Eine Empfehlungs-Engine nutzt Datenfilterungsalgorithmen, um Inhalte, Angebote und Produkte auf Basis von individuellen oder Zielgruppenprofilen vorzuschlagen. Hierbei kommen kollaborative, inhalts- oder zielgruppenbasierte Regeln zum Einsatz, anhand derer Empfehlungen bereitgestellt werden.
Es ist Zeit für die nächste Phase der Personalisierung. Report lesen ›
Die Bereitstellung optimierter User Experiences und die Steigerung des ROI bringen zahlreiche Herausforderungen mit sich. Um diese zu meistern, müsst ihr Daten auswerten und Inhalte effizient verwalten.
Unzureichende Tool-Integration.
Manuelle Prozesse.
Mangelnde Marketer-Kontrolle.
Schlechte Datenqualität.
Mit Empfehlungs-Engines können Anwender nicht nur einfacher nach Musik, Filmen oder Nachrichten suchen – sie stärken außerdem die Beziehung zu Kunden.
Selbstlernende Algorithmen finden rasch Beziehungen zwischen Produkten und verknüpfen diese mit Anwenderverhalten, um zu bestimmen, wie groß die Wahrscheinlichkeit einer Conversion für einen Verbraucher ist. So wird die Suche nach den richtigen Produkten beschleunigt.
Mit Empfehlungen könnt ihr die Content-Nutzung steigern, den Zugriff auf relevante Inhalte vereinfachen und die Interaktionszeit mit eurer Marke steigern.
Bei der Interaktion von Anwendern mit empfohlenen Inhalten werden automatisch detaillierte Kundenprofile erstellt, die zum Targeting von Look-alike-Zielgruppen eingesetzt werden können. Die Kombination aus Verlaufs- und Echtzeitdaten wird für kontinuierliche Updates verwendet.
Produktempfehlungen sowie ein optimiertes und personalisiertes Erlebnis tragen zur Steigerung der Bestellmengen und des Kundenlebenszeitwertes bei.
Mit Adobe Target und den Empfehlungsfunktionen der Lösung, darunter automatisierte Content-Optimierung und anpassbare Algorithmuseinstellungen, profitiert ihr von einem Höchstmaß an Kontrolle. So könnt ihr Anwender besser zu passenden Inhalten und Produkten führen.
Erfahrt, wie Adobe Unternehmen bei der Erstellung vollständig personalisierter Erlebnisse unterstützt.
„Zunächst müssen wir analysieren, was Customer Journeys leisten, und dann nach Mitteln und Wegen suchen, diese zu optimieren.“
– Will Harmer,
Senior Manager of Insights and Optimization, EE
„Für uns ist es entscheidend, vor einer Reise ein gutes Erlebnis bereitzustellen, um sicherzustellen, dass die Informationen an den Stellen bereitgestellt werden, wo sie benötigt werden.“
– Marlies Roberts,
VP Marketing Operations, Overseas Adventure Travel
Wie arbeitet eine Empfehlungs-Engine?
Die meisten Empfehlungsalgorithmen durchlaufen drei Phasen: Feedback-Erfassung, Lernen und Prognose. Die während der Feedback-Erfassung gesammelten Datensätze können speicherbasiert, modellbasiert oder beobachtungsbasiert sein.
Nutzen Empfehlungs-Engines Echtzeitdaten?
Ja. Systeme können so konfiguriert werden, dass sie Echtzeitdaten analysieren. Manche Tools führen jedoch eine Batch-Verarbeitung durch, bei der Empfehlungen periodisch aktualisiert werden.
Wie wählen Empfehlungs-Engines die anzuzeigenden Produkte aus?
Systeme nutzen Filteralgorithmen, um eine Produktauswahl bereitzustellen. Gefiltert wird dabei nach einer kollaborativen, inhaltsbasierten oder hybriden Methodik, bei der nach übereinstimmenden Artikeln oder Anwenderverhalten gesucht wird.
Was versteht man unter explizitem und implizitem Feedback?
Explizites Feedback wird erfasst, wenn Anwender mit Empfehlungen interagieren. Implizites Feedback leitet Anwenderpräferenzen ab. Hierzu werden Aktionen wie der Bestell- und Navigationsverlauf sowie die auf Web-Seiten verbrachte Zeit analysiert.
Gibt es Empfehlungs-Engines für Mobile-Umgebungen?
Ja. Automatisierte Mobile-Empfehlungen geben personalisierte, kontextabhängige Empfehlungen, die auf dem Standort, der Jahreszeit, der Tageszeit und weiteren Faktoren basieren können.
Wie wird die Performance einer Empfehlungs-Engine gemessen?
Die Performance eines Systems kann anhand von A/B-Tests ermittelt werden. Marketer nutzen eine Reihe von Metriken, darunter Kundenlebenszeitwert, Klick- und Konversionsrate sowie ROI, um Ergebnisse zu messen.