Recommendation Engines mit der Google Cloud Platform (GCP) aufbauen

Personalisierung ist ein wichtiger Aspekt unseres Lebens geworden und disruptive Unternehmen wie Amazon oder Netflix haben dieses Thema auf ein neues Level gehoben, indem sie NutzerInnen personalisierte Produkt- und Content Recommendations anbieten. UserInnen erwarten ein personalisiertes Erlebnis beim Online-Shopping heute mehr denn je und deshalb interessieren sich auch immer mehr Unternehmen für die Integration von Recommendation Engines in ihr Angebot. Dank der Verfügbarkeit von Rohdaten, Cloud Computing Diensten und Machine Learning (ML) Algorithmen ist es heutzutage für jedes Unternehmen möglich, solche Engines zu bauen und entsprechend der eigenen Geschäftsanforderungen zu skalieren. In diesem Blogartikel möchten wir Ihnen einen kurzen Überblick über Recommendation Engines geben und die verschiedenen Lösungen zusammenfassen, die von der Google Cloud Platform (GCP) angeboten werden.

Recommendation Engines

Eine Recommendation Engine ist ein System, welches personalisierte Produkt- und Content-Empfehlungen für UserInnen bereitstellt. Solche Systeme werden durch Machine Learning Algorithmen angetrieben und nutzen Daten, die Vorwissen über die bekannten Interessen und Interaktionen der BenutzerInnen enthalten. 

Drei der wichtigsten Ansätze für Recommendation Engines sind:

  • Content based filtering: Dieser Ansatz empfiehlt Produkte, die dem ähneln, was ein User oder eine Userin in der Vergangenheit angesehen oder geliked hat. Da die Empfehlungen benutzerspezifisch sind, können sie leicht skaliert werden, um eine große Anzahl von BenutzerInnen zu berücksichtigen. Allerdings bieten diese Empfehlungen den UserInnen nicht die Möglichkeit, andere Produkte als die, die ihnen bisher gefallen haben,  zu entdecken. 
  • Collaborative filtering: Dieser Ansatz basiert auf der Annahme, dass zwei verschiedene UserInnen, die in der Vergangenheit eine Affinität für die gleichen Produkte zeigten, wahrscheinlich auch jetzt und in Zukunft die gleichen Produkte mögen werden. Solche Modelle empfehlen Produkte, die von NutzerInnen mit ähnlichen Interessen geliked oder angesehen wurden. Ein großer Vorteil dieser Methode ist, dass sie kein Domänenwissen über die Produkte erfordert und den NutzerInnen auch die Möglichkeit gibt, Produkte zu erkunden, die sie bereits entdeckt haben. Allerdings können solche Modelle keine Produkte empfehlen, die neu in den Katalog eines Unternehmens aufgenommen wurden, und erfordern daher häufiges Retraining, um diese Produkte in ihre Empfehlungslisten aufzunehmen.
  • Hybrid: Dieser Ansatz kombiniert sowohl inhaltsbasiertes als auch kollaboratives Filtern und passt die Empfehlungen entsprechend an.

Anforderungen

Welchen Ansatz sollte Ihr Unternehmen wählen? Bevor Sie sich entscheiden, ist es wichtig, das Konzept der Recommendation Engines aus drei Hauptperspektiven zu beurteilen:

Business Objective: Was soll verbessert werden?

Die Identifizierung des Unternehmensziels (Business Objective) ist die erste Voraussetzung, die erfüllt sein sollte, um sicherzustellen, dass die Empfehlungen letztendlich das gewünschte Ergebnis für ein Unternehmen erzielen.    Wenn das Ziel beispielsweise darin besteht, den Umsatz mit einer Vielzahl von Produkten zu steigern, dann könnte eine Recommendation Engine so optimiert werden, dass sie den UserInnen vielfältigere Produkte vorschlägt. Wenn aber das Ziel darin besteht, die User Experience zu verbessern, könnten die Empfehlungen beispielsweise auf Produkten basieren, die gut zusammenpassen oder die von UserInnen mit ähnlichen Interessen geliked oder angesehen werden.

Ausspielung: Touchpoints und Timing

Ein weiterer wichtiger Aspekt ist, zu verstehen, wie eine Recommendation Engine genutzt werden soll. Werden die Empfehlungen den NutzerInnen zum Beispiel in Echtzeit präsentiert, sobald sie eine Website, eine App oder sogar ein Geschäft vor Ort besuchen? Oder soll die Strategie stattdessen sein, Empfehlungen periodisch über eine E-Mail-, Display- und Video-Werbekampagne auszuspielen? Werden die UserInnen damit interagieren, indem sie zum Beispiel Feedback zu den Empfehlungen geben?    Solche Entscheidungen werden sich definitiv nicht nur auf die Machine Learning-Methode, sondern auch auf die Gesamtarchitektur der Recommendation Engine auswirken und sollten daher bereits in einem sehr frühen Stadium der Entwicklungsphase berücksichtigt werden.  

Data Assessment: Analyse der Daten

Die Entwicklung einer Recommendation Engine, die auf Techniken des maschinellen Lernens basiert, erfordert große Mengen an historischen Benutzer- und Produktdaten. Solche Daten werden in Machine Learning-Modelle eingespeist, um deren Fähigkeit zu optimieren, Vorhersagen über Empfehlungen zu machen.    Dies hat zur Folge, dass Daten von schlechter Qualität zu schlechten Empfehlungen führen können (dieses Konzept ist im Machine Learning als “Garbage in, garbage out” bekannt). Eine gute Praxis ist es, die verfügbaren Daten deshalb zu analysieren, und zu beurteilen, ob sie relevant und ausreichend für den Aufbau einer Recommendation Engine sind. Wenn man zum Beispiel weiß, dass der Produktkatalog viele Artikel enthält, wie oft die Daten des Produktkatalogs aktualisiert werden und ob es Daten gibt, die das Feedback der UserInnen erfassen, wird der Entscheidungsfindungsprozess definitiv vereinfacht.   Und selbst dann, wenn die Daten vorhanden sind, ist es wichtig, die Fähigkeit zu haben, die geschäftlichen Anforderungen richtig zu identifizieren (Business Understanding) sowie die Daten zu verarbeiten und die Lösung zu implementieren (Cloud & Data Science), um eine Recommendation Engine zu entwickeln, die letztendlich einen Mehrwert für das Unternehmen und seine KundInnen schafft. 
e-dialog Blogbeitrag Recommendation Engines
(c) e-dialog

Google Cloud Platform Lösungen für Recommendation Engines

Derzeit bietet die Google Cloud Platform vier Möglichkeiten, State-of-the-Art Machine Learning-Techniken zu nutzen und Recommendation Engines in der Cloud einzusetzen: 

Die Nutzung von BigQuery ML für Recommendations

BigQuery ML ist ein großartiges Tool für kostengünstige und schnelle Implementierungen von Recommendation Engines, unterstützt derzeit jedoch nur einen bestimmten Recommendation Type (es empfiehlt UserInnnen nur Produkte, die von anderen UserInnen mit ähnlichen Interessen geliked oder angesehen werden). Die Modelle werden mit SQL erstellt und können in BigQuery über ein Web User Interface angesprochen werden (Rest API, Kommandozeilentools und externe Tools wie jupyter notebooks werden ebenfalls unterstützt). Für Performance-Tests (z. B. A/B-Tests) muss eine separate Implementierung in diese Lösung integriert werden.

Recommendations AI – Reco AI

e-dialog Blogbeitrag Recommendation Engines
(c) e-dialog
Recommendations AI auf der anderen Seite bietet eher eine end to end solution, die eine breitere Palette von Recommendation Types unterstützt und gleichzeitig ein User Interface bietet, das den Prozess des Monitorings und des Performance Testings von Empfehlungen vereinfacht. Weitere Vorteile sind, dass sie die Phase der UserInnen in der Customer Journey berücksichtigen kann und dass sie an mehreren Touchpoints und Kanälen aktiviert werden kann. Es minimiert definitiv den Aufwand, der für den Aufbau einer Recommendation Engine erforderlich ist, da es keine Expertise in ML oder Domänenwissen erfordert. Beachten Sie jedoch, dass diese Vorteile mit höheren Laufzeitkosten und weniger Flexibilität für Anpassungen einhergehen. 

AI Platform

AI Platform ist eine Entwicklungsplattform, die eine schnelle und kosteneffiziente Bereitstellung von ML-Projekten ermöglicht. Sie erfordert definitiv ein gewisses Maß an ML-Expertise und Domain Wissen für die Vorbereitung, Erstellung, Validierung und Bereitstellung von ML-Modellen. Wenn es um Recommendation Engines geht, bietet AI Platform die Möglichkeit, einen der eingebauten Algorithmen (Wide & Deep) zu verwenden, der in der Vergangenheit zur Steigerung der App-Akquisitionen in Google Play verwendet wurde. 

Selbst entwickelte & personalisierte Recommendation Engines

Self Customized Recommendation Engines hingegen bieten die größte Flexibilität, erfordern aber ML, Domain Expertise sowie einen höheren Entwicklungs- und Wartungsaufwand. 

Im Folgenden finden Sie eine kurze Zusammenfassung dessen, was die unterschiedlichen Lösungen bieten:
BigQuery ML Recommendations AI AI Platform Selbst entwickelt & personalisiert
Recommendation Type “Produkte, die User mit ähnlichen Interessen angesehen haben”  “Weitere Produkte, die Ihnen gefallen könnten” “Relevanteste Produkte” Hängt von der gewählten Methode ab, z.B.: “Ähnliche Produkte”, “Produkte, die User mit ähnlichen Interessen angesehen haben” 
“Oft zusammen gekauft”
“Empfehlung für Sie”
“Zuletzt angesehen”
Methode Matrix-Faktorisierung Nicht bekannt Wide & Deep  Hybrid
Datenquelle Product IDs Produktkatalog Produktkatalog Produktkatalog User events
User IDs User events aus einer Vielzahl von Datenquellen User events aus einer Vielzahl von Datenquellen User events aus einer Vielzahl von Datenquellen
Implizites oder explizites Feedback Optional andere relevante Datenquellen Optional andere relevante Datenquellen Optional andere relevante Datenquellen
Domain Wissen Gering Gering Hoch Hoch
Entwicklungsaufwand Mittel Gering Mittel Hoch
Laufzeitkosten Mittel Hoch Mittel Gering
Konfiguration UI Nein Ja Nein Nein
Personalisierung Gering Gering Mittel Hoch
Performance Messung Individualisierbar Eingebunden in die Benutzeroberfläche Individualisierbar Individualisierbar
A/B testing  Individualisierbar Implizit Individualisierbar Individualisierbar

Sind fertige Recommendation Engines von bekannten Anbietern eine gute Lösung?

Bei der Suche nach Recommendation Engines finden Sie eine Fülle von bekannten Anbietern, die Out-of-the-Box-Software anbieten. Auch wenn viele von ihnen tolle Lösungen anbieten, gibt es einige Punkte, die man beachten muss:
  • Black box solutions: Die meisten Lösungen nutzen Daten und Techniken des maschinellen Lernens, um die Recommendation Models zu entwickeln. Solche Modelle werden als “Black Box” betrachtet, da es nicht möglich ist, genau zu interpretieren, wie die Variablen miteinander kombiniert werden, um Vorhersagen zu treffen.
  • Customization: Fertige Lösungen können dennoch die Möglichkeit bieten, die Recommendation Engine an Ihre Bedürfnisse anzupassen. Zum Beispiel, um
    • Empfehlungen über mehrere Touchpoints und Kanäle auszuspielen
    • zusätzliche Datenquellen (z.B. Wetterdaten) einzubinden, die für Ihr Unternehmen relevant sein könnten
    • Modelle in Abhängigkeit von bestimmten Zielen zu entwickeln (Umsatzmaximierung, Click-Through-Rate etc.)
    • spezifische Geschäftsregeln anwenden (z. B. Lagerverfügbarkeit)
  • Compliance: Die Lösungen müssen den DSGVO-Standards entsprechen.
  • Cost & Return of Investment (ROI): Die relativ hohen Kosten für einen “Out of the Box”-Service können sich in kürzester Zeit amortisieren, wenn die Einrichtung entsprechend den gewünschten Geschäftsanforderungen und -zielen erfolgt.

Fazit

Recommendation Engines sind definitiv gekommen, um zu bleiben und die Zukunft zu gestalten, wie UserInnen Online-Shopping erleben. Die Nutzung von Google Cloud Platform-Services kann den Prozess des Aufbaus einer skalierbaren Recommendation Engine, die einen Mehrwert für Ihr Unternehmen und Ihre KundInnen schafft, definitiv beschleunigen. 

Wenn Sie sich für dieses Thema interessieren und/oder Unterstützung von branchenführenden ExpertInnen suchen, würden wir uns sehr freuen, Sie entsprechend Ihren spezifischen Anforderungen zu beraten! Sie können uns per E-Mail erreichen: kontakt@e-dialog.at

Hinterlassen Sie einen Kommentar: