KI Marketing

Recommendation Systems

Recommendation Systems & Targeting
Digitales Marketing & KI

Recommendation Systems,
Targeting & Dynamische Segmentierung

Wie KI personalisierte Empfehlungen erzeugt, Zielgruppen identifiziert und Botschaften individuell gestaltet

Collaborative Filtering Content-Based Filtering Dynamische Segmentierung KI-Personalisierung Implementierung
Kapitel 01

Was sind Recommendation Systems?

Recommendation Systems (Empfehlungssysteme) sind KI-gestützte Softwaresysteme, die aus dem Nutzerverhalten lernen und automatisch personalisierte Vorschläge generieren. Sie sind heute zentraler Bestandteil fast aller digitalen Plattformen.

35% des Amazon-Umsatzes durch Empfehlungen
75% der Netflix-Inhalte über Empfehlungen gefunden
71% der Unternehmen verbessern Conversion durch KI-Daten
2030 Marktvolumen ~$15 Mrd. erwartet
🛒

E-Commerce

Amazon, Zalando & Co. zeigen „Kunden kauften auch…“-Listen basierend auf Kaufhistorie und ähnlichem Nutzerverhalten.

→ Item-to-Item Collaborative Filtering
🎬

Streaming & Medien

Netflix und Spotify analysieren Sehgewohnheiten und Hörverhalten, um neue Inhalte mit hoher Relevanz vorzuschlagen.

→ Hybrid Recommender System
📱

Social Media

TikTok, Instagram und YouTube nutzen Interaktionsdaten (Likes, Watchtime, Shares), um den Feed zu personalisieren.

→ Deep Learning Recommender
Kapitel 02

Funktionsweise & Algorithmen

Es gibt drei grundlegende Ansätze, wie Recommendation Systems arbeiten. Moderne Systeme kombinieren diese Methoden zu sogenannten Hybrid Recommender Systems.

⚙️ Genereller Ablauf eines Recommendation Systems

1
Daten

Nutzerinteraktionen sammeln

→
2
Profil

Nutzer- & Item-Profile erstellen

→
3
Ähnlichkeit

Cosine/Pearson Similarity berechnen

→
4
Ranking

Relevanteste Items sortieren

→
5
Output

Top-N Empfehlungen ausgeben

Methode Grundprinzip Datenbasis Cold-Start-Problem Skalierbarkeit Beispiel
🤝 Collaborative Filtering Nutzer mit ähnlichem Verhalten erhalten ähnliche Empfehlungen User-Item-Interaktionsmatrix ✗ Hoch ✓ Gut „Nutzer wie du mochten auch…“
📄 Content-Based Filtering Items mit ähnlichen Eigenschaften wie bereits genutzte werden empfohlen Item-Features & Tags ✓ Gering ✓ Sehr gut „Weil dir Film X gefiel: Film Y (gleiches Genre)“
🔀 Hybrid Systems Kombination beider Ansätze, oft mit Deep Learning Alle verfügbaren Daten ✓ Gering ✓ Sehr gut Netflix, Spotify
🧠 Knowledge-Based Regelbasiert, Domänenwissen eingebettet Explizite Nutzeranforderungen ✓ Kein Problem ✗ Begrenzt Immobilien, Finanzberatung

⚠️ Das Cold-Start-Problem

  • Neuer Nutzer: Keine Interaktionsdaten vorhanden → keine personalisierten Empfehlungen möglich
  • Neues Item: Wurde noch nicht bewertet → schwer in Recommender einzubinden
  • Lösung: Onboarding-Umfragen, Content-Based als Fallback, demografische Daten nutzen
  • Hybrid-Ansätze reduzieren das Problem erheblich
Python · Cosine Similarity (Collaborative Filtering) 
from sklearn.metrics.pairwise import cosine_similarity
import numpy as np

# User-Item-Matrix: Zeilen = Nutzer, Spalten = Produkte, Werte = Bewertungen (0=nicht bewertet)
user_item_matrix = np.array([
    [5, 4, 0, 1],   # User A
    [4, 5, 0, 2],   # User B (ähnlich zu A)
    [0, 0, 5, 4],   # User C (unterschiedlich)
])

# Ähnlichkeit zwischen Nutzern berechnen
similarity = cosine_similarity(user_item_matrix)
print("Ähnlichkeitsmatrix:", similarity)

# → User A & B haben hohe Ähnlichkeit → B's Produkte für A empfehlen
Kapitel 03

Zielgruppenidentifikation & Dynamische Segmentierung

Modernes Targeting geht weit über klassische demografische Merkmale hinaus. KI-gestützte dynamische Segmentierung analysiert Verhalten in Echtzeit und passt Zielgruppen kontinuierlich an.

👤

Demografisch

Alter, Geschlecht, Standort, Einkommen — klassische, statische Merkmale

🖱️

Verhaltensbasiert

Klicks, Käufe, Watchtime, Scroll-Tiefe — direkte Nutzungsinteraktionen

🧠

Psychografisch

Werte, Motive, Lebensstil — KI erkennt Sicherheits- vs. Statusorientierung

🔮

Prädiktiv

KI erkennt Muster kurz vor Conversion — antizipiert Kaufabsicht

⚡

Echtzeit-Kontextuell

Aktueller Standort, Gerät, Uhrzeit, Wetter fließen in die Empfehlung ein

🔄

Lifecycle-Targeting

Inhalte passen sich an: Awareness → Consideration → Conversion → Retention

🔄 Von statisch zu dynamisch: Der Unterschied

  • Statisch: Segment wird einmalig zugewiesen (z. B. „Männer 25–34 aus Berlin“)
  • Dynamisch: Nutzer wechseln Segmente automatisch je nach aktuellem Verhalten
  • KI analysiert kontinuierlich alle Touchpoints und aktualisiert Segmentzugehörigkeit
  • Echtzeit-Anpassung ermöglicht passgenaue Botschaften im richtigen Moment
  • HubSpot, Salesforce & Adobe nutzen dynamische Segmentierung in ihren Marketing-Clouds
  • Ergebnis: Deutlich höhere Conversion Rates und geringere Streuverluste
Segmentierungsart Datenquellen Update-Frequenz KI-Einsatz
Demografisch CRM, Registrierungsdaten Selten / manuell Gering
Verhaltensbasiert Web Analytics, App Tracking Täglich Mittel
Prädiktiv (KI) Alle Kanäle, Kaufhistorie Echtzeit Hoch (ML-Modelle)
Psychografisch (KI) Social Media, Content-Interaktion Echtzeit Sehr hoch (NLP, Deep Learning)
Kapitel 04

Personalisierte Empfehlungen durch KI

KI ermöglicht es, nicht nur Produkte zu empfehlen, sondern auch Inhalte, Botschaften, Preise und sogar das Design einer Website individuell auf jeden Nutzer anzupassen — in Echtzeit.

✉️

Personalisiertes E-Mail-Marketing

KI generiert individuelle Betreffzeilen, Inhalte und Sendezeitpunkte pro Empfänger basierend auf vergangenen Öffnungen und Klicks.

→ NLP + Behavioral Data
🌐

Dynamic Content auf Webseiten

Headlines, Bilder und CTAs werden je nach Nutzersegment in Echtzeit ausgetauscht — jeder Besucher sieht die relevanteste Version.

→ A/B Testing + ML Optimization
📊

Personalisierte Werbung

Programmatic Advertising nutzt Echtzeit-Daten (RTB), um im Millisekundenbereich die passende Anzeige für den richtigen Nutzer auszuspielen.

→ Real-Time Bidding (RTB)
💬

Chatbots & Conversational AI

LLM-gestützte Chatbots nutzen den bisherigen Gesprächsverlauf und Kaufhistorie für kontextuell passende Produktvorschläge.

→ LLMs + RAG
🏷️

Dynamische Preisgestaltung

Algorithmen passen Preise in Echtzeit an Nachfrage, Nutzerprofil und Wettbewerb an (z. B. Flugbuchungen, Hotels).

→ Reinforcement Learning
🔔

Push Notifications

KI bestimmt Zeitpunkt, Inhalt und Häufigkeit von Push-Nachrichten pro Nutzer, um Öffnungsraten zu maximieren.

→ Predictive ML Models

🤖 Wie KI Botschaften personalisiert — der Prozess

  • Datenerfassung: Clickstream, Kaufhistorie, CRM-Daten, Social Signals
  • Feature Engineering: Relevante Merkmale extrahieren und normalisieren
  • Modelltraining: ML-Modell lernt, welche Botschaft welches Segment konvertiert
  • Echtzeit-Inference: Modell trifft Entscheidung in <100ms beim Seitenaufruf
  • Feedback-Loop: Nutzungsreaktion (Klick, Kauf) verbessert das Modell kontinuierlich
  • Ethik & DSGVO: Transparenz, Opt-Out und Datenschutz müssen gewährleistet sein
Kapitel 05

Implementierung von Recommendation Systems

Die Implementierung eines Empfehlungssystems umfasst mehrere Schichten — von der Datenpipeline über das Modelltraining bis hin zur Live-Integration via API.

1

📦 Datenstrategie & -erfassung

Implizites Feedback (Klicks, Views, Käufe) und explizites Feedback (Bewertungen, Likes) sammeln. Datenschutz (DSGVO) und Datensparsamkeit von Beginn an berücksichtigen.

2

🔧 Datenvorverarbeitung & Feature Engineering

Datenbereinigung, Normalisierung der Bewertungen, Erstellen von User- und Item-Embeddings. Sparsity der Matrix behandeln (Matrix Factorization, z. B. SVD).

3

🤖 Modellauswahl & Training

Einstieg mit einfachem Collaborative Filtering (KNN). Für Skalierung: Matrix Factorization (ALS, SVD) oder Deep Learning (Neural Collaborative Filtering). Offline-Evaluation mit Metriken wie RMSE, Precision@K, NDCG.

4

⚙️ Infrastruktur & Skalierung

Feature Store (z. B. Feast), Modell-Serving via REST-API (FastAPI, TF Serving), Caching von Empfehlungen (Redis), Batch- vs. Echtzeit-Scoring abwägen.

5

🔗 Integration ins Live-System

Recommendation-API in Frontend integrieren. A/B-Tests für unterschiedliche Modellvarianten aufsetzen. Monitoring von Klickrate, Conversion und Diversity der Empfehlungen.

6

🔄 Kontinuierliches Retraining

Modell regelmäßig mit neuen Interaktionsdaten nachtrainieren. MLOps-Pipeline (z. B. MLflow, Kubeflow) automatisiert Retraining und Deployment. Filter Bubble und Diversität beobachten.

Bereich Open-Source Tools Cloud / SaaS
Modell & Algorithmus Surprise, LightFM, TensorFlow Recommenders, PyTorch Google Vertex AI, AWS Personalize
Datenverarbeitung Apache Spark, Pandas, Feast (Feature Store) Databricks, Snowflake
Modell-Serving FastAPI, TensorFlow Serving, Triton AWS SageMaker, Azure ML
Caching / Latenz Redis, Memcached Upstash, Redis Cloud
MLOps / Monitoring MLflow, Kubeflow, Evidently AI Weights & Biases, Neptune
Python · Minimaler Recommender mit Surprise (SVD) 
from surprise import SVD, Dataset, Reader
from surprise.model_selection import cross_validate

# Daten laden (Format: user, item, rating)
reader = Reader(rating_scale=(1, 5))
data = Dataset.load_builtin('ml-100k')  # MovieLens Dataset

# SVD-Modell trainieren (Matrix Factorization)
model = SVD(n_factors=50, n_epochs=20)
results = cross_validate(model, data, measures=['RMSE', 'MAE'], cv=5)

# Vorhersage für einzelnen Nutzer
prediction = model.predict(uid='user_42', iid='item_300')
print(f"Geschätzte Bewertung: {prediction.est:.2f}")
Kapitel 06

🧩 Gruppenaufgabe

Bearbeitungszeit: 30 Minuten · Gruppengrößen: 3–4 Personen · Präsentation: 3 Min. pro Gruppe

⏱ 30 Minuten

„Build Your Own Recommender“ — Konzeptaufgabe

Ihr seid das Produktteam eines neu gegründeten Startups. Eure Aufgabe: Entwickelt das Konzept für ein Recommendation System für euer Produkt.

⏱ 5 Min Phase 1

🎯 Produkt wählen

Wählt eines der folgenden Szenarien oder erfindet ein eigenes:

  • 📚 Lern-App für Schüler (Kursempfehlungen)
  • 🍕 Lokale Restaurant-Plattform
  • 🎮 Indie-Videospiel-Marktplatz
  • 🏋️ Fitness-Tracking-App
⏱ 10 Min Phase 2

🔧 Algorithmus-Entscheidung

Beantwortet diese Fragen schriftlich:

  • Welche Daten stehen euch zur Verfügung? (explizit / implizit)
  • Collaborative, Content-Based oder Hybrid — und warum?
  • Wie löst ihr das Cold-Start-Problem für neue Nutzer?
  • Welche Metriken nutzt ihr zur Erfolgsmessung?
⏱ 10 Min Phase 3

🎯 Targeting & Segmentierung

Entwickelt eure Zielgruppenstrategie:

  • Definiert mind. 3 Nutzersegmente für euer Produkt
  • Welche Daten braucht ihr für dynamische Segmentierung?
  • Wie personalisiert ihr Botschaften pro Segment?
  • Welche Datenschutz-/DSGVO-Aspekte müsst ihr beachten?
⏱ 5 Min Phase 4

📊 Präsentation vorbereiten

Fasst eure Ergebnisse zusammen:

  • Produkt & gewählter Algorithmus (1 Satz)
  • Eure 3 Segmente mit je einer personalisierten Botschaft
  • Größte Herausforderung bei eurer Implementierung
  • Eine ethische Überlegung zu eurem System

📝 Abgabe / Präsentation

1️⃣
Produkt & Algorithmus

Welches Produkt, welcher Ansatz, welche Begründung?

2️⃣
Segmente & Botschaften

3 Segmente mit je einer konkreten, personalisierten Nachricht

3️⃣
Größte Herausforderung

Was ist das kniffligste Problem bei eurer Umsetzung?

4️⃣
Ethik & Datenschutz

Wie schützt ihr Nutzerdaten und verhindert Filter Bubbles?

💡 Diskussionsimpuls für die Klasse

  • Welcher Algorithmus wurde am häufigsten gewählt — und warum?
  • Wie unterscheiden sich die Segmentierungsansätze der Gruppen?
  • Wo liegen die ethischen Grenzen von Personalisierung?
  • Was passiert, wenn ein System nur noch zeigt, was Nutzer schon kennen? (Filter Bubble)
Kapitel 07

❓ Häufig gestellte Fragen

Die meistgestellten Fragen rund um Recommendation Systems, Targeting und KI-Personalisierung.

Was ist der Unterschied zwischen Collaborative und Content-Based Filtering?▾

Collaborative Filtering basiert auf dem Verhalten anderer Nutzer: „Nutzer, die ähnlich wie du sind, mochten auch X.“ Es braucht keine Inhaltsbeschreibung der Items, aber viele Nutzerdaten.

Content-Based Filtering analysiert die Eigenschaften der Items selbst: „Weil dir Film A (Action, 2020) gefiel, empfehlen wir Film B (Action, 2021).“ Es funktioniert auch ohne viele Nutzerdaten, bleibt aber auf ähnliche Inhalte beschränkt.

Was ist das Cold-Start-Problem und wie wird es gelöst?▾

Das Cold-Start-Problem tritt auf, wenn ein neuer Nutzer oder ein neues Item keine Interaktionsdaten hat — das System kann keine personalisierten Empfehlungen erzeugen.

Lösungen: Onboarding-Umfragen beim ersten Login, Nutzung demografischer Daten, Fallback auf Content-Based Filtering oder Bestseller-Listen, Multi-Armed-Bandit-Algorithmen zur Exploration.

Was ist eine Filter Bubble und warum ist sie problematisch?▾

Eine Filter Bubble entsteht, wenn ein Empfehlungssystem einem Nutzer nur noch Inhalte zeigt, die seinen bisherigen Präferenzen entsprechen. Dadurch sieht er weniger Vielfalt und wird in seiner Meinung bestätigt (Confirmation Bias).

Gegenmaßnahmen: Diversity-Metriken in den Algorithmus einbauen, Serendipity fördern (überraschende Empfehlungen), Nutzer über den Personalisierungsgrad informieren.

Wie unterscheidet sich dynamische von statischer Segmentierung?▾

Statische Segmentierung weist Nutzern einmalig ein Segment zu (z. B. „Männer 25–34 aus Wien“). Das Segment ändert sich selten oder manuell.

Dynamische Segmentierung aktualisiert die Segmentzugehörigkeit in Echtzeit auf Basis des aktuellen Verhaltens. Ein Nutzer, der gerade nach Reisen sucht, wechselt automatisch ins Segment „Reisewillig“ — auch wenn er das gestern noch nicht war.

Ist KI-Personalisierung mit der DSGVO vereinbar?▾

Ja, wenn bestimmte Voraussetzungen erfüllt sind: Nutzer müssen transparent informiert werden (Datenschutzerklärung), es muss eine Rechtsgrundlage geben (Einwilligung oder berechtigtes Interesse), und Nutzer müssen ein Opt-Out haben.

Kritisch: Profiling, das rechtliche Auswirkungen hat, unterliegt strengeren Regeln (Art. 22 DSGVO). Datensparsamkeit und Zweckbindung müssen eingehalten werden.

Welche Metriken messen den Erfolg eines Recommenders?▾

Offline-Metriken: RMSE (Root Mean Squared Error), Precision@K (wie viele der Top-K Empfehlungen sind relevant?), Recall@K, NDCG (Normalized Discounted Cumulative Gain).

Online-Metriken (A/B-Test): Click-Through-Rate (CTR), Conversion Rate, Verweildauer, Return Rate. Offline-Metriken korrelieren nicht immer mit echtem Nutzererlebnis — A/B-Tests sind deshalb unverzichtbar.

Kann auch ein kleines Unternehmen ein Recommendation System einsetzen?▾

Ja. Einfache Recommender (z. B. „Bestseller in deiner Kategorie“ oder regelbasierte Empfehlungen) können mit wenig Aufwand implementiert werden. Tools wie AWS Personalize oder Google Recommendations AI bieten Cloud-basierte Recommender ohne eigenes ML-Team.

Für Open-Source-Lösungen empfiehlt sich die Python-Bibliothek Surprise oder LightFM als Einstiegspunkt.

Kapitel 08

📖 Glossar

Die wichtigsten Fachbegriffe rund um Recommendation Systems, Targeting und KI-Personalisierung auf einen Blick.

Collaborative Filtering
Empfehlungsansatz, der auf dem Verhalten ähnlicher Nutzer basiert. Das System empfiehlt Items, die Nutzer mit ähnlichem Profil gemocht haben, ohne den Inhalt der Items zu analysieren.
Algorithmus
Content-Based Filtering
Empfehlungsansatz, der Items anhand ihrer Eigenschaften (Merkmale, Tags, Metadaten) mit bereits genutzten Items vergleicht und ähnliche Items vorschlägt.
Algorithmus
Cold-Start-Problem
Problem bei Empfehlungssystemen, wenn für neue Nutzer oder neue Items noch keine Interaktionsdaten existieren und daher keine personalisierten Empfehlungen möglich sind.
Problem
Cosine Similarity
Mathematisches Ähnlichkeitsmaß zwischen zwei Vektoren. Misst den Winkel zwischen ihnen (Wertebereich: 0 bis 1). Wird genutzt, um die Ähnlichkeit von Nutzerprofilen oder Items zu berechnen.
Mathematik
Matrix Factorization
Technik zur Dimensionsreduktion der User-Item-Matrix. Zerlegt die Matrix in latente Faktoren (z. B. SVD, ALS), die versteckte Präferenzmuster aufdecken. Grundlage des Netflix-Prize-Gewinners.
Algorithmus
Hybrid Recommender System
Kombination aus mehreren Empfehlungsansätzen (z. B. Collaborative + Content-Based), um die Schwächen einzelner Methoden zu kompensieren und die Empfehlungsqualität zu steigern.
Architektur
Filter Bubble
Phänomen, bei dem ein Nutzer durch übermäßige Personalisierung nur noch Inhalte sieht, die seinen bisherigen Präferenzen entsprechen. Fördert Informationsblase und Confirmation Bias.
Ethik
Dynamische Segmentierung
KI-gesteuerte Methode, bei der Nutzer in Echtzeit automatisch Segmenten zugeordnet werden — basierend auf aktuellem Verhalten, nicht auf statischen demografischen Merkmalen.
Marketing
Real-Time Bidding (RTB)
Automatisierter Auktionsprozess im Programmatic Advertising, bei dem Werbeplätze in Millisekunden auf Basis von Nutzerdata versteigert werden. Ermöglicht extrem zielgenaues Ad-Targeting.
Werbung
Precision@K / NDCG
Evaluationsmetriken für Recommender. Precision@K misst, wie viele der Top-K Empfehlungen tatsächlich relevant sind. NDCG (Normalized Discounted Cumulative Gain) berücksichtigt zusätzlich die Position der relevanten Items.
Evaluation
Embedding
Kompakte Vektordarstellung von Nutzern oder Items in einem latenten Vektorraum. Ähnliche Nutzer/Items liegen im Vektorraum nah beieinander. Grundlage von Deep-Learning-Recommendern.
Deep Learning
Reinforcement Learning
Lernparadigma, bei dem ein Agent durch Belohnung (z. B. Klick, Kauf) lernt, optimale Empfehlungen zu geben. Wird für dynamische Preisgestaltung und langfristige Nutzeroptimierung eingesetzt.
KI
User-Item-Matrix
Kernstruktur im Collaborative Filtering: Eine Matrix, in der Zeilen Nutzer und Spalten Items repräsentieren. Die Einträge sind Bewertungen oder Interaktionen. Meist sehr dünn besetzt (Sparsity).
Datenstruktur
A/B-Test
Kontrolliertes Experiment, bei dem zwei Varianten (A und B) eines Systems gleichzeitig an unterschiedlichen Nutzergruppen getestet werden, um die bessere Variante zu identifizieren.
Evaluation
DSGVO (Datenschutz-Grundverordnung)
EU-Verordnung zum Schutz personenbezogener Daten. Für Recommendation Systems relevant: Transparenzpflicht, Zweckbindung, Datensparsamkeit, Recht auf Widerspruch gegen automatisiertes Profiling (Art. 22).
Recht
MLOps
Kombination aus Machine Learning und DevOps-Praktiken. Automatisiert Training, Testing und Deployment von ML-Modellen. Sorgt für kontinuierliches Retraining von Recommender-Modellen mit neuen Daten.
Infrastruktur

Unterrichtsvortrag: Recommendation Systems, Targeting & Dynamische Segmentierung

Quellen: Google ML, IBM, Wikipedia, Ideenhaus, CoreMedia, HAW Hamburg