Dem Kundenwunsch einen Schritt voraus: Ob 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.
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. Ist Kunde A mit Kunde B befreundet, und bewertet einen bestimmten Film positiv, wird dieser dem Kunden B weiterempfohlen. Auf der einen Seite stehen also Eigenschaften im Vordergrund, auf der anderen Seite Beziehungen.
Graphdatenbanken vereinen diese zwei 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.
Wenig Flexibilität mit herkömmlichen Systemen
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.
In herkömmlichen Datenbanken lassen sich solche „falschen“ Empfehlungen nicht immer auf den ersten Blick erkennen. Marketing- und Vertriebsexperten fehlt oft die Transparenz innerhalb der Systeme, um zu erkennen, wie sie genau zustande kommen. Bleiben sie unentdeckt, steigt die Gefahr, dass sie sich wiederholen. Wird der Fehler jedoch entdeckt, braucht es viel Zeit, um ihn zu korrigieren und anzupassen. Aufgrund der rigiden Struktur und fehlenden Skalierbarkeit dieser Datenbanken fehlt den Empfehlungen zudem oft auch der Kontext: Wo befindet sich der Kunde gerade? Welches Gerät benutzt er für seinen Besuch auf der Website? Wie spät ist es dort? Und wie ist das Wetter? Damit die Vorschläge tatsächlich relevant sind, müssen all diese individuellen Faktoren in die Empfehlungen mit einfließen.
Echtzeit-Empfehlungen mit Graphdatenbank
Schneller und genauer arbeiten Graphdatenbanken wie Neo4j: 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. Integriert in eine Graphdatenbank lässt sich durch die Kombination dieser Daten ein ganzheitliches Kundenprofil erstellen, das eine gezielte, persönliche Ansprache erlaubt. Erst so erhalten Webshop-Besucher wirklich relevante Produktempfehlungen.
Sportartikel-Hersteller adidas nutzt Neo4j um Kunden noch gezielter über für sie relevante Inhalte und Produktempfehlungen zu informieren.
Der größte Vorteil von Graphdatenbanken liegt dabei in ihrer hohen Performance. Im Vergleich zu herkömmlichen Datenbanken kann Neo4j je nach Szenario bis zu 1.000-mal schneller arbeiten und damit Ergebnisse in Millisekunden liefern – also in Echtzeit. Dank der hohen Skalierbarkeit lassen sich zudem neu gewonnene Informationen – z. B. neue Kontakte oder auf dem Wunschzettel abgelegte Artikel – als neue Beziehungen im Graphen ablegen. Queries können einfach geändert und kontinuierlich verbessert werden. Da die Daten immer up-to-date sind, lassen sich Einkäufe, Kommentare, Klicks und Bewertungen sofort miteinander in Bezug setzen und für die nächste Empfehlung nutzen.
Mehr Transparenz
Die Abbildung als Graph schafft zudem eine hohe Transparenz. Von einem beliebigen Ausgangspunkt lassen sich die Verbindungen traversieren, d. h. Anwender können das komplexe Netzwerk aus Interessen, sozialen Kontakten, Empfehlungen und Kaufverhalten um eine Person herum einsehen. So lassen sich nicht nur neue Absatzmärkte und Zielgruppen definieren, sondern auch Ideen für Marketingstrategien entwickeln und kommende Trends vorhersehen. Dabei können Unternehmen die Empfehlungsmechanismen an den eigenen Deckungsbeiträgen, Margen und Umsätzen ausrichten. Die genaue Analyse der Customer Journey ermöglicht höhere Cross- und Upselling-Effekte sowie ein effizientes E-Mail-Marketing, eine automatisierte Preisoptimierung und Re-targeting.
Graphen in der Praxis
Für Unternehmen offenbart sich durch Graph-Technologie eine Vielzahl an Einsatzmöglichkeiten. Der Sportartikel-Hersteller adidas z. B. nutzt Neo4j für das Masterdatenmanagement. Die Datenbank ermöglicht es eine Vielzahl an isolierten Datensilos – gefüllt mit Informationen zu Produkten, Verkaufskanälen, Social Media, digitalen Ressourcen, Markeninhalten etc. – sinnvoll zu nutzen und Kunden noch gezielter über für sie relevante Inhalte und Produktempfehlungen zu informieren. Ein Thomas Müller-Fan wird z. B. zu einem passenden Fußballprodukt auf die Website gelotst. Ein anderer Kunde erhält speziell auf seine Lieblings-Basketballmannschaft zugeschnitten News.
Um Kunden einen solchen Mehrwert bieten zu können, sind mehrere Schritte notwendig:
- Empfehlungen entdecken
Zunächst wird das komplexe Netzwerk aus Daten nach Übereinstimmungen und Verknüpfungen durchsucht, z. B. welches Produkt besitzt die gleichen Eigenschaften wie das gekaufte Produkt von Kunde XY und kann empfohlen werden.
- Empfehlungen bewerten
Dabei können einzelne Übereinstimmungen und Verknüpfungen unterschiedlich bewertet werden. Ein Beispiel: Spielt ein günstiger Preis beim Einkauf eine übergeordnete Rolle, erhält dieser ein höheres Rating und fließt damit stärker in Auswertung ein. Umgekehrt können bestimmte Merkmale auch negativ bewertet werden, z. B. zusätzliche Lieferkosten.
- Entfernen von irrelevanten Empfehlungen
Zusätzlich sorgt ein Ausschlussverfahren dafür, dass keine falschen oder irrelevanten Empfehlungen zustande kommen. Auf einer Blacklist stehen z. B. die Produkte, die bereits gekauft oder abgelehnt wurden. Über einen Filter lässt sich zudem die tatsächliche Relevanz einer potenziellen Empfehlung überprüfen, beispielsweise wenn ein Artikel momentan gar nicht auf Lager ist.
- Qualitätsmessung
Mit diesen Schritten lässt sich ein System erstellen, das in Kombination mit den tatsächlichen Erfolg von Empfehlungen – also den geklickten, gekauften oder ignorierten Produkten – die Qualität der Vorschläge misst. Empfehlungen können so leichter nachvollzogen, angepasst und optimiert werden.
Recommendation Engines auf Basis von Graphdatenbanken versetzen Online-Anbieter in die Lage, Produkte, Inhalte und Services personalisierter, schneller und flexibler anzubieten. Dabei erfüllen sie die wichtigsten Kriterien für Empfehlungssysteme wie Genauigkeit und Geschwindigkeit. Denn nur wenn die Vorschläge in Echtzeit erfolgen und ein tatsächlichen Mehrwert für den Kunden entsteht, können Unternehmen sowohl ihren Gewinn als auch die Kundenzufriedenheit steigern.
