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.

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

4. UNSERE KUNDEN (AUSZUG)
VERLAGE & MEDIEN HANDEL & ECOMMERCE BEHÖRDEN IT, ENGINEERING, SONSTIGES

5. Search … It is not a feature!
E-Commerce User Experience, Vol. 5: Search (including Faceted Search) , Nielsen Norman Group

6. Suche 1.0 – Volltext-Suche
18
16
14
12
10
8
6
4
2
0
Aufwand / Nutzen
0 2 4 6 8 10 12

7. Fehlertolleranz / Relevanztuning
Häufigkeit der Suchanfrage
Suchanfragen
Unterschied zwischen Short und
Long Tail beachten
Genauigkeit der Suchanfrage
„Schuhe“
„Blaue Schuhe“
„Blaue Herrenlaufschuhe von Nike“

8. Fehlertolleranz / Relevanztuning

9. Suche 2.0 - … mit Meta Daten
18
16
14
12
10
8
6
4
2
0
Aufwand / Nutzen
0 2 4 6 8 10 12

10. Autosuggest

11. Facetten

12. Gruppierung

13. Meinten Sie

14. Suche 3.0 – …mit externen Daten
18
16
14
12
10
8
6
4
2
0
Aufwand / Nutzen
0 2 4 6 8 10 12

15. WO BEGEGNEN UNS
RECOMMENDATIONS?

16. WARUM BEGEGNEN WIR
RECOMMENDATIONS?
Conversion Rates
Kundenbindung
Verweildauer
Cross-Selling & Upselling
Auffindbarkeit von Produkten
Vorhandene Technik
& Technologien
Gewinn & Mehrwert
Shopsicht

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

19. WELCHE DATEN EIGNEN SICH
FÜR RECOMMENDATIONS?
Meinungen?

20. WELCHE DATEN EIGNEN SICH
FÜR RECOMMENDATIONS?
Rezensionen?

21. WELCHE DATEN EIGNEN SICH
FÜR RECOMMENDATIONS?
Bewertungen?

22. WELCHE DATEN EIGNEN SICH
FÜR RECOMMENDATIONS?
Praktische Produktverknüpfungen?

23. WELCHE DATEN EIGNEN SICH
FÜR RECOMMENDATIONS?
Faktische Produktverknüpfungen?
+ Handyvertrag
Versicherung

24. WELCHE DATEN EIGNEN SICH
FÜR RECOMMENDATIONS?
Produktergänzungen?
+

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?

28. HERANGEHENSWEISEN
Quelle: http://cuihelei.blogspot.in/2012/09/the-difference-among-three.html

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

32. Q & A

33. KONTAKT
SHI GmbH & Co KG
Curt-Frenzel-Str. 12
86167 Augsburg
Germany
info@shi-gmbh.com
+49.821.74 82 633 0
mma@shi-gmbh.com mk@shi-gmh.com
@markus_klose
dwr@sgi-gmbh.com
@SHIEngineers @wrigley_dan