Über das Buch

Zum Inhalt

Die hohe Produktvielfalt im Onlinehandel führt bei den Konsumenten häufig zu einer Überforderung und schließlich zum Kaufabbruch. Um dieser Informationsflut entgegenzuwirken, kommen Methoden der Produktempfehlung zum Einsatz, die individuell und personalisiert Produkte dem Konsumenten zur Verfügung stellen können. Die Produktvorschläge basieren dabei auf dem historischen Klick- und Kaufverhalten und sollen somit die Präferenzen und Wünsche der Konsumenten widerspiegeln. Das Klickverhalten allein reicht jedoch oftmals nicht aus, um den Konsumenten vollumfänglich verstehen und das Verhalten interpretieren zu können. Der Autor dieser Studie betrachtet zunächst verschiedene Datenquellen, die die Präferenzen bezüglich bestimmter Produkte aus einer Konsumentensicht abbilden können. Explizite Kundenmeinungen in Form von Produktrezensionen sowie das Klickverhalten, Produktbilder und Produktattribute liefern hierbei relevante Perspektiven. Unstrukturierte Textdaten werden zunächst mithilfe von Methoden des Natural Language Processing vorverarbeitet und in ein einheitliches Datenmodell überführt. Das Set an Produktattribute beinhaltet vorwiegend Informationen bezüglich verschiedener Farbmetriken (Sättigung, Helligkeit etc.) und dem Vorhandensein einzelner Konstruktions- und Designelemente eines Produkts. Anhand des Klickverhaltens der Konsumenten lassen sich Produkte identifizieren, welche häufig zusammen innerhalb einer Session angesehen werden. Die verschiedenen Datenquellen werden dazu verwendet, um Produktähnlichkeiten identifizieren zu können. Hierbei kommen Methoden des Machine Learning (Word2Vec) und Deep Learning (Variational Autoencoder) zum Einsatz. Das Ergebnis der Algorithmen ist die Darstellung von Produkten als Vektoren in einem multidimensionalen Vektorraum, welche anhand der Distanzen miteinander verglichen werden können. Die verschiedenen Perspektiven auf Produktähnlichkeiten werden anhand des Anwendungsfalls der Produktempfehlung untersucht und…

Schlagworte

Wirtschaftsinformatik, Betriebswirtschaft, Informatik, Produktempfehlungen, Empfehlungsagent, Deep Learning, Machine Learning, Kleidungsindustrie, KI, Intelligenz, AI, Autoencoder, Word2Vec, Natural Language Processing, Technology Acceptance Model, Design Science Research