Ein großer Onlinekatalog löst ein Problem und schafft ein neues. Er macht viele Produkte erreichbar, verlangt den Besuchern aber auch ab, das Passende zu finden. Amazons frühe Empfehlungssysteme sollten genau an dieser Stelle helfen. Die entscheidende Frage lautete nicht mehr ausschließlich, was ein Händler anbieten konnte. Sie lautete auch, welche wenigen Artikel er einer bestimmten Person als Nächstes zeigen sollte.
Für 1998 lässt sich ein konkreter Meilenstein benennen: Brent Smith und Greg Linden datierten Amazons Einführung des artikelbasierten kollaborativen Filterns in ihrem fachlichen Rückblick auf dieses Jahr. Die bekannte technische Darstellung von Greg Linden, Brent Smith und Jeremy York erschien dagegen 2003. Das Einsatzdatum und das Veröffentlichungsdatum gehören zusammen, sind aber nicht identisch (Smith und Linden, 2017; Linden, Smith und York, 2003).
Die Geschichte ist damit präziser als die Behauptung, Amazon habe 1998 künstliche Intelligenz oder personalisierte Empfehlungen erfunden. Frühere Forschungssysteme hatten bereits untersucht, wie Menschen mithilfe der Erfahrungen anderer passende Informationen entdecken können. Amazons Beitrag lag in einer besonders folgenreichen Umsetzung für einen großen Handelsbetrieb. Er verband Auswahl, Berechnung und Benutzeroberfläche mit einer kommerziellen Aufgabe: Menschen bei der Entdeckung relevanter Produkte zu unterstützen.
Was 1998 bedeutete und was bereits vorher existierte
Schon Amazons Bericht für das Geschäftsjahr 1997 nannte sofortige Empfehlungen, kollaboratives Filtern und andere Personalisierungsfunktionen. Er beschrieb außerdem einen im November 1997 gestarteten Geschenkbereich mit redaktionellen und personalisierten Vorschlägen. Die Quelle zeigt, dass Empfehlungen bei Amazon nicht erst 1998 begannen. Sie legt jedoch nicht jedes technische Detail der jeweils eingesetzten Verfahren offen (Amazon.com, 1998).
Die Unterscheidung ist wichtig. „Personalisierung“ kann eine namentliche Begrüßung, eine Anpassung von Inhalten oder eine berechnete Produktauswahl bezeichnen. Nicht jede dieser Funktionen benötigt dasselbe Verfahren. Ebenso ist eine von Redakteuren zusammengestellte Empfehlung etwas anderes als eine aus Verhaltensdaten ermittelte Beziehung zwischen Artikeln.
Eine saubere Zeitleiste beschreibt 1998 deshalb als Station eines bestimmten Ansatzes. Der Begriff sollte weder alle früheren Funktionen verschlucken noch so eng verwendet werden, dass deren Entwicklung verschwindet. Die Geschichte bestand aus verschiedenen Leistungen, die sich zeitlich überlagerten. Unternehmensberichte, technische Veröffentlichungen und spätere Erinnerungen beleuchten jeweils andere Ausschnitte.
Dieser Blick verändert auch die Frage nach dem ersten kommerziellen Nutzen. Ein bereits vorhandenes Angebot konnte durch ein neues Verfahren schneller, passender oder wirtschaftlich besser einsetzbar werden. Dafür musste nicht jede sichtbare Funktion neu erfunden werden. Historischer Fortschritt kann in der leistungsfähigeren Organisation einer bekannten Aufgabe liegen.
Die Vorgeschichte führte zu elektronischen Dokumenten
David Goldberg, David Nichols, Brian Oki und Douglas Terry veröffentlichten 1992 ihre Arbeit über Tapestry. Das am Xerox Palo Alto Research Center entwickelte System gehört zur frühen Geschichte kollaborativer Informationsfilterung. Der Ausgangspunkt war die Auswahl elektronischer Dokumente und die Nutzung menschlicher Einschätzungen, nicht ein Amazon-Warenkorb (Goldberg et al., 1992).
Diese Herkunft ist aufschlussreich. Ein Empfehlungssystem muss nicht mit einem Kauf beginnen. Zunächst geht es um eine Überfülle möglicher Inhalte und die begrenzte Aufmerksamkeit derjenigen, die daraus auswählen sollen. Erfahrungen anderer können dabei helfen, ohne dass jede Person jede Alternative selbst prüfen muss. Die spätere Anwendung im Handel überträgt dieses Auswahlproblem in einen kommerziellen Zusammenhang.
Der Unterschied zu einer einfachen Volltextsuche ist ebenfalls erkennbar. Eine Suche kann danach fragen, welche Dokumente bestimmte Begriffe enthalten. Eine Empfehlung kann zusätzlich fragen, welche Inhalte zu bisherigen Einschätzungen oder Interessen passen könnten. Beide Aufgaben können sich ergänzen, aber sie beruhen nicht notwendig auf identischen Signalen.
Die Vorgeschichte schützt deshalb vor einer zu engen Erfolgserzählung. Der bekannte Einsatz im Einzelhandel war Teil einer Entwicklung, an der Forschung zu Kommunikation, Informationsauswahl und Zusammenarbeit beteiligt war. Die Marketinggeschichte gewinnt an Erklärungskraft, wenn sie diese technischen und sozialen Ursprünge berücksichtigt.
GroupLens und Ringo machten Vorlieben zu einer berechenbaren Beziehung
Das 1994 veröffentlichte GroupLens-Projekt verband Bewertungen von Netnews-Artikeln mit Prognosen für andere Leser. Paul Resnick und seine Mitautoren beschrieben eine offene Architektur, in der Bewertungsserver Einschätzungen sammelten und weitergaben. Frühere Übereinstimmung sollte helfen, spätere Interessen vorherzusagen. Die Veröffentlichung behandelte damit ein konkretes System außerhalb des Onlinehandels (Resnick et al., 1994).
Upendra Shardanand und Pattie Maes stellten 1995 Ringo vor, ein System für Empfehlungen von Musikalben und Künstlern. Ihr Beitrag berichtete über die Nutzung durch mehr als 2.000 Personen und den Vergleich mehrerer Verfahren. Schon diese Größenordnung und die unterschiedlichen Anwendungsfelder zeigen eine Forschungsgeschichte vor dem Amazon-Meilenstein (Shardanand und Maes, 1995).
„Kollaborativ“ bedeutete dabei nicht, dass alle Beteiligten gemeinsam in einem Raum eine Empfehlung formulierten. Ihre Bewertungen konnten zusammengeführt werden und so zu einem Ergebnis für andere beitragen. Die Zusammenarbeit war in den Daten und im Verfahren organisiert. Die Personen mussten einander dafür nicht persönlich kennen.
Damit entstand eine neue Vermittlungsform. Eine Empfehlung konnte auf Menschen beruhen, die der Empfänger nie getroffen hatte. Die Übertragung benötigte Regeln darüber, welche Ähnlichkeit relevant war und wie mehrere Hinweise zusammengezählt wurden. Die Software ersetzte nicht die Existenz menschlicher Vorlieben. Sie veränderte deren Zusammenführung und Verteilung.
Aus Mundpropaganda wurde nicht einfach eine Kopie im Computer
Paul Resnick und Hal Varian ordneten Empfehlungssysteme 1997 in eine ältere Praxis ein: Menschen stützen Entscheidungen auf Hinweise anderer, wenn ihnen eigene Erfahrung fehlt. Sie bevorzugten den weiteren Ausdruck „Recommender Systems“, weil nicht jede Form solcher Unterstützung auf genau dieselbe Art kollaborativer Filterung angewiesen ist (Resnick und Varian, 1997).
Die Analogie zu Mundpropaganda erklärt einen Teil der Attraktivität. Niemand kann jedes Buch lesen, jeden Film sehen oder jedes Produkt ausprobieren. Eine Auswahlhilfe kann den Aufwand verringern. Die maschinelle Vermittlung verändert jedoch die Grundlage des Vertrauens. Ein persönlicher Ratschlag kommt aus einer erkennbaren Beziehung; ein algorithmischer Vorschlag kann aus sehr vielen, nicht sichtbaren Beziehungen entstehen.
Daraus folgt eine zentrale Frage für das Marketing: Warum sollte eine Person einen Vorschlag als hilfreich ansehen? Die statistische Grundlage kann plausibel sein, ohne dem Publikum unmittelbar verständlich zu werden. Eine Benutzeroberfläche muss deshalb nicht nur Ergebnisse zeigen. Sie beeinflusst auch, wie diese Ergebnisse eingeordnet werden.
Diese Frage betrifft keine bloße Verpackung einer fertigen Rechenleistung. Ein Ergebnis, das ohne Erklärung unpassend wirkt, kann anders genutzt werden als dasselbe Ergebnis mit nachvollziehbarem Bezug. Die Vermittlung zwischen Berechnung und Interpretation gehört somit zur historischen Leistung eines Empfehlungssystems.
Unterschiedliche Verfahren beantworteten unterschiedliche Fragen
Marko Balabanović und Yoav Shoham beschrieben 1997 mit Fab eine Verbindung inhaltsbasierter und kollaborativer Empfehlung. Die Arbeit zeigt, dass frühe Systeme nicht auf einen einzigen Ansatz festgelegt waren. Merkmale von Inhalten und Hinweise aus der Nutzung konnten in verschiedenen Formen kombiniert werden (Balabanović und Shoham, 1997).
Zur Erklärung lässt sich ein einfaches Beispiel bilden. Eine inhaltsbezogene Empfehlung könnte zwei Bücher verbinden, weil sie dasselbe Fachgebiet behandeln. Ein kollaboratives Verfahren könnte sie verbinden, weil ähnliche Lesemuster auf sie verweisen. Die beiden Beziehungen müssen nicht deckungsgleich sein. Ein Buch kann sprachlich oder thematisch anders aussehen und dennoch für ein ähnliches Publikum interessant sein.
Auch eine Bestsellerliste löst eine andere Aufgabe. Sie zeigt etwas über allgemeine Popularität, nicht automatisch über die Eignung für den jeweiligen Menschen. Eine redaktionelle Liste kann wiederum einem ausdrücklich gewählten Thema folgen. Keine dieser Formen ist grundsätzlich wertlos. Sie haben unterschiedliche Voraussetzungen und können verschiedene Situationen unterstützen.
Für die historische Einordnung ist deshalb weniger das Etikett „intelligent“ entscheidend als die konkrete Verbindung zwischen Eingangsdaten und Auswahl. Was weiß das System? Welche Beziehung berechnet es? Und welche Auswahl wird daraus sichtbar? Erst diese Fragen erklären, worin eine Neuerung besteht.
Amazons Ansatz verlagerte den Vergleich von Personen zu Artikeln
Artikelbasierte Verfahren untersuchen zunächst Beziehungen zwischen Produkten und verwenden diese später für Empfehlungen. Badrul Sarwar, George Karypis, Joseph Konstan und John Riedl analysierten 2001 solche Verfahren, darunter unterschiedliche Ähnlichkeitsmaße und Wege zur Berechnung einer Empfehlung. Ihre Arbeit behandelte zugleich Qualität und Rechenleistung als zentrale Probleme (Sarwar et al., 2001).
Der Unterschied lässt sich ohne technische Formel erklären. Ein nutzerbasiertes Verfahren fragt vereinfacht, welche anderen Personen einer bestimmten Person ähneln. Ein artikelbasierter Ansatz fragt zunächst, welche Produkte zu bereits bekannten Produkten in einer geeigneten Beziehung stehen. Die individuellen Vorschläge entstehen danach aus den Artikeln, mit denen die betreffende Person verbunden ist.
Ein ausdrücklich erfundenes Beispiel: Wer ein Einführungsbuch zur Fotografie gekauft hat, könnte über dessen berechnete Beziehungen auf einen Titel über Bildgestaltung stoßen. Das muss nicht daran liegen, dass der zweite Titel dieselben Wörter im Namen trägt. Der Zusammenhang kann aus den beobachteten Auswahlmustern entstehen. Das Beispiel erklärt das Prinzip und rekonstruiert keinen historischen Amazon-Datensatz.
Die technische Verschiebung hatte eine geschäftliche Bedeutung. Wenn ein Teil der Beziehungen vorbereitet werden kann, muss nicht bei jedem Besuch der gesamte Vergleich von vorn beginnen. Rechenaufwand, Aktualität und Qualität werden damit zu Gestaltungsgrößen. Für einen laufenden Shop reicht eine interessante Empfehlung nicht aus, wenn sie erst nach unpraktisch langer Wartezeit erscheint.
Skalierung bedeutete auch, zur richtigen Zeit fertig zu sein
Smith und Linden erläuterten 2017 die Trennung zwischen vorberechneten Artikelbeziehungen und rascher Auswahl während der Nutzung. Der Rückblick verband den Erfolg des Ansatzes mit Skalierbarkeit, unmittelbarer Reaktion auf neue Hinweise und verständlichen Bezügen der Vorschläge. Das sind Aussagen beteiligter Fachleute über die Entwicklung, keine vollständige unabhängige Prüfung jeder damaligen Funktion (Smith und Linden, 2017).
Für die Marketinggeschichte macht diese Architektur eine oft übersehene Bedingung sichtbar. Die Auswahl muss in die Zeit einer konkreten Handlung passen. Ein Mensch wartet beim Stöbern nicht beliebig lange auf eine theoretisch bessere Liste. Ein System, das zeitnah einen brauchbaren Vorschlag liefert, erfüllt deshalb eine andere Aufgabe als eine aufwendige nachträgliche Analyse.
Skalierung betrifft zudem verschiedene Größen. Mehr Kunden, mehr Produkte und mehr aktuelle Handlungen erhöhen nicht notwendig denselben Teil der Arbeit. Ein Verfahren kann einen Engpass entschärfen, ohne alle Verarbeitung kostenlos zu machen. Die historische Leistung bestand in einer geeigneteren Verteilung des Aufwands, nicht im Verschwinden von Rechenkosten.
Gerade diese Grenze verhindert eine Übertreibung. Die Aussage, ein Online-Schritt skaliere günstig, bedeutet nicht, dass Datenaufbereitung, Speicherung und laufende Pflege keinen Aufwand verursachen. Ein Empfehlungssystem ist eine betriebliche Einrichtung mit mehreren Schritten. Die sichtbare Liste zeigt nur deren Ergebnis.
Ein Patent ergänzt die Chronologie, ersetzt sie aber nicht
Das US-Patent 6,266,649 mit dem Titel „Collaborative recommendations using item-to-item similarity mappings“ nennt Gregory Linden, Jennifer Jacobi und Eric Benson als Erfinder. Die Anmeldung erfolgte am 18. September 1998, die Erteilung am 24. Juli 2001. Damit liegt ein zusätzlicher datierter Beleg für technische Arbeit an diesem Ansatz vor (Linden, Jacobi und Benson, 2001).
Die Namen machen zugleich deutlich, warum eine Geschichte nicht auf die Autorenschaft eines einzigen späteren Aufsatzes reduziert werden sollte. Verschiedene Dokumente können verschiedene Beiträge sichtbar machen. Aus einer Veröffentlichung folgt nicht, dass ausschließlich deren Autoren an allen früheren Entwicklungsstufen beteiligt waren.
Ein Patent belegt allerdings weder das genaue Datum des ersten produktiven Einsatzes noch den wirtschaftlichen Effekt jeder beschriebenen Funktion. Es dokumentiert einen Schutzrechtsvorgang und ein Verfahren. Die Aussagen zur Einführung, zur technischen Beschreibung und zur Wirkung müssen weiterhin aus den jeweils passenden Quellen stammen.
Diese Trennung ist historische Quellenkritik, keine Bewertung heutiger Rechtsansprüche. Sie erlaubt, einen präzisen Meilenstein festzuhalten, ohne aus ihm eine universelle Erfinderbehauptung abzuleiten. Gerade bei bekannter Technologie können solche Unterschiede hinter einer allzu kurzen Zeitleiste verschwinden.
Empfehlungen wurden zu einer Aufgabe des Marketings
J. Ben Schafer, Joseph Konstan und John Riedl untersuchten 1999 Empfehlungssysteme im E-Commerce anhand mehrerer Websites. Ihr Beitrag verband die Verfahren mit Produktsuche, zusätzlichen Verkäufen und Kundenbeziehungen und unterschied unter anderem Oberflächen, Technologien und erforderliche Eingaben. Die Forschung behandelte Empfehlungen damit bereits als geschäftliches Instrument, nicht nur als ungewöhnliches Informatikexperiment (Schafer, Konstan und Riedl, 1999).
Die Marketingaufgabe verschob sich innerhalb des Angebots. Nicht jede Wirkung musste durch eine externe Anzeige ausgelöst werden. Welche Artikel im Shop sichtbar wurden, konnte selbst eine kommerziell bedeutsame Entscheidung sein. Die Reihenfolge und Auswahl beeinflussten, welche Möglichkeiten überhaupt in Betracht gezogen wurden.
Das bedeutet nicht, die klassische Sortimentsarbeit sei verschwunden. Ein Händler musste weiterhin entscheiden, was verfügbar war und wie Produkte beschrieben wurden. Das Empfehlungssystem ergänzte diese Entscheidungen um eine situationsbezogene Auswahl. Es konnte aus einem großen Bestand eine kleinere sichtbare Menge bilden, ohne für alle Besucher dieselbe Auswahl zu zeigen.
Auch das Verhältnis von Produkt und Kommunikation veränderte sich. Eine gute Auswahlhilfe konnte zugleich Bestandteil des Service und ein Weg zu weiteren Käufen sein. Der Nutzen für den Kunden und das wirtschaftliche Interesse des Händlers waren miteinander verbunden. Ob sie im Einzelfall übereinstimmten, blieb jedoch eine Frage der konkreten Gestaltung.
Die Veröffentlichung von 2003 erklärte keine generative KI
Linden, Smith und York beschrieben 2003 die Nutzung von Empfehlungen auf Webseiten, im Warenkorb und in E-Mail-Kampagnen. Sie berichteten von höheren Klick- und Konversionsraten gegenüber ungezielten Inhalten. Der Aufsatz stellte jedoch keinen öffentlich nachvollziehbaren, isolierten ROI-Nachweis für das Jahr 1998 bereit (Linden, Smith und York, 2003).
Das Verfahren sollte daher nicht mit heutigen Textgeneratoren gleichgesetzt werden. Eine Empfehlung kann vorhandene Produkte auswählen und ordnen, ohne neue Produkttexte zu erzeugen. Der Ausdruck „KI im Marketing“ beschreibt hier ein Feld datenbasierter Auswahl und Prognose. Er darf keine Fähigkeiten suggerieren, die für die damalige Anwendung nicht belegt sind.
Auch die Datengrundlage verlangt Genauigkeit. Aus der Möglichkeit, verschiedene Signale zu verwenden, folgt nicht, dass jedes frühe System bereits jede Suchanfrage, jeden Klick und jeden Kauf in derselben Weise auswertete. Eine historische Darstellung sollte die konkret beschriebenen Eingaben benennen und zusätzliche pauschale Vollständigkeitsbehauptungen vermeiden.
Gerade die begrenztere Beschreibung zeigt den Wert der Innovation. Sie bestand nicht darin, alles über jeden Menschen zu wissen. Sie bestand darin, bestimmte beobachtete Beziehungen für eine passende Auswahl nutzbar zu machen. Der Erfolg einer solchen Einrichtung hängt von der Qualität dieser Verbindung ab, nicht von einem möglichst umfassenden Vokabular künstlicher Intelligenz.
Verhaltensdaten waren Hinweise, keine vollständigen Vorlieben
Ein Kauf kann für die Käuferin selbst bestimmt sein oder ein Geschenk darstellen. Ein betrachteter Artikel kann Begeisterung, Vergleich oder bloße Neugier bedeuten. Eine fehlende Bewertung ist nicht automatisch Ablehnung. Diese Beispiele zeigen eine grundsätzliche Interpretationsaufgabe: Das beobachtete Ereignis und das dahinterliegende Interesse sind nicht identisch.
Für ein Empfehlungssystem entsteht daraus Unsicherheit, die sich durch mehr Daten nicht unter allen Umständen vollständig auflöst. Eine Person kann ihre Interessen ändern oder für mehrere Haushaltsmitglieder einkaufen. Auch ein größerer Datensatz bleibt eine Auswahl beobachtbarer Handlungen. Ein Verfahren muss entscheiden, welche davon wie stark berücksichtigt werden.
Der Begriff Personalisierung kann diese Unsicherheit verdecken. Die Oberfläche wirkt persönlich, weil sie eine bestimmte Vorgeschichte aufgreift. Das bedeutet nicht, dass das System die Person umfassend versteht. Die Unterscheidung ist für eine nüchterne Geschichte früher KI-Anwendungen besonders wichtig. Ein begrenztes Prognoseverfahren kann nützlich sein, ohne eine vollständige Beschreibung menschlichen Geschmacks zu liefern.
Die Benutzererfahrung hängt deshalb auch davon ab, wie Irrtümer behandelt werden. Ein unpassender Vorschlag kann als gelegentlicher Fehler akzeptiert oder als Zeichen mangelnder Verlässlichkeit wahrgenommen werden. Das technische Ergebnis und die erlebte Qualität bilden unterschiedliche, aber verbundene Ebenen.
Neue Produkte und neue Besucher setzten der Personalisierung Grenzen
Andrew Schein, Alexandrin Popescul, Lyle Ungar und David Pennock untersuchten 2002 ausdrücklich das Cold-Start-Problem neuer, noch nicht bewerteter Artikel. Ihr Ansatz verband Inhaltsmerkmale mit kollaborativen Daten. Die Arbeit behandelt damit eine Grenze, die ein ausschließlich auf vorhandene Bewertungen gestütztes Verfahren nicht einfach durch mehr Rechenleistung beseitigen kann (Schein et al., 2002).
Ein neu aufgenommenes Buch kann hervorragend zum Interesse eines Besuchers passen und trotzdem noch keine gemeinsame Kaufgeschichte mit anderen Titeln besitzen. Für den Händler ist es aber bereits verfügbar. Die zeitliche Lücke zwischen Aufnahme ins Sortiment und ausreichender Beobachtung ist deshalb auch ein Vermarktungsproblem. Ein gutes Produkt wird nicht allein dadurch gut empfehlbar, dass es im Katalog steht.
Ein vergleichbares, aber gesondertes Problem entsteht bei neuen Besuchern. Ohne erkennbare Vorgeschichte fehlen Hinweise für eine individuelle Auswahl. Eine allgemein passende Einstiegsauswahl, ausdrücklich angegebene Interessen oder der aktuelle Nutzungskontext sind denkbare Informationsgrundlagen. Welche davon ein bestimmtes historisches System verwendete, muss jedoch eigens belegt werden. Die Beispiele erklären mögliche Wege und behaupten keine zusätzliche Amazon-Funktion von 1998.
Damit wird die Abhängigkeit zwischen Angebot, Publikum und Daten sichtbar. Mehr Produkte erweitern die Auswahl, können aber zunächst ohne die Beziehungen bleiben, auf denen ein Verfahren beruht. Mehr Besucher erweitern die Datenbasis langfristig, benötigen anfangs aber ebenfalls Orientierung. Personalisierung war deshalb kein einzelner Schalter, der nach seiner Einführung für jede Situation dieselbe Qualität lieferte.
Schon 2000 wurde die Erklärung einer Empfehlung erforscht
Herlocker, Konstan und Riedl untersuchten 2000, wie Empfehlungen erläutert werden können und warum solche Erläuterungen sinnvoll sind. Ihre Experimente lieferten Hinweise darauf, dass Erklärungen die Akzeptanz automatischer kollaborativer Filterung verbessern konnten. Die Untersuchung betraf die Vermittlung der Empfehlung und darf nicht als Beleg für einen bestimmten Amazon-Umsatzeffekt gelesen werden (Herlocker, Konstan und Riedl, 2000).
Die Frage ist für das Marketing grundlegend. Ein vorgeschlagener Artikel kann auf den ersten Blick fremd wirken. Wird er mit einem nachvollziehbaren Bezug zu einer früheren Auswahl verbunden, erhält die Person einen Ansatz zur Beurteilung. Die Erklärung verändert nicht zwingend die berechnete Reihenfolge, wohl aber die Informationen, mit denen sie interpretiert wird.
Mehr Zustimmung ist allerdings nicht unter allen Umständen dasselbe wie eine bessere Entscheidung. Eine besonders überzeugende Erklärung kann auch einen schwachen Vorschlag attraktiv erscheinen lassen. Die Verständlichkeit sollte deshalb nicht bloß an der Bereitschaft zum Anklicken gemessen werden. Ebenso wichtig ist, ob eine Person die Grundlage sinnvoll einschätzen kann. Das ist eine analytische Konsequenz, kein zusätzliches Ergebnis der genannten Studie.
Die frühe Forschung zeigt damit, dass technische Auswahl und menschliche Beurteilung von Beginn an zusammen betrachtet werden mussten. Ein berechnetes Ergebnis musste in eine nutzbare Oberfläche übersetzt werden. Die Geschichte des Empfehlungssystems ist auch eine Geschichte dieser Übersetzungsarbeit.
Popularität durfte nicht mit besonderer Passung verwechselt werden
Larry Hardestys Amazon-Science-Rückblick von 2019 beschrieb ein weiteres Problem: Häufig gemeinsam gekaufte Produkte sind nicht schon deshalb besonders eng verbunden. Sehr verbreitete Artikel erscheinen in vielen Kaufhistorien. Der Rückblick erläuterte außerdem spätere Korrekturen bei der Behandlung besonders aktiver Käufer. Diese Entwicklung zeigt fortgesetzte Arbeit an der Bedeutung statistischer Beziehungen (Hardesty, 2019).
Ein hypothetisches Beispiel macht die Unterscheidung anschaulich. Wenn ein Bestseller in sehr vielen Bestellungen vorkommt, begegnet er zwangsläufig auch vielen Spezialtiteln. Daraus folgt noch nicht, dass er für das Publikum jedes Spezialtitels besonders charakteristisch ist. Allgemeine Häufigkeit und ungewöhnlich starke Verbindung sind verschiedene Aussagen.
Die Wahl des Maßes beeinflusst folglich, welche Angebote sichtbar werden. Ein System kann rechnerisch korrekt nach seiner eigenen Regel arbeiten und trotzdem vor allem das ohnehin Bekannte hervorheben. Die Qualität der Regel muss deshalb an der beabsichtigten Aufgabe gemessen werden.
Für die Geschichte des Marketings ist das mehr als eine technische Feinheit. Der Empfehlungsmechanismus verteilt Aufmerksamkeit innerhalb eines Sortiments. Wie er Popularität behandelt, kann darüber entscheiden, ob er Entdeckung unterstützt oder Bekanntheit verstärkt. Die Rechenregel beteiligt sich damit an der Gestaltung des Absatzes.
Bessere Prognosen waren nicht automatisch mehr wirtschaftlicher Nutzen
Jonathan Herlocker und seine Mitautoren zeigten 2004, dass Empfehlungssysteme auf unterschiedliche, oft schwer vergleichbare Weise bewertet wurden. Ihre Untersuchung unterschied Aufgaben, Datensätze, Messgrößen und die Nutzungserfahrung. Eine einzige Genauigkeitszahl konnte folglich nicht alle Eigenschaften eines Systems ausdrücken (Herlocker et al., 2004).
Ein nachträglicher Test kann etwa prüfen, ob bekannte Vorlieben richtig vorhergesagt werden. Ein Betrieb muss zusätzlich wissen, ob die angezeigten Vorschläge im konkreten Moment helfen. Ein präzise vorhergesagter Titel ist möglicherweise bereits bekannt. Ein überraschenderer Vorschlag kann dagegen nützlich sein, obwohl er schwieriger vorherzusagen ist. Welche Eigenschaft zählt, hängt von der Aufgabe ab.
Dietmar Jannach und Michael Jugovac untersuchten 2019 ausdrücklich den geschäftlichen Wert von Empfehlungssystemen. Ihr Überblick über Feldtests betonte offene Fragen der Quantifizierung und die begrenzte Aussagekraft rein algorithmischer Verbesserungen für wirtschaftliche Ergebnisse. Der Forschungsstand stützt damit die Trennung zwischen besserem Offline-Test und nachgewiesenem Geschäftsnutzen (Jannach und Jugovac, 2019).
Für den Meilenstein von 1998 bedeutet das: Die technische Einführung lässt sich dokumentieren, ebenso die spätere fachliche Bedeutung. Eine konkrete Behauptung über zusätzlichen Gewinn benötigt jedoch einen eigenen Nachweis. Weder Bekanntheit des Unternehmens noch die Überzeugungskraft eines Verfahrens ersetzt diese Belegpflicht.
Warum Klickrate, Konversion und ROI verschiedene Fragen beantworten
Eine Klickrate bezieht Interaktionen auf Einblendungen. Eine Konversionsrate bezieht definierte Abschlüsse auf eine festgelegte Ausgangsmenge. Ein wirtschaftlicher Ertrag hängt zusätzlich von Kosten, Margen und den tatsächlich zusätzlich entstandenen Ergebnissen ab. Ohne diese Unterscheidungen kann ein genauer Prozentwert zu einer ungenauen Geschichte führen.
Ein ausdrücklich erfundenes Beispiel: Eine Variante führt unter vergleichbaren Bedingungen bei hundert Besuchen zu vier Käufen, eine andere zu fünf. Das wäre zunächst ein zusätzlicher Kauf in dieser Gruppe, nicht automatisch ein entsprechend großer zusätzlicher Gewinn. Warenwert, Retouren, Verdrängung anderer Käufe und Betriebskosten bleiben zu prüfen. Das Beispiel illustriert die Logik und enthält keine Amazon-Ergebnisse.
Auch eine Bestellung nach einem Empfehlungsklick ist nicht zwangsläufig vollständig durch die Empfehlung verursacht. Der Kunde könnte den Artikel bereits gesucht haben oder später auf anderem Weg kaufen. Um einen zusätzlichen Effekt zu bestimmen, braucht es einen geeigneten Vergleich. Die Reihenfolge beobachteter Ereignisse genügt nicht allein.
Deshalb sind pauschale Aussagen wie „Empfehlungssysteme bewiesen 1998 einen höheren Marketing-ROI“ historisch zu weitgehend, solange keine entsprechende Untersuchung benannt wird. Die vorsichtigere Darstellung ist nicht weniger aussagekräftig: Es entstand ein leistungsfähiges Instrument personalisierter Auswahl, dessen verschiedene Wirkungen mit jeweils passenden Verfahren untersucht werden müssen.
Mehr Entdeckung musste nicht mehr Vielfalt für den Gesamtmarkt bedeuten
Daniel Fleder und Kartik Hosanagar untersuchten 2009 den Einfluss von Empfehlungssystemen auf die Vielfalt der Verkäufe. Mit analytischen Modellen und Simulationen zeigten sie, dass persönliche Entdeckung und die Verteilung der Gesamtnachfrage auseinanderfallen können. Empfehlungen konnten das individuelle Angebot erweitern und unter bestimmten Bedingungen zugleich den Absatz stärker konzentrieren (Fleder und Hosanagar, 2009).
Der Unterschied lässt sich intuitiv erklären. Wenn viele Menschen jeweils ein für sie neues, aber insgesamt bereits populäres Produkt entdecken, haben sie persönlich etwas Neues gefunden. Der Markt muss dadurch nicht gleichmäßiger auf viele Produkte verteilt werden. Individuelle Neuheit und kollektive Vielfalt sind unterschiedliche Ebenen.
Der Befund ist kein Beweis dafür, dass Amazons System von 1998 jede Nische verdrängte. Er ist eine Warnung vor der umgekehrten automatischen Behauptung, algorithmische Empfehlungen würden immer die gesamte lange Sortimentsbreite stärken. Die tatsächliche Wirkung hängt vom Verfahren, dem Publikum und der Ausgangsverteilung ab.
Für die internationale Marketinggeschichte bleibt damit eine offene empirische Aufgabe. Ein technisches Verfahren kann in verschiedenen Sortimenten und Nutzungskulturen unterschiedlich wirken. Die Bekanntheit eines US-amerikanischen Vorreiters liefert keine vollständige Beschreibung aller späteren Anwendungen weltweit.
Was von Amazons Meilenstein bleibt
1998 ist ein sinnvoller Bezugspunkt für Amazons Einführung artikelbasierten kollaborativen Filterns, nicht für den Beginn jeder Personalisierung. Die Forschungsentwicklung reicht über Tapestry, GroupLens, Ringo und hybride Ansätze zurück. Der Unternehmensbericht zeigt frühere Amazon-Funktionen, das Patent dokumentiert technische Arbeit von 1998, und die Veröffentlichung von 2003 erklärt einen später öffentlich beschriebenen Stand des Verfahrens.
Für das Marketing war die entscheidende Veränderung, dass Auswahl im Shop zu einer fortlaufend berechneten Leistung werden konnte. Ein großer Katalog musste nicht für alle Menschen auf dieselbe Weise sichtbar sein. Das Verfahren verband vorhandene Nachfragehinweise mit neuen Entdeckungsmöglichkeiten und machte die Präsentation selbst zum Teil des Service.
Die historische Bedeutung braucht keine unbelegte Erfolgszahl. Sie liegt in einer neuen Organisation kommerzieller Orientierung: Daten wurden nicht nur nachträglich ausgewertet, sondern konnten bestimmen, welche Produkte als Nächstes erschienen. Zwischen menschlichen Vorlieben und einer geschäftlichen Oberfläche trat ein berechnetes Auswahlverfahren. Wie passend, nützlich und wirtschaftlich erfolgreich es war, blieb eine Frage konkreter Belege.
Literaturverzeichnis
Amazon.com (1998) Form 10-K for the year ended December 31, 1997, insbesondere ‘Recommendations and Personalization’. https://s2.q4cdn.com/299287126/files/doc_financials/annual/123197_10k.pdf.
Balabanović, M. und Shoham, Y. (1997) ‘Fab: content-based, collaborative recommendation’, Communications of the ACM, 40(3), S. 66–72. https://doi.org/10.1145/245108.245124.
Fleder, D. und Hosanagar, K. (2009) ‘Blockbuster Culture’s Next Rise or Fall: The Impact of Recommender Systems on Sales Diversity’, Management Science, 55(5), S. 697–712. https://doi.org/10.1287/mnsc.1080.0974.
Goldberg, D., Nichols, D., Oki, B.M. und Terry, D. (1992) ‘Using collaborative filtering to weave an information tapestry’, Communications of the ACM, 35(12), S. 61–70. https://doi.org/10.1145/138859.138867.
Hardesty, L. (2019) ‘The history of Amazon’s recommendation algorithm’, Amazon Science, 22. November. https://www.amazon.science/the-history-of-amazons-recommendation-algorithm.
Herlocker, J.L., Konstan, J.A. und Riedl, J. (2000) ‘Explaining collaborative filtering recommendations’, Proceedings of CSCW ’00, S. 241–250. https://doi.org/10.1145/358916.358995.
Herlocker, J.L., Konstan, J.A., Terveen, L.G. und Riedl, J.T. (2004) ‘Evaluating collaborative filtering recommender systems’, ACM Transactions on Information Systems, 22(1), S. 5–53. https://doi.org/10.1145/963770.963772.
Jannach, D. und Jugovac, M. (2019) ‘Measuring the Business Value of Recommender Systems’, ACM Transactions on Management Information Systems, 10(4), Artikel 16, S. 1–23. https://doi.org/10.1145/3370082. Autorenfassung: https://arxiv.org/abs/1908.08328.
Linden, G.D., Jacobi, J.A. und Benson, E.A. (2001) Collaborative recommendations using item-to-item similarity mappings, US-Patent 6,266,649, angemeldet 18. September 1998, erteilt 24. Juli 2001. https://patents.google.com/patent/US6266649B1/en.
Linden, G., Smith, B. und York, J. (2003) ‘Amazon.com recommendations: item-to-item collaborative filtering’, IEEE Internet Computing, 7(1), S. 76–80. https://doi.org/10.1109/MIC.2003.1167344. Volltext: https://www.cs.umd.edu/~samir/498/Amazon-Recommendations.pdf.
Resnick, P., Iacovou, N., Suchak, M., Bergstrom, P. und Riedl, J. (1994) ‘GroupLens: an open architecture for collaborative filtering of netnews’, Proceedings of CSCW ’94, S. 175–186. https://doi.org/10.1145/192844.192905.
Resnick, P. und Varian, H.R. (1997) ‘Recommender systems’, Communications of the ACM, 40(3), S. 56–58. https://doi.org/10.1145/245108.245121.
Sarwar, B., Karypis, G., Konstan, J. und Riedl, J. (2001) ‘Item-based collaborative filtering recommendation algorithms’, Proceedings of WWW ’01, S. 285–295. https://doi.org/10.1145/371920.372071.
Schafer, J.B., Konstan, J. und Riedl, J. (1999) ‘Recommender systems in e-commerce’, Proceedings of EC ’99, S. 158–166. https://doi.org/10.1145/336992.337035.
Schein, A.I., Popescul, A., Ungar, L.H. und Pennock, D.M. (2002) ‘Methods and metrics for cold-start recommendations’, Proceedings of SIGIR ’02, S. 253–260. https://doi.org/10.1145/564376.564421.
Shardanand, U. und Maes, P. (1995) ‘Social information filtering: algorithms for automating “word of mouth”’, Proceedings of CHI ’95, S. 210–217. https://doi.org/10.1145/223904.223931.
Smith, B. und Linden, G. (2017) ‘Two Decades of Recommender Systems at Amazon.com’, IEEE Internet Computing, 21(3), S. 12–18. https://doi.org/10.1109/MIC.2017.72. Volltext: https://cdn.amazon.science/76/9e/7eac89c14a838746e91dde0a5e9f/two-decades-of-recommender-systems-at-amazon.pdf.
