E-Commerce-Ticker

E-Commerce: Graphdatenbanken für Online-Empfehlungen in Echtzeit

Grundsätzlich arbeiten Recommendation-Engines auf zwei Ebenen. Auf Inhalt basierende („content based“) Systeme analysieren die Merkmale von Produkten und gleichen diese mit dem Kauf- und Browserverhalten des Kunden ab. Hat der Nutzer eines Filmportals beispielsweise bereits einen Western heruntergeladen, empfiehlt die Website ihm weitere Filme des gleichen Genres. Beim kollaborativen Filtern („collaborative filtering“) hingegen werden die Verhaltensmuster von Benutzergruppen ausgewertet, um so auf die Interessen Einzelner zu schließen. Auf der einen Seite stehen also Eigenschaften im Vordergrund, auf der anderen Seite Beziehungen.

Was ergibt sich dadurch für den Onlineshop-Betreiber? Es geht letztlich darum, dem Kundenwunsch einen Schritt vorausOb Produktempfehlungen, Dating Services oder Online-Booking –  Recommendation Engines haben sich längst zu einem zentralen Baustein im E-Commerce etabliert. Ihr Erfolgt hängt jedoch stark davon ab, wie relevant die Empfehlungen tatsächlich für die Kunden sind. Graphdatenbanken bieten sowohl in Sachen Genauigkeit als auch bei der Geschwindigkeit entscheidende Vorteile, schreibt Holger Temme in einem Gastbeitrag beim E-Commerce-Blog.

Graphdatenbanken vereinen die beschriebenen Ansätze. Im Gegensatz zu herkömmlichen Datenbanken bilden sie nicht nur einzelne Daten (z. B. „Kunden“, „Produkt“), sondern auch deren Beziehungen untereinander ab (z. B. „gefällt“, „gefällt nicht“, „kauft“). Zudem kann beiden eine beliebige Anzahl von qualitativen oder quantitativen Eigenschaften zugewiesen werden, z. B. Produktkategorie („Western“), der Grad der Bekanntschaft zwischen zwei Nutzern oder die Höhe einer abgegebenen Bewertung. Dadurch eignen sie sich sehr gut, um stark vernetzte und unstrukturierte Informationen einfach und mit hoher Performance zu durchsuchen.

In herkömmlichen Datenbanken werden Empfehlungen durch komplexe Verknüpfungen erstellt. Beziehungen zwischen den Tabellen lassen sich nur über sogenannte Joins der Primär- und Fremdschlüssel-Tabelle berechnen. Der Nachteil dieser Methode: Die Berechnungen dauern bei großen Datensätzen länger und Empfehlungen lassen sich nicht in Echtzeit generieren. Das bedeutet meist, dass die Vorschläge basieren auf veralteten Informationen basieren. So kann es z. B. vorkommen, dass ein Kunde eine Empfehlung für ein Produkt erhält, das er gerade gekauft, zurückgegeben, reklamiert oder sogar schlecht bewertet hat.

Schneller und genauer arbeiten Graphdatenbanken: Sie unterstützen unzählige Beziehungen zwischen Produkten, Personen, Interessen und Kontakten. Online-Anbieter können so ihren Kunden echten Mehrwert bieten und das Online-Shopping in ein persönliches Erlebnis verwandeln. Die Grundlage dazu bilden z. B. Browserverhalten, soziale Kanäle, Klickhistorie, Suchanfragen, Wunschlisten sowie Informationen aus CRM-Systemen und dem Online-Shop.

Noch mehr zu diesem Thema findest du im E-Commerce-Blog unter E-Commerce: Graphdatenbanken für Online-Empfehlungen in Echtzeit.

 

Vorheriger Artikel

Das Zauberwort »SEA-Bidding«: Darauf kommt es bei der Keyword-Bewertung an

Nächster Artikel

6 Tipps für die Auswahl des richtigen Web-Analyse-Tools

Udo Kraft

Udo Kraft

Udo ist unser Allround-Content-Manger bei VersaCommerce.de. Er pflegt unsere Social Media-Auftritte und ist hier wie auch bei www.shop-kompendium.de aktiv.

Für netzaktiv betreut Udo im Wesentlichen den E-Commerce-Ticker und stellt mit sicherem Blick für spannende Inhalte zusammen, was gerade aktuell ist.

Kommentare (bis jetzt keine Kommentare)

Einen Kommentar verfassen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind markiert *