Empfehlungssysteme für den Mittelstand

Recommendation Engines für alle: Gemeinsam mit der Technischen Hochschule Mittelhessen (THM) haben wir beim Land Hessen Fördergelder für ein Forschungsprojekt beantragt. Nachdem diese genehmigt wurden, ist nun der Weg frei: Bis September 2018 werden wir den Prototypen einer Empfehlungsmaschine vorlegen. Damit versetzen wir mittelständische Unternehmen erstmals in die Lage, kundenindividuelle Produktempfehlungen als Software as a Service (SaaS) zu generieren.

Um elf Prozent, so der Handelsverband Deutschland (HDE), steigt der Online-Umsatz im Jahr 2016 und wird die 44-Milliarden-Euro-Marke knacken. Das IFH (Institut für Handelsforschung) in Köln schätzt das Umsatzvolumen für 2016 sogar auf über 50 Milliarden Euro. Ob konservativ oder progressiv: Alle Zahlen zeigen auf, dass der E-Commerce in Deutschland weiter wächst. In einem boomenden Marktumfeld versuchen viele Onlinehändler, mit individualisierten Empfehlungen die Konversionsrate zu erhöhen – mit bescheidenem Erfolg. Bei einer aktuellen Umfrage gaben mehr als 40 Prozent der Teilnehmer an, schon Angebote für Produkte erhalten zu haben, die sie längst gekauft hatten. Bei über 60 Prozent liegt der Anteil der Befragten, die ihre persönlichen Empfehlungen als unpassend und fernab von ihrer Lebenswelt empfinden.

Empfehlungen aus der Cloud

Hier wollen wir dem mittelständischen Onlinehandel unter die Arme greifen und haben uns dazu mit dem Kompetenzzentrum für Informationstechnologie (KITE) der THM in Friedberg zusammengetan. In einem Forschungsprojekt, das vom Land Hessen gefördert wird, entwickeln wir ein Empfehlungssystem für kleine und mittelständische Unternehmen. Das System soll als SaaS zu beziehen sein und zwischen 250.000 und 30 Millionen Datensätze zu 45.000 bis drei Millionen Kunden bearbeiten können.
Bei der Konzeption der Predictive Analytics Software orientieren wir uns an Projekten, die Dastani Consulting bei namhaften großen Handelsunternehmen realisiert hat. In einem ersten Schritt decken wir im Datenbestand von Onlinehändlern Assoziationsregeln auf: Kunden, die das Produkt A gekauft haben, interessieren sich mit einer quantifizierbaren Wahrscheinlichkeit für Produkt B. Anhand der individuellen Kaufhistorie eines bestimmten Kunden ermitteln wir mit Algorithmen, welche Produkte er mit der höchsten Wahrscheinlichkeit als nächstes kauft.

Echte Kaufwahrscheinlichkeiten bieten Orientierung

Dabei achten wir darauf, den Effekt von sehr beliebten Produkten auf die Empfehlungen zurückzunehmen, um zu einer unverfälschten Einschätzung der Präferenzen zu gelangen. Die Anwendung gibt echte Kaufwahrscheinlichkeiten aus, an denen sich die Unternehmen orientieren können. Die Empfehlungslogik wird so deutlich verbessert. Durch den skalierbaren Ansatz können auch kleine Shops die komplexe Rechenlogik als Service nutzen. Gemeinsam mit dem KITE tragen wir so dazu bei, den steigenden Bedarf des Mittelstands nach bezahlbaren Empfehlungsmaschinen zu decken. Am Ende der Projektlaufzeit im Herbst 2018 soll der Cloud-Service vermarktungsfähig sein. Wir halten Sie auf dem Laufenden!