37
Entscheidungshilfe: Recommender System Glaubwürdige und überzeugende Empfehlungssysteme entwerfen Veranstaltung HS: Personalisierung mit großen Daten Referentin Andreea Fabritius 06.12.2013 Herzlich Willkommen zu

Entscheidungshilfe: Recommender System

Embed Size (px)

DESCRIPTION

Ein Vortrag von Andreea Fabritius aus dem Hauptseminar "Personalisierung mit großen Daten".

Citation preview

Page 1: Entscheidungshilfe: Recommender System

Entscheidungshilfe: Recommender System Glaubwürdige und überzeugende Empfehlungssysteme entwerfen

Veranstaltung HS: Personalisierung mit großen Daten

Referentin

Andreea Fabritius

06.12.2013

Herzlich Willkommen zu

Page 2: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Gliederung 1.  Einleitung: Einsatz von Recommender Systemen 2.  Psychologische Grundlage: Der menschliche

Entscheidungsprozess 3.  Erfolgsfaktoren für glaubwürdige Recommender

Systeme 4.  Glaubhafter Recommender Systeme entwerfen 5.  Empfehlungssysteme der Zukunft

Seite 2 / 36 Andreea Fabritius

Page 3: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Einleitung Wo wir auf Recommender Systeme treffen:

Seite 3 / 36 Andreea Fabritius

Page 4: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Einleitung Wo wir auf Recommender Systeme treffen:

Seite 4 / 36 Andreea Fabritius

Page 5: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Wozu Recommender Systems? Empfehlungssysteme aus Nutzersicht Recommendation Systems (RS) helfen Nutzern: • beim Finden von bekannten Personen in Netzwerken •  als Verkaufsassistenten in Online Shops •  bei der Orientierung in großen Informationsmengen •  zur Eingrenzung großer Auswahlangebote •  beim Entdecken weiterer interessanter Informationen und Produkte

Seite 5 / 36 Andreea Fabritius

Page 6: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Wozu Recommender Systems? Empfehlungssysteme aus Anbietersicht Recommendation Systems (RS) helfen Anbietern: •  als personalisierte Verkaufsassistenten in Online Shops •  als Trustfaktor und Loyalitätsfaktor für Online Shops •  zur Steigerung von Umsatz, Conversions und Clickraten •  als Mittel für Promotion •  um mehr Daten über Nutzer zu sammeln

Seite 6 / 36 Andreea Fabritius

Page 7: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Wozu Recommender Systems?

•  Recommender Systeme sind effektive Entscheidungshilfen, die nicht nur aus technischer Sicht funktionieren müssen

à Recommender Systeme als „Social Actors“ unumgänglich

Seite 7 / 36 Andreea Fabritius

Page 8: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche Entscheidungsprozess Für E-Commerce ist es extrem wichtig menschliches Kaufverhalten zu verstehen. Dies ist eng gekoppelt an verschiedene Theorien, die während des menschlichen Entscheidungsprozesses beobachtet werden können. Studien haben herausgefunden, das es so etwas wie eine stabile Präferenz im Entscheidungsprozess nicht gibt: Bsp: Eine Person möchte sich einen Laptop kaufen und definiert dafür ein festes Preislimit. Eine detaillierte technische Beschreibung des Geräts im Vergleich zu anderen kann aber dazu führen, dass das Limit zu Gunsten Ausstattung doch überschritten wird.

Seite 8 / 36 Andreea Fabritius

Page 9: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche Entscheidungsprozess Kontext-Effekt Die Wahrnehmung eines Produkts wird immer auch durch seinen Kontext beeinflusst. Das bedeutet, die Darstellung eines Produktes in einer Auswahl verschiedener Produkte kann die Wahrnehmung sowohl positiv als auch negativ beeinflussen. Die Kaufentscheidung wird immer auch im Bezug auf den Kontext getroffen.

Seite 9 / 36 Andreea Fabritius

Page 10: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche Entscheidungsprozess Kontext-Effekt à Welches Produkt wird eher gekauft?

Seite 10 / 36 Andreea Fabritius

Produkt A B C

Preis 30 25 50

Download Limit

10 GB 3 GB 12 GB

Page 11: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche Entscheidungsprozess Kontext-Effekt à  Der Kontext lässt Produkt A im Vergleich sehr attraktiv wirken. Für signifikant weniger erhält man nahezu so viel, wie bei dem teuersten Produkt C. C ist hierbei der Köder für A. A ist der Kompromiss zwischen niedrigem Preis und hoher Leistung.

à  Mächtiges Instrument für den Abverkauf von Ladenhütern

Seite 11 / 36 Andreea Fabritius

Produkt A B C

Preis 30 25 50

Download Limit

10 GB 3 GB 12 GB

Page 12: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche Entscheidungsprozess Attraction-Effekt à Und nun?

Seite 12 / 36 Andreea Fabritius

Produkt A B C

Preis 30 25 36

Download Limit

10 GB 3 GB 32 GB

Page 13: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche Entscheidungsprozess Attraction-Effekt à C dominiert A deutlich bei der erhaltenen Leistung, während der Preis vergleichsweise nur geringfügig höher ist.

Seite 13 / 36 Andreea Fabritius

Produkt A B C

Preis 30 25 36

Download Limit

10 GB 3 GB 32 GB

Page 14: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche Entscheidungsprozess Dieses Wissen kann genutzt werden um: à  Gesteigerte Wahrscheinlichkeiten herbeizuführen, ein Produkt zu verkaufen

à  Die Zufriedenheit der Nutzer beim Kauf zu steigern

à  Kaufbereitschaft zu steigern, als Konsequenz aus zufriedeneren Kunden

Wichtig: Kalkulieren der Dominanz der Produkte, um gewünschten Effekt zu erzielen.

Seite 14 / 36 Andreea Fabritius

Page 15: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche Entscheidungsprozess Weitere Effekte: •  Primacy / Recency Effekt: kognitives Phänomen, das beschreibt, dass Menschen sich aus einer Liste an Informationen besonders diejenigen Sequenzen am Anfang und am Ende merken können.

•  Analog dazu: Produkte am Anfang und am Ende werden viel häufiger beachtet, im Vergleich zu Produkten in der Mitte der Liste à  Plus: User evaluieren typischerweise nicht jedes einzelne Produkt einer Liste, um das beste zu finden

à  Als Konsequenz daraus, sollte dieses Wissen in Recommender Systemen miteinkalkuliert werden.

Seite 15 / 36 Andreea Fabritius

Page 16: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche Entscheidungsprozess Weitere Effekte: •  Framing: Darstellung einer Information kann die Evaluierung des Produkts beeinflussen: à  Bei der Darstellung des Preises à  Bei der Darstellung der einzelnen Attribute Der Framing-Effekt ist dabei höher, je unerfahrener der User auf dem Themengebiet ist. Bei Usern, die mit der Thematik gut vertraut sind, können Framingeffekte kaum festgestellt werden.

Seite 16 / 36 Andreea Fabritius

Page 17: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche Entscheidungsprozess Weitere Effekte: •  Priming: Hier kann beispielsweise der Hintergrund einer Seite Einfluss auf die Entscheidung des Nutzers nehmen (background priming)

Beispiel von Mandel and Johnson 1999: Der Hintergrund einer Seite für Möbel wurde in einem A/B-Test einmal mit Münzen und einmal mit Wolken gestaltet. Die User mit dem wolkigen Hintergrund gaben dabei signifikant mehr Geld aus, als die andere Nutzergruppe. à Hier wurde besonders die Gefühlswelt angesprochen. Die Wolken vermittelten eine wohlige und beruhigende Stimmung.

Seite 17 / 36 Andreea Fabritius

Page 18: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Psychologische Grundlage: Der menschliche Entscheidungsprozess Weitere Effekte: •  Defaults: Standardeinstellungen werden häufig als Status Quo gesehen und dadurch häufiger mit Alternativen verglichen, als Alternativen untereinander.

à Status Quo Bias: User tendieren außerdem dazu Standardeinstellungen NICHT zu ändern. •  Änderungen von Defaults werden mit einem Risiko in Verbindung gebracht die falsche Entscheidung zu treffen.

à Vorauswahl von Versicherungen, extra Garantie etc.

Seite 18 / 36 Andreea Fabritius

Page 19: Entscheidungshilfe: Recommender System

Erfolgsfaktoren glaubwürdiger Empfehlungssysteme Glaubwürdigere Quellen sind auch überzeugender. Für den Erfolg eines Recommender Systems ist damit eine Vertrauensbasis essenziell. Die Glaubwürdigkeit ist maßgeblich abhängig von der Wahrnehmung des Nutzers. Das Design des Recommender Systems muss so gestaltet sein, dass sich der Nutzer damit gut beraten fühlt.

Wie kann eine Vertrauensbasis geschaffen werden? à Psychologie der zwischenmenschlichen Interaktion

Glaubhafte Recommender Systeme

Seite 19 / 36 Andreea Fabritius

Page 20: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Erfolgsfaktoren glaubwürdiger Empfehlungssysteme Intrinsische Eigenschaften für Empfehlungssysteme Glaubwürdigkeit & Seriosität Eigenschaften wie Wohlwollen, Neutralität, Wahrhaftigkeit sind Menschen von sozialer Interaktion bekannt und vertraut. àSchaffen einer Vertrauensbasis: Beim Nutzer das Gefühl wecken, in seinem Interesse zu handeln. Gegenteil: Forsches Überzeugen weckt Misstrauen Seite 20 / 36 Andreea Fabritius

Page 21: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Erfolgsfaktoren glaubwürdiger Empfehlungssysteme Intrinsische Eigenschaften für Empfehlungssysteme Fachkompetenz des Systems Das System muss auf seinem Fachgebiet kompetent und effektiv funktionieren. Der User möchte sich auf den Expertenstatus des Systems verlassen können. à Hohe Kompetenz begünstigt hohe Glaubwürdigkeit und hat damit positive Effekte auf die Überzeugungskraft

Seite 21 / 36 Andreea Fabritius

Page 22: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Erfolgsfaktoren glaubwürdiger Empfehlungssysteme Intrinsische Eigenschaften für Empfehlungssysteme Similarity Ähneln die Empfehlungen den eigenen Mustern der Entscheidungsfindung, tendieren User stärker dazu, die Empfehlungen anzunehmen. à Homophily Theorie Ähnlichkeit begünstigt Wahrnehmung von Vertrauen und Kompetenz

Seite 22 / 36 Andreea Fabritius

Page 23: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Erfolgsfaktoren glaubwürdiger Empfehlungssysteme Output-Eigenschaften für Empfehlungssysteme Informationen zu Produkten Viele nützliche Informationen sind wichtig, um Produkte detailliert zu beschreiben. Erhöht die Transparenz und das Vertrauen in die Empfehlungen des Systems und stützt die Empfehlungswirkung.

Seite 23 / 36 Andreea Fabritius

Page 24: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme entwerfen Entwurf Um glaubhafte und überzeugende Recommender Systeme zu entwerfen gilt es die zuvor genannten psychologischen Aspekte zu integrieren. Kann man einen Nutzer als Kunden gewinnen, kann ein Kreislauf in Gang gesetzt werden Vertrauen à Überzeugung à Kauf à Zufriedenheit à gesteigerte

Bereitschaft zu Kaufen

Nutzer kehrt zurück

Glaubhafte Recommender Systeme

Seite 24 / 36 Andreea Fabritius

Page 25: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen Transparenz Wichtig um die Vertrauensbasis aufrecht zu erhalten und zu stützen ist Transparenz zur Funktionsweise des Recommender Systems. Zentral ist dies für den Output von Recommender Systemen. à WARUM werden mir diese Artikel vorgeschlagen?

Lösung: Explanations

Der Nutzer sollte verstehen können, wieso ihm diese Produkte angezeigt werden. Bestenfalls sollte er Bewerten können, ob die Vorschläge wirklich zu seinen Präferenzen passen.

Seite 25 / 36 Andreea Fabritius

Page 26: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen Explanations 7 Kriterien für Explanations:

•  Transparenz: Funktionsweise erklären •  Scrutability: User kann das System korrigieren •  Vertrauen: stärken •  Effektivität: Gute Entscheidungen ermöglichen •  Überzeugung: Nutzer überzeugen zu kaufen / probieren •  Effizienz: Schnelle Entscheidungen (Need for closure) •  Zufriedenheit: Steigerung der Einfachheit + Zufriedenheit

.

Seite 26 / 36 Andreea Fabritius

Page 27: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen Transparenz Typische Beispiele von Explanations:

Seite 27 / 36 Andreea Fabritius

Page 28: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen Transparenz Besser: Hilfreiche Explanations

Seite 28 / 36 Andreea Fabritius

ß Plus: Möglichkeit noch mehr zu entdecken

Page 29: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen Die Vertrauensbasis Produktvergleiche sind bei Nutzern nicht nur beliebt, sie schaffen auch weiter Vertrauen in das Wohlwollen des Empfehlungssystems. Der Vergleich von Produkten zeigt sowohl positive, als auch negative Faktoren auf. Der Nutzer fühlt sich gut informiert.

Seite 29 / 36 Andreea Fabritius

Page 30: Entscheidungshilfe: Recommender System
Page 31: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen Die Vertrauensbasis Produktvergleiche sind bei Nutzern nicht nur beliebt, sie schaffen auch weiter Vertrauen in das Wohlwollen des Empfehlungssystems. Der Vergleich von Produkten zeigt sowohl positive, als auch negative Faktoren auf. Der Nutzer fühlt sich gut informiert.

Seite 31 / 36 Andreea Fabritius

Page 32: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Glaubhafte Recommender Systeme entwerfen Bewertungen Bewertungen anderer Nutzer stellen wichtige Entscheidungselemente dar. Fälle von Manipulation oder fehlende Transparenz schüren Skepsis gegenüber Bewertungen. à Produkte, die gut bewertet wurden, aber nicht ganz die volle Punktzahl erhalten haben wirken am glaubhaftesten.

à Der Haken?

Seite 32 / 36 Andreea Fabritius

Page 33: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Empfehlungssysteme der Zukunft Emotionen, Mimik und bio-chemische Prozesse Je näher die Human-Computer-Interaction der zwischenmenschlichen Interaktion kommt, desto besser können PCs auf die Bedürfnisse der Nutzer reagieren. Je mehr Informationen über den Nutzer erfassbar sind, desto maßgeschneiderter können Empfehlungen ausgesprochen werden. à Nächste Stufe: Emotionen in Recommender Systemen zuverlässig einbeziehen

Seite 33 / 36 Andreea Fabritius

Page 34: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Empfehlungssysteme der Zukunft Emotionen, Mimik und bio-chemische Prozesse Studie: „Implizite Messung von Emotionen durch webcambasierte Gesichtsausdruckserkenung“ Ron Degen à EmotiCam erfasst unmittelbare Emotionen auf einen Stimulus mittels Webcam Erfassen von:

Freude, Trauer, Wut, Angst, Ekel, Überraschung Einsatzgebiet: Analyse von Werbesports

Seite 34 / 36 Andreea Fabritius

Page 35: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Empfehlungssysteme der Zukunft Emotionen, Mimik und bio-chemische Prozesse Studie 1: A Study on Using Biometric Sensors for Monitoring User Emotions in Educational Games. Studie 2: Evaluierung der Praxistauglichkeit von Emotions- und Bioparametermessung als Usability-Testmethode à Biometrische Sensoren erfassen emotionale und physische Reaktionen auf verschiedene Stimuli Erfassen von: Herzschlag, Puls, Hauttemperatur, Muskelkontraktion, Atmung,

Seite 35 / 36 Andreea Fabritius

Page 36: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Empfehlungssysteme der Zukunft Emotionen, Mimik und bio-chemische Prozesse à Emotion Mouse

à  Erfassen von:

-  Mausbewegungen -  Klickfrequenz -  Druckintensität -  Puls -  Hauttemperatur -  elektrodermale Aktivität

Seite 36 / 36 Andreea Fabritius

Page 37: Entscheidungshilfe: Recommender System

Glaubhafte Recommender Systeme

Quellen http://www.research-results.de/fachartikel/2011/ausgabe-6/look-and-feel.html, zuletzt aufgerufen 05.12.2013 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.132.3171&rep=rep1&type=pdf, zuletzt aufgerufen 05.12.2013 http://www.amazon.de , zuletzt aufgerufen 05.12.2013 http://www.zalando.de, zuletzt aufgerufen 05.12.2013 http://www.conrad.de, zuletzt aufgerufen 05.12.2013 http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.132.3171&rep=rep1&type=pdf , zuletzt aufgerufen 05.12.2013 Frohs, Margarethe (2009): Recommender Systeme für produktbegleitende Dienstleistungen. Konzeption und empirische Anwendung. Dr. Kovač Verlag, Hamburg Mastoff, Judith / Tintarec, Nava:(2011): Designing and Evaluating Explanations for Recommender Systems. In: Recommender Systems Handbook. Hrsg: Ricci et a., Springer Verlag, S. 479 – 510. Yoo, K., Gretzel, U. & Zanker, M. (2012). Persuasive recommender systems: conceptual background and implications. New York: Springer. Jannach, Dieter: Online consumer Decision making. In: Recommender Systems. An Introduktion. Hrsg: Jannach et. al, Camridge University Press 2010, S. 234 – 252. A. Said(2013): Evaluating the Accuracy and Utility of Recommender Systems. Thesis for the Degree Doktor der Ingenieurwissenschaften (Dr.-Ing.). TU Berlin, Berlin.

Seite 37 / 36 Andreea Fabritius