von Bewertungs- bzw. Rezensionsmöglichkeiten verführen. Ein schlechter Eintrag bei einem Wettbewerber kann von eigenen Schwächen ablenken und Stärken des Wettbewerbs verringern. Aus Sicht des Unternehmens ist daher der Einsatz von Recommender Systemen mit einer offenen Bewertungsmöglichkeit nicht grundsätzlich zielführend. Simple Strategien und Methoden wie beispielsweise Bewertungsmöglichkeiten ausschließlich für Käufer frei zu geben, helfen Missbräuche zu unterbinden. Weitergehend ist der Einsatz von manuellen oder automatisierten Validierungen von Empfehlungen individuell zu prüfen.

4.2.3 Zusätzliche Herausforderungen

Der Einsatz eines Recommender Systems mit der damit zusammenhängenden Erfassung von großen Datenmengen führt unweigerlich zu einem Anstieg des Auswertungspotenzials und der damit verbundenen Ansprüche hinsichtlich der Performance, die bei der Gestaltung der Retail-Seite berücksichtigt werden müssen (vgl. Omari 2008, S. 114). Die Anforderungen an die Performance zur Angabe von hochwertigen Empfehlungen sind ein wichtiger Faktor, da User im E-Commerce systembedingt die Option besitzen, sehr schnell zum vermeintlich schnelleren Wettbewerber zu wechseln. Ein solcher (verlorener) Kunde ist dabei nicht so schnell wieder zum Besuch des Online Shops zu bewegen.

4.3 Vorteile für Kunden

4.3.1 Orientierung vor dem Kauf

Steht ein Kunde vor einer Kaufentscheidung, so ist es aus seiner Sicht in der Gegenwart oft nicht mehr möglich ohne Orientierung rationelle (Kauf-)Entscheidungen zu treffen. So ergibt beispielsweise die Suche nach dem Stichwort „DVD-Player“ bei der Suchmaschine google.de eine Trefferliste von 41.800.000 Datensätzen (vgl. Google Suche v. 15.11.08). Diese Vielzahl von Anbietern, Produkten und Vertriebswegen erschwert dem Kunden die Entscheidung oder kann ihn von der Bedürfnisbefriedigung (hier: Kauf DVD-Player) abhalten, da zu viele Alternativen geboten werden.

4.3.1.1 Gezielte Informationssuche

Im genannten Beispiel – der Suche nach einem bestimmten DVD-Player – sind neben Marke und Preis die Produkteigenschaften ein ausschlaggebendes Kaufkriterium. Der gezielt suchende Kunde hat bereits vor der Suche Informationen über das Produkt erhalten (Minimum: Produktname/-bezeichnung). Die vom Recommender System vorgehaltenen Rezensionen zu dem Produkt können den potenziellen Käufer in seiner Absicht bestätigen. Es ist empirisch noch nicht untersucht, ob daraus resultierend eine verstärkte Kaufabsicht hervorgeht. Ebenfalls ist noch nicht erforscht, inwieweit Links zu technischen Details aus Sicht des Kunden hilfreich sind (Beispiel: Link zur Stiftung Warentest). Dies erscheint aufgrund der implizierten Signalwirkung (Qualität) wahrscheinlich. Sollte der potenzielle Kunde bei der gezielten Suche nach dem bestimmten Produkt enttäuscht werden (z. B. auf Grund fehlender Produkteigenschaften oder negativen Rezensionen) hat er bei der Nutzung eines Recommender Systems, auf Basis der alternativen Produktvorschläge die sofortige Möglichkeit ein anderes Produkt (z. B. ein von anderen Kunden höher bewertetes) zu erwerben, um so seinen Nutzen zu erfüllen bzw. zu maximieren.

4.3.1.2 Entscheidungsunterstützung

Steht der Kunde vor der Entscheidung Produkt A oder B zu erwerben, sind die für ihn wesentlichen Kriterien zur Nutzenbewertung in einer möglichst übersichtlichen Form darzustellen. Beispiele finden sich dafür zumeist direkt auf den Herstellerseiten (wie z.B. www.sony.de). In der Praxis ist dies eine Ausnahme. Die untersuchten Recommender Systeme von Anbietern vieler Produkte unterschiedlicher Hersteller bieten eine solche, direkte Vergleichsmöglichkeit nicht. Der Vorteil bezieht sich daraus folgend bisher nur auf Systeme von E-Commerce Anbietern mit eigenen Produkten.

4.3.1.3 Substitute

Eng einher geht bei der Entscheidungsfindung des Kunden die Auswahl von Substituten. Im Sinne einer optimalen Bedürfnisbefriedigung sollte es für den interessierten Besucher einer E-Commerce Plattform möglich sein, durch verschiedene Preiskategorien zu wechseln. Beispielsweise erfüllen Feuerzeuge jeweils die gleiche Funktion. Jedoch ist mit dem Erwerb eines teuren Edel-Feuerzeuges auch der Wunsch verbunden, den sozialen Status zu festigen bzw. zu zeigen. Darum werden personalisierte Recommender Systeme eingesetzt um das passende Preisniveau zu bestimmen und dem Kunden die entsprechenden Produkte anzubieten. Der Kunde wird durch das Angebot in seiner jeweils präferierten Preisregion schneller und gezielter informiert.

4.3.1.4 Komplementärgüter

Konsumenten im E-Commerce sind in erster Linie Menschen, die Dinge vergessen können. Beziehungen zwischen zwei Gütern (Beispiel: Benzinfeuerzeug, Benzin), die sich insofern ergänzen, dass sie erst gemeinsam genutzt werden können, sind aus Kundensicht zumindest als solche zu kennzeichnen. Wenn bei dem Angebot des Händlers auch (Produkt-)Bundles eingesetzt werden, so freut sich der angesprochene Kunde über den Preisvorteil sowie über die Aufmerksamkeit, an das Komplement erinnert worden zu sein. Die Idee wird dazu in der Literatur zumeist als Cross Buying beschrieben und als Vorteil herausgestellt. Der Kunde kann darüber hinaus mit den sinkenden Beschaffungsaufwänden durch die Konzentration auf einen Anbieter weitere Vorteile erzielen (vgl. Schäfer 2002, S. 153). Eine etablierte Möglichkeit für den Kunden ein Komplement zu erwerben, ist die „Customer who bought“ Funktion des Anbieters Amazon.com. Diese Funktionalität bietet dem Kunden beim Betrachten eines Produktes weitere Vorschläge, die auf Basis von Kunden beruhen, die dieses Produkt bereits erwarben und zusätzlich auch ein anderes Gut kauften.

4.3.1.5 Unstrukturiertes Suchen

Nicht immer sind Menschen/Kunden auf der gezielten Suche nach neuen Produkten. Die Auswahl eines Geschenkes erfordert zunächst einmal eine Recherche, welche Güter oder Dienstleistungen in Frage kommen.

4.3.1.5.1 Orientierung

Für Kunden, die beispielsweise Ersatz für ein Gerät suchen, sind Recommender Systeme wie geschaffen, um einen aktuellen Marktüberblick zu erhalten. Auch die Vielzahl von bereits existierenden Anbietern mit Recommender Systemen macht es heute dem Verbraucher einfach, sich über die Befriedigung von Bedürfnissen zu informieren und dieses jeweilige Bedürfnis durch den Kauf sofort zu befriedigen. Weiterer Vorteil für Kunden ist die Möglichkeit selbst Nischenprodukte direkt zu finden und ggf. mit deren Substituten vergleichen zu können.

4.3.1.5.2 „Stöbern“

Das Einkaufsverhalten der beiden Geschlechter im Internet ist Gegenstand verschiedener Untersuchungen. So verhalten sich Frauen im E-Commerce anders als Männer. Nach Fritz ist der tendenziell pragmatischere Mann eher technikvernarrt und weiß, was er will. Hingegen sind Frauen eher daran interessiert die Waren vor dem Kauf zu begutachten und sich über diese zu informieren (vgl. Fritz 2005, S. 125). Die Möglichkeit ähnliche Produkte durch ein Recommender System empfohlen zu bekommen erscheint aus dieser Sichtweise irrelevant. Jedoch ist bei der Nutzung von E-Commerce Angeboten ohne bestimmte Kauf- oder Informationsabsicht für Männer und Frauen ein Vorteil erkennbar. Zu den einzelnen Produkten oder Produktgruppen werden jeweils Alternativen dargestellt. Je nach Ausprägung des Online Angebots können Männer Informationen zur Meinungsbildung erhalten oder Frauen die jeweiligen Waren begutachten.

4.3.2 After Sales

Kognitive Dissonanzen resultieren aus dem Bewusstsein des Kunden, die Nachteile der erworbenen Leistung zu empfangen und die Vorteile der zurückgewiesenen Alternativen zu verpassen (vgl. Müller 2005, S. 165). In der von Festinger 1975 entwickelten Theorie der kognitiven Dissonanz wird jedoch davon ausgegangen, dass Menschen ein dauerhaftes Gleichgewicht ihres kognitiven Systems anstreben (vgl. Festinger 1978). Davon ausgehend, dass eine kognitive Dissonanz als negativ empfundener Gefühlzustand beschrieben wird, ist es für den Kunden nützlich nach dem Kauf seine Meinung weiteren Menschen mitzuteilen. Eine als positiv empfundene Konsonanz wird somit wiederhergestellt. Weitere Möglichkeiten zur Weitergabe des Kauferlebnisses bzw. der Informationen zum Produkt, wie beispielsweise die Push Funktion „anderen Kunden empfehlen“ per E-Mail, können nicht den Recommender Systemen zugeordnet werden. Der damit verbundene Abbau von kognitiven Dissonanzen kann mit dieser Alternative jedoch auch erreicht werden.

4.4 Nachteile für Kunden

Online Shops sind ihrer Natur gemäß fakultativ zu nutzen, da eine Vielzahl von gleichartigen E-Commerce Angeboten direkt nutzbar sind. Entscheidet sich z. B. ein enttäuschter Kunde einen Online Shop wg. schlechter Empfehlungen (also des Recommender Systems) nicht mehr zu nutzen, so ist, auf Grund der Vielzahl der anderen E-Commerce Anbieter, für ihn kein Nachteil durch den Verzicht erkennbar. Die Risiken der teilweise individuellen Datenerfassung zur Berechnung von Empfehlungen, werden im Kapitel „Profiling“ (5.2.1) bzgl. des Datenschutzes detailliert.

5 Datenschutz

5.1 Rechtliche Vorgaben

Das Recht auf informationelle Selbstbestimmung ist eine Ausprägung des allgemeinen Persönlichkeitsrechts und wurde 1983 als Grundrecht anerkannt. Bereichsspezifische Gesetze wie das Telemediengesetz (TMG) oder das Telekommunikationsgesetz (TKG) ergänzen das Bundesdatenschutzgesetz (BDSG). Das heutige Bundesdatenschutzgesetz greift im Kern hauptsächlich die Datenverarbeitung durch öffentliche und nicht öffentliche Stellen auf. Nicht öffentliche Stellen müssen bei einer personenbezogenen Verarbeitung eine konkrete Zweckbestimmung vorweisen, die schutzwürdig behandelt wird. (vgl. BDSG 2006, § 28 Abs. 1, 2, 3)

5.1.1 Darstellung und Definition des Datenschutzes

Bei der Nutzung von Recommender Systemen ist es gänzlich unausweichlich, dass für die Funktionalität des Systems Daten benötigt werden. Auf den ersten Blick mag die Bewertung von Produkten und Dienstleistungen unproblematisch sein, da es hier um die Gliederung von Gütern geht und nicht um Benutzer. Ist die Untersuchung von Einzelkritiken noch frei von Wertung, kann aber aus einer Gesamtbetrachtung aller vom Benutzer eingetragenen Kritiken ein sehr genaues, personenbezogenes Profil erstellt werden. Es gibt in der Literatur und im Recht verschiedene Auffassungen von Datenschutz. Eine allgemein gültige Definition gibt es nicht. Im Bundesdatenschutzgesetz wird der Zweck des Gesetzes aufgeführt, dass der Einzelne davor zu schützen ist, dass er durch den Umgang mit seinen personenbezogenen Daten in seinem Persönlichkeitsrecht beeinträchtigt wird. (vgl. BDSG 2006, §1 Absatz 1) Das Thema Datenschutz findet in der Moderne immer mehr Betrachtung. So zeigen verschiedene Studien, dass sich 53% der Bevölkerung in Deutschland wünschen, dass dem Datenschutz künftig mehr Bedeutung zukommt. (vgl. Opaschowski 2001, 104 ff)

5.1.2 Umgang mit personenbezogenen Daten

Personalisierten Empfehlungssysteme benötigen für eindeutige Kaufempfehlungen die Präferenzen oder das Kaufverhalten des Kunden. Diese Daten werden über Dataminingverfahren ermittelt. Im Zuge eines „Security and Human Behavior Workshop“ stellte der Wissenschaftler George Loewenstein von der Carnegie Mellon University ein Ergebnis zum Umgang mit persönlichen Daten vor. Die Privatsphären-Prinzipien stehen demnach auf schwachen Beinen. Je nachdem, wer wie und in welchem Kontext nach Daten fragt, bekommt diese mehr oder weniger leicht zugänglich gemacht. (vgl. Zettel, 2008) So geben Benutzer von Bewertungssystemen meist unbedacht ihre Wertungen in das System ein. Eine nähere Betrachtungsweise und Auseinandersetzung fehlt. Für den ungezwungenen Umgang mit der eigenen Privatsphäre gibt es durchaus psychologische Erklärungen. Demnach sind viele Personen auch im wirklichen Leben bereit, zum Beispiel einem Mitfahrer im Zugabteil teilweise sehr persönliche Details mitzuteilen. (vgl. Zettel, 2008)

5.2 Praxis

Amazon.de beschreibt in seiner Datenschutzerklärung die genaue Verwendung der gesammelten Daten. Der Internethändler gibt als Zweckbestimmung an, dass die Verwendung der Daten u.a. zur Verbesserung des individuellen Einkaufserlebnisses sowie zur sonstigen Kommunikation mit dem Kunden genutzt wird. Technisch arbeitet Amazon.de unter anderem mit einem Cookiesystem, welches die Browserdaten analysiert und an Amazon.de übermittelt. Durch die übermittelten Daten ist der Anbieter in der Lage, dem Kunden weitere Varianten des Bestellsystems zur Verfügung zu stellen. (vgl. amazon.de 2007) Neben dem Cookiesystem verarbeitet der Internethändler zahlreiche andere Informationen über den angemeldeten Benutzer. „Beispiele für Informationen, die wir sammeln und analysieren, schließen die Internet-Protocol-Adresse (IP) ein, […] E-Mail-Adressen, Passwörter, Informationen über Computer […], Ihre Bestellhistorie, die wir manchmal mit ähnlichen Informationen anderer Kunden zusammenführen und in nicht persönlich identifizierbarer Form […] abbilden.“ (vgl. amazon.de 2007) Mit der steigenden Anzahl von protokollierten Sessions nimmt die Tiefenschärfe des erzeugten Profils zu und kann in Vereinigung mit einer Datawarehouse-Anwendung für ein detailliert individualisiertes und zielbewusstes Marketing genutzt werden. Anbieter solcher Clickstream-Lösungen sind beispielsweise Engage und Predictive Networks. Letztgenannte gehen sogar noch einen Schritt weiter, indem sie sich ein biometrisches Verfahren patentieren ließen, dass selbst die Bedienung der Computertastatur (wie z.B. die Anzahl der Anschläge pro Minute etc.) zu messen und analysieren in der Lage ist. (vgl. Koyro 2001, 23 ff) Ähnlich wie Amazon.de agiert auch das Filmekritik-Portal Moviepilot.de. Innerhalb der Datenschutzerklärung des Betreibers wird dargestellt, dass Ähnlichkeiten mit anderen Benutzern verglichen werden (vgl. moviepilot, 2007). Anders macht es jedoch der Musikanbieter Musicload.de. Das Unternehmen gibt in der Datenschutzerklärung an: „Im Rahmen von Artikel-Weiterempfehlungen werden keinerlei Daten bei Musicload gespeichert“ (vgl. musicload.de, 2008).

5.2.1 Risiken „Der gläserne Konsument“

Durch mangelnden Datenschutz und fehlende Privatsphäre wird in der Literatur oftmals vom „gläsernen Konsumenten“ gesprochen. In Form von Kundendaten, Erhebungen aus Empfehlungssystemen oder anderen Quellen, wird der Wirtschaft ermöglicht ein sehr genaues Bild des Konsumenten zu entwickeln. So arbeiten große Internethändler mit weiteren Partnersystemen und tauschen ihre Daten aus. Der Anbieter Amazon.de gibt in der Datenschutzerklärung an, dass auch Daten von Partnerfirmen, Bezahlsystemen und Auskunfteien genutzt werden (vgl. amazon.de 2007). Durch Techniken wie Datamining und Targeting ist eine zielgerichtete und personalisierte Werbung möglich. Diese automatisierten Erhebungen sind jedoch nicht das alleinige Problem. Benutzer geben unbedacht eigene Präferenzen in Produktbewertungssystemen selbst preis. Einerseits befindet man sich in einer aktuellen Situation, in der sich die Menschen zunehmend Sorgen um ihre Privatsphäre machen. Andererseits steigt die Bereitschaft der Nutzer, persönliche Informationen im Internet Preis zu geben (vgl. Steiner, 2008). Personenbezogene Daten unterliegen laut dem deutschen Bundesdatenschutz einem besonderen Schutz. Allerdings hat jeder Benutzer das Recht auf informationelle Selbstbestimmung und kann selbst darüber bestimmen, welche Daten er veröffentlicht und bereitstellt. Die Praxis zeigt, dass mit sensiblen Daten sehr freizügig umgegangen wird. Hat ein User sich erst einmal für diesen Schritt entschieden, könne er auch nicht mehr nach Datenschutz verlangen. Das Datenschutzgesetz kann hier mit der Praxis nicht mithalten (vgl. Sterbik-Lamina, 2008). Gefahren bestehen in der Zusammenführung von verschiedenen Quellen. Somit ist die Wahrscheinlichkeit einer Präferenz noch stärker gewährleistet. Die weltweit größte Online-Marketingagentur DoubleClick fusionierte im Jahre 2000 mit der Marktforschungsfirma Abacus Alliance. Dadurch entstand eine sehr umfangreiche Datenbank mit Daten über zwei Millionen Kundenprofilen, die aus E-Commerce-Einkäufen erarbeitet wurden. (vgl. heise.de 2000) Zu diesen Profilen gehören unter anderem Namen, Adressen, Einkaufspräferenzen und demografische Angaben der Kunden. Personalisierte Werbung kann aber auch von Vorteil sein. Geburtstagsgrüße in Verbindung mit einem Geburtstagsrabatt schüren eine imaginäre Vertrautheit mit dem Anbieter. Konsumenten fühlen sich in erhöhtem Maße angesprochen und nehmen so die Angebote des jeweiligen Anbieters eher an. Kundendaten sind also ein enormes Kapital mit der persönlichen Kundenbindung als Ziel. Das Intensivieren der emotionalen Bindung spielt hier eine große Rolle – loyale Kunden sind die für ein Unternehmen ertragreichsten Kunden. Laut einer Studie in Österreich sind die knapp dreiviertel der Befragten sicher, dass heimische Unternehmen „mit großer Professionalität auf Datenschutz und Missbrauchsprävention achten.“ (vgl. Fleck, 2008)

5.2.2 Profiling

Der Einkauf mit einer persönlichen Note ist für viele Käufer im Internet zunehmend wichtig. Eine im Mai 2001 von Cyber Dialogue im Auftrag des Personalization Consortium veröffentlichte Studie unterstreicht: Wo immer es einem Anbieter gelingt, das Vertrauen seiner Nutzer zu gewinnen, sind diese auch gerne dazu bereit, sich entsprechend auf der Website zu registrieren. Insgesamt haben 63% der Befragten grundsätzlich kein Problem damit, persönliche Daten von sich preiszugeben, wenn ihnen im Gegenzug hierfür personalisierte Services angeboten werden. 56% der Befragten geben sogar an, dass sie den Einkauf auf personalisierten Websites bevorzugen. Demnach ist es kaum verwunderlich, dass die Registrierung bei einem Online-Anbieter zwar nicht zwangsläufig - aber durchaus nicht selten - auch zu einer erhöhten Kaufbereitschaft führt. Cyber Dialogue jedenfalls hat ermittelt, dass unter den Nutzern personalisierter Services im Jahr 2000 immerhin 28% für mehr als 2000 US-Dollar Einkäufe tätigten, während es bei den nicht registrierten Nutzern nur 17% waren. (vgl. Koyro 2001, 41 ff) Eine Studie der Wirtschaftsprüfungsgesellschaft KPMG unterstützt die These, nach der die befragten Unternehmen in vielen Branchen bereits deutlich positive Signale durch das Angebot personalisierter Services wahrnehmen. 79% gaben hierbei in Bezug auf das eigene Unternehmen an, dass es zu den positiven Auswirkungen des 1:1-Marketing zähle, lernende Kundenbeziehungen etablieren zu können, während 68% von einer Verbesserung des Images und wiederum 54% von einer Verbesserung ihrer Geschäftsbeziehungen ausgingen. Lediglich 10% der Befragten erkannten keinen unmittelbaren Nutzen für ihr Geschäft (vgl. KPMG 1999).

5.2.2.1 Pro Profiling

Befürworter des Profiling oder des Behavioral Targeting sprechen sich für die gezielten Werbemaßnahmen aus, weil der Kunde somit nicht mehr mit Einheitswerbung torpediert wird, sondern exakt auf sich zugeschnittene Produktinformationen erhält. Marketingfirmen kritisieren die ablehnende Haltung, da das den Werbern als die zurzeit vielversprechendste Marketing-Technik gilt. So wird auf die Anonymität der gesammelten Daten verwiesen und dass man seinem Verkäufer vertrauen sollte. „Eine möglichst genaue Ausrichtung von Werbung auf die Interessen der Nutzer bedeutet also nicht nur eine höhere Relevanz der Werbung für die Nutzer selbst, sondern auch eine Steigerung der Medienvielfalt und der Medienqualität. Wer über Targeting im Internet diskutiert, muss sich einer simplen Tatsache bewusst sein: Genaueres Targeting bedeutet mehr und bessere Internet-Dienste.“ (Ellensohn, 2008)

5.2.2.2 Contra Profiling

In den USA hat der New Yorker Abgeordnete Richard L. Brodsky einen Gesetzesentwurf gegen Behavioral Targeting eingereicht. Er will damit verhindern, dass Unternehmen wie Google oder Yahoo das Surfverhalten ihrer Nutzer ausspähen (vgl. Käfer, 2008). Der Anlauf von Richard L. Brodsky wendet sich gegen das Tracking von Internet-Nutzern, ohne sie über diese Überwachungsmaßnahme in Kenntnis zu setzen (vgl. Story, 2008). Daten sind generell auch für alle anderen Unternehmen von Interesse, die werben wollen oder mit Werbung Geld verdienen. Wenn Google, Microsoft und Co. Nutzerprofile erstellen, schaffen sie eine Unterlage für ihre personalisierte Werbung. Alsbald sie diese Daten untereinander tauschen, können sie die Präzision der Profile und damit auch ihre Werbeeinnahmen um ein Vielfaches steigern. Dass hierbei jedoch das Recht auf informationelle Selbstbestimmung negativ berührt wird, stört nicht. In einer nicht repräsentativen Umfrage von Spiegel-Online wurden die Nutzer zu diesem Thema befragt. Mehr als die Hälfte der Befragten ist der Meinung, dass diese Art der Werbung zu stark in die Persönlichkeitsrechte eingreifen und generell verboten werden müsste. Fast jeder Vierte gab jedoch an, dass er mit einer ausdrücklichen Einverständniserklärung kein Problem mit personalisierter Werbung hat. Tim Berners-Lee, einer der Väter des WWW, hat sich gegen die zunehmende Ausforschung des Nutzerverhaltens ausgesprochen. Die größten Gefahren entdeckt er im sogenannten Targeted Advertising. In einem Interview mit BBC führt der Erfinder ein Resümee an, wo er nichts anderem so viel Beachtung schenkt, wie dem Schwinden der Privatsphäre im Internet. Berners-Lee hatte sich hier dafür eingesetzt, grundsätzlich ein Opt-in-Verfahren zu nutzen, bei dem man absichtlich seine Teilnahme erklären muss und nicht umgekehrt. In Deutschland hatte zuletzt StudiVZ genau diese Veränderung vornehmen müssen, nachdem die Firma für eine Targeted-Advertising-Technik massive Kritik kassiert hatte. (vgl. Spiegel.de, 2008)

6 Fazit

Im Rahmen dieser Fallstudie wurde zunächst dargelegt, dass Recommender Systeme aus intensiven Bemühungen hervorgegangen sind, eine Bündelung von Informationen technologisch möglich zu machen. Dies erscheint insbesondere angesichts der zunehmenden Informationsflut, der Verbraucher heutzutage ausgesetzt sind, von essenzieller Bedeutung. Im Zuge der eingehenden technologischen Betrachtung – insbesondere der personalisierten Ansätze – kann darüber hinaus festgehalten werden, dass das Kernstück der Recommender System-Technologien neben dem Einsatz von statistischen, mathematischen sowie wissensbasierten Methoden und Algorithmen insbesondere die Wissens- und Datenbasis darstellen. Dabei sind heutzutage so genannte Hybridsysteme im gängigen Einsatz, die beispielsweise dem weit verbreiteten „Collaborative via Content“-Ansatz folgend zunächst den Einfluss von Produkteigenschaften auf das Kaufverhalten des Kunden untersuchen, um darauf aufbauend Kundenprofile von ähnlich interessierten und agierenden Kunden auszuwerten. Vor dem Hintergrund der anschließenden Recommender System-Marktbetrachtung sowie der aktuellen Mediennutzungszahlen wurde deutlich, dass neben den vorhandenen Technologien definitiv auch der Markt für den Einsatz derartiger Empfehlungssysteme existiert. Die Betrachtung des aktuellen Online-Nutzungsverhaltens belegte einen direkten Zusammenhang zwischen der Produktinformationsbeschaffung im Internet und Online-Käufen. Damit bestätigte sich der zunehmende Einsatz von Recommender Systemen als Instrument zur direkten Verkaufsförderung im E-Commerce. Diese Vorteile wurden im zentralen Teil dieser Arbeit, der Nutzen-Analyse, beschrieben und bestätigt. So sollten insbesondere von Unternehmensseite wesentliche Eigenschaften des E-Commerce wie permanente Verfügbarkeit, Aktualität und geringere Personalkosten optimal genutzt werden. Ebenso wurden klare Unternehmensvorteile wie Effizienzsteigerung, Kundenbindung und Werkzeuge der Verkaufsförderung herausgearbeitet, denen unter anderem mit der Gefahr der Manipulation durch Wettbewerber deutlich weniger Nachteile gegenüber stehen. Ebenso überwogen auf der Verbraucherseite, trotz der insbesondere auf dem Gebiet des Datenschutzes aufgezeigten Risiken, die Vorteile. Dabei wurden unter anderem die guten Orientierungsmöglichkeiten vor einem Kauf durch gezielte Informationssuchmöglichkeiten und Entscheidungsunterstützung durch andere Konsumenten herausgestellt. Demzufolge kann auf Basis der in dieser Fallstudie erarbeiteten Erkenntnisse der Einsatz bzw. Nutzen von Recommender Systemen als Instrument zur direkten Verkaufsförderung im E-Commerce von Unternehmensseite sowie als entscheidende Orientierungshilfe für den Endverbraucher bzw. Kunden nahezu uneingeschränkt empfohlen werden.