de
                    array(1) {
  ["de"]=>
  array(13) {
    ["code"]=>
    string(2) "de"
    ["id"]=>
    string(1) "3"
    ["native_name"]=>
    string(7) "Deutsch"
    ["major"]=>
    string(1) "1"
    ["active"]=>
    string(1) "1"
    ["default_locale"]=>
    string(5) "de_DE"
    ["encode_url"]=>
    string(1) "0"
    ["tag"]=>
    string(2) "de"
    ["missing"]=>
    int(0)
    ["translated_name"]=>
    string(7) "Deutsch"
    ["url"]=>
    string(71) "https://www.statworx.com/case-studies/recommender-system-im-e-commerce/"
    ["country_flag_url"]=>
    string(87) "https://www.statworx.com/wp-content/plugins/sitepress-multilingual-cms/res/flags/de.png"
    ["language_code"]=>
    string(2) "de"
  }
}
                    
Kontakt
Case Studies
Case Studies

Recommender-System im E-Commerce

Um die User Experience im Onlineshop justDrink zu verbessern, haben wir für die Feldschlösschen AG, die größte Brauerei und Getränkehändlerin der Schweiz, ein Recommender-System entwickelt, das den Kund:innen auf Basis des Warenkorbs relevante Produkte empfiehlt.

  • Branche Retail & Consumer
  • Thema Recommendation Systems
  • Tools SQL, Python, TensorFlow, Docker, Cloud, AWS, Serverless
  • Projektdauer 2 Monate

Herausforderung

Für eine gute User Experience ist kundenspezifischer Content auf der Website von größter Bedeutung. Unser Kunde möchte seinen eigenen Onlineshop daher durch das Zuspielen personalisierter Produktempfehlungen erweitern. Dabei ist die Entwicklung von Recommender-Systemen ein zentraler Baustein, denn durch ein solches können Kaufmuster entlang der Kaufhistorie erkannt werden. In diesem Fall verhält es sich so, dass die meisten User sich erst nach dem Einkauf einloggen – es können also keine Kundenstammdaten für die Erstellung von Produktempfehlungen verwendet werden. Außerdem werden im Onlineshop regelmäßig neue Produkte eingeführt, was bedeutet, dass für diese Produkte keine ausreichend große Verkaufshistorie besteht (Cold Start Problem). Unser Kunde stand vor der Herausforderung, unter diesen Vorbedingungen aus historischen Verkaufsdaten Produktempfehlungen für seinen Onlineshop zu generieren.

Ansatz

Zur Erstellung von Produktempfehlungen wurde mit Hilfe eines Deep Learning Modells (LSTM) ein Recommender-System entwickelt, das basierend auf historischen Warenkörben lernt, Einkaufssequenzen zu modellieren. So kann während des Einkaufs die Information des aktuellen Warenkorbs verwendet werden, um auch anonymen Usern Produktempfehlungen zuspielen zu können. Zur Lösung des Cold Start Problems wurden die Produkte ohne ausreichende Historie im Onlineshop gruppiert und auf aggregierter Ebene verarbeitet. Um die Empfehlungen im Onlineshop anzeigen zu können, wurde eine API entwickelt, über die vom Shop aus Anfragen an die Recommendation Engine gestellt werden können. Dafür wurde ein Serverless Setup auf der Cloud deployed, mit dem variierende Anfragemengen kosteneffizient bearbeitet werden können.

Ergebnis

Das Recommender-Modell wurde entwickelt und auf der Cloud-Infrastruktur des Kunden deployed. Durch die Nutzung des entwickelten Recommender-Systems ist Feldschlösschen im Stande, Kund:innen im Onlineshop während des Einkaufs auf sie zugeschnittene Produktempfehlungen anzuzeigen. Diese Produktempfehlungen werden im Onlineshop justDrink an verschiedenen Stellen angezeigt und bei jedem im Warenkorb abgelegten Produkt nachgeschärft.

Experte

Kontakt anfragen

Erfahre mehr!

Als eines der führenden Unternehmen im Bereich Data Science, Machine Learning und KI begleiten wir Sie in die datengetriebene Zukunft. Erfahren Sie mehr über statworx und darüber, was uns antreibt.
ÜBER UNS