Conversion Rates steigern sich, wenn den Kunden das vorgeschlagen wird, was sie kaufen wollen.
Gute Vorschläge veranlassen Kunden dazu, wieder zu kommen. Denn was einmal gut funktioniert, funktioniert auch zweimal gut
Produktvorschläge erhöhen einfach dadurch die Verweildauer der Kunden, weil ihnen dadurch eine bequeme Möglichkeit geliefert wird, ohne neu suchen zu müssen im Shop zu browsen.
Passendes Zubehör vorschlagen, höherwertige Produkte vorschlagen, unter Umständen sogar Produkte, von denen die Kunden vorher noch nichts wussten steigern das Potenzial mehr zu verkaufen
Auffindbarkeit von Produkten dadurch erhöhen, dass sie vorgeschlagen werden.
Es ist durch vorhandene Techniken und Technologien, die sich im Bereich Data Mining, Machine Learning gebildet haben, kein Hexenwerk mehr, Recommendations umzusetzen. Dazu zählen bestimmte Ansätze wie Collaborative Filtering oder auch Open Soure Projekte wie Apache Mahout, die solche Ansätze versuchen umzusetzen, um Anwendern algorithmisches Handwerkszeug zu geben.
Jax 2012 - Apache Solr as Enterprise Search Platform
Mehr Umsatz mit einer intelligenten Shop-Suche
1. Technology
Drives
Business
Mehr Umsatz mit einer intelligenten Shop-Suche
NEUE POTENTIALE DURCH RECOMMENDATIONS
ERSCHLIEßEN
Apache Solr, Solr, Apache Lucene, Lucene and their logos are trademarks of the Apache Software Foundation.
Elasticsearch, Kibana, Marvel, Logstash are trademarks of Elasticsearch BV, registered in the U.S. and in other countries.
2. Markus Klose – Search Consultant
• Expertise in Solr, Lucene, Elasticsearch,
Fast ESP
• Certified Apache Solr Trainer
• Speaker, Blogger, Coder
• Author “Einführung in Apache Solr”
• @markus_klose
3. Heute
2013
2011
SHI GmbH
Hersteller-unabhängiges Unternehmen. Lösungen rund um
Suche, Navigation und Datenanalyse mit Fokus auf Open Source.
Partnerschaft mit Smartlogic
Partnerschaft mit LucidWorks
2000 Erste Projekte mit Open Source
1994 Unternehmensgründung und Entwicklung eines Produkts
7. Fehlertolleranz / Relevanztuning
Häufigkeit der Suchanfrage
Suchanfragen
Unterschied zwischen Short und
Long Tail beachten
Genauigkeit der Suchanfrage
„Schuhe“
„Blaue Schuhe“
„Blaue Herrenlaufschuhe von Nike“
17. WARUM BEGEGNEN WIR
RECOMMENDATIONS?
Auffindbarkeit von Produkten
Usability
Inspiration
Erhöhter Komfort
Zufriedenheit &
Begeisterung
Kundensicht
18. HERAUSFORDERUNGEN
Auswahl der Daten
(Vor)Verarbeitung der Daten
Transport der Daten
Anbieten der Recommendations
Auslösen der Recommendations
Unterschiedliche Arten Recommendations
Komplexität
Mathematik & Algorithmen
25. WELCHE DATEN EIGNEN SICH
FÜR RECOMMENDATIONS?
Kaufverhalten?
gekauft:
dazu passend:
26. WELCHE DATEN EIGNEN SICH
FÜR RECOMMENDATIONS?
Suchverhalten?
Häufig geklickte Filter:
> Elektronik
> 250-300€
> Kamera
Berücksichtigung für zukünftige Suchen
27. WELCHE DATEN EIGNEN SICH
FÜR RECOMMENDATIONS?
Weg zum Produkt?
Woher kam der Kunde?
Was hat er gesucht?
Welche Filter hat er benutzt?
An welcher Stelle der Trefferliste stand das
Produkt?
29. EINSATZ VON TECHNOLOGIEN
Apache Mahout
Machine Learing Library
Klassifikation, Clustering, Recommender Systeme
Hohe Skalierbarkeit
Graphendatenbanken
Kanten & Knoten
Am weitesten verbreitet: Neo4j
Benutzer und Produkte bilden Knoten
Kanten stellen Kaufprozess dar
30. WIE WERDEN DATEN ZU
RECOMMENDATIONS?
Rohe Daten Artikel, User generiert,…
Pre-Processing Datenformat
History Matrix Was hat wer gekauft?
Co-Occurrence Matrix Was wurde
zusammen gekauft?
Indicator Matrix Interessante Werte?
Gewichtung der Werte Optimierung
Speichern der gewichteten Werte
Recommendations Search Index
31. FAZIT
Innovativ ≠ Neu
Meinungen und Rezensionen
Gewichtung der Daten
Auslösen der Recommendations
Geschwindigkeit (Offline-Berechnung)
"Plan B" für Produkte ohne
Recommendations
Monitoring der Benutzung der
Recommendations