Back to top

Empfehlungsdienste über Big Data erstellen

Big Data und Suche im Härtetest – Blog und Video

Bei Onlinemedien oder in der Unterhaltungsindustrie spielen Empfehlungsdienste eine kritische Rolle. Sie helfen, den Kunden zu involvieren und an den Anbieter zu binden. Wie hat unser Kunde es geschafft, über Big Data effizient 5,4 Milliarden Klicks pro Tag zu verarbeiten, um damit gewünschte Videos für die Benutzer vorherzusagen und das Angebot zu personalisieren?

Das wird im folgenden Text vorgestellt.

 

Unterhaltung für die Massen persönlich gestaltet

Vielleicht erinnert sich der eine oder andere ja noch daran, wie man früher gigantische Filmdatenbanken durchsuchen musste, oder sich durch verschiedenste Medienkataloge blättern musste, um die persönlichen Hits zu finden. Wer hat sich damals nicht auch gewünscht, die Songs oder Filme, die einem gefallen, schneller aus diesem Ozean des Überangebots herauszufiltern?

Durch den Aufstieg von Social Media und der Unterhaltung über mehrere Kanäle sowie die Online-Freigabe von Content wird der Bedarf an personalisiertem Content nur noch mehr gesteigert. Wer kennt das nicht – man kehrt automatisch zu dem Medienanbieter zurück, der einen am besten zu kennen scheint, der intuitiv den richtigen Content anbietet, ohne dass man erst viel erklären muss. Zwischen dem Überangebot der Informationen, der immer kürzer werdenden Aufmerksamkeitsspanne und dem Wettstreit innerhalb des immer umfangreicheren Contents kann man die Aufmerksamkeit des Benutzers nur durch Personalisierung fesseln.

Aber wie macht man das? Durch das exponentielle Wachstum der Mediendaten zeigen Empfehlungsdienste mit Big Data einen modernen, benutzerzentrierten Ansatz an die Bereitstellung von Medien, gestützt von Datenverarbeitung, maschinellen Lernverfahren und Predictive Analytics.

 

Kombinieren von Suche und Big Data für leistungsfähige Empfehlungsdienste

Leistungsfähige Empfehlungsdienste können eigentlich jedes Medium bedienen, von Filmen und Videos bis hin zu Musik, Büchern und kommerziellen Produkten – man denke nur an Netflix, Pandora oder Amazon. 

 

big data recommendation engines

In diesem speziellen Nutzungsfall von Big Data konzentrieren wir uns auf die Architektur eines Empfehlungsdienstes für Videoangebote für Kunden, die eine Set-Top-Box (STB) einsetzen. Diese:

  • Verwendet eine Open-Source-Architektur über Hadoop als Grundlage für Big Data
  • Sammelt rohe Benutzerdaten von Video-on-Demand, den Aktivitätslogs der Set-Top-Box, den geplanten Aufzeichnungen und verschiedenen Medienkatalogen
  • Verarbeitet und analysiert die Log-Daten der Benutzer innerhalb des Big Data-Frameworks in Hadoop
  • Liefert die Ergebnisse in eine Suchmaschine, welche dadurch einzigartige Empfehlungen über die Benutzerschnittstelle im Browser anbietet

Also, wie kann dieser Empfehlungsdienst über Big Data zu höherer Nutzung, intensiverer Einbindung des Nutzers und höherer Nutzerzufriedenheit führen?

Auf die einzelnen Schritte aufgespalten betrachtet wird das individuelle Benutzerverhalten über eine Methodologie der Big Data Log-Analyse systematisch analysiert, wie etwa die angesehenen Videos, die angeklickten Kataloge, die für die Aufnahme vorgesehenen Programme, die durchschnittliche Betrachtungsdauer der Video und dergleichen mehr. Im besten Fall kann dieser Datenreichtum ein klares Bild liefern, was dem jeweiligen Benutzer gut gefällt, oder was Benutzergruppen mit ähnlichem Geschmack gefallen hat.

Für das Marketing ist dies ein unschätzbares Hilfsmittel, um die Persönlichkeiten der Benutzer zu verstehen und diesen zu liefern, was sie haben wollen. 

Für Daten-Analysten und Architekten bietet diese Architektur des Empfehlungsdienstes mehr Möglichkeiten als einfache SQL-Abfragen in einem Data Warehouse und hilft dabei, Trends und Präferenzen vorherzusagen. Big Data ermöglicht es ihnen, effizienter zu sein, da sie massive Mengen Benutzerdaten in einem Bruchteil der Zeit verarbeiten können, die traditionelle SQL-Abfragen benötigt hätten. In unserem speziellen Fall hat der Kunde gut 5,4 Milliarden Klicks pro Tag und sechs Monate Videobetrachtungsdaten in acht Stunden verarbeitet. Früher brauchte man dafür 23,5 Stunden! Die personalisierten Ergebnisse wurden dann in eine Suchmaschine geladen und in einer intuitiven Webanwendung angezeigt.

Für den Endbenutzer bedeuteten diese personalisierten Empfehlungen eine Ersparnis an Zeit und Aufwand, da weniger Text eingegeben werden muss und nicht länger riesige Datenbanken mit Videos manuell durchsucht werden müssen. Mit der Zeit werden maschinelle Lernverfahren und Predictive Analytics den Empfehlungsdiensten auch ermöglichen, immer genauer auf die Vorlieben eines Benutzers einzugehen und damit auch seine Benutzerzufriedenheit steigern und verhindern, dass er zur Konkurrenz wechselt.

Wenn die Net Promoter Score (NPS) gesteigert werden soll bedarf es also nur guter Personalisierung. Ihre Benutzer können sich damit dann einfach zurücklehnen und ihre liebsten Videos ansehen, während das Unternehmen die gewünschte NPS-Bewertung erhält.

 

Suche ohne Suche (No Search) in der Zukunft

Über den Ansatz der „kollaborativen Filter“ können Empfehlungsplattformen mit Big Data die Vorlieben eines individuellen Benutzers vorhersagen, ohne hierfür signifikante historische Daten zu benötigen. Hierzu werden einfach leicht verfügbare Daten von anderen Benutzern mit ähnlichen Eigenschaften verwendet. 

Wie schon in der Bewegung zu Personalisierung von Big Data im E-Commerce gesehen wird auch die Personalisierung von Content bei Online-Medien langfristig weniger von den Daten abhängen, die der Benutzer in Suchabfragen eingibt, und mehr von der automatischen Personalisierung durch maschinelle Lernverfahren und Predictive Analytics, wie besprochen in Big Data, Personalisierung und "Suche ohne Suche" in der Zukunft.

 

Die Erstellung von Empfehlungsdiensten über Big Data ist einer unserer Nutzungsfälle, die in der Reihe „Big Data und Suche im Härtetest“ beschrieben werden – ein tieferer Einblick in sechs wichtige Anwendungsgebiete von Big Data für moderne Unternehmen. Sie finden hier die vollständige Liste der sechs Nutzungsfälle für Big Data und in Zukunft auch Videobeiträge zu Unternehmen, die ihr Geschäft erfolgreich mit diesen beschriebenen Techniken bereichert haben.

Tragen Sie sich für unseren Newsletter ein und erhalten Sie stets die aktuellsten Updates für unsere Video-Blog-Reihe „Big Data und Suche im Härtetest“.

 

(Englisch)

0