Embed Size (px)
DESCRIPTION
Recommendations bilden im E-Commerce bereits seit geraumer Zeit eine wichtige und zentrale Rolle. Die Gründe dafür sind vielfältig: Bessere Kundenbindung, höhere Conversion Rates, optimiertes Up- und Cross-Selling Potenzial usw. Doch wie können diese Anreize erreicht werden? Wir zeigen Ihnen, welche Herausforderungen Ihnen begegnen, und wie Sie diese meistern können. Open Source hilft Ihnen dabei.
Citation preview
Technology Drives Business
NEUE POTENTIALE DURCH RECOMMENDATIONS ERSCHLIEßEN / CONVERSIONS STEIGERN
Daniel Wrigley
Apache Solr, Solr, Apache Lucene, Lucene and their logos are trademarks of the Apache Software Foundation.Elasticsearch, Kibana, Marvel, Logstash are trademarks of Elasticsearch BV, registered in the U.S. and in other countries.
DANIEL WRIGLEY
Consultant für Search & Big Data Technologies
Computerlinguist
Durch LucidWorks zertifizierter Apache Solr Trainer
Autor zahlreicher Blogs und
Coautor des Buchs „Einführung in Apache Solr“
@wrigley_dan
Seit 1994 hersteller-unabhängiges Unternehmen für IT Consulting und Software Engineering.
Wir bieten Lösungen rund um Semantic Search, Big Data und Explorative Datenanalyse auf der Basis etablierter Open-Source Software.
Wir stellen Werkzeuge bereit, die durch optimale Nutzung der Technologie und Daten unsere Kunden beim Erreichen Ihrer Geschäftsziele unterstützen.
UNSERE MISSION
Heute
2013
2011
2000 Erste Projekte mit Open Source
Partnerschaft mit LucidWorks
Partnerschaft mit Smartlogic
Hersteller-unabhängiges Unternehmen. Lösungen rund um Suche, Navigation und Datenanalyse mit Fokus auf Open Source.
1994 Unternehmensgründung und Entwicklung eines Produkts
SEIT 1994
UNSERE KUNDEN (AUSZUG)
VERLAGE & MEDIEN HANDEL & ECOMMERCE IT, ENGINEERING, SONSTIGESBEHÖRDEN
WAS WIR TUN
MIT SERVICES
DURCH ANWENDUNG
DES KNOW-HOWS
REALISIEREN LÖSUNGEN
ZUR OPTIMALEN NUTZUNG
VON DATEN
• Strategy Consulting• Technical Consulting• Architecture Review• Development Support• Team Enablement
Through Workshops and Trainings
• Technology Comparison• Tuning & Troubleshooting• Migration Services• Experts to Hire• Service Level Agreements
• Software Architecture• Coding Services for Java,
C++/C, .NET, PHP for multiple OSs.
• Continuous Integration and Test Driven Development
• Managing Software Project Lifecycle
• Commerce Search• Intranet Portal Search• Website Search• Search Knowledge
Management• Explorative Datenanalyse• Social Media Monitoring
Tools
UND ETABLIERTEN PRODUKTEN
UND PARTNERN
• Apache Solr/Lucene• Apache Mahout• Apache Hadoop, Pig, Hive• LucidWorks Search• LucidWorks Search Big Data
SHI GmbH & Co. KGCurt-Frenzel-Str. 12D - 86167 Augsburg
[email protected]+49.821.74 82 633 - 0@SHIEngineers
KONTAKT
Michael Marheineke Markus Klose Daniel Wrigley
WO BEGEGNEN UNS RECOMMENDATIONS?
WARUM BEGEGNEN WIR RECOMMENDATIONS?
Conversion Rates
Kundenbindung
Verweildauer
Cross-Selling & Upselling
Auffindbarkeit von Produkten
Vorhandene Technik& Technologien
Gewinn & Mehrwert
Shopsicht
WARUM BEGEGNEN WIR RECOMMENDATIONS?
Auffindbarkeit von Produkten
Usability
Inspiration
Erhöhter Komfort
Zufriedenheit & Begeisterung
Kundensicht
HERAUSFORDERUNGEN
Auswahl der Daten
(Vor)Verarbeitung der Daten
Transport der Daten
Anbieten der Recommendations
Auslösen der Recommendations
Unterschiedliche Arten Recommendations
Komplexität
Mathematik & Algorithmen
WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS?
Meinungen?
WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS?
Rezensionen?
WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS?
Bewertungen?
Kaufverhalten?
gekauft:
dazu passend:
WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS?
WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS?
Suchverhalten?
Häufig geklickte Filter:
> Elektronik
> 250-300€
> Kamera
Berücksichtigung für zukünftige Suchen
WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS?
Weg zum Produkt?
Woher kam der Kunde?
Was hat er gesucht?
Welche Filter hat er benutzt?
An welcher Stelle der Trefferliste stand das Produkt?
WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS?
Praktische Produktverknüpfungen?
WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS?
Faktische Produktverknüpfungen?
+ Handyvertrag
Versicherung
WELCHE DATEN EIGNEN SICH FÜR RECOMMENDATIONS?
Produktergänzungen?
+
WIE WERDEN DATEN ZU RECOMMENDATIONS?
Rohe Daten Artikel, User generiert,…
Pre-Processing Datenformat
History Matrix Was hat wer gekauft?
Co-Occurrence Matrix Was wurde zusammen gekauft?
Indicator Matrix Interessante Werte?
Gewichtung der Werte Optimierung
Speichern der gewichteten Werte Recommendations Search Index
WIE WERDEN DATEN ZU RECOMMENDATIONS?
Nutzerverhalten (Suche, Produktauswahl, …)
Triggering der Recommendations
"Holen" der Recommendations
Anzeigen der Recommendations
Nutzung der Recommendations aufzeichnen
Auswertung der Nutzungsdaten
Verbesserung der Recommendations
MEHR ALS EIN GUTER RICHTWERT…
Was Kunden tun zählt, nicht was sie sagen
Indikator: Gemeinsames Auftreten von Verhalten
Text-Retrieval-Methoden
Komplexität beachten!
Offline: Berechnungen, ETL
Online: Auslösen der Recommendations
PUTTING THE PIECES TOGETHER
EINSATZ VON TECHNOLOGIEN
Apache Mahout
Machine Learing Library
Klassifikation, Clustering, Recommender Systeme
Hohe Skalierbarkeit
GraphendatenbankenKanten & Knoten
Am weitesten verbreitet: Neo4j
Benutzer und Produkte bilden Knoten
Kanten stellen Kaufprozess dar
HERANGEHENSWEISEN
Quelle: http://cuihelei.blogspot.in/2012/09/the-difference-among-three.html
FAZIT
Innovativ ≠ Neu
Meinungen und Rezensionen
Gewichtung der Daten
Auslösen der Recommendations
Geschwindigkeit (Offline-Berechnung)
"Plan B" für Produkte ohne Recommendations
Monitoring der Benutzung der Recommendations
WAS SHI IHNEN BIETET
1. Wissen: E-Commerce Leitfaden, LucidWorks, Elasticsearch, Smartlogic
2. Technik: Langjährige Open Source Erfahrung
3. Beratung: Herstellerunabhängigkeit
4. Basisprodukt: einfache Integration
5. Projektierung: Zertifiziertes Personal
Q & A
SHI GmbH & Co. KGCurt-Frenzel-Str. 12D - 86167 Augsburg
[email protected]+49.821.74 82 633 - 0@SHIEngineers
KONTAKT
Michael Marheineke Markus Klose Daniel Wrigley
