Adaptives, baukastenbasiertes Recommendersystem

Beschreibung

Produktkonfiguratoren sind moderne IT-gestützte Werkzeuge, mittels derer Kunden Produkteigenschaften nach ihren persönlichen Wünschen und Bedürfnissen gestalten können. Im Zuge dieses Konfigurationsvorgangs sind allerdings viele Freiheitsgrade des Produktes festzulegen – ein zeitaufwendiger Vorgang, der erhebliches technisches Know-how erfordert, weshalb Kunden bei der Konfiguration unterstützt werden müssen. Empfehlungen stellen eine Variante der Kundenunterstützung dar und sind als automatisch generierte Konfigurationsvorschläge für das Produkt oder Teile dessen zu verstehen. Die Arbeit präsentiert ein adaptives Empfehlungssystem für generische Produktkonfiguratoren und schließt damit eine Forschungslücke durch die Integration beliebiger, existierender Empfehlungsalgorithmen in Konfiguratorapplikationen. Diese Integration baut im ersten Schritt auf einer allgemeinen Modularisierungsschnittstelle auf, die auch die Offenheit für zukünftige Techniken gewährleistet. Mittels einer adaptierbaren Hybridisierung können die Algorithmenmodule dann für Empfehlungsvorgänge frei kombiniert werden. Schließlich stellt ein Meta-Personalisierungsvorgang die Einsetzbarkeit dieses komplexen Hybridisierungskonstrukts im Konsumgütermarkt sicher, denn damit wird die automatische Adaption der ausgeführten Empfehlungslogik auf den aktiven Produkt- und Kundenkontext realisiert. Die Arbeit beginnt mit der Einführung der Grundlagen zu „Personalisierung“ und „Mass Customization“. Danach werden in einer ausführlichen Potenzialanalyse Anforderungen an ein Empfehlungssystem für Produktkonfiguratoren herausgearbeitet. Die Lösung wird unter den Gesichtspunkten der Konzeption, der technischen Umsetzung sowie der Konfiguratorintegration vorgestellt. Zum Schluss erfolgen eine Diskussion mit prototypbasierter Evaluation sowie eine Gegenüberstellung von Lösung und formulierten Anforderungen.
Produktkonfiguratoren sind moderne IT-gestützte Werkzeuge, mittels derer Kunden Produkteigenschaften nach ihren persönlichen Wünschen und Bedürfnissen gestalten können. Im Zuge dieses Konfigurationsvorgangs sind allerdings viele Freiheitsgrade des Produktes festzulegen – ein zeitaufwendiger Vorgang, der erhebliches technisches Know-how erfordert, weshalb Kunden bei der Konfiguration unterstützt werden müssen. Empfehlungen stellen eine Variante der Kundenunterstützung dar und sind als automatisch generierte Konfigurationsvorschläge für das Produkt oder Teile dessen zu verstehen. Die Arbeit präsentiert ein adaptives Empfehlungssystem für generische Produktkonfiguratoren und schließt damit eine Forschungslücke durch die Integration beliebiger, existierender Empfehlungsalgorithmen in Konfiguratorapplikationen. Diese Integration baut im ersten Schritt auf einer allgemeinen Modularisierungsschnittstelle auf, die auch die Offenheit für zukünftige Techniken gewährleistet. Mittels einer adaptierbaren Hybridisierung können die Algorithmenmodule dann für Empfehlungsvorgänge frei kombiniert werden. Schließlich stellt ein Meta-Personalisierungsvorgang die Einsetzbarkeit dieses komplexen Hybridisierungskonstrukts im Konsumgütermarkt sicher, denn damit wird die automatische Adaption der ausgeführten Empfehlungslogik auf den aktiven Produkt- und Kundenkontext realisiert. Die Arbeit beginnt mit der Einführung der Grundlagen zu „Personalisierung“ und „Mass Customization“. Danach werden in einer ausführlichen Potenzialanalyse Anforderungen an ein Empfehlungssystem für Produktkonfiguratoren herausgearbeitet. Die Lösung wird unter den Gesichtspunkten der Konzeption, der technischen Umsetzung sowie der Konfiguratorintegration vorgestellt. Zum Schluss erfolgen eine Diskussion mit prototypbasierter Evaluation sowie eine Gegenüberstellung von Lösung und formulierten Anforderungen.

Autor*in

Volker Renneberg

Themen in »Adaptives, baukastenbasiertes Recommendersystem«

Empfehlungssysteme Konfigurator (Softwaresystem) Kundenunterstützung Modularisierungsschnittstelle Personalisierung Produktkonfiguratoren Recommendersysteme

Stimmen zu »Adaptives, baukastenbasiertes Recommendersystem«

Details

Link teilen