E-Commerce: Graphdatenbanken für Online-Empfehlungen in Echtzeit

Ein Gastbeitrag von Holger Temme, Area Director CEMEA, Neo Technology

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.  

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 zu Stande 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. Auf Grund 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 miteinfließen.

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 zu Stande 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 potentiellen 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.

Diesen Beitrag kommentieren:

Bitte geben Sie Ihren Kommentar ein
Bitte geben Sie hier Ihren Namen ein

Avatar
Holger Temmehttp://neo4j.com/
Holger Temme ist Diplom Wirtschaftsinformatiker und Area Director CEMEA bei Neo Technology. Außerdem war er an verantwortlichen Stellen im Sales von Atlantis Computing, VMware und Citrix Systems tätig.
AnzeigeWerbung in Podcasts

Veranstaltungen

Nexus 2020 – Vollgas am Nürburgring

Das dritte E-Commerce Event des Händlerbundes findet im kommenden Jahr unter einem neuen Namen statt: NEXUS. In insgesamt vier Themenwelten beschäftigen sich Expertinnen und...

Command Control – Cyber Resilience neu gedacht

Das Expertentreffen Command Control findet im Jahr 2020 bereits zum zweiten Mal statt. Der Gipfel beschäftigt sich mit dem Thema Cyber-Sicherheit und nimmt in...

E-Commerce-Day 2020 – eine Institution in Köln

Bereits zum 11. Mal findet in diesem Jahr der E-Commerce-Day in Köln statt. Das Event hat sich zu einem Pflichtprogramm für alle Player im...

Empfehlung der Redaktion

Digitalisierung: Was ist das?

Diesen Artikel lieber hören? Gelesen von Peter Brown. Hörbar gemacht von Obwohl sie in nahezu allen unseren Lebens- und Arbeitsbereichen eine große Rolle spielt, ist die...

Aufgaben eines CDO – als Störenfried die Digitalisierung voranbringen

Die Metajobsuchmaschine Joblift hat die Stellenausschreibungen für CDOs (Chief Digital Officer) der letzten zwei Jahre unter die Lupe genommen. Hierbei haben sich recht eindeutige...

HubSpot – der ultimative Wegweiser für die erfolgreiche Nutzung von HubSpot

HubSpot ist ein börsennotiertes Software-Unternehmen aus den Vereinigten Staaten, mit dem Fokus auf Marketing-Software für Inbound Marketing und Sales und im Juni 2006 gegründet...

Was ist SEMrush? – Alle Funktionen im Überblick

Alles begann im Jahr 2008 als sich eine kleine Gruppe aus IT- und SEO-Spezialisten mit einer gemeinsamen Mission zu einem Unternehmen zusammenschlossen und den...

5 SEO Tipps für Online Shops

5 Online Shop SEO Tipps für bessere Rankings und mehr Umsatz im Jahr 2015. Mit diesen Tipps ist jeder Online Shop Betreiber auf der sicheren Seite.

Produktmanagement im E-Commerce

Die Zukunft sieht vernetzt aus ... und zwar in Form von E-Dienstleistungen. Alles muss elektronisch und digitalisiert sein. Das hat auch seine guten Gründe....

Digital Leadership – die Digitalisierung stellt neue Ansprüche an Führungskräfte

Die schöne neue Digitalwelt verlangt eine Neuausrichtung der Arbeitswelt. Das gilt sowohl für die an den Unternehmensprozessen beteiligten Mitarbeiter als auch für die Führungskräfte...

Bing Ads: Erfolg mit dem Werbeprogramm von Microsoft

Bing Ads heißt das Microsoft Werbeprogramm für Bing und Yahoo! Die beiden Suchmaschinen betreiben ihre Werbung schon länger über das gemeinsame Yahoo! Bing Network....

Jetzt Alexa Skill aktivieren!

digital-magazin alexa Skill

Ähnliche Beiträge