Inhaltliche Empfehlung

Technologie Maschinelles Lernen
Industrie Medien
Mögliche Branchen Telekommunikation, Einzelhandel, Versicherungen, Finanzen, Bildung
Kunde Medienunternehmen

Zusammenfassung

Um ein Medienunternehmen dabei zu unterstützen, den Lebenszeitwert seiner Kunden zu erhöhen, entwickelten wir Analysen, um Produktempfehlungen aus einer Vielzahl von Kundenquellen bereitzustellen. Dies förderte die Kundenbindung und -treue und stärkte die Loyalität.

Herausforderung

Der Kunde ist ein großes Medienunternehmen, das verschiedene Fernseh- und Radiosender, Audio-Podcasts, Zeitschriften und Zeitungen besitzt. Das Unternehmen war an einem personalisierten Empfehlungssystem für seine bestehenden Nutzer und Konsumenten von Inhalten interessiert. Die Art der Inhalte ist vielfältig (Fernsehprogramme und -sendungen, Nachrichtenartikel usw.). Und jeder Nutzer hat Vorlieben, die bei der Empfehlung eines neuen Inhalts berücksichtigt werden müssen. Die Herausforderung besteht darin, ein derart komplexes System zu entwickeln, das die Konsummuster der einzelnen Benutzer erkennt, ihre Vorlieben für Inhalte versteht und neue Inhalte empfiehlt, die die Benutzer wahrscheinlich konsumieren werden. Es wird erwartet, dass der Kunde mit solchen Personalisierungsfunktionen das Engagement erhöht und die Abwanderung verringert.

Lösung von AI Superior

Wir haben ein Empfehlungssystem entwickelt, das mehrere Faktoren nutzt, um Empfehlungen auszusprechen. Das System hat die folgenden Fähigkeiten:

  • schätzt das Verbrauchsverhalten der einzelnen Nutzer
  • Versteht die inhaltlichen Präferenzen der einzelnen Nutzer (Interessengebiete, Art der Inhalte usw.)
  • schätzt die demographischen und technischen Mittel, die von jedem Nutzer für den Zugang zum Inhalt verwendet werden
  • Bewertet die Ähnlichkeit von Inhalten aus verschiedenen Perspektiven

Um dies zu ermöglichen, haben wir mehrere analytische Komponenten entwickelt: NLP-basiertes Modul zur Themenfindung und zum Tagging von Inhalten, Analytik zur Extraktion der Ähnlichkeit von Inhaltselementen, Extraktor für Konsummuster, kollaborativer, auf Filterung basierender Empfehlungsdienst, Item-to-Item-Empfehlungsdienst, hybrider Empfehlungsdienst, der alle aufgeführten Module berücksichtigt.

Ergebnisse und Auswirkungen

Die entwickelte Lösung ermöglichte es dem Kunden, die Vielfalt der von seinen Nutzern konsumierten Inhalte um 5 % zu erhöhen und damit den Lebenszeitwert eines Kunden zu steigern. Außerdem konnte der Kunde mit Hilfe der entwickelten Lösung ähnliche Gruppen (Cluster) von Verbrauchern direkt identifizieren. Mit diesen Informationen kann er bestimmte Zielgruppen mit den Inhalten ansprechen, die ihnen am ehesten zusagen. Außerdem kann er die potenzielle Nachfrage nach bestimmten Inhalten abschätzen.