Personalisierte Empfehlungen werden seit Langem mit der Notwendigkeit verbunden, das Nutzerverhalten zu verfolgen und Nutzerprofile zu erstellen. Der Verlauf der Produktaufrufe, frühere Käufe, Klicks oder die auf einer Website verbrachte Zeit – all diese Daten helfen dabei, ein Angebot individuell anzupassen, doch ihre Nutzung ist nicht immer möglich oder notwendig. Deshalb entwickeln wir unsere Empfehlungsmaschine so weiter, dass sie auch dann effektiv funktioniert, wenn ein Nutzer der Profilbildung nicht zustimmt.
Dies ist eine der wichtigsten Verbesserungen der vergangenen Monate und gleichzeitig eine Lösung, die sich auf dem Markt abhebt. Die Empfehlungsmaschine macht die Qualität der Empfehlungen nicht von der Erstellung eines individuellen Nutzerprofils abhängig. Stattdessen kann sie automatisch in einen Modus wechseln, der ausschließlich auf dem Kontext der aktuell angesehenen Produkte basiert
Erfahren Sie mehr über Quarticons KI-Empfehlungsmaschine:
Zwei Betriebsmodi für eine einzige Empfehlungsmaschine
Abhängig von den vorliegenden Einwilligungen und den Anforderungen der jeweiligen Implementierung kann die Empfehlungsmaschine in zwei komplementären Modi arbeiten.
Im personalisierten Modus können Empfehlungen Informationen zu den Präferenzen und dem Verhalten eines Nutzers berücksichtigen – selbstverständlich nur, wenn der Nutzer die entsprechende Einwilligung erteilt hat. Dadurch lässt sich ein individuelleres Erlebnis schaffen, beispielsweise indem Produkte präsentiert werden, die denen ähneln, die der Nutzer zuvor angesehen hat, oder indem Vorschläge an seine Interessen angepasst werden.
Der zweite Modus funktioniert ohne Profilbildung. In diesem Fall nutzt die Empfehlungsmaschine automatisch zuvor trainierte Modelle und analysiert vor allem die Beziehung zwischen dem angesehenen Produkt und anderen Produkten im Angebot. Empfehlungen können unter anderem auf Ähnlichkeit, Komplementarität, Beliebtheit oder häufig auftretenden Beziehungen zwischen Produkten basieren – ohne ein individuelles Profil der die Website besuchenden Person zu erstellen.
Empfehlungen, die auf das Produkt statt auf die Person zugeschnitten sind
Der wichtigste Unterschied besteht darin, dass das System weder wissen muss, wer der Nutzer ist, noch welche Produkte er zuvor angesehen hat. Es benötigt lediglich die Information, welches Produkt aktuell auf dem Bildschirm angezeigt wird.
Wenn ein Kunde ein bestimmtes Schuhmodell durchsieht, kann die Empfehlungsmaschine auf Grundlage der vergangenen Sitzungen anderer Nutzer Produkte vorschlagen, die zum aktuellen Produkt passen. Dieser Ansatz trägt dazu bei, die Nützlichkeit und die höhere Effektivität der Empfehlungen auch bei einem ersten Besuch aufrechtzuerhalten, wenn der Nutzer nicht angemeldet ist oder der Profilbildung nicht zugestimmt hat. Der Nutzer erhält Unterstützung bei der Entdeckung des Angebots, während das Geschäft weiterhin den Verkauf ähnlicher und komplementärer Produkte fördern kann.
Automatischer Wechsel ohne Beeinträchtigung des Nutzungserlebnisses
Der Wechsel des Betriebsmodus erfolgt automatisch. Er erfordert weder eine zusätzliche Konfiguration seitens des Nutzers noch eine manuelle Auswahl der Darstellung der Empfehlungen. Das System erkennt, welche Daten es verwenden darf, und wählt das passende Betriebsmodell aus.
Dies ist auch aus geschäftlicher Sicht wichtig. Ein Geschäft muss nicht auf Empfehlungen verzichten, nur weil einige Besucher der Profilbildung nicht zugestimmt haben. Die Empfehlungsmaschine kann weiterhin eine pseudopersonalisierte Navigation durch das Angebot unterstützen, die Sichtbarkeit von Produkten erhöhen und es Kunden erleichtern, das Gesuchte zu finden.
Eine Lösung für unterschiedliche Anforderungen
Die neue Funktion trägt dem wachsenden Bedarf Rechnung, geschäftliche Effektivität mit einer größeren Kontrolle der Nutzer über die Verwendung ihrer Daten zu verbinden. Die Personalisierung bleibt überall dort verfügbar, wo der Nutzer ihr zustimmt, ist jedoch keine Voraussetzung für die Aktivierung von Empfehlungen.
Für Betreiber von Onlineshops und E-Commerce-Plattformen bedeutet dies größere Flexibilität. Sie können KI-Empfehlungen sowohl in personalisierten als auch in pseudopersonalisierten Modellen einsetzen, ohne auf kontextbezogene Empfehlungen umsteigen zu müssen, die deutlich weniger effektiv sind.
Außerdem ist es wichtig zu beachten, dass die Empfehlungsmaschine das Angebot in Echtzeit für bis zu 100 % des Website-Traffics personalisiert oder pseudopersonalisiert. Dadurch unterscheidet sie sich von Marketing-Automation- oder CDP-Systemen, die ein Nutzerprofil voraussetzen (in einem traditionellen E-Commerce-Shop entspricht dies etwa 5 % des Website-Traffics). Empfehlungsmaschine: 100 % > Marketing-Automation: 5 %. Wir haben unter anderem hier ausführlicher darüber geschrieben: Empfehlungsmaschine vs. Marketing-Automation.
Eine Innovation, die eine praktische Richtung für die Weiterentwicklung von Empfehlungen vorgibt
Die Möglichkeit, ohne Profilbildung zu arbeiten, ist nicht lediglich eine eingeschränkte Version der herkömmlichen Personalisierung. Es handelt sich um eine eigenständige, bewusst entwickelte Methode zur Produktempfehlung, die auf der Analyse des Angebots und des Besuchskontexts basiert. Dadurch verbindet die Quarticon-Empfehlungsmaschine zwei Ansätze: eine mit Zustimmung des Nutzers verfügbare Personalisierung und effektive pseudopersonalisierte Produktempfehlungen, die keine Zustimmung des Nutzers erfordern.
