Die Funktion „Affinität & Ähnlichkeit“ wandelt reale Warenkörbe und Verhaltensweisen in eine Ähnlichkeit um, auf deren Grundlage Sie handeln können.
Eine Unterkomponente der Abstraktionsschicht beantwortet eine andere Frage als der Beziehungsgraph: nicht wer mit wem verbunden ist, sondern was wem ähnelt. Sie berechnet drei Arten statistischer Ähnlichkeit, alle anhand realer Daten. Die Produktähnlichkeit basiert auf realen Warenkörben – welche Produkte in denselben Bestellungen gemeinsam vorkommen (z. B. „X gekauft, auch Y gekauft“). Die Kategorieaffinität pro Mitglied erfasst, zu welchen Kategorien sich jedes Mitglied aufgrund seiner Kauf- und Browserhistorie hingezogen fühlt. Und die Ähnlichkeit von Mitgliedern und Tags – sogenannte Lookalikes – gruppiert Mitglieder, deren Tags und Verhalten einander ähneln, sodass eine bewährte Zielgruppe auf Personen erweitert werden kann, die ihnen tatsächlich ähneln. Nichts davon ist erfunden: Jeder Wert wird aus beobachteten Bestellungen und Verhaltensweisen abgeleitet, und dabei werden niemals Identitäts- oder Datenschutzgrenzen überschritten.
Leitet statistische Ähnlichkeit aus realen Daten ab – welche Produkte zusammen gekauft werden, zu welchen Kategorien ein Mitglied tendiert und welche Mitglieder ähnlich aussehen – sodass Empfehlungen und Lookalike-Erweiterungen auf echten Mustern und nicht auf Beliebtheit beruhen.
Ähnlichkeit, abgeleitet aus realen Daten – nicht aus Popularität und nicht aus Schätzungen.
Empfehlungen und Zielgruppenerweiterung sind nur so gut wie die Ähnlichkeit dahinter. Diese Ebene berechnet diese Ähnlichkeit aus dem, was tatsächlich passiert ist – echte Körbe, echte Kategorieneigung, echte Profilähnlichkeit – und übergibt sie als geregelte Ausgabe an die Ontologie und die Empfehlungsmaschine, sodass jede „Ähnlich“-Antwort fundiert und reproduzierbar ist.
- Wird häufig zusammen gekauft
- Gemeinsam gekauft
- Ankerprodukt
- Ähnliches Produkt
Drei Arten von Ähnlichkeit, alle basierend auf realen Daten
Ähnlichkeit beantwortet hier immer die Frage „Was ähnelt was?“ und leitet sich stets aus beobachteten Ordnungen und Verhaltensweisen ab – sie wird niemals erfunden und niemals durch Überschreitung einer Identitäts- oder Privatsphärengrenze.
- Produkt-zu-Produkt – gemeinsame Käufe aus realen Warenkörben: Welche Produkte erscheinen zusammen in denselben Bestellungen (Produkt X gekauft, auch Produkt Y gekauft)? Dies wird zu einer Produktähnlichkeit umgewandelt.
- Kategorieaffinität pro Mitglied – die Kategorien, zu denen sich ein Mitglied hingezogen fühlt, berechnet aus seinem eigenen Kauf- und Browserverlauf und nicht aus einem geschäftsweiten Durchschnitt.
- Ähnlichkeit von Mitgliedern und Tags (Lookalike) – Mitglieder, deren Tags und Verhalten einander ähneln, sodass eine bewährte Zielgruppe auf Personen erweitert werden kann, die ihr tatsächlich ähneln.
Was die Ähnlichkeit berechnet
Sobald die Ähnlichkeit als geregelte Ausgabe verwirklicht wird, wird sie zu etwas, das die Empfehlungsoberfläche anzeigt und der Agent einfach lesen kann – jedes Mal die gleiche Antwort.
- Das nächstbeste Produkt – basierend auf den tatsächlichen Kaufgewohnheiten und Kategoriemustern eines Mitglieds anstatt auf allgemeiner Beliebtheit.
- Lookalike-Expansion – Aufbau einer leistungsstarken Zielgruppe durch Ähnlichkeit mit einem realen Profil, nicht durch eine breite demografische Gruppe.
- Eine konsistente „Ähnlich zu“-Antwort – die Empfehlungsmaschine, eine Kampagnenzielgruppe und ein Agent-Argumentationsschritt lesen alle eine geregelte Ähnlichkeit, sodass sie zustimmen.
Ähnlichkeit vs. Beziehungsdiagramm
Diese Ebene ist die Schwester des Beziehungsdiagramms, und die Unterscheidung ist wichtig: Ähnlichkeit ist statistische Übereinstimmung (ähnliches Aussehen, ähnliches Kaufverhalten), während das Beziehungsdiagramm einen expliziten sozialen Vorteil darstellt (eine tatsächliche, gewonnene Empfehlung oder ein potenzieller Haushalt). Sie ergänzen sich und werden zusammen betrachtet – niemals verwechselt.
- Ähnlichkeitsanalyse beantwortet die Frage „Was ähnelt was?“ – ähnlich gekaufte Produkte, Mitglieder mit ähnlichem Erscheinungsbild – anhand von Datenmustern.
- Das Beziehungsdiagramm beantwortet die Frage „Wer ist mit wem verbunden?“ – reale, umgewandelte Empfehlungs-, Botschafter- und Haushaltsbeziehungen.
- Ein Agent nutzt beides: Er wählt ein Stück anhand seiner strukturellen Rolle aus dem Graphen aus und bestimmt das passende Produkt oder die passende Zielgruppe anhand der Ähnlichkeit.
Die Empfehlungsmaschine ist der Hauptnutzer dieser Ebene: Sie personalisiert anhand der Affinität jedes Mitglieds über E-Mail, Ihre eigene Website und jede App über API, mit einem Trend-Fallback für Erstbesucher, sodass ein Platz nie leer ist.
So verbessert der Layer KI-Entscheidungen.
Ohne ein Ähnlichkeitsmodell greifen Empfehlungen auf die Beliebtheit im gesamten Geschäft zurück und die Zielgruppenausweitung auf breite Bevölkerungsgruppen – beide sind blind dafür, was ein bestimmtes Mitglied tatsächlich kauft und was ihm ähnelt. Die Ähnlichkeit wird in jedem Tool ad hoc neu berechnet, sodass die „Ähnlich zu“-Antwort, die eine Kampagne verwendet, nicht mit der Antwort übereinstimmt, die die Empfehlungsmaschine bereitstellt, und weder auf echten Warenkörben noch auf einer echten Profilähnlichkeit beruht.
Die Auswahl des nächstbesten Produkts basiert auf tatsächlichen gemeinsamen Käufen oder einem Kategoriemuster und nicht auf der allgemeinen Beliebtheit im Shop.
Ein Mitglied sieht Empfehlungen, die den Kategorien entsprechen, die es tatsächlich bevorzugt, nicht denen eines durchschnittlichen Käufers.
Eine bewährte Zielgruppe kann auf eine ähnliche Gruppe von Mitgliedern erweitert werden, deren Tags und Verhalten ihr wirklich ähneln, anstatt auf eine breite demografische Vermutung.
Die „Ähnlich wie“-Antwort einer Kampagne und die vom Empfehlungssystem bereitgestellte Antwort stammen aus demselben gesteuerten Modell.
Der Wert ist operativ und nicht nur technisch.
Der Agent erhält ein nächstbestes Produkt basierend auf einem tatsächlichen Kaufverhalten oder einem Kategoriemuster anstatt auf der allgemeinen Beliebtheit im Shop. Die Lookalike-Erweiterung basiert auf einer tatsächlichen Profilähnlichkeit anstatt auf einer demografischen Schätzung. Da die Ähnlichkeit ein Ergebnis eines festgelegten Modells und keine Ad-hoc-Berechnung ist, ist die gleiche „ähnlich wie“-Antwort überall reproduzierbar – auf der Empfehlungsoberfläche, in einer Kampagnenzielgruppe oder in einem Entscheidungsschritt des Agenten.
Berechnet die Produktähnlichkeit anhand realer Warenkörbe – also gemeinsam gekaufter Artikel (z. B. X gekauft, auch Y gekauft), nicht anhand allgemeiner Bestseller.
Die Kategorieaffinität jedes Mitglieds wird anhand seiner Kauf- und Browserhistorie ermittelt, sodass das nächstbeste Produkt den tatsächlichen Vorlieben entspricht.
Erstellt Ähnlichkeiten zwischen Mitgliedern und Tags (Lookalikes) anhand von Tags und Verhalten, um eine bewährte Zielgruppe auf tatsächlich ähnliche Personen zu erweitern.
Jede Ähnlichkeit wird als Ergebnis eines festgelegten Modells gespeichert, sodass die gleiche „Ähnlich wie“-Antwort konsistent gelesen und nicht neu berechnet wird.
Alle drei Aspekte basieren auf beobachteten Daten und bleiben innerhalb der Grenzen von Identität und Privatsphäre – Ähnlichkeiten werden aus dem Geschehenen abgeleitet, niemals erfunden.
Wofür diese Ebene zuständig ist
Liest aufgeschlüsselte Bestellzeilen aus dem Rohgeschäft und berechnet das gemeinsame Vorkommen von Produkten – wie oft zwei Produkte im selben Warenkorb erscheinen – als Produkt-zu-Produkt-Ähnlichkeit.
Fasst den eigenen Kauf- und Browserverlauf jedes Mitglieds in einer Kategorieaffinität pro Mitglied zusammen und drückt aus, zu welchen Kategorien es tendiert.
Berechnet die Ähnlichkeit zwischen Mitgliedern anhand von Profil-Tags und Verhalten, um eine Ausgangszielgruppe auf eine ähnliche Lookalike-Gruppe zu erweitern.
Materialisiert die Ähnlichkeitsausgaben als geregelte Modellergebnisse und stellt sie der Ontologie und den Empfehlungsoberflächen zur Verfügung, sodass sie gelesen und nicht pro Aufruf neu abgeleitet werden.
Ergänzt den Beziehungsgraphen: Diese Ebene modelliert statistische Ähnlichkeiten, während der Beziehungsgraph explizite, umgewandelte soziale Verbindungen modelliert – beide werden gemeinsam betrachtet und niemals vermischt.