Ein Empfehlungssystem ist ein ML-basiertes System, das aus dem bisherigen Verhalten und den Präferenzen von Nutzern oder aus Merkmalen von Objekten ableitet, welche weiteren Objekte (Produkte, Inhalte, Dienstleistungen) für einen bestimmten Nutzer in einer bestimmten Situation relevant oder interessant sein könnten – und diese automatisiert vorschlägt. Empfehlungssysteme sind einer der wirtschaftlich wirkungsvollsten KI-Anwendungsfälle überhaupt: Amazon attribuiert ~35 Prozent seines Umsatzes Empfehlungen, Netflix schätzt ~80 Prozent des gesehenen Inhalts kommen aus Empfehlungen.
Im Unternehmenskontext sind Empfehlungssysteme weit mehr als E-Commerce-Tools: Sie automatisieren Entscheidungen überall dort, wo einem Nutzer oder System aus einem großen Pool relevante Optionen präsentiert werden sollen – Produktempfehlungen, Artikel-Vorschläge, Lieferantenempfehlungen, Prozess-Routing oder Content-Personalisierung.
Die drei Grundansätze
Collaborative Filtering Nutzermuster: „Nutzer, die X gekauft haben, haben auch Y gekauft.“ Lernt aus dem kollektiven Verhalten aller Nutzer – kein Produktwissen nötig, dafür Cold-Start-Problem bei neuen Artikeln.
Content-Based Objektmerkmale: Empfiehlt Objekte mit ähnlichen Eigenschaften zu dem, was ein Nutzer bereits mochte. Kein Cold-Start, aber begrenzte Entdeckung neuer Kategorien.
Hybrid Kombination beider Ansätze: Nutzt Nutzermuster UND Objektmerkmale. Robuster, bessere Empfehlungen – die meisten produktiven Systeme sind hybrid.
Empfehlungssysteme in der B2B-Automation
Empfehlungssysteme gehen weit über B2C-Shops hinaus. In B2B-Automatisierungen: Welche Lieferanten soll das System für einen neuen Artikel automatisch anfragen? Welche Prozess-Kategorie passt zu einem eingehenden Dokument? Welche ähnlichen Vorgänge können als Vorlage für einen neuen Fall dienen? Welche Workflows werden für einen Kunden mit bestimmten Merkmalen typischerweise ausgeführt? – Empfehlungslogik steckt in vielen Automatisierungen, oft ohne das Label „Empfehlungssystem“ zu tragen.
Praxisbeispiel
Ein Industriegroßhändler implementiert ein Empfehlungssystem für seinen Vertriebsinnendienst. Wenn ein Vertriebler ein Angebot für einen Kunden erstellt, empfiehlt das System automatisch: Produkte, die ähnliche Kunden in ähnlichen Projekten ebenfalls bestellt haben. Zubehör und Verbrauchsmaterial für die ausgewählten Hauptprodukte. Ersatzteile mit hoher Korrelation zu den bestellten Geräten. Das System basiert auf Collaborative Filtering (Kunden-Artikel-Matrix aus 5 Jahren Transaktionsdaten). Ergebnis: Durchschnittlicher Auftragswert steigt um 23 Prozent. Cross-Selling-Quote (Kunden, die auch Zubehör kaufen) von 34 auf 61 Prozent. Vertriebsmitarbeiter müssen kein vollständiges Produktwissen für 14.000 Artikel haben – das Modell kompensiert.
