Chamerstrasse 44, 6331 Hünenberg
+41 41 511 10 10

Googles Recommendations AI – Produktempfehlungen mit Machine Learning

Google hat seine auf Machine Learning basierende Lösung für Produktempfehlungen Mitte 2020 für alle Nutzer freigegeben. Die Recommendations AI befindet sich zwar noch in einem Beta-Stadium, liess sich für uns aber bereits ohne grössere Probleme umsetzen.

Vorteil der Lösung durch Google ist vor allem die Integrierbarkeit in Googles Universum, die einerseits durch eine direkte Integration zu Googles Merchant Center und mit einem Standard-Tag in Googles Tagmanager unterstützt wird.

Gleichzeitig ist es eine sehr offene Lösung, die es ermöglicht Empfehlungen für verschiedene Systeme, auf allen Kanälen auszuspielen.

Aufbau eines Recommender Systems

Wie funktioniert eine Recommendation Engine?

Ziel jeder Recommendation Engine (bzw. Recommender System) ist es, einem Nutzer eine Empfehlung auszuspielen, die ihn zu einer Aktion führt. Dies kann z.B. sein:

  • Einen “weiteren Artikel” zu lesen
  • Ein “empfohlenes Buch” in den Warenkorb zu legen
  • Das “nächste Video” anzusehen

Hierfür benötigt die Recommendation Engine Wissen über den Content bzw. die “Items”, die empfohlen werden sollen. Bei Produkten kann dies z.B. sein:

  • Produktfarbe
  • Hersteller
  • Preis
  • Kategorie

Über diese Informationen muss die Recommendation Engine möglichst aktuelle Daten besitzen, um nicht z.B. ausverkaufte Produkte zu empfehlen.

Allein mit diesen Daten lassen sich nun schon durch “Content based Filtering” Empfehlungen erzeugen. Dabei wird meist versucht “ähnliche” Items zu finden wie das, welches ein Nutzer gerade ansieht.

Will man nicht nur Empfehlungen ausspielen auf Basis des eigenen Katalogs, sondern (auch) auf Basis dessen Nutzerverhaltens (Bewertungen, Käufe, Produktansichten etc.), so benötigt die Recommendation Engine zusätzlich Informationen über das Nutzerverhalten (die getätigten Events des Nutzers).

Grundsätzlich gilt: Umso mehr Informationen die Recommendation Engine über den Content, sowie das Nutzerverhalten besitzt, umso besser kann sie Empfehlungen ausspielen.

Wie werden die Empfehlungen einer Recommendation Engine ausgespielt?

Die meisten Recommendation Engines stellen Schnittstellen bereit, von wo die Empfehlungen “abgeholt” werden können.

Teils werden auch Widgets zur Verfügung gestellt, die sich ohne viel Aufwand integrieren lassen. Viele Anbieter haben für die verbreiteten Systeme wie Magento oder WordPress Plugins oder bieten direkte Integrationen zu Newsletter-Tools.

Sinnvoll ist auf jeden Fall, nicht verschiedene Recommendation Engines in verschiedenen Systemen einzusetzen, sondern nur eine, die auf allen Kanälen durch Integrationen genutzt werden kann.

Recommender System Channels

Googles Recommendations AI ist eine eCommerce-Lösung

Googles Standard-Produkt Recommendations AI eignet sich (zumindest momentan) nur für eCommerce. Alle verwendeten Modelle sind dabei auf Produktverkäufe ausgerichtet:

Auch wenn die Recommendations AI sehr flexibel ist, ist es nicht empfehlenswert die Lösung für andere Formen von Empfehlungen zu “missbrauchen”. 

Um Empfehlungen für andere Arten von Content (Artikel, Rezepte, Ferienhäuser…) auszuspielen, lassen sich einzelne Komponenten der Google Cloud nutzen um ein eigenes Empfehlungssystem aufzubauen.

Dies ist deutlich aufwendiger, aber auch flexibler und kann für Sonderfälle angepasst werden. Google bietet eine Übersicht über die Möglichkeiten mit Tensorflow in der Google Cloud. Wer sich daran wagt, sollte jedoch über ein gutes Verständnis über Machine Learning und die Google Cloud verfügen.

Wie funktioniert die Recommendations AI von Google?

Messung der Nutzer Events

Um das Nutzerverhalten verarbeiten zu können, hat Google eine Reihe an Events definiert, die man der Engine senden kann:

  • add-to-cart Products being added to cart.
  • add-to-list Items being added to a list (shopping list, favorites etc).
  • category-page-view Special pages such as sale or promotion pages viewed.
  • checkout-start User starting a checkout process.
  • detail-page-view Products detail page viewed.
  • home-page-view Homepage viewed.
  • page-visit Generic page visits not included in the event types above.
  • purchase-complete User finishing a purchase.
  • refund Purchased items being refunded or returned.
  • remove-from-cart Products being removed from cart.
  • remove-from-list Items being removed from a list.
  • search Product search.
  • shopping-cart-page-view User viewing a shopping cart.
  • impression List of items displayed.

Alle diese Events lassen sich in Echtzeit oder historisiert über eine Schnittstelle an die Engine senden.

Messungen über Googles Tagmanager

Naheliegend ist die Implementierung der Nutzerevents über Googles Tagmanager. Hierzu gibt es einen Standard-Tag und bei einer sauberen Einrichtung des E-Commerce-Datalayers (der z.B. auch für das E-Commerce-Tracking von Google Analytics eingesetzt wird), fällt kaum Aufwand an.

Messungen über Tealium iQ

Da jedoch Kunden, für die wir Googles Recommendations AI bisher einsetzen, alle Tealium’s Tagmanager verwenden, mussten wir auf einen Tag-Container zurückgreifen, den uns Tealium zur Verfügung stellte.

Dieser hat keinerlei Einschränkungen gegenüber Google’s Tagmanager. Sämtliche Daten, die der GTM versenden kann, können auch über Tealium gesendet werden.

Wichtig zu wissen: Wer den Tag von Tealium einsetzen will, muss dort beim Support anfragen (es gibt aktuell keinen Standard-Tag).

Messungen über weitere Tagmanager oder ohne Tagmanager

Selbstverständlich ist es auch möglich, die Nutzerevents mit anderen Tag Managern oder auch komplett ohne Tagmanager an die Engine zu senden.

Häufig ist hierbei die Implementierung aufwendiger, grundsätzlich spricht aber nichts dagegen.

Anzeigen / Ausspielen der Empfehlungen

Um die Produktempfehlungen den Nutzern anzeigen zu können, bietet Google eine API, welche auf Basis einer Nutzer-ID und/oder anderer Daten eine Liste an Produkten zurückgibt, welche es empfiehlt.

Diese Schnittstelle lässt sich übrigens in Googles Cloud Console beispielhaft testen:

Die Abfrage gibt allerdings nur die ID’s der Produkte zurück, was bedeutet, dass es nicht möglich ist, z.B. die API durch JavaScript abfragen und Empfehlungen direkt im Shop darzustellen.

Hierfür erstellten wir eine Lösung, welche die Empfehlung aus der Recommendations AI abholt und die notwendigen Produktinformationen (Titel, aktueller Preis, Bilder etc.) aus einer mongoDB abholt, um eine Abfrage bereitzustellen, welche die Darstellung als Widget ermöglicht:

Unser “Backend” befindet sich in diesem Fall vollständig in der Google Cloud, während wir eine Ausspielung durch JavaScript ermöglichen, die wir in Tealium steuern.

Durch dieses Konstrukt ist es uns möglich die Empfehlungen vollständig ohne technische Anpassungen am Webshop zu realisieren und Empfehlungen unseren Nutzern anzuzeigen.

Wie gut ist Googles Recommendations AI im Vergleich zu anderen Lösungen?

Wie gut sind die Recommendations?

Googles Lösung geht in der Messung sehr weit. Die Engine wird “gefüttert” mit Seitenaufrufen, Warenkorb-Aktionen, Käufen, bis hin zu Rückerstattungen. Ausserdem lassen sich die Events aus verschiedensten Quellen einspielen. So lässt sich z.B. auch die Kauf-Historie der letzten Jahre importieren, wodurch die Engine schon zu Beginn sehr viele Daten über die Kunden des Shops besitzt.

Zudem erhält jede Empfehlung einen eindeutigen Token zur Identifikation, durch welchen die Empfehlung an sich gemessen werden kann. Hierdurch lernt die Engine kontinuierlich, wie gut die Empfehlungen sind und kann diese optimieren.

Die Voraussetzungen für gute Empfehlungen sind also definitiv geschaffen. Schliesslich können die Empfehlungen nur gut sein, wenn die Daten dahinter bestmöglich vorhanden und verfügbar sind. Ganz nach dem Motto “Garbage In, Garbage Out”.

Ob Googles Engine hierbei besser oder schlechter ist als andere Anbieter, müsste sich im einzelnen Test vergleichen lassen, was sehr aufwendig ist.

Für uns ist es aktuell auch noch generell zu früh, zur Qualität Aussagen zu treffen, weil wir die ersten Ausspielungen erst gestartet haben. Die Voraussetzung für qualitative Empfehlungen hat Google aber aus unserer Sicht geschaffen.

Implementierungsaufwand

Klarzustellen ist, dass Google zur Ausspielung mit seiner Recommendations AI aktuell nur eine API anbietet. Hier sind Anbieter, die bereits länger auf dem Markt sind schon deutlich voraus. 

Es gibt (aktuell) keine Plugins oder Widgets, die sich in der Shopsoftware installieren lassen. Auch fanden wir keine Integrationen zu Newslettertools o.Ä.

Letztendlich bedeutet dies, dass immer Entwicklungsaufwände anfallen.

Für unsere Kunden können wir selbstverständlich gewisse Module wiederverwenden, was den Aufwand erheblich reduziert.

Wieviel kostet Googles Recommendations AI?

Die Kosten richten sich bei Google nach der Anzahl der Vorhersagen und den Trainings der Modelle. Jede Ausspielung einer Empfehlung ist hierbei eine Vorhersage, Trainings werden pro Knoten und Stunde bepreist.

Preislich ist Google hier sicherlich kompetitiv, allerdings müssen auch weitere Kosten in Betracht gezogen werden, welche durch weitere Komponenten entstehen können. Die Kosten können hierbei je nach Einsatz individuell sein, i.d.R. sind sie im Betrieb dann deutlich unter derer von anderen Fertiglösungen. Wie bereits gesagt gibt es hier aber viele Abhängigkeiten.

Sie können uns natürlich gerne für eine Einschätzung kontaktieren.

Die Kosten der Vorhersage-Abfragen, sowie dem Training:

Fazit – Für wen lohnt sich Googles Recommendations AI?

Wer Googles Recommendations AI implementieren will, muss aktuell mit Aufwänden rechnen, die nicht zu unterschätzen sind. Dafür bietet dieser Weg aber auch ein hohes Mass an Flexibilität. Zudem ist die Lösung im Betrieb dann meist wesentlich günstiger als “Fertiglösungen” anderer Anbieter. Dementsprechend kann sich die Lösung mittelfristig bezahlt machen.

Nicht zu unterschätzen ist ausserdem Googles Know How im Machine Learning, hier erwarten wir tatsächlich bessere Resultate, als die der Konkurrenz – schliesslich basieren deren Lösungen auch häufig auf Komponenten, die von Google entwickelt wurden.


12. November 2020
|