Wie Empfehlungssysteme mehr Umsatz bringen – auch im KMUToner zu HP LaserJet 5 Si, C3909X, 17'100...

1

Wie Empfehlungssysteme mehr Umsatz bringen – auch im KMU

Orbit-iEX Konferenz 2007a7 - POS-Learnings und Empfehlungssysteme für E-Shops

Zürich, 23. Mai 2007

Urs Gehrigbbv Software Services AG

Dr. Uwe LeimstollCompetence Center E-Business Basel

© 2007 bbv Software Services AG / Competence Center E-Business Basel | 2Urs Gehrig und Uwe Leimstoll

Agenda

Ziele und Einsatzbereiche der PersonalisierungProfile und Technologien für die PersonalisierungRechtliche AspekteRealisierung von Empfehlungssystemen im DetailGrenzen eines EmpfehlungssystemsZusammenfassung und Ausblick

2


Personalisierung – Was ist das?

Quelle: www.amazon.de, 04.04.2006


Beispiel: Mein Konto

Quelle:www.amazon.de, 04.04.2006

3


Wir definieren Personalisierung als …

Personalisierung ist die individuelle Anpassung von Inhalten und Funktionen von E-Commerce-Applikationenan die speziellen Bedürfnisse eines Nutzers. Die Anpassung erfolgt auf Basis explizit oder implizit erhaltener und gespeicherter Daten über den Nutzer.


Beispiel für Personalisierung

HOME WARENKORB MEIN KONTO SUCHEN CHECKOUT LETZTE AUFTRÄGE

Toner zu HP LaserJet II/III, 92295A, 1'000 Seiten, schwarz 126.23 / Stk. Toner zu HP LaserJet II/III, C3900A, 1'100 Seiten, schwarz 176.96 / Stk. Toner zu HP LaserJet II/III, C3903A, 4'000 Seiten, schwarz 109.20 / Stk. Toner zu HP LaserJet II/III Si, C3909A, 15'000 Seiten, schwarz 233.48 / Stk.*Toner zu HP LaserJet II/III Si, C3909X, 17'100 Seiten, schwarz 230.03 / Stk.*Maintenance-Kit zu HP LaserJet II/III, C4110-67 589.46 / Stk.

000302

HP Laser Jet II/III

Toner zu HP LaserJet 5P Si, C3903A, 4'000 Seiten, schwarz 109.20 / Stk. Toner zu HP LaserJet 5 Si, C3909A, 15'000 Seiten, schwarz 233.48 / Stk.*Toner zu HP LaserJet 5 Si, C3909X, 17'100 Seiten, schwarz 230.03 / Stk.*Maintenance-Kit zu HP LaserJet 5 Si, C4110-67 589.46 / Stk.

0003

Lexmark Optra K 1220

HP Laser Jet 5P

HP Laser Jet 5 Si

Canon NP 6150

Artikel Ihr Preis Menge

Artikel Ihr Preis Menge

* Die Preise mit einem * sind Standardpreise. Sie erhalten Ihren Preis auf Anfrage.

Sehr geehrte Frau MusterHerzlich Willkommen im E-Shop der audacia agSie haben uns am 08.07.2005 das letzte Mal besucht.

Änderungen in Ihrem Gerätebestand?Bitte teilen Sie uns die Änderungen mittels einer formlosen Mail an [email protected], damit wir Sie auch weiterhin optimal bedienen können.

Ihr Gerätebestand

Quelle:KTI-ProjektPersECA I

4


Zielbereiche der Personalisierung

Individualisierung und Verbesserung der Mensch-Maschine-Interaktion (HCI)Zusätzlichen Wert für den Kunden generierenVerkaufsstrategien unterstützen


Einsatzbereiche der Personalisierung

Online-ShopsE-BusinessE-Government

MarketingOne-to-One-MarketingOnline- und Offline-Kanäle des CRM (Customer RelationshipManagement)

Virtual CommunitiesProduktanwendung

Individuelle ProdukteinstellungenBeispiel: Fahrerprofile in modernen PKWs (Einstellungen von Sitzen, Spiegeln, Lüftung, etc. werden gespeichert)

5


Eignung der Personalisierung

Personalisierung bietet sich an beiwiederkehrendem Bedarfinformationsintensiven Produktenkundenspezifisch konfigurierbaren Produkten(Mass Customization)grossen oder kundenspezifischen Sortimenten


KTI-Projekt PersECA II

Anwendungsfälle

Konsolidierende Arbeiten

t

Teilprojekt 2

Teilprojekt 4

Teilprojekt 3

Teilprojekt 1

Konzeption – Methodik – Analyse – Synthese

6


Die Personalisierungslandkarte

Personalisierungsfunktionenim E-Commerce

aus derKundenperspektive

Teil II Supplementäre Funktionen

5 Screendesign

5.1 Ansprache, Begrüssung

5.2 Designoptionen

MyHomepage

Farben

Formen

Portlets (bevorzugte Infos und Funktionen)

5.3 Content-Optionen

5.4 Menü ("horizontal")Funktionen

Achtung: Wichtige Funktionen dürfen nichtausgeblendet werden

5.5 Navigation ("vertikal")

Detailgrad der Webseite

Navigationsleisten

Kontextbasierte Navigationshilfen

Neu BR: Favoriten anzeigen(MyTools)

Neu BR: VisualisierungNeu BR: Bilder ausschalten

Neu BR: Empfehlungenausschalten

6 Community

6.1 Review

6.2 Hitliste

6.3 Collaborative Filtering

6.3.1 Grundfunktion

6.3.2 Soul Sister

6.3.3 Collaborative Kategorien

6.4 Rating

6.4.1 Produkt-Rating

6.4.2 Anbieter-Rating

6.4.3 Rating von Reviews

Neu bbv: Memberprogramm /Bonusprogramm

Aktiv Kunden werben

Einkäufe

Produkte Kollegen vorschlagen

Wenn Kunde Aritkel anklickt /kauft gibt's nochmals Punkte

7 Kundenprofil und Rollenkonzept

7.1 Rollenkonzept

7.1.1 Individuelles Profil (pro Benutzer)

7.1.2 Funktionsprofil (mehrere Benutzer)

7.1.3 Beispiele:Administrator, StrategischerEinkäufer, Operativer Einkäufer

7.1.4 Administrator: Kann eigeneBenutzerkonten einrichten und Rollenzuweisen

7.2 Anmeldemaske für Neukunden

7.3 Zugriff auf Kundenprofile7.3.1 Daten einsehen

7.3.2 Daten mutieren

8 CRM und Marketing

8.1 Newsletter, Tipps und News

8.1.1 Newsletter zu Produkten undDienstleistungen, die der Kunde bereits inAnspruch genommen hat

8.1.2 Newsletter zu alternativen Artikeln undderen Vor-/Nachteilen

8.2 Alerts (Scheduler)

8.2.1 Event-triggered News

8.2.2 Werbung

8.2.3 Angebote

8.2.4 Erinnerung an Fälligkeiten, Nachbestellung, Austausch

Neu bbv: Preisgrenze -> Schickmir eine Mail wenn's dasProdukt für XXX CHF gibt.

Neu Actebis: Meldung über Umsatz pro Hersteller (Kontrolle Bonus/Malus)

8.3 Personalisiertes Cross- und Up-Selling

8.4 Werbung

8.4.1 Banner

Statische Banner

Animierte Banner

HTML-Banner

Nanosite-Banner

Transaktive Banner

Rich-Media-Banner

Button

8.4.2 Interstitials

8.4.3 PopUp

8.4.4 Linktausch, Webring

8.4.5 E-CardsGeburtstage

sonstige Ereignisse

8.5 Entertainment

8.5.1 Wettbewerbe

8.5.2 Spiele

8.5.3 Video-Files

Neu BR: AfterSales Support

Updates zum Produkt

Neues Zubehör

Erinnerung an Wartung (passtauch zu 8.2 Alerts)

Neu Actebis -> RMA Abwicklung(Return of Material Authorization )

Über Bestellhistorie (Auswahlder genauen Position)

Über Seriennummer

Neu Actebis: EducationOnline Trainings

Online Zertifizierung

9 Auswertungen

9.1 Bestellverhalten

9.1.1 Bestellhistorie

einsehen

gruppieren

Bestellsumme anzeigen

Positionen in den Warenkorb übernehmen

9.1.2 Auswertungen und Statistiken

9.1.2.1 Budgetkontrolle

9.1.2.2 Status der Zahlungen

9.1.2.3 Personalisierte Anzeige

Neu Actebis: Bonusrechner

9.1.3 Individuelle Top Seller

Neu BR: Prozessauswertung

Zeitlicher Ablauf jedesAuftrages anzeigen

9.2 Shop- und Surf-Verhalten

9.3 Data Mining

Teil I Aktiver Bestellprozess

1 Informationsphase

1.1 Katalogfunktion

1.1.1 Suchfunktion

1.1.1.1 Vorkonfigurierte Suche

1.1.1.2 Kriterienbasierte Suche

1.1.1.3 Volltextsuche

1.1.1.4 Strukturierte Suche

Neu bbv - Intelligente oder unscharfe Suche beifalsch eingegeben Suchbegriffen (bspw. ->Komputer -> Computer)

Neu BR: Einstellung der Sortierung derSuchresultate

Neu BR-> LernfähigerSuchassistent (meinten Sie...)

1.1.2 Sortimentsstruktur

1.1.3 Kundenspezifisches Sortiment

1.1.3.1 Individuelles Teilsortiment

1.1.3.2 Sortiment für bereits vorhandene Produkte

1.1.3.3 Vordefiniertes Sortiment (Favoriten)

1.1.4 Persönliche Einkaufsliste

Neu bbv: Merkliste

Neu bbv: Wunschliste

Neu bbv: normale persönlicheEinkaufsliste

1.1.5 Musterbestellliste1.1.5.1 Kontextbezogene Musterbestellliste

1.1.5.2 Transaktionsbezogene Musterbestellliste

1.1.6 Kompatibilitätsliste

1.1.7 Translator (Substitutionsliste)

Neu Actebis ->End of Life Liste

Neu Actebis ->Hersteller Roadmap

Neu Actebis ->Nachfolgeprodukte

1.2 Produktangebot

1.2.1 Salespromotion-Seite

1.2.2 Empfehlungen

Neu bbv: Alternative zum Produkt

Neu BR: Best Price Produkt

Neu bbv: Zusätzliches Produkt(Zubehör)

Neu Actebis: Kompatible Produkte(Zubehör, Erweiterungen)

1.2.3 Leistungsbündel

1.2.4 Wartungsverträge

1.2.5 Cross-/Up-/Down-Selling

Neu bbv: Cross-Selling: Zubehör-> Siehe 1.2.2. Empfehlungen

Neu BR: Zusatzleistungen

1.2.6 Geschenkideen

1.2.7 Neuheiten

Produkte, die in den letzten xx Tagen insAngebot aufgenommen wurden

Tipps in bestimmten Präferenzkategorien

1.3 Informationenzu Preisgestaltungund Konditionen

1.3.1 Individuelle Preise

1.3.2 Spezialpreise

1.3.3 Rabattprogramme

1.3.4 BonusprogrammeVergünstigung durch "Punkte"

Gutscheine

1.3.5 Bundling

2 Vereinbarungsphase

2.1 Konfiguration vonProdukten und Leistungen

2.2.1 Mass Customization2.2.2 Eigene Produktkonfiguratoren

2.2.3 Einbindung vonProduktkonfiguratoren Dritter

2.1.2 Open Innovation

2.2 Berechnung des mit Hilfe vonBerechnungsmodulen

2.3 Offertanfragen

2.4 Vereinbarung der Konditionen

2.5 Füllen des Warenkorbes

Neu BR: Via CSV,XLS Upload

Neu BR: Expressbestellung viaArtikelnummer und Menge

2.6 Checkout-Unterstützung

2.6.1 Versandoptionen

2.6.1.1 Verpackung

Standard

GeschenkserviceGeschenkverpackung

Grusskarte

2.6.1.2 Versandart

Standard

Express

Abholung

2.6.1.3 Versanddatum

sofort

erst wenn alle Artikel erhältlich

auf ein bestimmtes Datum

2.6.1.4 Versandziel (Lieferadresse)

2.6.1.5 Rechnungsadresse

Neu BR: Zusatzoptionen

Neu BR: Aufdruck/ Gravur

Neu BR: Werbeaufdruck

Neu BR:Wartungsvertrag (beiInvestitionsgütern)

2.6.2 Zahlungsoptionen

Vorauszahlung

Rechnung

Kreditkarte

Finanzierung

Purchasingcard

Prepaid-Karte

Neu bbv: Gutschein einlösen

Neu bbv: Punkte ausBonusprogramm einlösen

3 Abwicklungsphase

3.1 Automatische Bestellauslösung

3.1.1 Bestellung mit festem Bestellrhythmusund fester Bestellmenge

3.1.2 Vorschlag zur Bestellmenge

3.2 Automatische Lieferauslösung3.2.1 Abonnemente

3.2.2 Automatisches Auffüllen desKundenlagers

3.3 Tracking und Tracing

Neu BR: Auftragsstatus Abfrage

Lagersituation

Reservierte Menge

Rückstände

Lieferstatus beim Hersteller

4 phasenneutrale Funktionen

4.1 Bestellprozessführung

4.1.1 Wizard

4.1.2 Avatare

4.1.3 Persönlicher Berater

4.1.4 Callcenter

4.1.5 Co-Browsing

4.2 B2B-Funktionen

4.2.1 Intermediäre unterstützen

4.2.2 Artikelnummern hinterlegen

4.2.3 Genehmigungsprozess abbilden

4.2.4 Budgetlimits für einzelne Einkäufer

periodenbezogen (pro Monat/Jahr)

artikelbezogen

mengenbezogen


Kundenprofile ...

... bilden den Ausgangspunkt für die Personalisierung

Explizite ProfileIdentifikationsprofilPräferenzprofilKonditionsprofil

Implizite ProfileInteraktionsprofilTransaktionsprofilVerhaltensprofil

Kalkulierte Profile

7


Schritt 1: Kundenprofile modellierenSchritt 2: Daten erfassen/ladenSchritt 3: Daten verarbeitenSchritt 4: Information ausgeben

Der Profillebenszyklus

Quelle: in Anlehnung an Schubert/Kummer/Leimstoll (2006, 208)

Input for Redesign

Modeling Profiles

Specifications:StructureSourceStorage

Learning from Actual User Behavior

Information Output

Examples:RecommendationsHistoryPersonalized

Product Catalog

Data Input

Explicit:Identification ProfilePreference ProfileConditions ProfileImplicit:Interaction ProfileTransaction Profile

Input Profiles

Data Processing

Instruments:Data WarehouseData MiningCollaborative FilteringContent Based Filtering

Output Profiles


Auswertungstechnologien

Collaborative Filtering

Content-Based Filtering

Gekaufte ProdukteRatings

usw.

Gekaufte ProdukteRatings

usw.

Genre, Schauspieler,

Erscheinungsjahr, usw.

Genre, Schauspieler,

Erscheinungsjahr, usw.

A B

8


Vor- und Nachteile dieser Verfahren

Collaborative-Filtering-Techniken laufen vollkommen automatisch ab.Sie erreichen insbesondere bei vielen Daten (Ratings) bessere Ergebnisse als Content-Based-Filtering-Techniken. Problem: Ist ein Produkt neu, d.h. noch nicht gekauft oder bewertet worden, kann es mit diesen Verfahren nicht vorgeschlagen werden.


Empfehlungssysteme in der Praxis

Profilbasierte Webradioswww.last.fm – Collaborative Filteringwww.pandora.com – Content-Based Filtering

Profilbasierte Fotogaleriewww.mylandscapes.ch

9


Produktempfehlung bei Brütsch/Rüegger

Quelle: KTI-Projekt PersECA II, www.brw.ch


Anforderungen der Datenschutzgesetzte

Die Speicherung und Verarbeitung personenbezogener Daten ist zulässig, sofern diverse Massnahmen getroffen werden, z.B.

Erhöhte Anforderungen an Datensicherheit und Datenschutz beachtenDen Kunden darauf hinweisen, wie seine Daten genutzt werden (Datenbearbeitungserklärung)Dem Kunden Einsicht in die über ihn gespeicherten Daten gewähren und Berichtigung zulassenVerhältnismässigkeit und Zweckmässigkeit der Datenanalyse beachtenBeachten, dass das Datenschutzrecht im Land des Kunden massgeblich istDaten nicht an Dritte weitergeben

Hinweis: Diese Aufzählung ist nicht vollständig und ersetzt in keiner Weise eine juristische Beratung!

10


Welche Infos werden benötigt?

IdentitätLetzte EinkäufeBewertungenAngebotVorlieben anderer


Gesammelt als Bewertungsmatrix

P1 P2 P3 P4 P5 P6 P7

K1 1 1 1

K2 1

K3 1 1

K4 -1 1

K5 1 1

K6 1 0.8

K7 1 1

K8 1 1

K9 1 1

K10 1 1

11


User-based Collaborative Filtering

P1 P2 P3 P4 P5 P6 P7

K1 1 1 1

K2 1

K3 1 1

K4 1 1

∑ ∑

∑

= =

=

⋅

⋅=

m

k

m

kjkik

m

kjkik

vv

vvvjvia

0 0

22

0),(

+ Empfehlungen auch ausserhalb von ähnlichen Produkten

Abwechslung

- Funktioniert nicht, wenn nur 1-er in der Matrix vorkommen


Item-based Collaborative Filtering

P1 P2 P3

K1 1 1

K2 1

K3 1

K4

K5 1

K6 1

K7 1 1

K8 1

α)()(),( 0:

,,

jFreqiFreq

Rjisim jqRq

jq

×=

∑>∀

+ funktioniert ausgezeichnet

- Empfehlungen nicht persönlich

12


Persönliche Empfehlungen

P1 P2 P3 P4 P5 P6P1 - 0.4 0.7 0.1 0.4 0.2P2 0.4 - 0.6 0.1 0.7 0.7P3 0.7 0.6 - 0.3 0.1 0.9P4 0.1 0.1 0.3 - 0.1 0.1P5 0.4 0.7 0.1 0.1 - 0.6P6 0.2 0.7 0.8 0.2 0.6 -

∑∀

=gekauftj

jisimirec:

),()(+ funktioniert ausgezeichnet

+ auch für Warenkorbanalyse


Variationen in den Empfehlungen

wiederkehrende Einkäufesaisonale ProdukteAktualität der Produktepushen und zurückhalten von einzelnen Produkten

Shop-Parameter auf Niveau Shop / Produktgruppe / Produkt

13


Besondere Herausforderungen

(noch) nicht angemeldet, d.h. Identität fehltCookie ablegen

dünne BewertungsmatrixClick-Stream aufzeichnen

neue ProdukteFeature-based Filtering


Woher kommen die Informationen?

Direkt aus dem ERP!Bewertungsmatrix: VerkaufsbelegeParameter: ArtikelstammClick-Stream: Webshop-Log

Vorverarbeitet im Batch!

14


Grenzen eines Empfehlungssystems

hohes Datenvolumen notwendigCookies abgeschaltet

persönliche Empfehlung nur für angemeldete Kundengezieltes Anbieten von Zubehör oderAlternativprodukten mit denAutomatismen nicht möglichGüte der Empfehlung ~15%


Integration in einen E-Shop

15


Dank

Die KTI-Projekte „PersECA“ werden mitfinanziert durch die Kommission für Technologie und Innovation KTI/CTI am Bundesamt für Berufsbildung und Technologie BBT.


Zusammenfassung

Personalisierung bietet vielfältige Ansatzpunkte, um E-Commerce-Applikationen zu erweitern.Empfehlungssysteme unterstützen

Up- und Cross-SellingSteigerung der KauffrequenzKundenzufriedenheit und damit Kundenbindung

Der Aufwand für die Realisierung eines Empfehlungssystems ist überschaubar.Wichtig ist die Feinabstimmung der Empfehlungen im Einzelfall.

16


Wie sieht die Zukunft aus?

Personalisierung ist ein anhaltender Trend.Attraktive E-Shops werden Personalisierung und Empfehlungssysteme nutzen.Es besteht die Tendenz weg von der Massenwerbung hin zur individuellen Ansprache des Kunden auch im Web.Grundlage dafür bilden die Kundenprofile, wobei datenschutzrechtliche Aspekte zu beachten sind.


Fragen?

Urs Gehrigbbv Software Services AG

Dr. Uwe LeimstollCompetence Center E-Business Basel

Besuchen Sie uns an der Orbit-iEXHalle 3 – Stand B14

17


Literatur

Adomavicius, Gediminas; Tuzhilin, Alexander: Personalization Technologies, Communications of the ACM, Volume 48, No. 10, 2005.

Kummer, Mathias; Leimstoll, Uwe; Risch, Daniel: Checkliste für den Datenschutz im E-Commerce, in: Weblaw (Hrsg.), Informatikrecht in der Praxis: Recht und Praxis rund um den Einsatz von Informatik- und Kommunikationsmitteln, S. 1 - 52, Zürich: WEKA Verlag AG, 2006.

Riecken, Doug: Personalized Views of Personalization, in: Communications of the ACM, Volume 43, No. 8, 2000.

Risch, Daniel: myLandscapes.ch – Explaining Recommender System Principles in a Web-based Application, in: Proceedings of CollECTeR Europe 2006, 2006, S. 55-61.

Risch, Daniel; Schubert, Petra: Customer Profiles, Personalization and Privacy, in: Proceedings of CollECTeR Europe 2005, June 2005, S. 1-12.

Schubert, Petra; Leimstoll, Uwe; Risch, Daniel: Personalization Beyond Recommender Systems, in: Suomi, Reima et al. (Hrsg.), IFIP International Federation for Information Processing, Volume 226, Project E-Society: Building Bricks, S. 126-139, Boston: Springer, 2006

Schubert, Petra; Kummer, Mathias; Leimstoll, Uwe: Legal Requirements for the Personalization of Commercial Internet Applications in Europe, in: Journal of Organizational Computing and Electronic Commerce 16 (3&4), 203–220, 2006.

Schubert, Petra; Leimstoll, Uwe: Handbuch zur Personalisierung von E-Commerce-Applikationen, Basel: Fachhochschule beider Basel (FHBB), Institut für angewandte Betriebsökonomie (IAB), Arbeitsbericht E-Business Nr. 7, 2002.

Wie Empfehlungssysteme mehr Umsatz bringen – auch im KMUToner zu HP LaserJet 5 Si, C3909X, 17'100...

Documents

Transcript of Wie Empfehlungssysteme mehr Umsatz bringen – auch im KMUToner zu HP LaserJet 5 Si, C3909X, 17'100...