Die Herausforderung
Der Kunde ist ein großes Medienunternehmen mit TV- und Radiosendern, Audio-Podcasts, Magazinen und Zeitungen. Es wünschte sich ein personalisiertes Empfehlungssystem für seine bestehenden Nutzer, um das Engagement zu erhöhen, die Abwanderung zu senken und den Customer Lifetime Value zu steigern.
Die Inhalte sind vielfältig, von TV-Sendungen und Shows bis zu Nachrichtenartikeln, und jeder Nutzer hat eigene Vorlieben. Das System musste individuelle Nutzungsmuster erkennen, Inhaltspräferenzen verstehen und neue Inhalte empfehlen, die Nutzer wahrscheinlich konsumieren.
Unsere Lösung
Wir haben ein Empfehlungssystem entwickelt, das mehrere Faktoren kombiniert. Es ermittelt die Nutzungsmuster jedes Nutzers, versteht seine Inhaltspräferenzen wie Interessensthemen und Inhaltstyp, schätzt seine demografischen Merkmale und die technischen Mittel, mit denen er auf Inhalte zugreift, und bewertet die Ähnlichkeit von Inhalten aus verschiedenen Blickwinkeln.
Ein hybrides Empfehlungssystem führt die Ergebnisse mehrerer Analysekomponenten zusammen.
- NLP-basiertes Modul für Themenerkennung und Content-Tagging
- Ähnlichkeitsanalyse von Inhalten
- Extraktion von Nutzungsmustern
- Empfehlungssystem auf Basis von Collaborative Filtering
- Item-to-Item-Empfehlungssystem
- Hybrides Empfehlungssystem, das alle genannten Komponenten kombiniert
Das Ergebnis
Die Lösung steigerte die Vielfalt der von Nutzern konsumierten Inhalte um 5 % und damit auch den Lifetime Value eines Kunden.
Zudem kann der Kunde ähnliche Nutzergruppen (Cluster) direkt identifizieren, sie gezielt mit den Inhalten ansprechen, die ihnen am ehesten gefallen, und die potenzielle Nachfrage nach bestimmten Inhalten abschätzen.
