Ein Vortrag von Andreea Fabritius aus dem Hauptseminar "Personalisierung mit großen Daten".

1. Herzlich Willkommen zu
Entscheidungshilfe:
Recommender
System
Glaubwürdige und überzeugende
Empfehlungssysteme entwerfen
Veranstaltung
HS: Personalisierung mit großen Daten
Referentin
Andreea Fabritius
06.12.2013

2. Glaubhafte Recommender Systeme
Gliederung
1. Einleitung: Einsatz von Recommender Systemen
2. Psychologische Grundlage: Der menschliche
Entscheidungsprozess
3. Erfolgsfaktoren für glaubwürdige Recommender
Systeme
4. Glaubhafter Recommender Systeme entwerfen
5. Empfehlungssysteme der Zukunft
Andreea Fabritius
Seite 2 / 36

3. Glaubhafte Recommender Systeme
Einleitung
Wo wir auf Recommender Systeme treffen:
Andreea Fabritius
Seite 3 / 36

4. Glaubhafte Recommender Systeme
Einleitung
Wo wir auf Recommender Systeme treffen:
Andreea Fabritius
Seite 4 / 36

5. Glaubhafte Recommender Systeme
Wozu Recommender Systems?
Empfehlungssysteme aus Nutzersicht
Recommendation Systems (RS) helfen Nutzern:
• beim Finden von bekannten Personen in Netzwerken
• als Verkaufsassistenten in Online Shops
• bei der Orientierung in großen Informationsmengen
• zur Eingrenzung großer Auswahlangebote
• beim Entdecken weiterer interessanter Informationen und
Produkte
Andreea Fabritius
Seite 5 / 36

6. Glaubhafte Recommender Systeme
Wozu Recommender Systems?
Empfehlungssysteme aus Anbietersicht
Recommendation Systems (RS) helfen Anbietern:
• als personalisierte Verkaufsassistenten in Online Shops
• als Trustfaktor und Loyalitätsfaktor für Online Shops
• zur Steigerung von Umsatz, Conversions und Clickraten
• als Mittel für Promotion
• um mehr Daten über Nutzer zu sammeln
Andreea Fabritius
Seite 6 / 36

7. Glaubhafte Recommender Systeme
Wozu Recommender Systems?
• Recommender Systeme sind effektive Entscheidungshilfen, die
nicht nur aus technischer Sicht funktionieren müssen
à Recommender Systeme als „Social Actors“
unumgänglich
Andreea Fabritius
Seite 7 / 36

8. Glaubhafte Recommender Systeme
Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Für E-Commerce ist es extrem wichtig menschliches Kaufverhalten zu
verstehen. Dies ist eng gekoppelt an verschiedene Theorien, die während
des menschlichen Entscheidungsprozesses beobachtet werden können.
Studien haben herausgefunden, das es so etwas wie eine stabile
Präferenz im Entscheidungsprozess nicht gibt:
Bsp: Eine Person möchte sich einen Laptop
kaufen und definiert dafür ein festes Preislimit.
Eine detaillierte technische Beschreibung
des Geräts im Vergleich zu anderen kann
aber dazu führen, dass das Limit zu Gunsten
Ausstattung doch überschritten wird.
Andreea Fabritius
Seite 8 / 36

9. Glaubhafte Recommender Systeme
Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Kontext-Effekt
Die Wahrnehmung eines Produkts wird immer auch durch seinen Kontext
beeinflusst. Das bedeutet, die Darstellung eines Produktes in einer
Auswahl verschiedener Produkte kann die Wahrnehmung sowohl positiv
als auch negativ beeinflussen.
Die Kaufentscheidung wird immer auch im Bezug auf den Kontext
getroffen.
Andreea Fabritius
Seite 9 / 36

10. Glaubhafte Recommender Systeme
Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Kontext-Effekt
Produkt
A
B
C
Preis
30
25
50
10 GB
3 GB
12 GB
Download
Limit
à Welches Produkt wird eher gekauft?
Andreea Fabritius
Seite 10 / 36

11. Glaubhafte Recommender Systeme
Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Kontext-Effekt
Produkt
A
B
C
Preis
30
25
50
10 GB
3 GB
12 GB
Download
Limit
à Der Kontext lässt Produkt A im Vergleich sehr attraktiv wirken. Für
signifikant weniger erhält man nahezu so viel, wie bei dem teuersten
Produkt C. C ist hierbei der Köder für A. A ist der Kompromiss zwischen
niedrigem Preis und hoher Leistung.
à Mächtiges Instrument für den Abverkauf von Ladenhütern
Andreea Fabritius
Seite 11 / 36

12. Glaubhafte Recommender Systeme
Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Attraction-Effekt
Produkt
A
B
C
Preis
30
25
36
10 GB
3 GB
32 GB
Download
Limit
à Und nun?
Andreea Fabritius
Seite 12 / 36

13. Glaubhafte Recommender Systeme
Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Attraction-Effekt
Produkt
A
B
C
Preis
30
25
36
10 GB
3 GB
32 GB
Download
Limit
à C dominiert A deutlich bei der erhaltenen Leistung, während der Preis
vergleichsweise nur geringfügig höher ist.
Andreea Fabritius
Seite 13 / 36

14. Glaubhafte Recommender Systeme
Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Dieses Wissen kann genutzt werden um:
à Gesteigerte Wahrscheinlichkeiten herbeizuführen, ein Produkt zu
verkaufen
à Die Zufriedenheit der Nutzer beim Kauf zu steigern
à Kaufbereitschaft zu steigern, als Konsequenz aus zufriedeneren Kunden
Wichtig: Kalkulieren der Dominanz der Produkte, um gewünschten Effekt
zu erzielen.
Andreea Fabritius
Seite 14 / 36

15. Glaubhafte Recommender Systeme
Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Weitere Effekte:
• Primacy / Recency Effekt: kognitives Phänomen, das beschreibt,
dass Menschen sich aus einer Liste an Informationen besonders diejenigen
Sequenzen am Anfang und am Ende merken können.
• Analog dazu: Produkte am Anfang und am Ende werden viel häufiger
beachtet, im Vergleich zu Produkten in der Mitte der Liste
à Plus: User evaluieren typischerweise nicht jedes einzelne Produkt einer
Liste, um das beste zu finden
à Als Konsequenz daraus, sollte dieses Wissen in Recommender
Systemen miteinkalkuliert werden.
Andreea Fabritius
Seite 15 / 36

16. Glaubhafte Recommender Systeme
Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Weitere Effekte:
• Framing: Darstellung einer Information kann die Evaluierung des
Produkts beeinflussen:
à Bei der Darstellung des Preises
à Bei der Darstellung der einzelnen Attribute
Der Framing-Effekt ist dabei höher, je unerfahrener der User auf dem
Themengebiet ist. Bei Usern, die mit der Thematik gut vertraut sind,
können Framingeffekte kaum festgestellt werden.
Andreea Fabritius
Seite 16 / 36

17. Glaubhafte Recommender Systeme
Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Weitere Effekte:
• Priming: Hier kann beispielsweise der Hintergrund einer Seite
Einfluss auf die Entscheidung des Nutzers nehmen (background
priming)
Beispiel von Mandel and Johnson 1999:
Der Hintergrund einer Seite für Möbel wurde in einem A/B-Test
einmal mit Münzen und einmal mit Wolken gestaltet. Die User mit
dem wolkigen Hintergrund gaben dabei signifikant mehr Geld aus,
als die andere Nutzergruppe.
à Hier wurde besonders die Gefühlswelt angesprochen. Die
Wolken vermittelten eine wohlige und beruhigende Stimmung.
Andreea Fabritius
Seite 17 / 36

18. Glaubhafte Recommender Systeme
Psychologische Grundlage: Der menschliche
Entscheidungsprozess
Weitere Effekte:
• Defaults: Standardeinstellungen werden häufig als Status Quo
gesehen und dadurch häufiger mit Alternativen verglichen, als
Alternativen untereinander.
à Status Quo Bias: User tendieren außerdem dazu
Standardeinstellungen NICHT zu ändern.
• Änderungen von Defaults werden mit einem Risiko in Verbindung
gebracht die falsche Entscheidung zu treffen.
à Vorauswahl von Versicherungen, extra Garantie etc.
Andreea Fabritius
Seite 18 / 36

19. Glaubhafte Recommender Systeme
Erfolgsfaktoren glaubwürdiger Empfehlungssysteme
Glaubwürdigere Quellen sind auch überzeugender.
Für den Erfolg eines Recommender Systems ist damit eine
Vertrauensbasis essenziell.
Die Glaubwürdigkeit ist maßgeblich abhängig von der
Wahrnehmung des Nutzers. Das Design des Recommender
Systems muss so gestaltet sein, dass sich der Nutzer damit gut
beraten fühlt.
Wie kann eine Vertrauensbasis geschaffen werden?
à Psychologie der zwischenmenschlichen Interaktion
Andreea Fabritius
Seite 19 / 36

20. Glaubhafte Recommender Systeme
Erfolgsfaktoren glaubwürdiger Empfehlungssysteme
Intrinsische Eigenschaften für Empfehlungssysteme
Glaubwürdigkeit & Seriosität
Eigenschaften wie Wohlwollen, Neutralität, Wahrhaftigkeit sind
Menschen von sozialer Interaktion bekannt und vertraut.
àSchaffen einer Vertrauensbasis: Beim Nutzer das Gefühl
wecken, in seinem Interesse zu handeln.
Gegenteil: Forsches Überzeugen weckt Misstrauen
Andreea Fabritius
Seite 20 / 36

21. Glaubhafte Recommender Systeme
Erfolgsfaktoren glaubwürdiger Empfehlungssysteme
Intrinsische Eigenschaften für Empfehlungssysteme
Fachkompetenz des Systems
Das System muss auf seinem Fachgebiet kompetent und effektiv
funktionieren. Der User möchte sich auf den Expertenstatus des
Systems verlassen können.
à Hohe Kompetenz begünstigt hohe Glaubwürdigkeit und hat
damit positive Effekte auf die Überzeugungskraft
Andreea Fabritius
Seite 21 / 36

22. Glaubhafte Recommender Systeme
Erfolgsfaktoren glaubwürdiger Empfehlungssysteme
Intrinsische Eigenschaften für Empfehlungssysteme
Similarity
Ähneln die Empfehlungen den eigenen Mustern der
Entscheidungsfindung, tendieren User stärker dazu, die
Empfehlungen anzunehmen.
à Homophily Theorie
Ähnlichkeit begünstigt Wahrnehmung von Vertrauen und
Kompetenz
Andreea Fabritius
Seite 22 / 36

23. Glaubhafte Recommender Systeme
Erfolgsfaktoren glaubwürdiger Empfehlungssysteme
Output-Eigenschaften für Empfehlungssysteme
Informationen zu Produkten
Viele nützliche Informationen sind wichtig, um Produkte detailliert zu
beschreiben.
Erhöht die Transparenz und das Vertrauen in die Empfehlungen
des Systems und stützt die Empfehlungswirkung.
Andreea Fabritius
Seite 23 / 36

24. Glaubhafte Recommender Systeme
Glaubhafte Recommender Systeme entwerfen
Entwurf
Um glaubhafte und überzeugende Recommender Systeme zu entwerfen
gilt es die zuvor genannten psychologischen Aspekte zu integrieren.
Kann man einen Nutzer als Kunden gewinnen, kann ein Kreislauf in Gang
gesetzt werden
Vertrauen à Überzeugung à Kauf à Zufriedenheit à gesteigerte
Bereitschaft zu
Kaufen
Nutzer kehrt zurück
Andreea Fabritius
Seite 24 / 36

25. Glaubhafte Recommender Systeme
Glaubhafte Recommender Systeme entwerfen
Transparenz
Wichtig um die Vertrauensbasis aufrecht zu erhalten und zu stützen
ist Transparenz zur Funktionsweise des Recommender Systems.
Zentral ist dies für den Output von Recommender Systemen.
à WARUM werden mir diese Artikel vorgeschlagen?
Lösung: Explanations
Der Nutzer sollte verstehen können, wieso ihm diese Produkte
angezeigt werden. Bestenfalls sollte er Bewerten können, ob die
Vorschläge wirklich zu seinen Präferenzen passen.
Andreea Fabritius
Seite 25 / 36

26. Glaubhafte Recommender Systeme
Glaubhafte Recommender Systeme entwerfen
Explanations
7 Kriterien für Explanations:
•
•
•
•
•
•
•
Transparenz:
Scrutability:
Vertrauen:
Effektivität:
Überzeugung:
Effizienz:
Zufriedenheit:
Funktionsweise erklären
User kann das System korrigieren
stärken
Gute Entscheidungen ermöglichen
Nutzer überzeugen zu kaufen / probieren
Schnelle Entscheidungen (Need for closure)
Steigerung der Einfachheit + Zufriedenheit
.
Andreea Fabritius
Seite 26 / 36

27. Glaubhafte Recommender Systeme
Glaubhafte Recommender Systeme entwerfen
Transparenz
Typische Beispiele von Explanations:
Andreea Fabritius
Seite 27 / 36

28. Glaubhafte Recommender Systeme
Glaubhafte Recommender Systeme entwerfen
Transparenz
Besser: Hilfreiche Explanations
ß Plus: Möglichkeit noch mehr
zu entdecken
Andreea Fabritius
Seite 28 / 36

29. Glaubhafte Recommender Systeme
Glaubhafte Recommender Systeme entwerfen
Die Vertrauensbasis
Produktvergleiche sind bei Nutzern nicht nur beliebt, sie schaffen auch
weiter Vertrauen in das Wohlwollen des Empfehlungssystems. Der
Vergleich von Produkten zeigt sowohl positive, als auch negative Faktoren
auf. Der Nutzer fühlt sich gut informiert.
Andreea Fabritius
Seite 29 / 36

31. Glaubhafte Recommender Systeme
Glaubhafte Recommender Systeme entwerfen
Die Vertrauensbasis
Produktvergleiche sind bei Nutzern nicht nur beliebt, sie schaffen auch
weiter Vertrauen in das Wohlwollen des Empfehlungssystems. Der
Vergleich von Produkten zeigt sowohl positive, als auch negative Faktoren
auf. Der Nutzer fühlt sich gut informiert.
Andreea Fabritius
Seite 31 / 36

32. Glaubhafte Recommender Systeme
Glaubhafte Recommender Systeme entwerfen
Bewertungen
Bewertungen anderer Nutzer stellen wichtige Entscheidungselemente dar.
Fälle von Manipulation oder fehlende Transparenz schüren Skepsis
gegenüber Bewertungen.
à Produkte, die gut bewertet wurden, aber nicht ganz die volle Punktzahl
erhalten haben wirken am glaubhaftesten.
à Der Haken?
Andreea Fabritius
Seite 32 / 36

33. Glaubhafte Recommender Systeme
Empfehlungssysteme der Zukunft
Emotionen, Mimik und bio-chemische Prozesse
Je näher die Human-Computer-Interaction der zwischenmenschlichen
Interaktion kommt, desto besser können PCs auf die Bedürfnisse der
Nutzer reagieren.
Je mehr Informationen über den Nutzer erfassbar sind, desto
maßgeschneiderter können Empfehlungen ausgesprochen werden.
à Nächste Stufe: Emotionen in Recommender Systemen zuverlässig
einbeziehen
Andreea Fabritius
Seite 33 / 36

34. Glaubhafte Recommender Systeme
Empfehlungssysteme der Zukunft
Emotionen, Mimik und bio-chemische Prozesse
Studie: „Implizite Messung von Emotionen durch webcambasierte
Gesichtsausdruckserkenung“ Ron Degen
à EmotiCam erfasst unmittelbare Emotionen auf einen Stimulus mittels
Webcam
Erfassen von:
Freude, Trauer, Wut, Angst, Ekel, Überraschung
Einsatzgebiet: Analyse von Werbesports
Andreea Fabritius
Seite 34 / 36

35. Glaubhafte Recommender Systeme
Empfehlungssysteme der Zukunft
Emotionen, Mimik und bio-chemische Prozesse
Studie 1: A Study on Using Biometric Sensors for Monitoring User
Emotions in Educational Games.
Studie 2: Evaluierung der Praxistauglichkeit von Emotions- und
Bioparametermessung als Usability-Testmethode
à Biometrische Sensoren erfassen emotionale und physische Reaktionen
auf verschiedene Stimuli
Erfassen von:
Herzschlag, Puls, Hauttemperatur, Muskelkontraktion, Atmung,
Andreea Fabritius
Seite 35 / 36

36. Glaubhafte Recommender Systeme
Empfehlungssysteme der Zukunft
Emotionen, Mimik und bio-chemische Prozesse
à Emotion Mouse
à Erfassen von:
- Mausbewegungen
- Klickfrequenz
- Druckintensität
- Puls
- Hauttemperatur
- elektrodermale Aktivität
Andreea Fabritius
Seite 36 / 36

37. Glaubhafte Recommender Systeme
Quellen
http://www.research-results.de/fachartikel/2011/ausgabe-6/look-and-feel.html, zuletzt aufgerufen 05.12.2013
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.132.3171&rep=rep1&type=pdf, zuletzt aufgerufen 05.12.2013
http://www.amazon.de , zuletzt aufgerufen 05.12.2013
http://www.zalando.de, zuletzt aufgerufen 05.12.2013
http://www.conrad.de, zuletzt aufgerufen 05.12.2013
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.132.3171&rep=rep1&type=pdf , zuletzt aufgerufen
05.12.2013
Frohs, Margarethe (2009): Recommender Systeme für produktbegleitende Dienstleistungen. Konzeption und empirische Anwendung.
Dr. Kovač Verlag, Hamburg
Mastoff, Judith / Tintarec, Nava:(2011): Designing and Evaluating Explanations for Recommender Systems. In: Recommender Systems
Handbook. Hrsg: Ricci et a., Springer Verlag, S. 479 – 510.
Yoo, K., Gretzel, U. & Zanker, M. (2012). Persuasive recommender systems: conceptual background and implications. New York:
Springer.
Jannach, Dieter: Online consumer Decision making. In: Recommender Systems. An Introduktion. Hrsg: Jannach et. al, Camridge
University Press 2010, S. 234 – 252.
A. Said(2013): Evaluating the Accuracy and Utility of Recommender Systems. Thesis for the Degree Doktor der
Ingenieurwissenschaften (Dr.-Ing.). TU Berlin, Berlin.
Andreea Fabritius
Seite 37 / 36