Mit personalisierten Artikel Empfehlungen zur besseren User Experience

Die Ausspielung von personalisierten Inhalten ist der Schlüssel zur Verbesserung diverser KPI’s und einer positiven User Experience. Unsere auf Machine Learning basierende Recommendation Engine für Publisher zeigt dies eindrucksvoll!

Ausgangslage

Bereits 2018 haben wir mit Google den Grundstein für Artikel-Empfehlungen via Machine Learning mit TensorFlow gelegt (näheres dazu im Blogartikel: Recommendation Systems mit Google Analytics Rohdaten). Dieses Basis-System wurde weiterentwickelt und in einem konkreten Publisher Case individualisiert umgesetzt. Für k.at, ein News Portal des KURIER-Medienhauses gab es folgende Challenge: Ein Großteil der Publisher Kunden liest nur einen Artikel auf der Website und verlässt die Seite danach wieder. Dieses Problem wurde von uns mit einem eigens entwickelten Recommendation System in Angriff genommen. Photo by Alexander Sinn on Unsplash

Ziele von (Publisher) Recommendation Systems

Die Verbesserung der sogenannten User Recirculation Rate –  der Prozentsatz der User, die eine andere Seite der Website besuchen nachdem der erste Artikel gelesen wurde – steht demnach im Mittelpunkt. Des weiteren wurde die Verbesserung der User Experience und die Maximierung des Ad-Revenue angestrebt.

Lösungsansatz – Personalisierte Artikel Empfehlungen mit Machine Learning Systemen

Unser Ansatz um diese Ziele zu erreichen, sind personalisierte Artikel Empfehlungen basierend auf Machine Learning Systemen. Dazu müssen Daten in folgenden Bereichen erhoben werden: “Was ist der Inhalt des gelesenen Artikels” (Daten zum Artikel) und “Wer liest den Artikel” (Daten zum Leser). Als Datenbasis diente Google Analytics, die gesammelten Daten wurden  dann verwendet um Machine Learning Systeme zu trainieren und personalisierte Empfehlungen auszuspielen.

Typen von Recommendation Systemen

Wir unterscheiden zwischen 3 Arten von Recommendation Systemen: Content Based, Collaborative Filtering, Knowledge Based. Arten von Recommentation Systems
  • Content based: Der Inhalt des Artikels ist zentrales Element. Die Frage “Was wird gelesen?” steht im Vordergrund.
  • Collaborative Filtering: Der User oder die Cookie ID ist das zentrale Element. Die Frage “Wer liest den Artikel?” steht im Vordergrund.
  • Knowledge based: Basieren auf expliziten Kenntnissen über das Artikelsortiment, Benutzerpräferenzen und Empfehlungskriterien.

Systeme im Vergleich:

Vergleich Recommentation Systems

Unsere Systemarchitektur

Die schematische Darstellung zeigt die Systemarchitektur unserer Recommendation Engine. Das von uns programmierte Machine Learning Skript ist Herzstück des Systems. Systemarchitektur

Woher kommen die Daten unserer Recommendation Engine?

Wir nutzen das komplette Spektrum der Google Marketing Platform bzw. der Google Cloud Platform. Grundlage sind Google Analytics Websitedaten. Diese werden alle 15 Sec mittels Real Time Stream in der Google Cloud abgespeichert. In der Google Cloud passieren die laufenden Datenaktualisierung und die Kalkulation und Optimierung der Machine Learning Modelle. Die Ausspielung der empfohlenen Artikel passiert mittels Google Tag Manager auf Basis von Google Analytics Nutzer Identifier. Bonus: es werden keine zusätzlichen Schnittstellen von Publisher Seite benötigt (diese sind bei Google 360 automatisch vorhanden). Datenquellen  

Die Ergebnisse

  Die Grafik zeigt eindrucksvoll die Verbesserung relevanter KPIs durch den Einsatz der Recommendation Engine. Dies bedeutet auch eine deutliche Verbesserung der User Experience, da BesucherInnen der Seite jetzt für sie relevante Inhalte angezeigt werden. Immer wenn die Recommendations ausgespielt wurden, konnte nicht nur die Sitzungsdauer mehr als verdoppelt, sondern auch die Anzahl der besuchten Seiten deutlich gesteigert werden. Sie sind an der auf Machine Learning basierten Ausspielung von Daten interessiert? Kontaktieren Sie uns gerne unter kontakt@e-dialog.at!

Hinterlassen Sie einen Kommentar: