Was ist kollaboratives Filtern?
Stell dir einen guten Buchhändler vor. Er weiß nicht, worum es in jedem Buch geht. Aber er merkt sich: Wer Buch A mochte, mochte meistens auch Buch B. Kollaboratives Filtern macht genau das, nur mit Millionen Kunden.
Das Verfahren wertet ausschließlich Verhalten aus: frühere Käufe, Klicks, Bewertungen. Es braucht keine Produktbeschreibung und kein ausgefülltes Kundenprofil. Die Grundannahme: Wer sich bisher ähnlich verhalten hat, mag auch künftig Ähnliches.
„Kollaborativ“ heißt es, weil alle Nutzer gemeinsam die Empfehlungen für jeden Einzelnen erzeugen. Den Begriff prägten laut Koren und Kollegen die Entwickler von „Tapestry“, dem ersten Empfehlungssystem.
So funktioniert es
Es gibt zwei klassische Wege und einen modernen:
- Nutzerbasiert: Finde Kunden, die dir ähneln, und empfiehl dir, was sie gekauft haben.
- Artikelbasiert: Finde zu jedem Produkt die Produkte, die oft mit ihm zusammen gekauft werden. So arbeitet Amazon.
- Matrix-Faktorisierung: Ein Modell lernt aus den Daten versteckte Merkmale von Nutzern und Produkten und rechnet damit Vorlieben hoch.
Amazon beschrieb sein artikelbasiertes Verfahren 2003 in einem Fachartikel. Damals hatte der Shop über 29 Millionen Kunden. Der nutzerbasierte Ansatz skalierte bei dieser Größe nicht. Amazon berechnete deshalb vorab eine Tabelle ähnlicher Artikel. Beim Seitenaufruf genügt dann ein Blick in diese Tabelle — egal, wie groß Katalog und Kundenstamm sind.
Die Matrix-Faktorisierung setzte sich durch den Netflix Prize durch: Netflix bot 1 Million Dollar für eine um 10 % genauere Vorhersage von Film-Bewertungen. Die Forscher Koren, Bell und Volinsky beschrieben 2009 die Matrix-Faktorisierung als dominierende Methode.
Beispiele aus der Praxis
Case A · Handel
Amazon, Item-to-Item
29 Mio.+
Kunden 2003
2017
„Test of Time“-Auszeichnung
Empfehlungen auf fast jeder Seite und in E-Mails
Schon 2003 nutzte Amazon das Verfahren laut Fachartikel auf den meisten Seiten und in vielen E-Mail-Kampagnen.
Case B · Streaming
Netflix
80 %
der Stunden über Empfehlungen
1 Mrd. $+
pro Jahr gespart (Schätzung)
Weniger Kündigungen durch passende Vorschläge
Netflix-Angaben von 2015. Die Ersparnis ist eine Selbsteinschätzung und gilt für alle Empfehlungen, nicht nur kollaboratives Filtern.
Häufige Fehler
Fehler 1 · Das Kaltstart-Problem unterschätzen
Ein neues Produkt hat noch keine Käufe, ein neuer Besucher noch keine Historie. Kollaboratives Filtern kann für beide nichts empfehlen. Koren und Kollegen nennen das ausdrücklich die Stelle, an der inhaltsbasiertes Filtern überlegen ist.
Fehler 2 · Mit zu wenig Daten starten
Amazon Personalize verlangt für sein Standard-Rezept mindestens 1.000 Interaktionen. Ein kleiner Shop mit 30 Bestellungen im Monat hat schlicht zu wenig Verhalten, aus dem sich lernen ließe. Dann ist eine Handauswahl ehrlicher.
Fehler 3 · Nur Bestseller empfehlen
Ohne Gegengewicht landen immer dieselben Topseller oben. Das bringt kaum Neues. Amazon gewichtete deshalb schon 2003 sehr häufig gekaufte Artikel herunter.
Fehler 4 · Unbelegte Wunderzahlen glauben
„35 % des Amazon-Umsatzes kommen aus Empfehlungen“ — diese Zahl geistert seit einer McKinsey-Schätzung von 2013 durchs Netz. Amazon selbst hat sie nie veröffentlicht. Rechne lieber mit deinen eigenen Zahlen.
So nutzt du es im eigenen Shop
- Shopify: „Related products“ entstehen automatisch, zuerst aus der Kaufhistorie. Laut Shopify-Hilfe greift die zweite Stufe über Produktbeschreibungen nur bei englischen Shops, danach kommen verwandte Kollektionen.
- Amazon Personalize: fertiger Dienst für Produkt-Empfehlungen und personalisierte E-Mails, mischt neue Artikel bewusst bei.
- Google Cloud: Modelle wie „Others You May Like“ oder „Frequently Bought Together“ für Shops.
Häufige Fragen
Was ist der Unterschied zwischen kollaborativem und inhaltsbasiertem Filtern?
Kollaboratives Filtern schaut auf das Verhalten anderer Nutzer: Wer A kaufte, kaufte auch B. Inhaltsbasiertes Filtern schaut auf die Eigenschaften der Produkte: Wer einen blauen Wollpullover ansah, bekommt andere Wollpullover. Moderne Systeme kombinieren beides.
Was ist das Kaltstart-Problem?
Neue Produkte und neue Nutzer haben noch kein Verhalten, aus dem sich lernen lässt. Kollaboratives Filtern kann ihnen deshalb nichts Sinnvolles empfehlen. Abhilfe schaffen inhaltsbasierte Empfehlungen, Bestseller-Listen oder bewusstes Beimischen neuer Artikel.
Wie funktioniert „Kunden, die das kauften, kauften auch“?
Amazon berechnet vorab für jedes Produkt, welche anderen Produkte oft von denselben Kunden gekauft werden. Rufst du eine Seite auf, schaut das System nur in diese Tabelle. Deshalb geht es auch bei Millionen Artikeln schnell.
Kann ich kollaboratives Filtern im Newsletter nutzen?
Ja. Amazon setzte es schon 2003 in E-Mail-Kampagnen ein. Dienste wie Amazon Personalize liefern Empfehlungen für eine ganze Empfängerliste auf einmal. Viele E-Mail-Tools haben eigene Bausteine für Produktempfehlungen.
Was hat der Netflix Prize damit zu tun?
Netflix lobte eine Million Dollar für bessere Film-Empfehlungen aus. Der Wettbewerb machte die Matrix-Faktorisierung bekannt, eine Form des kollaborativen Filterns. Netflix nutzt daraus entstandene Algorithmen laut eigener Aussage bis heute.
Quellen
- Linden et al.: Amazon.com Recommendations (2003)
- Amazon Science: Geschichte des Empfehlungsalgorithmus
- Koren, Bell, Volinsky: Matrix Factorization Techniques (2009)
- Gomez-Uribe und Hunt: The Netflix Recommender System (2015)
- Google ML Crash Course: Collaborative Filtering
- AWS: Amazon Personalize, Rezept User-Personalization
- Shopify-Hilfe: Produktempfehlungen