• Skip to primary navigation
  • Skip to main content
Fellow Consulting AG

Fellow Consulting AG

where people work together

  • Produkte & Services
    • Digitale Transformation
      • Intelligent Open Network
    • Infor OS
    • Strategischer Einsatz von Open Source im Unternehmen
    • Ephesoft Transact – IDM-Capture
      • FellowKV²-Plugin
      • TableExtraction²-Plugin
    • Marketing & CRM
      • Oktopost – Social Marketing
      • Sugar Market
      • SugarCRM
  • Customer Success Stories
    • MVTec – SugarCRM für einen globalen Hersteller
    • Bet3000 – SugarCRM für Glücksspiele
    • Coloplast – Mobiles CRM für Life Science
    • Diversey – Mobiles CRM und Wartung für Reinigung und Hygiene
    • Diversey – Online Shop
    • Jochen Schweizer – SugarCRM für die Freizeit
    • Acnos Pharma rationalisiert Arbeitsabläufe
    • Deutsche Presse-Agentur (dpa)
  • Fellow
    • Über uns
    • Karriere: Wir stellen ein!
    • Kontakt
    • Optin
    • Partner
  • Deutsch
    • English
  • Show Search
Hide Search

Empfehlungsdienste

Inês Brandão · 11. November 2019 ·

Teilen

Ein Empfehlungsdienst (engl. recommender system) ist ein Datenfilter-Tool, mit dem man die Interessen oder Präferenzen von Benutzern auf der Basis der in einer Datenbank über sie gespeicherten Daten vorhersagen kann. Man kann mit diesem Tool die Bedürfnisse seiner Kunden, ausgehend von ihren Aktivitäten in der Vergangenheit, verstehen und Vorschläge dahingehend machen, was ihnen wahrscheinlich gefallen wird und damit die Kundenzufriedenheit verbessern.

Diese Funktion, die auch manchmal als “recommendation engine” bezeichnet wird, wurde mit Hilfe von KI (künstlicher Intelligenz) entwickelt und ermöglicht es einem Unternehmen, seinen Kunden auf der Basis ihres früheren Verhaltens (Klicks, Einkäufe, Likes, Bewertungen usw.) seine Produkte oder Dienstleistungen mit größerem Nachdruck anzubieten. Empfehlungsdienste arbeiten mit einem sehr genauen Verfahren, indem sie Algorithmen verwenden, die auf Methoden des maschinellen Lernens basieren.

Ein solches Computerprogramm wird auf vielen unterschiedlichen Kanälen angewendet wie z.B. bei kommerziellen Apps, im Internethandel, auf sozialen Medien, bei inhaltsbasierten Diensten etc. Es erleichtert den Benutzern die Entscheidung, da sie Vorschläge erhalten auf Grund der Präferenzen und Vorlieben, die sie vorher gezeigt haben.

Es gibt verschiedene Ansätze, auf denen Empfehlungsdienste aufgebaut sein können:

Kollaboratives Filtern – Dieses basiert auf früheren Informationen über die Aktivitäten des Kunden. Das System analysiert Daten und nimmt an, dass bestimmte Übereinstimmungen zwischen Benutzern, die in der Vergangenheit bestanden, auch in Zukunft bestehen werden. 

Es verfolgt ihr Verhalten und ihre Vorlieben, um Muster zu erkennen und Empfehlungen zu geben, die auf der Ähnlichkeit zwischen Benutzern bestehen. Ein gutes Beispiel hierfür sind die Empfehlungen von Netflix oder Spotify – welche Benutzern bestimmte Filme oder Musik anbieten, basierend nicht nur auf ihren eigenen früheren Vorlieben, sondern auch auf denen anderer Benutzer mit ähnlichen Vorlieben. Sie gehen davon aus, dass, wenn dem Benutzer 1 Objekte A, B und C gefallen und dem Benutzer 2 Objekte A und B, eine große Wahrscheinlich dafür besteht, dass dem Benutzer 2 Objekt C ebenfalls gefällt.

Inhaltsbasiertes Filtern – Bei diesem Verfahren benutzt das System sein Wissen über ein Produkt, um neue Produkte zu empfehlen. Es kennt die Merkmale, die alle Produkte gemeinsam haben und gleicht sie mit den früheren Vorlieben des Kunden ab. Hier kann man Amazon als Beispiel nehmen – wenn jemand ein Buch aus dem Genre des Dramas von Autor X kauft, dann empfiehlt ihm das System ein anderes Buch aus dem Bereich Drama, das vom gleichen Autor geschrieben wurde, weil das Tool annimmt, dass beide viele Merkmale  teilen.

Hybride Empfehlungs-Systeme – Bei diesem Ansatz werden Informationen sowohl aus dem kollaborativen Filtern als auch dem inhaltsbasierten Filtern kombiniert, nämlich Wechsel-beziehungen zwischen Benutzer und Objekt und Merkmalen des Objektes. Die Leistungs-fähigkeit dieses Ansatzes ist häufig größer als bei den beiden anderen Einzelmethoden, weil er Lücken abdeckt, die in ihnen jeweils bestehen. Dieses System ist viel umfassender und erzielt ein besseres Ergebnis für die Benutzer.  

Wenn man Empfehlungsdienste versteht, erkennt man auch, wie vorteilhaft und leistungsfähig diese Funktion für Unternehmen und für Benutzer sein kann. Sie bietet dem Kunden Zeitersparnis und Genauigkeit beim Suchen nach Produkten oder Unterhaltung und helft Unternehmen gleichzeitig, bei ihren Angeboten viel effektiver zu sein.


Teilen

Blog, Maschine Learning, News Empfehlungsdienste, künstlicher Intelligenz

Weitere Blogs

In diesem Blogbeitrag stellen wir Ihnen einige der besten Tipps vor, wie Sie den Prozess einfacher und effizienter gestalten können.

In diesem Blogbeitrag erörtern wir die Vorteile der Verwendung einer Low-Code-Plattform mit CRM, um Ihr Unternehmen zu vergrößern.

Digitalisierung forciert Low-Code-Entwicklung

Die Digitalisierung und auch der Fachkräftemangel haben die Nachfrage nach No-Code-
und Low-Code-Entwicklungsmodellen massiv befeuert. Beide Ansätze zielen auf kürzere Entwicklungszyklen ab. Was Low-Code-Plattformen konkret bieten sollten, zeigt IT-Dienstleister Fellow Consulting AG auf.

Ohne Low-Code keine Prozessdigitalisierung

Ziel der Prozessdigitalisierung ist es, Prozesse effizienter und transparenter zu gestalten. Dies kann geschehen, indem sie automatisiert oder benutzerfreundlicher gestaltet werden. Viele Unternehmen stellen jedoch fest, dass sie mit ihren Projekten zur Prozessdigitalisierung nicht die gewünschten Ergebnisse erzielen. Das liegt oft daran, dass sie versuchen, mit zu wenig Hilfe zu viel zu erreichen. In diesem Blogbeitrag werden wir erörtern, warum Low-Code-Plattformen für erfolgreiche Prozessdigitalisierungsprojekte so wichtig sind.

Partnerschaft

Da sich die digitalen Technologien immer weiter entwickeln und alle Aspekte unseres Lebens beeinflussen, stehen Unternehmen an einem Scheideweg: Sie müssen sich anpassen oder riskieren, veraltet zu werden.

  • Startseite
  • Kontakt
  • Datenschutz
  • AGB
  • Impressum