Was ist Collaborative Filtering in der Mode?
Eine Empfehlungsmethode, die Artikel auf Basis dessen vorschlägt, was ähnliche Nutzer gewählt haben, statt auf Basis von Produktattributen.
Kurz erklärt
Collaborative Filtering ist eine Empfehlungsmethode, die Artikel auf Basis dessen vorschlägt, was ähnliche Nutzer gewählt haben, statt auf Basis der Attribute des Produkts selbst. Im Modegrosshandel kann es einem Händler Styles vorschlagen, weil vergleichbare Händler sie zusammen bestellt haben.
Wie funktioniert es in der Praxis?
Der Grundgedanke lautet: Wer in der Vergangenheit übereinstimmte, stimmt auch künftig überein. Das System betrachtet Muster in Bestellungen, Aufrufen oder Käufen über viele Nutzer hinweg. Haben Händler, die einen bestimmten Strick-Style gekauft haben, häufig auch eine bestimmte Hose bestellt, schlägt das System diese Hose einem neuen Käufer des Strickteils vor. Dafür muss es nicht wissen, wie eines der beiden Produkte aussieht.
Es gibt zwei gängige Ansätze:
- Nutzerbasiert: Kunden finden, die diesem ähnlich sind, und vorschlagen, was sie bestellt haben.
- Artikelbasiert: Artikel finden, die häufig zusammen mit dem betreffenden Artikel gewählt werden.
Anwendungen in der Mode sind unter anderem Sortimentsvorschläge in einem B2B-Portal, 'Wird oft zusammen gekauft'-Funktionen im E-Commerce und das Erkennen von Cross-Selling-Chancen für Handelsvertreter.
Warum ist das wichtig?
Collaborative Filtering erfasst echtes Kaufverhalten, einschliesslich Kombinationen, die attributbasierte Regeln nicht vorhersagen würden. Es kann aufzeigen, wie verschiedene Store-Typen ihre Sortimente aufbauen, und kleineren Kunden helfen, von den Entscheidungen vergleichbarer Händler zu profitieren.
Wie nutzt KI es?
Collaborative Filtering ist ein Kernverfahren von Empfehlungssystemen und Personalisierungs-Engines. Moderne Varianten nutzen Machine Learning, um verborgene Muster zu finden, und werden meist mit inhaltsbasierten Methoden und dem Clustering von Kunden oder Endkunden kombiniert.
Typische Fallstricke
- Kaltstart. Brandneue Produkte, die noch niemand gekauft hat, können nicht empfohlen werden, was in der saisonalen Mode ein erhebliches Problem ist.
- Popularitäts-Bias. Bestseller werden häufiger empfohlen, was Neuheiten verdrängen kann.
- Dünne Datenlage. Kleinere Marken oder Nischenkategorien haben womöglich zu wenige Bestellungen für verlässliche Muster.
- Kontextblindheit. Ergebnisse sollten nach Markt, Saison und Verfügbarkeit gefiltert werden.
Häufige Fragen
Was ist das Kaltstartproblem bei Empfehlungen in der Mode?
Es tritt auf, wenn ein neues Produkt oder ein neuer Kunde keine Historie hat und Collaborative Filtering daher keine Empfehlung liefern kann. Attributbasierte Methoden und ähnliche frühere Styles schliessen diese Lücke.
Wie unterscheidet sich Collaborative Filtering von inhaltsbasiertem Filtern?
Collaborative Filtering stützt sich auf das Verhalten ähnlicher Nutzer, während inhaltsbasiertes Filtern Produktattribute wie Kategorie, Farbe und Stoff vergleicht.
