Übersicht Recommender Modul

Anmerkung: Der Einfachheit halber wird der Begriff Produkt hier stellvertretend für beliebige Inhalte genutzt und umfasst beispielsweise auch Newsblogs.

Wieso sollte ich Empfehlungssysteme nutzen?

Die Hauptaufgabe von Empfehlungssystemen ist es, Menschen das Finden für sie relevanter Inhalte zu erleichtern. Es entsteht im Marketing-Kontext im Grunde eine Win-Win Situation: Der Kunde findet schneller was ihn interessiert und der Marketer generiert mehr Umsatz und stärkt die Kundenbindung. Diese Aufgabe umfasst allerdings nicht nur das Aufmerksam machen auf Inhalte, für die sich der Kunde bereits interessiert, sondern auch neues Interesse zu wecken. Es ist wichtig dem Kunden die Diversität des Produktkataloges bewusst zu machen, indem beispielsweise auch Inhalte allgemein beliebter oder verschiedener Produktkategorien gezeigt werden.

Wie funktioniert der Recommender?

Anhand historischer Responsedaten ermittelt der Recommender welche Produkte zu einem Kontakt passen könnten. Wenn ein Kontakt beispielsweise vermehrt auf Nahrungsmittel klickt die Äpfel enthalten, werden dementsprechend auch Nahrungsmittel die Äpfel enthalten vom Recommender bevorzugt. Es handelt sich hierbei um ein inhaltsbasiertes Empfehlungssystem, sprich, die Produkte werden anhand von Produktähnlichkeiten gewählt. Ein anderer klassischer Ansatz wäre beispielsweise mit Hilfe der Historie anderer, ähnlicher Kontakte passende Produkte auszuwählen. Hierbei ist allerdings das Problem, dass meist nur sehr wenige Informationen pro Kontakt vorliegen und es (sofern ausschließlich E-Mail-Responsedaten verwendet werden) mit naivem Ansatz zu einer Bevorzugung von Produkten kommt, die schonmal in Newslettern vorkamen.

Der Recommender kann zudem zu einem bestimmten Prozentsatz allgemein beliebte oder zufällige Produkte ausspielen.

Wie werden die Produktdaten eingespielt?

Maileon sammelt und analysiert im Hintergrund alle Links, die in einem Mailing verwendet werden. Dadurch kann beispielsweise erkannt werden welcher Link auf welches Produkt verweist und welche Eigenschaften dieses Produkt hat. Mit Hilfe dieser Informationen kann der Recommender aus den Klicks auf Links Produktpräferenzen ableiten. Ein Teil dieser Produktinformationen kann beispielsweise auch bei der Erstellung von Kontaktfiltern unter dem Punkt
„Selectionsbasis“->“Affinitäten“ genutzt werden.

Die Produktdaten, die innerhalb der Mailings genutzt werden sollen, können über Maileon Smart Content geladen werden (z.B. als CSV oder RSS-Feed).

Welche Responsedaten verwendet der Recommender?

Die Klickdaten werden verwendet. Transaktionsdaten werden ebenfalls miteinbezogen, sofern Maileon Analytics eingesetzt wird. Transaktionen werden höher gewichtet als Klicks.

Wie funktioniert der Recommender?

Wie bediene ich den Recommender?

Recommender-Tag: Zunächst muss im Mailing ein Merge-Tag definiert werden, in dem mehrere Einstellungen zum Recommender vorgenommen werden können:

[[RECOMMENDER||]]

o Name des Corpus: Hier muss ein Name eingetragen werden. Falls der Recommender mehrfach genutzt wird können Produkte über diesen Namen zugeordnet werden.

o Anzahl Angebote: Die Anzahl der Produkte, die der Empfänger erhalten soll.

Candidate-Tag: Die Produkte aus denen der Recommender wählt müssen in das Mailing importiert und jeweils als Kandidat markiert werden. Wichtig dabei ist, dass immer ein Link enthalten ist, da der Recommender die benötigten Informationen zum Produkt ausschließlich über Links bezieht.

[[CANDIDATE|]]

[[/CANDIDATE]]

Zusätzliche Einstellungsmöglichkeiten: mehrere optionale Einstellungen können ebenfalls im Recommender-Tag angegeben werden:

[[RECOMMENDER|||]]

o popularity (default=0.3): Gibt an, welcher Anteil der Empfehlungen nach allgemeiner Produktbeliebtheit gemacht werden sollen. z.B. mit popularity=0.25 werden 25% der Empfehlungen mit allgemein beliebten Produkten besetzt.

o random (default=0.3): Gibt an, welcher Anteil der Empfehlungen (nach Abzug der Anzahl allgemein beliebter Produkte) ein zufälliges Produkt enthalten sollen.

o shuffle: Ordnet die Empfehlungen zufällig an. Sonst werden die Produkte nach Ihrem Score sortiert, gefolgt von den beliebtesten Produkten und dann den zufälligen Produkten.

o explain: Aktiviert den Debugging Modus. Um die Debugging-Details direkt im Mailing anzeigen zu lassen muss folgendes Merge-Tag zusätzlich eingefügt werden:

[[RECOMMENDER-EXPLAIN|]]

Beispiel: [[RECOMMENDER|corpus|4|shuffle explain popularity=0.3 random=0.3]]

Zusätzliche Anmerkungen: Um Darstellungsfehler zu vermeiden sollten die Kandidaten untereinander sortierbar und löschbar sein. Beispielsweise sollten daher keine Trennlinien zwischen Kandidat-Abschnitten eingesetzt werden, da diese nach Löschung einzelner Artikel bzw. Kandidaten gehäuft direkt hintereinander auftreten.

Wie kann ich den Recommender vor dem Versand testen?

Bei Test-E-Mails und in der Vorschau des Editors werden aus Performancegründen nur zufällige Empfehlungen ausgesprochen, aber die Darstellung kann damit überprüft werden.

Um die Empfehlungen an sich zu überprüfen, ist ein Realversand notwendig.

Wie oft sollte ich den Recommender einsetzen?

Anhängig von Produktmenge und Responseraten. Die Frequenz sollte im Verhältnis zur Produktmenge und Höhe der Responseraten stehen. Wenn es beispielsweise nur 100 Produkte gibt, ergeben wöchentliche Empfehlungen von 10 Produkten wenig Sinn. Bei Nutzern mit hoher Klickrate kann prinzipiell eine höhere Frequenz angesetzt werden als bei Nutzern mit niedriger Klickrate.

Non-Recommender Versendungen einplanen. Der Recommender agiert üblicherweise vor allem auf Klickdaten, um Präferenzen zu ermitteln. Dies führt dazu, dass der Recommender keine neuen Präferenzen erkennen kann, wenn ausschließlich seine empfohlenen Produkte

in Kampagnen vorkommen. Daher sollten zusätzlich weitere Produkte ausgespielt werden, beispielsweise kann der Recommender so eingestellt werden, dass er anteilig zufällige Produkte wählt oder es könnten zwischendurch Kampagnen ohne Recommender eingeplant werden.

Gibt es Situationen in denen der Recommender nicht gut funktioniert?

Ungünstiger Aufbau der Produktseiten. Die Produktinformationen werden pro Link von der entsprechenden Webseite geholt. Nicht jede Webseite ist gleich aufgebaut, daher kann es potenziell vorkommen, dass nicht genügend Informationen automatisch von der Webseite extrahiert werden können. Einige Strukturen vereinfachen hier unserem System die Arbeit wie z.B. das Open Graph Protokoll.

Zu wenige Responsedaten. Der Recommender benötigt genügend Informationen auf Einzelnutzerebene. Das ist beispielsweise bei neuen Konten, wenn nur sehr wenige Produktlinks pro Mailing zum Einsatz kommen oder wenn keine Berechtigungen zum Tracking vorliegen (DOI+), problematisch

Verlinkung auf sehr unterschiedliche Webseiten. Wenn die ausgelesenen Produktdaten für sehr ähnliche Produkte sehr unterschiedlich ausfallen, ist das ein Problem. Das kann beispielsweise vorkommen, wenn innerhalb der Kampagnen auf mehrere, unterschiedlich aufgebaute Shops verlinkt wird.

Der Maileonbot wird geblockt. Manche Seiten blocken Zugriffe, die nicht von einem Menschen auszugehen scheinen. In solchen Fällen verfügt der Recommender über keine Produktdaten und kann daher auch keine Empfehlungen ausspielen.

Wie verhält es sich mit Datenschutz?

Nur wenn die Permission DOI+ vorliegt wird die Info verknüpft, dass ein Kontakt einen Link geklickt hat. Die Information, was für Produkte hinter einem Link stehen, wird nicht direkt mit dem Kontakt verknüpft und lediglich im Prozess der Berechnung der Recommendations vorläufig etabliert. Bei einer Abmeldung oder Herabstufung der Permission können diese Informationen nicht mehr verknüpft werden.