Zusammenfassung. Personalisierung wird als effiziente und kompetente Betreuung des Kunden vorgestellt. Durch eine Unterstützung des Kunden beim Erreichen seiner Ziele kann die Bindung an den Anbieter verbessert werden. Die Möglichkeiten wie eine solche Unterstützung im End- und Geschäftskundenbereich aussehen kann und die technischen Verfahren die dazu nötig sind, werden an Beispielen dargestellt. Benutzer-Modellierung, personalisierte Suche und Empfehlungssystem werden als Grundlagen zur Personalisierung näher betrachtet. Abschließend wird einen kurzen Ausblick auf das Potenzial des Web 2.0-Gedankens geben. Im Fazit wird neben den möglichen negativen Aspekten, außerdem die Wichtigkeit eines geeigneten Softwareentwicklungsprozesses angedeutet.

1 Einleitung

Personalisierung ist aus dem täglichen Leben eines Internet-Nutzers nicht wegzudenken und wird in vielen Fällen nicht einmal mehr wahrgenommen. Im einfachsten Fall wird man beim Abrufen seiner Emails persönlich angesprochen. Weniger offensichtlich ist es hingegen, wenn der kostenlose Email-Anbieter Werbung anzeigt. Diese kann beispielsweise auf Angaben abgestimmt sein, die man zu seiner Person machen musste, als der Email-Account eingerichtet wurde. Doch das kann ja eigentlich nicht alles sein, warum also Personalisierung?

Die Autoren von [1] werfen zur Verdeutlichung der Motive und des Nutzens für alle Beteiligten einen Blick in die Vergangenheit. In ein verschlafenes kleines Städtchen mit einem Bäcker, Fleischer, verschiedenen Handwerkern und einer kleinen örtlichen Bank und begeben sich in eine Zeit, bei der die Überbrückung von größeren Distanzen noch mit größerem Aufwand verbunden war. Nun ist man abseits der Globalisierung und bewegt sich auf relativ kleinem Gelände, sodass jeder mit dem Anderen zumindest flüchtig bekannt ist. Der alte Banker ist sogar in der Position, einen Großteil der Leute seiner kleinen Stadt persönlich zu kennen, da er eine zentrale Funktion ausübt und sich um die Ersparnisse der Leute kümmert, aber auch Finanzdienstleistungen für die Geschäftstätigen durchführt. Vom Bäcker weiß er, dass dieser gern mal eine Nacht durchzecht und der Fleischer ist ihm als sehr genau, sauber und zuverlässig bekannt. Kurz gesagt, der Banker ist vertraut mit seinen Kunden, kann ihre Qualitäten und Bedürfnisse einschätzen und auf dieser Grundlage angepasste Dienstleistungen anbieten. Falls nun der Bäcker und der Fleischer auf die Idee kommen sich zu vergrößern und das anliegende Dorf mitzuversorgen, kann der Banker die Konditionen für einen benötigten Kredit, mit den ihm bekannten Details abstimmen und auf der Basis des Wissens, das er zu den finanziellen Zusammenhängen in der Stadt und den umliegenden Dörfern hat, sogar noch beraten und Empfehlungen geben.

Diese Form der Dienstleistung ist in heutigen Großstädten und bei zunehmender Globalisierung natürlich schon lange nicht mehr realistisch. Zum einen kennen die Banker vor allem Privatkunden nicht mehr persönlich und zum anderen sind die Kunden nicht mehr lokal gebunden und damit unabhängig von der Bank in der Nachbarschaft. Sie können ohne Aufwand Anbieter aus einem stark erweiterten Umfeld in Anspruch nehmen und je nach Vorliebe und Preis-Leistungsverhältnis auswählen. Für die Banker erhöht sich damit einerseits der Kostendruck und andererseits die Notwendigkeit sich durch besondere Serviceangebote von Wettbewerbern abzusetzen. In Zeiten von Globalisierung und Internethandel ist die Form, in der eine Dienstleistung angeboten wird, ein immer wichtigerer Faktor. So kostet die Betreuung durch einen Mitarbeiter in der Bank nach [1] pro Transaktion 2,5 mal so viel wie eine Betreuung über ein Call-Center. Aber selbst das Call-Center ist knapp 24 mal teurer als eine Internetseite, über die ein Kunde seine Bankgeschäfte tätigen kann. Aus Kostensicht ist ein gut gestalteter Internetauftritt damit ein wesentlicher Vorteil. Gleichzeitig besteht jedoch die Notwendigkeit den Kunden möglichst optimal zu betreuen und auf seine persönliche Situation einzugehen, um unter anderem die Kundenbindung zu erhöhen.

Personalisierung heißt daher, den Kunden effizient und kompetent zu betreuen und ihn beim Erreichen seiner Ziele so gut wie möglich zu unterstützen, ihm letztendlich zu geben, was er wirklich benötigt. In den folgenden Abschnitten werden einige Möglichkeiten zur Personalisierung und Technologien, die zur Realisierung verwendet werden können, vorgestellt. In Abschnitt 2 werden exemplarisch die dem Stand der Technik entsprechenden Möglichkeiten aus Nutzersicht beleuchtet, um im Abschnitt 3 auf ausgewählte Techniken einzugehen. Abschnitt 4 soll sich kurz mit einem Blick auf das Web 2.0 beschäftigen, um hier eine kleine Querverbindung zu schaffen und Anregungen für eine weitere Vertiefung des Themas zu geben. Abschließend soll außerdem ein Fazit gezogen werden, um auf Vor- und Nachteile sowie Konsequenzen bei der Verwendung von Personalisierung auch im Besonderen aus der Sicht eines Software Engineers aufmerksam zu machen.

2 Personalisierungsmöglichkeiten

2.1 Personalisierung im Endkundenbereich

Personalisierung kann sich, wie bereits angedeutet, in unterschiedlicher Art und Nützlichkeit ausprägen. Um einen Überblick über die verschiedenen Möglichkeiten bieten zu können, werden sie im Folgenden in Business-to-Customer (B2C) und Business-to-Business (B2B) unterschieden. Es sei jedoch darauf hingewiesen, dass im B2B-Bereich auch Techniken aus dem B2C-Bereich eingesetzt werden können.

Einer der bedeutendsten Online-Märkte für Bücher, aber auch andere Produkte, ist Amazon. Hier wurde bereits früh die Notwendigkeit von Personalisierung erkannt. Auf der Plattform sind an allen Ecken und Enden Beispiele für personalisierte Informationen und Dienstleistungen zu finden. Ein kleiner Streifzug durch die Angebote soll dies im Folgenden verdeutlichen.

Wenn man Kunde bei Amazon ist und sich mit seinen Daten registriert hat, fällt als Erstes die persönliche Begrüßung auf der Startseite auf. Dies ist an sich für den Kunden noch nicht direkt nützlich, aber gleich daneben befindet sich ein Link mit dem Titel „persönlichen Empfehlungen“, welcher zu einer Seite führt, auf der diverse Artikel angeboten werden, die in einem bestimmten Zusammenhang mit bereits erworbenen Artikeln stehen. Weiter unten auf der Startseite gibt es die Rubriken „Neu für Sie“, „Unsere Empfehlungen für Sie“ und „Für Sie ausgewählt“, welche ebenfalls auf Artikel hinweisen, die den Kunden interessieren könnten. Mit „Das interessiert Kunden aktuell“ gibt Amazon Hinweise abseits der ausdrücklich persönlichen Empfehlungen und zeigt Artikel, die vor kurzem von anderen Kunden gekauft worden sind. Begibt man sich nun auf die Seite eines speziellen Artikels, gibt es neben der klassischen Warenkorbfunktion auch noch eine Wunschliste die von Amazon als eine Grundlage von personalisierten Empfehlungen genutzt wird. Darüber hinaus kann man die Nützlichkeit von Kommentaren zu einem Artikel bestimmen und damit deren Ranking und somit ihre Darstellung beim Stöbern in den Angeboten beeinflussen. Mit den Funktionen „Lieblingslisten“ und „Kürzlich angesehene Artikel“ bekommt man als Kunde weitere Werkzeuge an die Hand, um sich durch die unüberschaubare Anzahl von Artikeln bewegen zu können. Daneben gibt es noch diverse weitere Punkte, die für jeden Kunden automatisch angepasst werden. Unter anderem die „Mein Shop“-Seite und persönliche Bundle-Angebote gehören zu dieser Kategorie.

Dieser erste Streifzug durch die Plattform eines der wichtigsten Onlinewarenhäuser zeigt die vielfältigen Möglichkeiten, die ein Online-Händler seinem Kunden bieten kann. Neben Empfehlungssystemen sind es vor allem auch Werkzeuge, die den Nutzen für den Kunden erhöhen können. Um zum Ausgangsbeispiel zurück zu kommen, bei einer Online-Banking Plattform besteht ein noch viel größerer Bedarf an Werkzeugen. Dort können Optimierungen der Bedienbarkeit und z.B. die Möglichkeit, Vorlagen für Überweisungen zu speichern, den Kunden bei seinen Bankgeschäften deutlich unterstützen. Bei einigen Anbietern ist es beispielsweise möglich, die Kontostandsanzeige als Startseite zu bestimmen. Wenn der Kunde das Portal vor allem für diese Funktion nutzt, spart er somit Zeit und der Komfort wird erhöht.

2.2 Personalisierung im Geschäftskundenbereich

Nach der Betrachtung von Werkzeugen für die Unterstützung von Endkunden, soll nun ein Blick auf elektronische Märkte des B2B-Bereichs geworfen werden. eBay als eine der größten Auktionsplattformen stellt nicht nur für seine privaten Kunden eine stark personalisierbare Oberfläche bereit. Besonders für professionell agierende Händler, die eBay nutzen, stehen viele verschiedene Werkzeuge zur Verfügung. Angefangen bei Übersichten über die eigenen Handelsaktivitäten bis hin zu Werkzeugen, mit denen man Angebote automatisch in die Plattform einstellen, oder Artikelbeschreibungen an die eigenen Bedürfnisse anpassen kann. Ebenso sind Funktionen für das automatische Wiedereinstellen von nicht verkauften Waren verfügbar. Doch trotz alle dem ist eBay in der Hauptsache ein Werkzeug, um Händler mit Endkunden bzw. Endkunden miteinander zu verknüpfen.

Interessanter ist daher die Betrachtung eines Marktplatzes, der sich vor allem an professionelle Abnehmer von großen Mengen richtet. Ein Beispiel für solch eine Plattform ist e-Wood.com. Hierbei handelt es sich um einen Marktplatz für Holz und Holzzwischenerzeugnisse. Es ist dort möglich, kubikmeterweise Holz direkt vom Sägewerk, aber z.B. auch vorveredelte Holzteile zum Verlegen von Parkettböden zu bekommen.

Wie bereits erwähnt, machen auf professionellen Plattformen die bereits gezeigten Empfehlungssysteme und andere Werkzeuge einen wesentlichen Teil des Nutzwerts aus. Dazu kommen dann Werkzeuge zur Automatisierung und Abwicklung von Geschäften mit hohen Volumina.

Als Beispiel soll an dieser Stelle ein Möbelhersteller dienen. Letztendlich benötigt der Hersteller in einem bestimmten Zeitraum eine gewisse Menge an Hölzern verschiedener Qualität, Sorte und Menge. Geht man von einem gut laufenden Geschäft aus, müssen diese Einkäufe stetig getätigt werden. Es kommt also wiederkehrend zu einer Auswahl von möglichen Lieferanten, sofern man sich nicht durch langfristige Verträge an bestimmte Lieferanten gebunden hat. Aber durch die Möglichkeiten der Globalisierung und einen Bedarf der nicht nur von einem Lieferanten gedeckt werden kann, sind Handelsplattformen wie e-Wood.com eine gute Möglichkeit um flexible Handelsbeziehungen aufzubauen.

Im B2B-Bereich wird zu diesem Zweck gern auf das Werkzeug der umgekehrten Auktion gesetzt, bei der sich die Anbieter gegenseitig mit ihren Preisen unterbieten können und der Abnehmer aus diesen Angeboten das nach seinen gewählten Kriterien beste Angebot auswählen kann. Um diesen Prozess zu automatisieren reicht es jedoch oft nicht aus, nur den Preis als Kriterium heranzuziehen, da in solchen Auktionen nicht nur große Anbieter mitmachen können, sondern auch unbekannte, kleinere Firmen, bei denen prinzipiell ein höheres Risiko der Nicht- oder Schlechtleistung gegeben ist. Dies ist bei der Einbindung in einen Produktionsvorgang natürlich ein Risiko, das abgewägt werden muss.

Um die Auswahl des besten Angebots zu automatisieren gibt es Techniken, welche die eigenen Risiko-Präferenzen mit in eine Angebotsbewertung einbeziehen. Hier kann der Abnehmer entsprechend steuern, ob er günstigere Angebote mit einem höheren Risiko oder teurere Angebote mit einem geringeren Risiko bevorzugt. Wie so ein Verfahren realisiert werden kann, wird in [2] näher erläutert. Im folgenden Abschnitt soll dagegen auf die Modellierung von Benutzern, zweistufige Suchsysteme und Empfehlungssysteme eingegangen werden, da diese sowohl im End- als auch Geschäftskundenbereich eingesetzt werden und somit die Basis für personalisierte Systeme bilden.

3 Übersicht über ausgewählte Techniken

3.1 Benutzer-Modellierung

Unter Benutzer-Modellierung versteht man das Aufbauen eines Profils bestehend aus allen denkbaren Daten, angefangen bei Alter, Geschlecht und Wohnort, über Einkommen, Interessen bis hin zu Lieblingsessen, TV-Serie und andere Angaben, die für das konkrete Szenario interessant sind. Wichtig sind hier natürlich neben der Relevanz für eine Anwendung auch die Möglichkeiten, diese Informationen zu ermitteln.

Dem Nutzer muss klar gemacht werden, welchen Vorteil es für ihn hat, diese meist sehr persönlichen Angaben zu machen. Wenn man z.B. ein Konto bei einem Online-Händler eröffnet, mag man noch sein Geburtsdatum angeben um die Geschäftsfähigkeit zu versichern und die Adresse, damit Ware auch geliefert werden kann. Umfangreiche Fragebögen zu Vorlieben, Hobbys oder gar dem Haushaltseinkommen wird man jedoch nicht ohne Weiteres ausfüllen wollen, selbst wenn dies mit dem Bestellvorgang verknüpft sein sollte.

Hierbei spielt nicht immer nur der Gedanke eine Rolle, dass man zum gläsernen Kunden gemacht wird, sondern auch der Aufwand den es bedeutet Fragebögen mit mehreren Seiten auszufüllen. Dies bedeutet für die Anbieter, dass sie andere Wege finden müssen an diese Informationen zu kommen, um trotzdem ihre Angebote besser auf den Kunden abstimmen zu können.

Ein Weg um mehr Informationen zu einem Nutzer zu bekommen ist die Auswertung der Aktionen, die dieser auf der Internetplattform ausführt. Letztendlich ist hier die Grundannahme, dass man die Aktionen eines Nutzers mit anderen Nutzern vergleichen kann, um von deren Verhalten auf Eigenschaften, Interessen oder Bedürfnisse des Nutzers schließen zu können. Umgesetzt werden kann dies in einem mehrstufigen Prozess, der unter anderem in [6] näher beschrieben wird. Abb. 1 zeigt die wesentlichen Schritte dieses Prozesses.

Abb. 1  Prozess zur Ermittlung von Nutzeraktionen auf eine Internetplattform [6]

Als Grundlage dienen die sogenannten Log-Files der Webserver oder sofern vorhanden, auch die anwendungsspezifischeren Anwendungslogs. Dabei handelt es sich um Aufzeichnungen über jegliche Aktivität, die ausgeführt wurde, jeweils abgelegt mit Datum, Uhrzeit und Verursacher. Besonders die Logs vom Webserver müssen in einem ersten Schritt gereinigt werden, sodass die tatsächlichen Aktionen von Benutzern ermittelt werden können. Dies bedeutet, dass Logeinträge für Bilder und andere technischen Aufrufe entfernt werden müssen. Anschließend können die verbleibenden Daten mit der Schnittstelle der Plattform korreliert werden, um neben den angezeigten Seiten die dazugehörigen Aktionen ermitteln zu können. Dieser Vorgang ist nicht in allen Fällen trivial und es ist oft lohnenswerter, die eingesetzte Anwendung direkt mit einer Logging-Schnittstelle auszustatten, um an nützlichere Daten zu gelangen.

Wenn es nun gelungen ist, die Aktionen zu isolieren, wird es nötig, diese einzelnen Nutzer zuzuordnen. Sobald dies geschehen ist, lassen sich die Aktionen in ihrer Bedeutung klassifizieren, gewichten und zu so genannten Episoden zusammenfassen. Aus den so aufbereiteten Daten lassen sich Rückschlüsse ziehen, z.B. ob und welche Artikel ein Kunde vor einem Kauf betrachtet, oder welche Aktionen er wieder abgebrochen hat, weil sie ihn nicht zum Ziel geführt haben. Mit diesen Daten lässt sich die allgemeine Gestaltung der Plattform verbessern. Wenn bspw. immer wiederkehrende Abbruchsmuster auftauchen, kann versucht werden die Gründe für diese Abbrüche zu beheben. Darüber hinaus lassen sich Gruppen von Nutzern bilden, die ähnliches Verhalten zeigen. Dies wiederum kann unter anderem für die weiter unten beschriebenen Empfehlungssysteme genutzt werden. Doch vorher soll kurz eine Technik zur Personalisierung von Suchergebnissen vorgestellt werden, die ebenfalls aus Benutzer-Modellierung und Gruppierung Vorteile ziehen kann.

3.2 Zweistufige Suche

In vielen Anwendungsgebieten kann es sinnvoll sein dem Nutzer personalisierte Suchfunktionen anzubieten. Ein mögliches Verfahren ist die in [5] beschriebene zweistufige Suche. Die Idee ist, auf eine normale Schlüsselwortsuche einen zweiten Schritt aufzusetzen. Die Suchergebnisse werden auf der Grundlage der Nutzerpräferenzen, die sich aus dem Nutzerprofil ergeben, neu geordnet.

Im Detail funktioniert die Suche also so, dass aus einer Menge von Daten die Datensätze ausgewählt werden, welche zu den gegebenen Suchwörtern/Schlüsselwörtern passen. Die auf diese Weise ausgewählten Datensätze werden außerdem mithilfe eines Ranking-Algorithmus nach ihrer Relevanz sortiert. Für das Ranking kann im einfachsten Fall die Häufigkeit des Auftretens der Suchwörter verwendet werden, aber es sind auch komplexere Algorithmen anwendbar, wie z.B. Verfahren, welche den Abstand der gefundenen Suchwörter ebenfalls mit in die Bewertung einbeziehen.

Darauf aufbauend wird dann der zweite Suchschritt durchgeführt. In [5] wird als Beispiel eine Job-Datenbank angegeben. Ein Arbeitssuchender besitzt bei dem Suchportal ein Profil, in dem unter anderem seine Qualifikationen, Mobilitätsangaben und Gehaltsvorstellungen vermerkt werden. Des Weiteren wird mit dem bereits vorgestellten Verfahren zur Benutzer-Modellierung eine Historie geführt, in der protokolliert wird, für welche Angebote er sich bereits interessiert und eventuell beworben hat und welche Angebote ihn nicht interessierten. Anhand dieser Daten können nun die gefundenen und bereits nach Relevanz sortierten Ergebnisse für ihn personalisiert werden. Wenn sein Profil z.B. erkennen lässt, dass er Jobs in einer bestimmten Stadt öfter angeklickt hat, werden diese Ergebnisse höher bewertet. Genauso kann die Gehaltsvorstellung mit in das Ranking einfließen. Die Verwendung von Negativkriterien ist ebenfalls möglich. Sollte der Benutzer Angebote bestimmter Firmen regelmäßig weggeklickt haben, werden diese ebenfalls schlechter gerankt und die für den Benutzer vermutlich interessantesten Angebote, die am besten zu seinem Profil passen, landen ganz oben auf der Ergebnisliste.

Problematisch an diesem Verfahren sind zwei Dinge: Datenschutz und neue Nutzer ohne Profildaten. Das Datenschutzproblem wird in [5] durch ein clientseitiges Ranking gelöst. Die Profildaten des Nutzers bleiben dabei auf seinem Rechner und werden nicht auf den Servern des Anbieters abgelegt. Das Problem neuer Nutzer, zu denen noch keine Daten vorliegen, lässt sich nicht so einfach lösen. Besonders durch die nur clientseitige Speicherung gehen einige Möglichkeiten verloren. Sollten beim neuen Nutzer zumindest grundlegende Informationen im Profil hinterlegt sein, könnte man von ähnlichen Nutzerprofilen auf die anderen Informationen mit gewisser Sicherheit schließen und diese Ähnlichkeiten als Grundlage für die Personalisierung nutzen.

In der unten stehenden Abbildung ist dargestellt, wie eine so personalisierte Suche in ein System eingebettet werden kann, das auch ein Verfahren zur Benutzer-Modellierung verwendet.

Abb. 2  Aufbau eines Systems mit Benutzer-Modellierung,
Profilgruppierung und personalisierter Suche [5]

3.3 Empfehlungssysteme

Suchfunktionen sind ein wichtiges Werkzeug, mit dem Benutzer sich durch den Informationsdschungel bewegen können und die Daten oder Dienste finden, die sie suchen. Vielen Benutzer fällt es jedoch schwer exakt zu beschreiben, wonach sie suchen. Wenn man beispielsweise einen Film sucht, den man vor einer Weile im Fernsehen gesehen hat, von dem man den Titel nicht kennt, der Name des Hauptdarstellers einem partout nicht einfallen will und man außerdem Genre und Jahr nur ungefähr weiß, dann ist es mit einfachen Suchfunktionen nahezu unmöglich, diesen Film ausfindig zu machen. Diese Problematik ist immer dann gegeben, wenn man eine ungefähre Vorstellung hat, was man sucht, dies aber nur ungenau in Worte fassen kann und dementsprechend die Suchergebnisse nicht das liefern, was man eigentlich gesucht hat.

Hier kann ein Empfehlungssystem greifen, welches z.B. das Stöbern, also unbestimmtes Suchen in einem Katalog, vereinfacht. Bei einem Katalog mit mehreren tausend Artikeln ist ein Durchblättern aller Artikel, entsprechend einer linearen Suche, nicht praktikabel.

Empfehlungssysteme die den Nutzer bei der Suche bzw. beim Stöbern unterstützen und ihm Anregungen geben, lassen sich auf der Basis verschiedener Herangehensweisen realisieren. Abb. 3 zeigt eine Übersicht von Ansätzen, die verwendet werden können. Grundsätzlich kann man zwischen individualisierten bzw. personalisierten und nicht-individualisierten Ansätzen unterscheiden. Zu den nicht-individualisierten Ansätzen zählt u.a. „Das interessiert Kunden aktuell“ bei Amazon. Dort werden die aktuell getätigten Einkäufe anderer Benutzer angezeigt.

Abb. 3  Technische Ansätze zur Realisierung von Empfehlungssystemen, nach [7]

Aus der Gruppe der individualisierten bzw. personalisierten Systeme sollen an dieser Stelle kurz die eigenschaftsbasierten Empfehlungssysteme betrachtet werden. Eigenschaftsbasierte Systeme nutzen bestimmte Regeln und Merkmale von Artikeln, um einem Käufer oder Interessenten eines Artikels ähnliche Artikel vorzuschlagen, die gleiche oder ähnliche Eigenschaften haben. Dies funktioniert recht gut bei einfachen Zusammenhängen. Ist man auf der Suche nach einem Buch über Mathematik, bekommt man ähnliche Bücher von anderen Autoren. Schaut man sich einen DVD-Player von einem Markenhersteller an, wird eventuell ein ähnliches Gerät von einem anderen Anbieter empfohlen. Diese Systeme versetzen den Kunden bzw. Benutzer in die Lage, schneller einen Überblick zu bekommen und bei der Suche nach konkreten Produkten passende Alternativen zu finden. Der Nachteil dieser Systeme liegt im Pflegeaufwand für den Anbieter. Dieser muss die verwendeten Attribute und Beziehungen aufwendig pflegen und es können natürlich nur offensichtliche Beziehungen abgebildet werden.

Problematisch sind außerdem verdeckte Beziehungen oder das Zusammenspiel verschiedener nicht quantifizierbarer Faktoren. Es ist durchaus möglich beim Kauf von Produkten passendes Zubehör zu empfehlen, eine Tasche zum gekauften Notebook oder zum DVD-Brenner die passenden DVD-Rohlinge. Allerdings bedarf es zum Abbilden solcher Beziehungen eines hohen Pflegeaufwands. Daher bedient man sich gern eines Empfehler-Ansatzes und lässt die Kunden sich letztendlich gegenseitig helfen.

Unterteilt wird dieser Ansatz in Active und Automated Collaborative Filtering. Bei Active Collaborative Filtering handelt es sich um die klassische Idee der Mundpropaganda, ein System um Benutzern die Möglichkeit zu geben Bekannten etwas zu empfehlen. Amazon bspw. bietet bei jedem Artikel einen unscheinbaren Button „Einem Freund weitersagen“. Hier ist der technische Aufwand für den Anbieter verschwindend gering und er macht sich die Neigungen seiner Kunden zunutze, sich untereinander, soweit sie sich kennen, über Erfahrungen auszutauschen und sich z.B. spannende Bücher zu empfehlen.

Aus technischer Sicht interessanter ist das Automated Collaborative Filtering. Hier kann man nicht auf den direkten sozialen Faktor und den damit verbundenen Vertrauensbonus setzen, aber es ist ein sehr gutes Mittel, um versteckte Beziehungen von Artikeln aufzudecken und ohne erhöhten Pflegeaufwand seinen Kunden geeignete Empfehlungen geben zu können. Unter Verwendung mathematischer Verfahren kann auf der Grundlage von Benutzerprofilen und ihrer Ähnlichkeit und den Aktionen, die Benutzer auf der Plattform ausgeführt haben, ein Zusammenhang zwischen Benutzern, ihren Präferenzen die von ihrem Profil abgeleitet werden und anderen Benutzern mit ähnlichen Merkmalen hergestellt werden. Um auf das Beispiel mit den DVD-Rohlingen zurückzukommen, die Beziehung zum DVD-Brenner ermittelt das System infolge der von anderen Benutzern getätigten Käufe. Es lässt sich, vorausgesetzt Benutzer tätigen auch tatsächlich diese Käufe, über statistische Methoden feststellen, dass eine relevante Anzahl von Käufern, die einen DVD-Brenner erworben haben, ebenso DVD-Rohlinge gekauft haben. Die Schwachstelle des Verfahrens sind zufällige Zusammenhänge. Bei Amazon könnte es ja durchaus vorkommen, dass in der Weihnachtszeit DVD-Brenner verkauft werden und die Käufer gleichzeitig zu einem überwiegenden Teil den neuen Harry-Potter-Band kaufen. Ob diese Empfehlung dann sinnvoll ist, darüber lässt sich streiten. Der direkte Zusammenhang und praktische Nutzen ist damit jedoch in gewisser Weise beeinträchtigt.

Ein weiteres Problem für dieses Verfahren ist der Start des Systems. Es kann nur sinnvolle Daten liefern, wenn es auf eine möglichst breite Wissensbasis zugreifen kann, also möglichst viele Benutzer aktiv sind und ihre Aktionen aufbreitet und untersucht werden können. Ein neu eingerichtetes System ermittelt daher in der Startphase keine sinnvollen Empfehlungen und sollte bis zum Vorhandensein einer genügend großen Datenbasis für den Benutzer verborgen bleiben.

Zum Abschluss dieses kleinen Überblicks soll noch auf ein interessantes Forschungsprojekt verwiesen werden. Neben kommerziellen Anwendern wie Amazon, eBay oder anderen gibt es auch ein akademisches Projekt mit dem Namen MovieLens. Dieses beschäftigt sich mit verschiedenen Studien rund um das Thema Empfehlungssysteme und bietet für den interessierten Nutzer eine Filmdatenbank, welche, nach dem man seine persönlichen Präferenzen eingegeben hat, recht gute Filmempfehlungen abgibt.

Abb. 4  Screenshot von MovieLens, einem Projekt von GroupLens Research
an der Universität von Minnesota

4 Personalisierung mithilfe des Web 2.0

Eines der großen Buzzwörter der letzten Zeit ist Web 2.0. Viele verbinden damit eine neue Generation von Web-Anwendungen, nicht nur aus technischer Sicht, sondern auch unter Betrachtung sozialer Aspekte. Daher wird es manchmal als das „Mitmach“-Web bezeichnet. Häufige Schlagwörter sind in diesem Zusammenhang Social Software, Partizipation, Zusammenarbeit, Wikis, Blogs und natürlich Empfehlungen und Personalisierung.

Nun stellt sich die Frage, wie Anbieter von elektronischen Marktplätzen von diesem Trend profitieren können. Als Erstes kann man einen Blick auf die Inhalte des Web 2.0 werfen. Blogs sind meist Online-Tagebücher und geben so einen Einblick in die Interessen des Verfassers. Auf Photo-Diensten wie Flickr sammeln die Menschen oft Urlaubsfotos und Bilder, die ihre Hobbys abbilden. Soziale Newsseiten wie Digg oder Linkdienste wie del.icio.us sammeln Tag für Tag Dinge, mit denen sich die Menschen beschäftigen und die bei genauer Analyse wahrscheinlich mehr über ihre Persönlichkeit aussagen, als ihnen recht sein kann.

Die meisten dieser Seiten finanzieren sich zudem über Werbung, womit die Verbindung zur Plattform eines Anbieters geschaffen werden kann. Außerdem bieten die meisten Dienste von sich aus Möglichkeiten um ihre Inhalte zur Weiterverarbeitung abzurufen. So kann man theoretisch über den Einstiegspunkt eines Besuchers und den Referrer, den Herkunftsort aus dem Web, zusätzliche Informationen über den Besucher und potenziellen Kunden ableiten. Das ist natürlich mit verschiedenen Annahmen und Problemen verbunden, welche die Qualität der Daten betrifft. Aber unteranderem Yahoo und Google machen vor, wie man geschickt den Nutzer auf seinen Angeboten identifizieren kann und so übergreifenden Informationsaustausch realisieren könnte.

Eine weitere interessante Quelle für potenzielle Kunden mit sehr zielgerichteter Werbung sind Social-Networks. Dazu gehören unteranderem die Projekte Xing, StudiVZ und LinkedIn. Auf solchen Seiten geben Benutzer außergewöhnlich freiwillig detaillierte Informationen über ihr Leben preis. Diese würden sich mit entsprechenden Techniken ebenfalls verwenden lassen.

Grundsätzlich ist das Web 2.0 durch seinen Mitmach-Gedanken eine reiche Quelle für Daten, die zur Personalisierung genutzt werden können. Aus rechtlichen Gründen dürfte es problematisch sein diese direkt zu verwenden, auch wenn es technisch möglich wäre. Trotz dieser Probleme ist das Web 2.0 eine hervorragende Basis um abseits der eigenen Plattform den Kunden mit personalisierten Inhalten und genau zugeschnittener Werbung zu versorgen.

Darüber hinaus gibt es noch eine weitere Form des Web 2.0, welche vielleicht die Form ist, die sich am besten in eine bestehende Plattform integrieren lassen könnte. Der Vorreiter dieser Art von Diensten ist Spreadshirt. Dieser Dienst bietet Personalisierung in jeder Dimension. Der Kunde kann nicht nur mit personalisierten Inhalten versorgt werden, er personalisiert sie außerdem selbst. Zusätzlich ist der Service selbst personalisierbar und lässt sich auf Anbieterebene in andere Plattformen integrieren.

So besteht für Anbieter die Möglichkeit Produkte, die den Kunden interessieren könnten, über ein Empfehlungssystem anzubieten und ihm gleichzeitig die Möglichkeit zu bieten, dass er diese Produkte modifiziert und nach seinen eigenen Vorstellungen anpasst.

Spreadshirt hat ursprünglich mit dem Bedrucken von T-Shirts begonnen, bietet aber inzwischen eine Vielzahl von verschiedenen Waren an, die nach dem eigenen Geschmack gestaltet werden können. Dieser Dienst zeigt damit, dass Personalisierung nicht nur aus Hilfsmitteln bestehen muss, z.B. Werkzeugen die die Bedienung vereinfachen können oder Empfehlungen die den Kunden helfen zu finden, was sie suchen, sondern, so wie in der Geschichte vom Banker beschrieben, tatsächlich in einer Anpassung des Produkts an den Kunden bestehen kann. Diese Anpassung bzw. Personalisierung des Produkts geht aktuell über die meisten der verwendeten Ansätze hinaus und ist in Bezug auf eine automatische Realisierung ein Thema, was genauerer Forschung bedarf. Spreadshirt.net zeigt bereits, dass es nicht nur funktionieren, sondern sogar sehr erfolgreich sein kann.

Abb. 5  Screenshot von Spreadshirt.net, Editor zum Personalisieren von Gegenständen

5 Abschlussbetrachtung und Fazit

Abschließend lässt sich feststellen, dass Personalisierung einen echten Mehrwert für den Nutzer aber auch für den Anbieter bedeuten kann. Der Nutzer bekommt Werkzeuge in die Hand, mit denen er seine Ziele besser und einfacher erreichen kann. Zusätzlich erfährt der Anbieter über die Verfahren zur Personalisierung mehr über seine Nutzer und hat die Möglichkeit seine Angebote besser mit den Anforderungen seiner Kunden abzustimmen.

Mit den zuletzt vorgestellten Möglichkeiten des Web 2.0 könnte man noch weitergehende Personalisierungsmöglichkeiten anbieten, die bis hinein in die Produkte oder Dienstleistungen eines Anbieters reichen.

Jedoch hat alles auch seine Schattenseiten. Exzessive Personalisierung kann Kunden auch verschrecken, indem sie sich überanalysiert fühlen und ihre Privatsphäre verletzt sehen. Des Weiteren können begründet in der verwendeten Technologie die angebotenen Personalisierungen von unzureichender Qualität sein und damit störend auffallen. Ob man nun bei Amazon nach dem Kauf eines Mathebuches unbedingt noch ein Buch ähnlichen Inhaltes von einem anderen Autor benötigt, kann man sicher in Frage stellen. Fängt jedoch das Personalisierungssystem an sexuelle Ansichten falsch vorauszusagen, kann dies nicht nur für den Kunden unangenehm, sondern sogar für die Beziehung zum Anbieter kritisch werden. (Siehe [10]).

Ein weiterer Aspekt ist die Gestaltung der Oberflächen einer solchen personalisierten Plattform. Neben dem Gefühl des „gläsernen Kunden“, welches es zu vermeiden gilt, müssen die Anpassungen an geeigneten Stellen so vorgenommen werden, dass sie nicht nur vorhanden sind, sondern vom Benutzer auch verwendet werden. Hierbei spielt die Usability eine wesentliche Rolle. Eine Möglichkeit den Software-Entwicklungsprozess so anzupassen, dass Personalisierung sinnvoll realisiert werden kann, stellt der in [3] vorgeschlagene User-Centered Design Ansatz dar.

Grundsätzlich lässt sich feststellen, dass eine gut gestaltete Plattform mit Personalisierung nicht nur das Benutzererlebnis verbessern, sondern auch positive Auswirkungen auf das Geschäftsergebnis bringen kann.

Quellenverzeichnis

• 1.   Wells, N. & Wolfers, J.: Finance with a personalized touch, Commun. ACM, ACM Press, 2000, 43, 30-34
• 2.   Demir, G. K. & Gini, M.: Risk and user preferences in winner determination. ACM Press, 2003, 150-157
• 3.   Kramer, J.; Noronha, S. & Vergo, J.: A user-centered design approach to personalization. Commun. ACM, ACM Press, 2000, 43, 44-48
• 4.   Riecken, D.: Introduction: personalized views of personalization
  Commun. ACM, ACM Press, 2000, 43, 26-28
• 5.   Smyth, B.; Bradley, K. & Rafter, R.: Personalization techniques for online recruitment services. Commun. ACM, ACM Press, 2002, 45, 39-40
• 6.   Mobasher, B.; Cooley, R. & Srivastava, J.: Automatic personalization based on Web usage mining. Commun. ACM, ACM Press, 2000, 43, 142-151
• 7.   Bohnert, F.: Einsatz von Collaborative Filtering zur Datenprognose, Universität Ulm Januar 2004. http://www.mathematik.uni-ulm.de/sai/ws03/dm/arbeit/bohnert.pdf
• 8.   Keenoy, K.; Levene, M.: Personalisation of Web Search, Intelligent Techniques for Web Personalization, Springer Berlin / Heidelberg, 2005, 3169, 201-228
• 9.   Smyth, B. & Cotter, P.: A personalized television listings service Commun. ACM, ACM Press, 2000, 43, 107-111
• 10. Zaslow, J.: If TiVo Thinks You Are Gay, Here's How to Set It Straight, The Wall Street Journal, November, 2002
  http://online.wsj.com/article_email/SB1038261936872356908.html

Referenzierte Internet-Plattformen

• 1.   Amazon, Amazon EU S.a.r.l., 5, Rue Plaetis - 2338 Luxemburg, http://www.amazon.de/
• 2.   eBay, eBay International AG, Helvetiastrasse 15-17, CH-3005 Bern, http://www.ebay.de/
• 3.   e-Wood.com, Woodlist, Inc, Suite 204, 277 Linden St., Wellesley, MA 02482, USA, http://www.e-wood.com/
• 4.   MovieLens, Department of Computer Science and Engineering, University of Minnesota, 200 Union Street SE, Minneapolis, MN 55455 http://movielens.umn.edu/
• 5.   Flickr, Yahoo! Inc., 701 First Avenue, Sunnyvale, CA 94089, http://www.flickr.com/
• 6.   Digg, Digg Inc., 576 12th Ave, San Francisco, CA 94122, http://www.digg.com/
• 7.   del.icio.us, Yahoo! Inc., 701 First Avenue, Sunnyvale, CA 94089, http://del.icio.us/
• 8.   Xing, OPEN Business Club AG, Gaensemarkt 43, 20354 Hamburg, Deutschland. http://www.xing.com/
• 9.   StudiVZ, studiVZ Ltd., Saarbrücker Str. 38, 10405 Berlin, http://www.studivz.net/
• 10. LinkedIn, LinkedIn Corporation, 2029 Stierlin Court, Mountain View, CA 94043, http://www.linkedin.com/
• 11. Spreadshirt, sprd.net AG, Karl-Heine-Straße 97, 04229 Leipzig, http://www.spreadshirt.net/