Recommendation Systems mit Google Analytics Rohdaten

von Arne Ruhkamp

23. Oktober 2018

Lesedauer: 2 Minuten

Management Summary

Article Recommendation Engines ermöglichen Publishern, ihren Usern das bestmögliche Nutzererlebnis auf der eigenen Website zu bieten. Gemeinsam mit Google haben wir Artikel-Empfehlungen via Machine Learning mit TensorFlow entwickelt und stellen in diesem Blogbeitrag alle Details dazu vor.

Digital Analytics

Webanalyse steht für Messbarkeit und ist die Grundlage für langfristige Erfolgskontrolle und Effizienzsteigerung Ihrer (Online) Marketing Aktivitäten.

Mehr Erfahren

BigQuery Daten mit Machine Learning nutzen

Besuchern die für sie relevanten Artikel vorzuschlagen, um ein besseres Nutzererlebnis zu bieten, ist für Publisher ein Kernziel. Einerseits sind dadurch die User zufriedener, da sie Artikelempfehlungen erhalten, die sie tatsächlich interessieren. Andererseits freut sich der Publisher über eine höhere Engagement Rate und Verweildauer und dadurch auch über höhere Werbeumsätze.

Mit diesen Gedanken im Hinterkopf, haben wir eine Article Recommendation Engine entwickelt, die via Machine Learning Besuchern, die für sie relevanten Artikel als Empfehlung ausspielt. Sie funktioniert auf der Annahme, dass Besucher, die ähnliche Artikel lesen, die gleichen Präferenzen haben. So werden auf Basis des Nutzerverhaltens Artikel empfohlen, die ähnliche Besucher aufgerufen haben.

Build or Buy - das gibt's doch schon

Artikelempfehlungen gibt es zwar schon von vielen Anbietern, allerdings sind diese aus Publisher-Sicht eine Black-Box. Sie geben wertvolle User Daten weiter und haben nicht die volle Kontrolle. Das heisst sowohl aus strategischer, wie auch auch aus Compliance Sicht (DSGVO) ist das Insourcing mit voller Datenhoheit ein wesentlicher Vorteil. Auch die individuellen Gestaltungs- und Optimierungsmöglichkeiten sind ein wichtiger Asset.

Die Umsetzung

In Zusammenarbeit mit Google und dem Kurier, einem der größten österreichischen Publisher, wurde das Projekt umgesetzt. Grundlage für die Artikelempfehlungen sind die wertvollen Rohdaten aus Google Analytics 360. Weiters werden über die native BigQuery-Integration die Nutzerdaten in Googles Data Warehouse exportiert. Dort stehen verschiedene Cloud Dienste zur Verfügung, mit denen Machine Learning-Projekte umgesetzt werden können.

Die folgende Abbildung veranschaulicht, welche Dienste wir für unsere Lösung verwenden.

TensorFlow für Machine Learning Algorithmen

Erstellt haben wir das Modell mit TensorFlow, Googles Framework für Machine Learning-Algorithmen. Unser Ansatz setzt auf eine Methode, die sich “collaborative filtering” nennt. Zum einen nehmen wir an, dass Besucher mit ähnlichem Nutzerverhalten gemeinsame Interessen teilen. Zum anderen gehen wir davon aus, dass sich dies im Verhalten der Nutzer widerspiegelt und sie ähnliche Artikel aufrufen werden.

Was wir heute schon machen, ist die Optimierung der durchschnittlichen Sitzungsdauer. Zukünftig planen wir, weitere Kennzahlen, wie die Article Teaser Click Through Ratio und den Werbemittel-Revenue, einzubeziehen.

Die aktuelle Herangehensweise, der “collaborative-filtering” Ansatz setzt voraus, dass bereits Nutzerdaten vorhanden sind. Um neuen Besuchern von Beginn an Empfehlungen ausspielen zu können, möchten wir zusätzlich einen “content-based” Ansatz verfolgen. Die Rückfalllösung sieht vor, bei Nichtvorhandensein von Nutzerdaten ähnliche Artikel zu empfehlen.