Personalisierte Empfehlungen werden seit Langem mit der Notwendigkeit verbunden, das Nutzerverhalten zu verfolgen und Nutzerprofile zu erstellen. Der Verlauf der Produktaufrufe, fr\u00fchere K\u00e4ufe, Klicks oder die auf einer Website verbrachte Zeit – all diese Daten helfen dabei, ein Angebot individuell anzupassen, doch ihre Nutzung ist nicht immer m\u00f6glich oder notwendig. Deshalb entwickeln wir unsere Empfehlungsmaschine so weiter, dass sie auch dann effektiv funktioniert, wenn ein Nutzer der Profilbildung nicht zustimmt.<\/p>\n
Dies ist eine der wichtigsten Verbesserungen der vergangenen Monate und gleichzeitig eine L\u00f6sung, die sich auf dem Markt abhebt. Die Empfehlungsmaschine macht die Qualit\u00e4t der Empfehlungen nicht von der Erstellung eines individuellen Nutzerprofils abh\u00e4ngig. Stattdessen kann sie automatisch in einen Modus wechseln, der ausschlie\u00dflich auf dem Kontext der aktuell angesehenen Produkte basiert<\/p>\n
Erfahren Sie mehr \u00fcber Quarticons KI-Empfehlungsmaschine:<\/p>\n
KI-Empfehlungen<\/a> <\/p>\n Abh\u00e4ngig von den vorliegenden Einwilligungen und den Anforderungen der jeweiligen Implementierung kann die Empfehlungsmaschine in zwei komplement\u00e4ren Modi arbeiten.<\/p>\n Im personalisierten Modus k\u00f6nnen Empfehlungen Informationen zu den Pr\u00e4ferenzen und dem Verhalten eines Nutzers ber\u00fccksichtigen – selbstverst\u00e4ndlich nur, wenn der Nutzer die entsprechende Einwilligung erteilt hat. Dadurch l\u00e4sst sich ein individuelleres Erlebnis schaffen, beispielsweise indem Produkte pr\u00e4sentiert werden, die denen \u00e4hneln, die der Nutzer zuvor angesehen hat, oder indem Vorschl\u00e4ge an seine Interessen angepasst werden.<\/p>\n 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 k\u00f6nnen unter anderem auf \u00c4hnlichkeit, Komplementarit\u00e4t, Beliebtheit oder h\u00e4ufig auftretenden Beziehungen zwischen Produkten basieren – ohne ein individuelles Profil der die Website besuchenden Person zu erstellen.<\/p>\n Der wichtigste Unterschied besteht darin, dass das System weder wissen muss, wer der Nutzer ist, noch welche Produkte er zuvor angesehen hat. Es ben\u00f6tigt lediglich die Information, welches Produkt aktuell auf dem Bildschirm angezeigt wird.<\/p>\n 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 tr\u00e4gt dazu bei, die N\u00fctzlichkeit und die h\u00f6here Effektivit\u00e4t der Empfehlungen auch bei einem ersten Besuch aufrechtzuerhalten, wenn der Nutzer nicht angemeldet ist oder der Profilbildung nicht zugestimmt hat. Der Nutzer erh\u00e4lt Unterst\u00fctzung bei der Entdeckung des Angebots, w\u00e4hrend das Gesch\u00e4ft weiterhin den Verkauf \u00e4hnlicher und komplement\u00e4rer Produkte f\u00f6rdern kann.<\/p>\n Der Wechsel des Betriebsmodus erfolgt automatisch. Er erfordert weder eine zus\u00e4tzliche Konfiguration seitens des Nutzers noch eine manuelle Auswahl der Darstellung der Empfehlungen. Das System erkennt, welche Daten es verwenden darf, und w\u00e4hlt das passende Betriebsmodell aus.<\/p>\n Dies ist auch aus gesch\u00e4ftlicher Sicht wichtig. Ein Gesch\u00e4ft muss nicht auf Empfehlungen verzichten, nur weil einige Besucher der Profilbildung nicht zugestimmt haben. Die Empfehlungsmaschine kann weiterhin eine pseudopersonalisierte Navigation durch das Angebot unterst\u00fctzen, die Sichtbarkeit von Produkten erh\u00f6hen und es Kunden erleichtern, das Gesuchte zu finden.<\/p>\n Die neue Funktion tr\u00e4gt dem wachsenden Bedarf Rechnung, gesch\u00e4ftliche Effektivit\u00e4t mit einer gr\u00f6\u00dferen Kontrolle der Nutzer \u00fcber die Verwendung ihrer Daten zu verbinden. Die Personalisierung bleibt \u00fcberall dort verf\u00fcgbar, wo der Nutzer ihr zustimmt, ist jedoch keine Voraussetzung f\u00fcr die Aktivierung von Empfehlungen.<\/p>\n F\u00fcr Betreiber von Onlineshops und E-Commerce-Plattformen bedeutet dies gr\u00f6\u00dfere Flexibilit\u00e4t. Sie k\u00f6nnen KI-Empfehlungen sowohl in personalisierten als auch in pseudopersonalisierten Modellen einsetzen, ohne auf kontextbezogene Empfehlungen umsteigen zu m\u00fcssen, die deutlich weniger effektiv sind. <\/p>\n Au\u00dferdem ist es wichtig zu beachten, dass die Empfehlungsmaschine das Angebot in Echtzeit f\u00fcr 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 ausf\u00fchrlicher dar\u00fcber geschrieben: Empfehlungsmaschine vs. Marketing-Automation<\/a>. <\/p>\n Die M\u00f6glichkeit, ohne Profilbildung zu arbeiten, ist nicht lediglich eine eingeschr\u00e4nkte Version der herk\u00f6mmlichen Personalisierung. Es handelt sich um eine eigenst\u00e4ndige, bewusst entwickelte Methode zur Produktempfehlung, die auf der Analyse des Angebots und des Besuchskontexts basiert. Dadurch verbindet die Quarticon-Empfehlungsmaschine zwei Ans\u00e4tze: eine mit Zustimmung des Nutzers verf\u00fcgbare Personalisierung und effektive pseudopersonalisierte Produktempfehlungen, die keine Zustimmung des Nutzers erfordern. <\/p>\n \n","protected":false},"excerpt":{"rendered":" Bei Quarticon entwickeln wir unsere Empfehlungsmaschine so weiter, dass sie auch dann effektiv funktioniert, wenn ein Nutzer der Profilbildung nicht zustimmt<\/p>\n","protected":false},"author":1,"featured_media":252,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-251","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ecommerce"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/blog.quarticon.com\/de\/wp-json\/wp\/v2\/posts\/251","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.quarticon.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.quarticon.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.quarticon.com\/de\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.quarticon.com\/de\/wp-json\/wp\/v2\/comments?post=251"}],"version-history":[{"count":0,"href":"https:\/\/blog.quarticon.com\/de\/wp-json\/wp\/v2\/posts\/251\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/blog.quarticon.com\/de\/wp-json\/wp\/v2\/media\/252"}],"wp:attachment":[{"href":"https:\/\/blog.quarticon.com\/de\/wp-json\/wp\/v2\/media?parent=251"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.quarticon.com\/de\/wp-json\/wp\/v2\/categories?post=251"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.quarticon.com\/de\/wp-json\/wp\/v2\/tags?post=251"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Zwei Betriebsmodi f\u00fcr eine einzige Empfehlungsmaschine<\/h3>\n
Empfehlungen, die auf das Produkt statt auf die Person zugeschnitten sind<\/h3>\n
Automatischer Wechsel ohne Beeintr\u00e4chtigung des Nutzungserlebnisses<\/h3>\n
Eine L\u00f6sung f\u00fcr unterschiedliche Anforderungen<\/h3>\n
Eine Innovation, die eine praktische Richtung f\u00fcr die Weiterentwicklung von Empfehlungen vorgibt<\/h3>\n