User Profiling wird als Prozess zur Identifizierung von Nutzerdaten verstanden. Diese Information kann vom System genutzt werden, um den Nutzer besser zu verstehen. Weiterhin wird durch jenes Wissen das Retrieval verbessert, um eine höhere Nutzerzufriedenheit zu erzielen. User Profiling umfasst hierbei zwei wichtige Aspekte, einerseits die Generierung eines profunden Wissens über den Nutzer und andererseits auf Grundlage davon ihm interessante Produkte zu empfehlen.
Die Ursprünge
User Profiling begann mit dem Information Retrieval und dem Sammeln von Nutzerinformationen. Ältere Systeme versuchten damals Informationen direkt von User zu sammeln, indem diese explizit nach den benötigten Informationen fragten. Diese Methode ist aber weder effizient noch zeitgetreu. Heutzutage spezialisieren sich Systeme mehrheitlich auf dem impliziten Profiling von Userdaten auf Grundlage bestimmter Nutzeraktivitäten im Web. Insgesamt kann man drei Ansätze identifizieren:
Explizites User Profiling
In dieser Methode prognostiziert man Nutzerverhalten, indem man vorhandene Nutzerdaten analysiert. Diese Daten werden üblicherweise durch ausgefüllte Fragebögen oder Online-Umfragen generiert. Allerdings gibt es einige Probleme, wenn wir uns ausschließlich auf explizites User Profiling konzentrieren. Viele Nutzer möchten ihre Informationen nicht offenbaren, da sie sich um den Datenschutz sorgen oder das Ausfüllen von Fragebögen häufig ein langatmiger Prozess sein kann. Daher ist die Genauigkeit der Informationen in diesem Fall immer relativ zu betrachten.
Implizites User Profiling
Anders als das explizite User Profiling, konzentriert sich das implizite Äquivalent auf Informationen, die das zukünftige Nutzerverhalten bestimmen können. Verschiedene Filtertechniken kann man hierbei nutzen. Hierzu gehören insbesondere das Rule-based Filtering, das Collaborative Filtering und das Content-based Filtering.
- Unter Rule-based Filtering versteht man die Personalisierung von Daten auf Grundlage von Benutzerprofilen inklusive Content, die eine feste Struktur vorweisen.
- Beim Collaborative Filtering filtert das System Informationen, indem es die Vorschläge anderer Personen nutzt. Dies basiert auf der Idee, dass Menschen, die der Evaluation bestimmter Produkte in der Vergangenheit zugestimmt haben, dies auch in naher Zukunft erneut tun. Jene Rezensionen beeinflussen wiederum das Kaufverhalten bestimmter Nutzer.
- Content-based Filtering wiederum empfiehlt bestimmte Produkte auf Grundlage von Analysen und Vergleichen zwischen Nutzerprofilen und dem Content von bestimmten Artikeln.
Hybrid User Profiling
Die hybride Form kombiniert die Vorteile beider zuvor genannten User Profiling Methoden. So betrachtet man statische Eigenschaften des Nutzers zusammen mit den verhaltensspezifischen Informationen. Diese Ansatz ermöglicht ein viel effizienteres Profiling und erlaubt gleichzeitig die Genauigkeit temporärer Informationen zu pflegen.
BM-Experts GmbH – Ihr Kunde steht im Fokus:
Seit 20 Jahren sind wir in den Bereichen Vertrieb, Marketing und Produkt-Management tätig.
Wir initiieren und begleiten Veränderungsprozesse, um diese Bereiche effizienter zu gestalten bzw. neue Business-Modelle einzuführen. Dies haben wir in den letzten Jahren zunehmend dadurch erreicht, indem wir neben Sales-Excellence-Maßnahmen neue Digitalisierungs-Prozesse eingeführt bzw. entscheidend verbessert haben.
BM-Experts: Immer den End-Kunden und seinen Mehrwert im Fokus.
bm-experts.de
