KI-System
Das maschinelle Lernen hinter intelligenten Empfehlungen verstehen
Zuletzt aktualisiert: 2025-01-16
Die KI-Engine für intelligente Empfehlungen analysiert deine Shop-Daten mit fortgeschrittenem maschinellem Lernen und erzeugt besonders relevante Produktvorschläge. Dieser Leitfaden erklärt die Algorithmen und ihre Optimierung für deinen Shop.
Eingabedaten
Die KI-Engine verarbeitet mehrere Datenquellen für Empfehlungen:
Datenquellen
- Bestellhistorie – Was Kunden zusammen kaufen
- Surfverhalten – Angesehene Produkte, Verweildauer und Scrolltiefe
- Suchanfragen – Wonach Kunden suchen
- Hinzufügen und Entfernen im Warenkorb – Signale für Kaufabsicht
- Produkteigenschaften – Kategorien, Tags und Beschreibungen
- Bestände – Verfügbare Ware
- Preisdaten – Preisniveaus und Margen
- Kundensegmente – VIP, neue und wiederkehrende Kunden und mehr
Empfehlungsalgorithmen
Häufig zusammen gekauft
Erkennt Produkte, die häufig in derselben Bestellung gekauft werden:
{
"algorithm": "frequently_bought_together",
"method": "association_rules",
"parameters": {
"min_support": 0.01,
"min_confidence": 0.3,
"lookback_days": 90,
"min_co_occurrences": 5
},
"output": {
"product_pairs": [
{
"product_a": "moisturizer",
"product_b": "cleanser",
"confidence": 0.65,
"lift": 2.3
}
]
}
}Kollaboratives Filtern
Empfiehlt Produkte anhand des Verhaltens ähnlicher Kunden:
{
"algorithm": "collaborative_filtering",
"method": "matrix_factorization",
"parameters": {
"latent_factors": 50,
"regularization": 0.1,
"learning_rate": 0.01,
"iterations": 20
},
"similarity_metric": "cosine",
"min_similarity_threshold": 0.3
}Inhaltsbasiertes Filtern
Findet ähnliche Produkte anhand von Eigenschaften und Beschreibungen:
{
"algorithm": "content_based",
"features": {
"title_embedding": { "weight": 0.3, "model": "tfidf" },
"description_embedding": { "weight": 0.2, "model": "tfidf" },
"category_match": { "weight": 0.25 },
"tag_overlap": { "weight": 0.15 },
"price_range": { "weight": 0.1 }
},
"similarity_threshold": 0.4
}Echtzeitbewertung
Verbindet vorberechnete Modelle mit Echtzeitsignalen:
{
"realtime_signals": {
"current_cart": {
"weight": 0.4,
"boost_related_products": true
},
"session_views": {
"weight": 0.25,
"decay_factor": 0.8
},
"search_query": {
"weight": 0.2,
"match_type": "semantic"
},
"time_context": {
"weight": 0.15,
"factors": ["day_of_week", "time_of_day", "season"]
}
}
}Modelltraining
Modelle werden automatisch trainiert und aktualisiert:
Trainingsplan
- Vollständiges Neutraining – Wöchentlich am Sonntag
- Inkrementelle Aktualisierungen – Täglich um Mitternacht
- Echtzeitlernen – Rückmeldungen sofort einbeziehen
- A/B-Modelltests – Automatischer Modellvergleich
{
"training": {
"schedule": {
"full_retrain": "0 3 * * 0",
"incremental": "0 1 * * *"
},
"data_requirements": {
"min_orders": 100,
"min_products": 50,
"min_customers": 200
},
"validation": {
"holdout_percentage": 0.2,
"metrics": ["precision@k", "recall@k", "ndcg"]
}
}
}Personalisierung
Die Engine personalisiert Empfehlungen für einzelne Kunden:
{
"personalization": {
"enabled": true,
"user_profile": {
"build_from": [
"purchase_history",
"browse_history",
"wishlist",
"reviews_written"
],
"profile_decay": 0.95,
"max_profile_items": 100
},
"cold_start": {
"strategy": "popularity_based",
"use_session_data": true,
"segment_defaults": true
}
}
}Bei neuen Besuchern ohne Historie nutzt die Engine beliebtheitsbasierte Empfehlungen und das Sitzungsverhalten. Nach 3–5 Interaktionen beginnt die Personalisierung.
Leistungsoptimierung
Die KI-Engine ist auf Geschwindigkeit optimiert:
Leistungsmerkmale
- Vorberechnete Empfehlungen im Edge-Cache
- Echtzeitbewertung mit < 50 ms Latenz
- Gebündelte Vorberechnung in verkehrsarmen Stunden
- Alternative Empfehlungen bei fehlenden Cache-Einträgen
- An den Traffic angepasste Berechnung
Überwachung und Qualität
Überwache die Empfehlungsqualität:
{
"monitoring": {
"metrics": {
"precision_at_5": "Relevant items in top 5 / 5",
"recall_at_10": "Relevant items found / Total relevant",
"coverage": "Products recommended / Total products",
"diversity": "Uniqueness of recommendations",
"novelty": "Long-tail vs popular items"
},
"alerts": {
"ctr_drop": { "threshold": -20, "window": "7d" },
"coverage_drop": { "threshold": -10, "window": "1d" }
}
}
}Parameter abstimmen
- Vielfalt erhöhen – Ähnlichkeitsschwelle senken und zufällige Erkundung ergänzen
- Neue Produkte bevorzugen – Aktualität bei der Bewertung stärker gewichten
- Relevanz verbessern – Modelle häufiger trainieren
- Mit wenigen Daten umgehen – Schwellenwerte für min_support senken
Verwandte Themen
Brauchst du mehr Hilfe? Support kontaktieren