Recommendation Systems & Targeting<\/title>\n<style>\n :root {\n --bg-primary: #0d0d0f;\n --bg-secondary: #141418;\n --bg-card: #1a1a22;\n --bg-card-hover: #20202a;\n --accent-primary: #6c63ff;\n --accent-secondary: #00d4ff;\n --accent-green: #00e5a0;\n --accent-orange: #ff7043;\n --text-primary: #e8e8f0;\n --text-secondary: #9090a8;\n --text-muted: #5a5a72;\n --border: rgba(108, 99, 255, 0.2);\n --border-bright: rgba(108, 99, 255, 0.5);\n --glow: 0 0 30px rgba(108, 99, 255, 0.15);\n }\n\n * { margin: 0; padding: 0; box-sizing: border-box; }\n\n body {\n background-color: var(--bg-primary);\n color: var(--text-primary);\n font-family: 'Segoe UI', system-ui, -apple-system, sans-serif;\n line-height: 1.7;\n overflow-x: hidden;\n }\n\n \/* HEADER *\/\n header {\n background: linear-gradient(135deg, #0d0d0f 0%, #1a1230 50%, #0d1520 100%);\n padding: 80px 40px;\n text-align: center;\n border-bottom: 1px solid var(--border-bright);\n position: relative;\n overflow: hidden;\n }\n\n header::before {\n content: '';\n position: absolute;\n top: -50%;\n left: -50%;\n width: 200%;\n height: 200%;\n background: radial-gradient(ellipse at center, rgba(108,99,255,0.08) 0%, transparent 60%);\n pointer-events: none;\n }\n\n .badge {\n display: inline-block;\n background: rgba(108,99,255,0.15);\n border: 1px solid var(--border-bright);\n color: var(--accent-primary);\n padding: 5px 16px;\n border-radius: 20px;\n font-size: 0.78rem;\n letter-spacing: 2px;\n text-transform: uppercase;\n margin-bottom: 20px;\n }\n\n header h1 {\n font-size: clamp(2rem, 5vw, 3.5rem);\n font-weight: 800;\n background: linear-gradient(135deg, #ffffff 0%, var(--accent-secondary) 50%, var(--accent-primary) 100%);\n -webkit-background-clip: text;\n -webkit-text-fill-color: transparent;\n background-clip: text;\n margin-bottom: 16px;\n line-height: 1.2;\n }\n\n header p.subtitle {\n color: var(--text-secondary);\n font-size: 1.1rem;\n max-width: 700px;\n margin: 0 auto 30px;\n }\n\n .header-tags {\n display: flex;\n gap: 10px;\n justify-content: center;\n flex-wrap: wrap;\n }\n\n .tag {\n background: rgba(0,212,255,0.1);\n border: 1px solid rgba(0,212,255,0.3);\n color: var(--accent-secondary);\n padding: 4px 14px;\n border-radius: 20px;\n font-size: 0.82rem;\n }\n\n \/* NAV *\/\n nav {\n background: var(--bg-secondary);\n border-bottom: 1px solid var(--border);\n padding: 0 40px;\n position: sticky;\n top: 0;\n z-index: 100;\n display: flex;\n gap: 0;\n overflow-x: auto;\n }\n\n nav a {\n color: var(--text-secondary);\n text-decoration: none;\n padding: 16px 20px;\n font-size: 0.88rem;\n white-space: nowrap;\n border-bottom: 2px solid transparent;\n transition: all 0.2s;\n }\n\n nav a:hover {\n color: var(--accent-primary);\n border-bottom-color: var(--accent-primary);\n }\n\n \/* MAIN *\/\n main {\n max-width: 1100px;\n margin: 0 auto;\n padding: 60px 30px;\n }\n\n \/* SECTION *\/\n section {\n margin-bottom: 80px;\n }\n\n .section-label {\n font-size: 0.75rem;\n letter-spacing: 3px;\n text-transform: uppercase;\n color: var(--accent-primary);\n margin-bottom: 10px;\n font-weight: 600;\n }\n\n section h2 {\n font-size: clamp(1.6rem, 3vw, 2.2rem);\n font-weight: 700;\n color: #fff;\n margin-bottom: 12px;\n line-height: 1.3;\n }\n\n .section-intro {\n color: var(--text-secondary);\n font-size: 1.05rem;\n max-width: 750px;\n margin-bottom: 36px;\n border-left: 3px solid var(--accent-primary);\n padding-left: 16px;\n }\n\n \/* CARDS *\/\n .card-grid {\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(300px, 1fr));\n gap: 20px;\n margin-bottom: 30px;\n }\n\n .card {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 16px;\n padding: 28px;\n transition: all 0.3s;\n position: relative;\n overflow: hidden;\n }\n\n .card::before {\n content: '';\n position: absolute;\n top: 0; left: 0; right: 0;\n height: 2px;\n background: linear-gradient(90deg, var(--accent-primary), var(--accent-secondary));\n opacity: 0;\n transition: opacity 0.3s;\n }\n\n .card:hover {\n border-color: var(--border-bright);\n background: var(--bg-card-hover);\n transform: translateY(-3px);\n box-shadow: var(--glow);\n }\n\n .card:hover::before { opacity: 1; }\n\n .card-icon {\n font-size: 2rem;\n margin-bottom: 14px;\n display: block;\n }\n\n .card h3 {\n font-size: 1.15rem;\n font-weight: 700;\n color: #fff;\n margin-bottom: 10px;\n }\n\n .card p {\n color: var(--text-secondary);\n font-size: 0.92rem;\n line-height: 1.7;\n }\n\n .card .card-accent {\n display: inline-block;\n margin-top: 14px;\n font-size: 0.78rem;\n color: var(--accent-secondary);\n font-weight: 600;\n letter-spacing: 0.5px;\n }\n\n \/* ALGORITHM FLOW *\/\n .flow-container {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 16px;\n padding: 36px;\n margin-bottom: 30px;\n }\n\n .flow-container h3 {\n color: #fff;\n font-size: 1.2rem;\n margin-bottom: 24px;\n }\n\n .flow-steps {\n display: flex;\n align-items: center;\n flex-wrap: wrap;\n gap: 0;\n }\n\n .flow-step {\n display: flex;\n align-items: center;\n gap: 12px;\n flex: 1;\n min-width: 140px;\n }\n\n .step-circle {\n width: 48px;\n height: 48px;\n border-radius: 50%;\n background: linear-gradient(135deg, var(--accent-primary), var(--accent-secondary));\n display: flex;\n align-items: center;\n justify-content: center;\n font-weight: 800;\n font-size: 1.1rem;\n color: #fff;\n flex-shrink: 0;\n box-shadow: 0 0 20px rgba(108,99,255,0.4);\n }\n\n .step-content span {\n font-size: 0.7rem;\n color: var(--accent-secondary);\n text-transform: uppercase;\n letter-spacing: 1px;\n }\n\n .step-content p {\n color: var(--text-primary);\n font-size: 0.88rem;\n font-weight: 600;\n }\n\n .flow-arrow {\n color: var(--accent-primary);\n font-size: 1.5rem;\n padding: 0 8px;\n flex-shrink: 0;\n }\n\n @media (max-width: 600px) {\n .flow-arrow { display: none; }\n .flow-step { width: 100%; }\n }\n\n \/* COMPARISON TABLE *\/\n .table-wrapper {\n overflow-x: auto;\n border-radius: 16px;\n border: 1px solid var(--border);\n margin-bottom: 30px;\n }\n\n table {\n width: 100%;\n border-collapse: collapse;\n background: var(--bg-card);\n }\n\n thead tr {\n background: linear-gradient(90deg, rgba(108,99,255,0.2), rgba(0,212,255,0.1));\n }\n\n th {\n padding: 16px 20px;\n text-align: left;\n font-size: 0.82rem;\n text-transform: uppercase;\n letter-spacing: 1.5px;\n color: var(--accent-secondary);\n font-weight: 700;\n border-bottom: 1px solid var(--border-bright);\n }\n\n td {\n padding: 14px 20px;\n font-size: 0.9rem;\n color: var(--text-secondary);\n border-bottom: 1px solid var(--border);\n vertical-align: top;\n }\n\n tr:last-child td { border-bottom: none; }\n\n tr:hover td {\n background: rgba(108,99,255,0.05);\n color: var(--text-primary);\n }\n\n td:first-child {\n font-weight: 700;\n color: var(--text-primary);\n }\n\n .check { color: var(--accent-green); }\n .cross { color: var(--accent-orange); }\n\n \/* HIGHLIGHT BOX *\/\n .highlight-box {\n background: linear-gradient(135deg, rgba(108,99,255,0.08), rgba(0,212,255,0.05));\n border: 1px solid var(--border-bright);\n border-radius: 16px;\n padding: 28px 32px;\n margin-bottom: 30px;\n position: relative;\n }\n\n .highlight-box h3 {\n color: var(--accent-secondary);\n font-size: 1.05rem;\n margin-bottom: 16px;\n display: flex;\n align-items: center;\n gap: 10px;\n }\n\n .highlight-box ul {\n list-style: none;\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(250px, 1fr));\n gap: 10px;\n }\n\n .highlight-box ul li {\n color: var(--text-secondary);\n font-size: 0.92rem;\n padding-left: 20px;\n position: relative;\n }\n\n .highlight-box ul li::before {\n content: '\u25b8';\n position: absolute;\n left: 0;\n color: var(--accent-primary);\n }\n\n \/* STAT CARDS *\/\n .stat-row {\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(180px, 1fr));\n gap: 16px;\n margin-bottom: 30px;\n }\n\n .stat-card {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 14px;\n padding: 24px 20px;\n text-align: center;\n transition: all 0.3s;\n }\n\n .stat-card:hover {\n border-color: var(--border-bright);\n box-shadow: var(--glow);\n }\n\n .stat-number {\n font-size: 2.2rem;\n font-weight: 800;\n background: linear-gradient(135deg, var(--accent-primary), var(--accent-secondary));\n -webkit-background-clip: text;\n -webkit-text-fill-color: transparent;\n background-clip: text;\n display: block;\n }\n\n .stat-label {\n color: var(--text-secondary);\n font-size: 0.82rem;\n margin-top: 6px;\n }\n\n \/* SEGMENTATION *\/\n .seg-grid {\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(220px, 1fr));\n gap: 16px;\n margin-bottom: 30px;\n }\n\n .seg-card {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 14px;\n padding: 22px;\n text-align: center;\n transition: all 0.3s;\n }\n\n .seg-card:hover {\n border-color: var(--border-bright);\n transform: translateY(-2px);\n }\n\n .seg-icon {\n font-size: 2.5rem;\n margin-bottom: 12px;\n display: block;\n }\n\n .seg-card h4 {\n color: #fff;\n font-size: 0.95rem;\n margin-bottom: 8px;\n }\n\n .seg-card p {\n color: var(--text-muted);\n font-size: 0.82rem;\n }\n\n \/* CODE BLOCK *\/\n .code-block {\n background: #0a0a0e;\n border: 1px solid var(--border);\n border-radius: 14px;\n padding: 28px;\n margin-bottom: 20px;\n overflow-x: auto;\n }\n\n .code-block .code-header {\n display: flex;\n align-items: center;\n gap: 8px;\n margin-bottom: 16px;\n padding-bottom: 12px;\n border-bottom: 1px solid var(--border);\n }\n\n .code-dot {\n width: 12px; height: 12px;\n border-radius: 50%;\n }\n\n .code-block pre {\n font-family: 'Consolas', 'Fira Code', monospace;\n font-size: 0.88rem;\n line-height: 1.7;\n color: #abb2bf;\n }\n\n .code-block .kw { color: #c678dd; }\n .code-block .fn { color: #61afef; }\n .code-block .str { color: #98c379; }\n .code-block .cm { color: #5c6370; font-style: italic; }\n .code-block .num { color: #d19a66; }\n .code-block .cls { color: #e5c07b; }\n\n \/* IMPLEMENTATION STEPS *\/\n .impl-steps {\n display: flex;\n flex-direction: column;\n gap: 16px;\n margin-bottom: 30px;\n }\n\n .impl-step {\n display: flex;\n gap: 20px;\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 14px;\n padding: 22px 24px;\n transition: all 0.3s;\n align-items: flex-start;\n }\n\n .impl-step:hover {\n border-color: var(--border-bright);\n background: var(--bg-card-hover);\n }\n\n .impl-num {\n width: 40px;\n height: 40px;\n border-radius: 10px;\n background: linear-gradient(135deg, var(--accent-primary), var(--accent-secondary));\n display: flex;\n align-items: center;\n justify-content: center;\n font-weight: 800;\n font-size: 1rem;\n color: #fff;\n flex-shrink: 0;\n }\n\n .impl-step h4 {\n color: #fff;\n font-size: 1rem;\n margin-bottom: 6px;\n }\n\n .impl-step p {\n color: var(--text-secondary);\n font-size: 0.9rem;\n }\n\n \/* DIVIDER *\/\n .divider {\n height: 1px;\n background: linear-gradient(90deg, transparent, var(--border-bright), transparent);\n margin: 0 0 80px;\n }\n\n \/* FOOTER *\/\n footer {\n background: var(--bg-secondary);\n border-top: 1px solid var(--border);\n padding: 40px;\n text-align: center;\n color: var(--text-muted);\n font-size: 0.85rem;\n }\n\n footer span {\n color: var(--accent-primary);\n }\n\n \/* SCROLL *\/\n ::-webkit-scrollbar { width: 6px; height: 6px; }\n ::-webkit-scrollbar-track { background: var(--bg-primary); }\n ::-webkit-scrollbar-thumb { background: var(--border-bright); border-radius: 3px; }\n\n \/* GRUPPENAUFGABE *\/\n .task-banner {\n background: linear-gradient(135deg, rgba(108,99,255,0.12), rgba(0,212,255,0.08));\n border: 1px solid var(--border-bright);\n border-radius: 18px;\n padding: 32px;\n margin-bottom: 30px;\n text-align: center;\n }\n .task-timer {\n display: inline-block;\n background: rgba(0,229,160,0.15);\n border: 1px solid rgba(0,229,160,0.4);\n color: var(--accent-green);\n padding: 4px 14px;\n border-radius: 20px;\n font-size: 0.82rem;\n font-weight: 700;\n margin-bottom: 12px;\n letter-spacing: 1px;\n }\n .task-banner h3 { color: #fff; font-size: 1.4rem; margin-bottom: 8px; }\n .task-banner p { color: var(--text-secondary); font-size: 0.98rem; }\n\n .phase-grid {\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(240px, 1fr));\n gap: 18px;\n margin-bottom: 28px;\n }\n .phase-card {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 16px;\n padding: 24px;\n transition: all 0.3s;\n }\n .phase-card:hover { border-color: var(--border-bright); transform: translateY(-2px); }\n .phase-header {\n display: flex;\n justify-content: space-between;\n align-items: center;\n margin-bottom: 12px;\n }\n .phase-time { font-size: 0.78rem; color: var(--accent-green); font-weight: 700; }\n .phase-num { font-size: 0.75rem; color: var(--accent-primary); letter-spacing: 1px; text-transform: uppercase; font-weight: 700; }\n .phase-card h4 { color: #fff; font-size: 1rem; margin-bottom: 10px; }\n .phase-card p { color: var(--text-secondary); font-size: 0.88rem; margin-bottom: 10px; }\n .scenario-list { list-style: none; }\n .scenario-list li { color: var(--text-secondary); font-size: 0.86rem; padding: 4px 0 4px 18px; position: relative; border-bottom: 1px solid rgba(255,255,255,0.04); }\n .scenario-list li::before { content: '\u25b8'; position: absolute; left: 0; color: var(--accent-primary); }\n .scenario-list li:last-child { border-bottom: none; }\n\n .task-deliverable {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 16px;\n padding: 28px;\n margin-bottom: 28px;\n }\n .task-deliverable h3 { color: #fff; font-size: 1.1rem; margin-bottom: 20px; }\n .deliverable-grid {\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(220px, 1fr));\n gap: 16px;\n }\n .deliverable-item {\n display: flex;\n gap: 14px;\n align-items: flex-start;\n }\n .deliverable-icon { font-size: 1.6rem; flex-shrink: 0; }\n .deliverable-item strong { color: var(--text-primary); font-size: 0.9rem; display: block; margin-bottom: 4px; }\n .deliverable-item p { color: var(--text-secondary); font-size: 0.82rem; }\n\n \/* FAQ *\/\n .faq-list { display: flex; flex-direction: column; gap: 12px; margin-bottom: 30px; }\n .faq-item {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 14px;\n overflow: hidden;\n transition: border-color 0.3s;\n }\n .faq-item[open] { border-color: var(--border-bright); }\n .faq-item summary {\n padding: 20px 24px;\n cursor: pointer;\n display: flex;\n justify-content: space-between;\n align-items: center;\n list-style: none;\n user-select: none;\n }\n .faq-item summary::-webkit-details-marker { display: none; }\n .faq-item summary:hover .faq-q { color: #fff; }\n .faq-q { color: var(--text-primary); font-size: 0.98rem; font-weight: 600; flex: 1; }\n .faq-arrow { color: var(--accent-primary); font-size: 1.2rem; margin-left: 16px; transition: transform 0.3s; flex-shrink: 0; }\n .faq-item[open] .faq-arrow { transform: rotate(180deg); }\n .faq-body {\n padding: 0 24px 20px;\n border-top: 1px solid var(--border);\n padding-top: 16px;\n }\n .faq-body p { color: var(--text-secondary); font-size: 0.92rem; line-height: 1.7; }\n .faq-body strong { color: var(--text-primary); }\n\n \/* GLOSSAR *\/\n .glossar-search-wrap { margin-bottom: 24px; }\n .glossar-search {\n width: 100%;\n max-width: 420px;\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 12px;\n padding: 12px 18px;\n color: var(--text-primary);\n font-size: 0.95rem;\n outline: none;\n transition: border-color 0.2s;\n }\n .glossar-search::placeholder { color: var(--text-muted); }\n .glossar-search:focus { border-color: var(--border-bright); }\n\n .glossar-grid {\n display: grid;\n grid-template-columns: repeat(auto-fill, minmax(300px, 1fr));\n gap: 16px;\n }\n .glossar-item {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 14px;\n padding: 20px;\n transition: all 0.3s;\n }\n .glossar-item:hover { border-color: var(--border-bright); background: var(--bg-card-hover); }\n .glossar-item.hidden { display: none; }\n .glossar-term {\n color: #fff;\n font-size: 1rem;\n font-weight: 700;\n margin-bottom: 8px;\n }\n .glossar-def {\n color: var(--text-secondary);\n font-size: 0.86rem;\n line-height: 1.65;\n margin-bottom: 12px;\n }\n .glossar-tag {\n display: inline-block;\n background: rgba(108,99,255,0.12);\n border: 1px solid rgba(108,99,255,0.25);\n color: var(--accent-primary);\n padding: 2px 10px;\n border-radius: 12px;\n font-size: 0.72rem;\n font-weight: 600;\n letter-spacing: 0.5px;\n }\n\n<\/style>\n<\/head>\n<body>\n\n\n<header>\n <div class=\"badge\">Digitales Marketing & KI<\/div>\n <h1>Recommendation Systems,<br>Targeting & Dynamische Segmentierung<\/h1>\n <p class=\"subtitle\">Wie KI personalisierte Empfehlungen erzeugt, Zielgruppen identifiziert und Botschaften individuell gestaltet<\/p>\n <div class=\"header-tags\">\n <span class=\"tag\">Collaborative Filtering<\/span>\n <span class=\"tag\">Content-Based Filtering<\/span>\n <span class=\"tag\">Dynamische Segmentierung<\/span>\n <span class=\"tag\">KI-Personalisierung<\/span>\n <span class=\"tag\">Implementierung<\/span>\n <\/div>\n<\/header>\n\n\n<nav>\n <a href=\"#grundlagen\">Grundlagen<\/a>\n <a href=\"#algorithmen\">Algorithmen<\/a>\n <a href=\"#targeting\">Zielgruppen & Targeting<\/a>\n <a href=\"#personalisierung\">KI-Personalisierung<\/a>\n <a href=\"#implementierung\">Implementierung<\/a>\n<a href=\"#gruppenaufgabe\">Gruppenaufgabe<\/a><a href=\"#faq\">FAQ<\/a><a href=\"#glossar\">Glossar<\/a>\n<\/nav>\n\n<main>\n\n \n <section id=\"grundlagen\">\n <div class=\"section-label\">Kapitel 01<\/div>\n <h2>Was sind Recommendation Systems?<\/h2>\n <p class=\"section-intro\">\n Recommendation Systems (Empfehlungssysteme) sind KI-gest\u00fctzte Softwaresysteme, die aus dem Nutzerverhalten lernen und automatisch personalisierte Vorschl\u00e4ge generieren. Sie sind heute zentraler Bestandteil fast aller digitalen Plattformen.\n <\/p>\n\n <div class=\"stat-row\">\n <div class=\"stat-card\">\n <span class=\"stat-number\">35%<\/span>\n <span class=\"stat-label\">des Amazon-Umsatzes durch Empfehlungen<\/span>\n <\/div>\n <div class=\"stat-card\">\n <span class=\"stat-number\">75%<\/span>\n <span class=\"stat-label\">der Netflix-Inhalte \u00fcber Empfehlungen gefunden<\/span>\n <\/div>\n <div class=\"stat-card\">\n <span class=\"stat-number\">71%<\/span>\n <span class=\"stat-label\">der Unternehmen verbessern Conversion durch KI-Daten<\/span>\n <\/div>\n <div class=\"stat-card\">\n <span class=\"stat-number\">2030<\/span>\n <span class=\"stat-label\">Marktvolumen ~$15 Mrd. erwartet<\/span>\n <\/div>\n <\/div>\n\n <div class=\"card-grid\">\n <div class=\"card\">\n <span class=\"card-icon\">\ud83d\uded2<\/span>\n <h3>E-Commerce<\/h3>\n <p>Amazon, Zalando & Co. zeigen \u201eKunden kauften auch\u2026“-Listen basierend auf Kaufhistorie und \u00e4hnlichem Nutzerverhalten.<\/p>\n <span class=\"card-accent\">\u2192 Item-to-Item Collaborative Filtering<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83c\udfac<\/span>\n <h3>Streaming & Medien<\/h3>\n <p>Netflix und Spotify analysieren Sehgewohnheiten und H\u00f6rverhalten, um neue Inhalte mit hoher Relevanz vorzuschlagen.<\/p>\n <span class=\"card-accent\">\u2192 Hybrid Recommender System<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83d\udcf1<\/span>\n <h3>Social Media<\/h3>\n <p>TikTok, Instagram und YouTube nutzen Interaktionsdaten (Likes, Watchtime, Shares), um den Feed zu personalisieren.<\/p>\n <span class=\"card-accent\">\u2192 Deep Learning Recommender<\/span>\n <\/div>\n <\/div>\n <\/section>\n\n <div class=\"divider\"><\/div>\n\n \n <section id=\"algorithmen\">\n <div class=\"section-label\">Kapitel 02<\/div>\n <h2>Funktionsweise & Algorithmen<\/h2>\n <p class=\"section-intro\">\n Es gibt drei grundlegende Ans\u00e4tze, wie Recommendation Systems arbeiten. Moderne Systeme kombinieren diese Methoden zu sogenannten <strong>Hybrid Recommender Systems<\/strong>.\n <\/p>\n\n \n <div class=\"flow-container\">\n <h3>\u2699\ufe0f Genereller Ablauf eines Recommendation Systems<\/h3>\n <div class=\"flow-steps\">\n <div class=\"flow-step\">\n <div class=\"step-circle\">1<\/div>\n <div class=\"step-content\">\n <span>Daten<\/span>\n <p>Nutzerinteraktionen sammeln<\/p>\n <\/div>\n <\/div>\n <div class=\"flow-arrow\">\u2192<\/div>\n <div class=\"flow-step\">\n <div class=\"step-circle\">2<\/div>\n <div class=\"step-content\">\n <span>Profil<\/span>\n <p>Nutzer- & Item-Profile erstellen<\/p>\n <\/div>\n <\/div>\n <div class=\"flow-arrow\">\u2192<\/div>\n <div class=\"flow-step\">\n <div class=\"step-circle\">3<\/div>\n <div class=\"step-content\">\n <span>\u00c4hnlichkeit<\/span>\n <p>Cosine\/Pearson Similarity berechnen<\/p>\n <\/div>\n <\/div>\n <div class=\"flow-arrow\">\u2192<\/div>\n <div class=\"flow-step\">\n <div class=\"step-circle\">4<\/div>\n <div class=\"step-content\">\n <span>Ranking<\/span>\n <p>Relevanteste Items sortieren<\/p>\n <\/div>\n <\/div>\n <div class=\"flow-arrow\">\u2192<\/div>\n <div class=\"flow-step\">\n <div class=\"step-circle\">5<\/div>\n <div class=\"step-content\">\n <span>Output<\/span>\n <p>Top-N Empfehlungen ausgeben<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n\n \n <div class=\"table-wrapper\">\n <table>\n <thead>\n <tr>\n <th>Methode<\/th>\n <th>Grundprinzip<\/th>\n <th>Datenbasis<\/th>\n <th>Cold-Start-Problem<\/th>\n <th>Skalierbarkeit<\/th>\n <th>Beispiel<\/th>\n <\/tr>\n <\/thead>\n <tbody>\n <tr>\n <td>\ud83e\udd1d Collaborative Filtering<\/td>\n <td>Nutzer mit \u00e4hnlichem Verhalten erhalten \u00e4hnliche Empfehlungen<\/td>\n <td>User-Item-Interaktionsmatrix<\/td>\n <td><span class=\"cross\">\u2717 Hoch<\/span><\/td>\n <td><span class=\"check\">\u2713 Gut<\/span><\/td>\n <td>\u201eNutzer wie du mochten auch\u2026“<\/td>\n <\/tr>\n <tr>\n <td>\ud83d\udcc4 Content-Based Filtering<\/td>\n <td>Items mit \u00e4hnlichen Eigenschaften wie bereits genutzte werden empfohlen<\/td>\n <td>Item-Features & Tags<\/td>\n <td><span class=\"check\">\u2713 Gering<\/span><\/td>\n <td><span class=\"check\">\u2713 Sehr gut<\/span><\/td>\n <td>\u201eWeil dir Film X gefiel: Film Y (gleiches Genre)“<\/td>\n <\/tr>\n <tr>\n <td>\ud83d\udd00 Hybrid Systems<\/td>\n <td>Kombination beider Ans\u00e4tze, oft mit Deep Learning<\/td>\n <td>Alle verf\u00fcgbaren Daten<\/td>\n <td><span class=\"check\">\u2713 Gering<\/span><\/td>\n <td><span class=\"check\">\u2713 Sehr gut<\/span><\/td>\n <td>Netflix, Spotify<\/td>\n <\/tr>\n <tr>\n <td>\ud83e\udde0 Knowledge-Based<\/td>\n <td>Regelbasiert, Dom\u00e4nenwissen eingebettet<\/td>\n <td>Explizite Nutzeranforderungen<\/td>\n <td><span class=\"check\">\u2713 Kein Problem<\/span><\/td>\n <td><span class=\"cross\">\u2717 Begrenzt<\/span><\/td>\n <td>Immobilien, Finanzberatung<\/td>\n <\/tr>\n <\/tbody>\n <\/table>\n <\/div>\n\n <div class=\"highlight-box\">\n <h3>\u26a0\ufe0f Das Cold-Start-Problem<\/h3>\n <ul>\n <li>Neuer Nutzer: Keine Interaktionsdaten vorhanden \u2192 keine personalisierten Empfehlungen m\u00f6glich<\/li>\n <li>Neues Item: Wurde noch nicht bewertet \u2192 schwer in Recommender einzubinden<\/li>\n <li>L\u00f6sung: Onboarding-Umfragen, Content-Based als Fallback, demografische Daten nutzen<\/li>\n <li>Hybrid-Ans\u00e4tze reduzieren das Problem erheblich<\/li>\n <\/ul>\n <\/div>\n\n \n <div class=\"code-block\">\n <div class=\"code-header\">\n <div class=\"code-dot\" style=\"background:#ff5f56\"><\/div>\n <div class=\"code-dot\" style=\"background:#ffbd2e\"><\/div>\n <div class=\"code-dot\" style=\"background:#27c93f\"><\/div>\n <span style=\"color:var(--text-muted); font-size:0.82rem; margin-left:8px;\">Python \u00b7 Cosine Similarity (Collaborative Filtering)<\/span>\n <\/div>\n <pre><span class=\"kw\">from<\/span> sklearn.metrics.pairwise <span class=\"kw\">import<\/span> <span class=\"fn\">cosine_similarity<\/span>\n<span class=\"kw\">import<\/span> numpy <span class=\"kw\">as<\/span> np\n\n<span class=\"cm\"># User-Item-Matrix: Zeilen = Nutzer, Spalten = Produkte, Werte = Bewertungen (0=nicht bewertet)<\/span>\nuser_item_matrix = np.<span class=\"fn\">array<\/span>([\n [<span class=\"num\">5<\/span>, <span class=\"num\">4<\/span>, <span class=\"num\">0<\/span>, <span class=\"num\">1<\/span>], <span class=\"cm\"># User A<\/span>\n [<span class=\"num\">4<\/span>, <span class=\"num\">5<\/span>, <span class=\"num\">0<\/span>, <span class=\"num\">2<\/span>], <span class=\"cm\"># User B (\u00e4hnlich zu A)<\/span>\n [<span class=\"num\">0<\/span>, <span class=\"num\">0<\/span>, <span class=\"num\">5<\/span>, <span class=\"num\">4<\/span>], <span class=\"cm\"># User C (unterschiedlich)<\/span>\n])\n\n<span class=\"cm\"># \u00c4hnlichkeit zwischen Nutzern berechnen<\/span>\nsimilarity = <span class=\"fn\">cosine_similarity<\/span>(user_item_matrix)\n<span class=\"fn\">print<\/span>(<span class=\"str\">\"\u00c4hnlichkeitsmatrix:\"<\/span>, similarity)\n\n<span class=\"cm\"># \u2192 User A & B haben hohe \u00c4hnlichkeit \u2192 B's Produkte f\u00fcr A empfehlen<\/span><\/pre>\n <\/div>\n <\/section>\n\n <div class=\"divider\"><\/div>\n\n \n <section id=\"targeting\">\n <div class=\"section-label\">Kapitel 03<\/div>\n <h2>Zielgruppenidentifikation & Dynamische Segmentierung<\/h2>\n <p class=\"section-intro\">\n Modernes Targeting geht weit \u00fcber klassische demografische Merkmale hinaus. KI-gest\u00fctzte dynamische Segmentierung analysiert Verhalten in Echtzeit und passt Zielgruppen kontinuierlich an.\n <\/p>\n\n <div class=\"seg-grid\">\n <div class=\"seg-card\">\n <span class=\"seg-icon\">\ud83d\udc64<\/span>\n <h4>Demografisch<\/h4>\n <p>Alter, Geschlecht, Standort, Einkommen \u2014 klassische, statische Merkmale<\/p>\n <\/div>\n <div class=\"seg-card\">\n <span class=\"seg-icon\">\ud83d\uddb1\ufe0f<\/span>\n <h4>Verhaltensbasiert<\/h4>\n <p>Klicks, K\u00e4ufe, Watchtime, Scroll-Tiefe \u2014 direkte Nutzungsinteraktionen<\/p>\n <\/div>\n <div class=\"seg-card\">\n <span class=\"seg-icon\">\ud83e\udde0<\/span>\n <h4>Psychografisch<\/h4>\n <p>Werte, Motive, Lebensstil \u2014 KI erkennt Sicherheits- vs. Statusorientierung<\/p>\n <\/div>\n <div class=\"seg-card\">\n <span class=\"seg-icon\">\ud83d\udd2e<\/span>\n <h4>Pr\u00e4diktiv<\/h4>\n <p>KI erkennt Muster kurz vor Conversion \u2014 antizipiert Kaufabsicht<\/p>\n <\/div>\n <div class=\"seg-card\">\n <span class=\"seg-icon\">\u26a1<\/span>\n <h4>Echtzeit-Kontextuell<\/h4>\n <p>Aktueller Standort, Ger\u00e4t, Uhrzeit, Wetter flie\u00dfen in die Empfehlung ein<\/p>\n <\/div>\n <div class=\"seg-card\">\n <span class=\"seg-icon\">\ud83d\udd04<\/span>\n <h4>Lifecycle-Targeting<\/h4>\n <p>Inhalte passen sich an: Awareness \u2192 Consideration \u2192 Conversion \u2192 Retention<\/p>\n <\/div>\n <\/div>\n\n <div class=\"highlight-box\">\n <h3>\ud83d\udd04 Von statisch zu dynamisch: Der Unterschied<\/h3>\n <ul>\n <li><strong>Statisch:<\/strong> Segment wird einmalig zugewiesen (z. B. \u201eM\u00e4nner 25\u201334 aus Berlin“)<\/li>\n <li><strong>Dynamisch:<\/strong> Nutzer wechseln Segmente automatisch je nach aktuellem Verhalten<\/li>\n <li>KI analysiert kontinuierlich alle Touchpoints und aktualisiert Segmentzugeh\u00f6rigkeit<\/li>\n <li>Echtzeit-Anpassung erm\u00f6glicht passgenaue Botschaften im richtigen Moment<\/li>\n <li>HubSpot, Salesforce & Adobe nutzen dynamische Segmentierung in ihren Marketing-Clouds<\/li>\n <li>Ergebnis: Deutlich h\u00f6here Conversion Rates und geringere Streuverluste<\/li>\n <\/ul>\n <\/div>\n\n <div class=\"table-wrapper\">\n <table>\n <thead>\n <tr>\n <th>Segmentierungsart<\/th>\n <th>Datenquellen<\/th>\n <th>Update-Frequenz<\/th>\n <th>KI-Einsatz<\/th>\n <\/tr>\n <\/thead>\n <tbody>\n <tr>\n <td>Demografisch<\/td>\n <td>CRM, Registrierungsdaten<\/td>\n <td>Selten \/ manuell<\/td>\n <td>Gering<\/td>\n <\/tr>\n <tr>\n <td>Verhaltensbasiert<\/td>\n <td>Web Analytics, App Tracking<\/td>\n <td>T\u00e4glich<\/td>\n <td>Mittel<\/td>\n <\/tr>\n <tr>\n <td>Pr\u00e4diktiv (KI)<\/td>\n <td>Alle Kan\u00e4le, Kaufhistorie<\/td>\n <td>Echtzeit<\/td>\n <td><span class=\"check\">Hoch (ML-Modelle)<\/span><\/td>\n <\/tr>\n <tr>\n <td>Psychografisch (KI)<\/td>\n <td>Social Media, Content-Interaktion<\/td>\n <td>Echtzeit<\/td>\n <td><span class=\"check\">Sehr hoch (NLP, Deep Learning)<\/span><\/td>\n <\/tr>\n <\/tbody>\n <\/table>\n <\/div>\n <\/section>\n\n <div class=\"divider\"><\/div>\n\n \n <section id=\"personalisierung\">\n <div class=\"section-label\">Kapitel 04<\/div>\n <h2>Personalisierte Empfehlungen durch KI<\/h2>\n <p class=\"section-intro\">\n KI erm\u00f6glicht es, nicht nur Produkte zu empfehlen, sondern auch Inhalte, Botschaften, Preise und sogar das Design einer Website individuell auf jeden Nutzer anzupassen \u2014 in Echtzeit.\n <\/p>\n\n <div class=\"card-grid\">\n <div class=\"card\">\n <span class=\"card-icon\">\u2709\ufe0f<\/span>\n <h3>Personalisiertes E-Mail-Marketing<\/h3>\n <p>KI generiert individuelle Betreffzeilen, Inhalte und Sendezeitpunkte pro Empf\u00e4nger basierend auf vergangenen \u00d6ffnungen und Klicks.<\/p>\n <span class=\"card-accent\">\u2192 NLP + Behavioral Data<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83c\udf10<\/span>\n <h3>Dynamic Content auf Webseiten<\/h3>\n <p>Headlines, Bilder und CTAs werden je nach Nutzersegment in Echtzeit ausgetauscht \u2014 jeder Besucher sieht die relevanteste Version.<\/p>\n <span class=\"card-accent\">\u2192 A\/B Testing + ML Optimization<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83d\udcca<\/span>\n <h3>Personalisierte Werbung<\/h3>\n <p>Programmatic Advertising nutzt Echtzeit-Daten (RTB), um im Millisekundenbereich die passende Anzeige f\u00fcr den richtigen Nutzer auszuspielen.<\/p>\n <span class=\"card-accent\">\u2192 Real-Time Bidding (RTB)<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83d\udcac<\/span>\n <h3>Chatbots & Conversational AI<\/h3>\n <p>LLM-gest\u00fctzte Chatbots nutzen den bisherigen Gespr\u00e4chsverlauf und Kaufhistorie f\u00fcr kontextuell passende Produktvorschl\u00e4ge.<\/p>\n <span class=\"card-accent\">\u2192 LLMs + RAG<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83c\udff7\ufe0f<\/span>\n <h3>Dynamische Preisgestaltung<\/h3>\n <p>Algorithmen passen Preise in Echtzeit an Nachfrage, Nutzerprofil und Wettbewerb an (z. B. Flugbuchungen, Hotels).<\/p>\n <span class=\"card-accent\">\u2192 Reinforcement Learning<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83d\udd14<\/span>\n <h3>Push Notifications<\/h3>\n <p>KI bestimmt Zeitpunkt, Inhalt und H\u00e4ufigkeit von Push-Nachrichten pro Nutzer, um \u00d6ffnungsraten zu maximieren.<\/p>\n <span class=\"card-accent\">\u2192 Predictive ML Models<\/span>\n <\/div>\n <\/div>\n\n <div class=\"highlight-box\">\n <h3>\ud83e\udd16 Wie KI Botschaften personalisiert \u2014 der Prozess<\/h3>\n <ul>\n <li>Datenerfassung: Clickstream, Kaufhistorie, CRM-Daten, Social Signals<\/li>\n <li>Feature Engineering: Relevante Merkmale extrahieren und normalisieren<\/li>\n <li>Modelltraining: ML-Modell lernt, welche Botschaft welches Segment konvertiert<\/li>\n <li>Echtzeit-Inference: Modell trifft Entscheidung in <100ms beim Seitenaufruf<\/li>\n <li>Feedback-Loop: Nutzungsreaktion (Klick, Kauf) verbessert das Modell kontinuierlich<\/li>\n <li>Ethik & DSGVO: Transparenz, Opt-Out und Datenschutz m\u00fcssen gew\u00e4hrleistet sein<\/li>\n <\/ul>\n <\/div>\n <\/section>\n\n <div class=\"divider\"><\/div>\n\n \n <section id=\"implementierung\">\n <div class=\"section-label\">Kapitel 05<\/div>\n <h2>Implementierung von Recommendation Systems<\/h2>\n <p class=\"section-intro\">\n Die Implementierung eines Empfehlungssystems umfasst mehrere Schichten \u2014 von der Datenpipeline \u00fcber das Modelltraining bis hin zur Live-Integration via API.\n <\/p>\n\n <div class=\"impl-steps\">\n <div class=\"impl-step\">\n <div class=\"impl-num\">1<\/div>\n <div>\n <h4>\ud83d\udce6 Datenstrategie & -erfassung<\/h4>\n <p>Implizites Feedback (Klicks, Views, K\u00e4ufe) und explizites Feedback (Bewertungen, Likes) sammeln. Datenschutz (DSGVO) und Datensparsamkeit von Beginn an ber\u00fccksichtigen.<\/p>\n <\/div>\n <\/div>\n <div class=\"impl-step\">\n <div class=\"impl-num\">2<\/div>\n <div>\n <h4>\ud83d\udd27 Datenvorverarbeitung & Feature Engineering<\/h4>\n <p>Datenbereinigung, Normalisierung der Bewertungen, Erstellen von User- und Item-Embeddings. Sparsity der Matrix behandeln (Matrix Factorization, z. B. SVD).<\/p>\n <\/div>\n <\/div>\n <div class=\"impl-step\">\n <div class=\"impl-num\">3<\/div>\n <div>\n <h4>\ud83e\udd16 Modellauswahl & Training<\/h4>\n <p>Einstieg mit einfachem Collaborative Filtering (KNN). F\u00fcr Skalierung: Matrix Factorization (ALS, SVD) oder Deep Learning (Neural Collaborative Filtering). Offline-Evaluation mit Metriken wie RMSE, Precision@K, NDCG.<\/p>\n <\/div>\n <\/div>\n <div class=\"impl-step\">\n <div class=\"impl-num\">4<\/div>\n <div>\n <h4>\u2699\ufe0f Infrastruktur & Skalierung<\/h4>\n <p>Feature Store (z. B. Feast), Modell-Serving via REST-API (FastAPI, TF Serving), Caching von Empfehlungen (Redis), Batch- vs. Echtzeit-Scoring abw\u00e4gen.<\/p>\n <\/div>\n <\/div>\n <div class=\"impl-step\">\n <div class=\"impl-num\">5<\/div>\n <div>\n <h4>\ud83d\udd17 Integration ins Live-System<\/h4>\n <p>Recommendation-API in Frontend integrieren. A\/B-Tests f\u00fcr unterschiedliche Modellvarianten aufsetzen. Monitoring von Klickrate, Conversion und Diversity der Empfehlungen.<\/p>\n <\/div>\n <\/div>\n <div class=\"impl-step\">\n <div class=\"impl-num\">6<\/div>\n <div>\n <h4>\ud83d\udd04 Kontinuierliches Retraining<\/h4>\n <p>Modell regelm\u00e4\u00dfig mit neuen Interaktionsdaten nachtrainieren. MLOps-Pipeline (z. B. MLflow, Kubeflow) automatisiert Retraining und Deployment. Filter Bubble und Diversit\u00e4t beobachten.<\/p>\n <\/div>\n <\/div>\n <\/div>\n\n \n <div class=\"table-wrapper\">\n <table>\n <thead>\n <tr>\n <th>Bereich<\/th>\n <th>Open-Source Tools<\/th>\n <th>Cloud \/ SaaS<\/th>\n <\/tr>\n <\/thead>\n <tbody>\n <tr>\n <td>Modell & Algorithmus<\/td>\n <td>Surprise, LightFM, TensorFlow Recommenders, PyTorch<\/td>\n <td>Google Vertex AI, AWS Personalize<\/td>\n <\/tr>\n <tr>\n <td>Datenverarbeitung<\/td>\n <td>Apache Spark, Pandas, Feast (Feature Store)<\/td>\n <td>Databricks, Snowflake<\/td>\n <\/tr>\n <tr>\n <td>Modell-Serving<\/td>\n <td>FastAPI, TensorFlow Serving, Triton<\/td>\n <td>AWS SageMaker, Azure ML<\/td>\n <\/tr>\n <tr>\n <td>Caching \/ Latenz<\/td>\n <td>Redis, Memcached<\/td>\n <td>Upstash, Redis Cloud<\/td>\n <\/tr>\n <tr>\n <td>MLOps \/ Monitoring<\/td>\n <td>MLflow, Kubeflow, Evidently AI<\/td>\n <td>Weights & Biases, Neptune<\/td>\n <\/tr>\n <\/tbody>\n <\/table>\n <\/div>\n\n <div class=\"code-block\">\n <div class=\"code-header\">\n <div class=\"code-dot\" style=\"background:#ff5f56\"><\/div>\n <div class=\"code-dot\" style=\"background:#ffbd2e\"><\/div>\n <div class=\"code-dot\" style=\"background:#27c93f\"><\/div>\n <span style=\"color:var(--text-muted); font-size:0.82rem; margin-left:8px;\">Python \u00b7 Minimaler Recommender mit Surprise (SVD)<\/span>\n <\/div>\n <pre><span class=\"kw\">from<\/span> surprise <span class=\"kw\">import<\/span> <span class=\"cls\">SVD<\/span>, <span class=\"cls\">Dataset<\/span>, <span class=\"cls\">Reader<\/span>\n<span class=\"kw\">from<\/span> surprise.model_selection <span class=\"kw\">import<\/span> <span class=\"fn\">cross_validate<\/span>\n\n<span class=\"cm\"># Daten laden (Format: user, item, rating)<\/span>\nreader = <span class=\"cls\">Reader<\/span>(rating_scale=(<span class=\"num\">1<\/span>, <span class=\"num\">5<\/span>))\ndata = <span class=\"cls\">Dataset<\/span>.<span class=\"fn\">load_builtin<\/span>(<span class=\"str\">'ml-100k'<\/span>) <span class=\"cm\"># MovieLens Dataset<\/span>\n\n<span class=\"cm\"># SVD-Modell trainieren (Matrix Factorization)<\/span>\nmodel = <span class=\"cls\">SVD<\/span>(n_factors=<span class=\"num\">50<\/span>, n_epochs=<span class=\"num\">20<\/span>)\nresults = <span class=\"fn\">cross_validate<\/span>(model, data, measures=[<span class=\"str\">'RMSE'<\/span>, <span class=\"str\">'MAE'<\/span>], cv=<span class=\"num\">5<\/span>)\n\n<span class=\"cm\"># Vorhersage f\u00fcr einzelnen Nutzer<\/span>\nprediction = model.<span class=\"fn\">predict<\/span>(uid=<span class=\"str\">'user_42'<\/span>, iid=<span class=\"str\">'item_300'<\/span>)\n<span class=\"fn\">print<\/span>(<span class=\"str\">f\"Gesch\u00e4tzte Bewertung: {prediction.est:.2f}\"<\/span>)<\/pre>\n <\/div>\n <\/section>\n\n\n \n <section id=\"gruppenaufgabe\">\n <div class=\"section-label\">Kapitel 06<\/div>\n <h2>\ud83e\udde9 Gruppenaufgabe<\/h2>\n <p class=\"section-intro\">\n Bearbeitungszeit: <strong>30 Minuten<\/strong> \u00b7 Gruppengr\u00f6\u00dfen: 3\u20134 Personen \u00b7 Pr\u00e4sentation: 3 Min. pro Gruppe\n <\/p>\n\n <div class=\"task-banner\">\n <div class=\"task-banner-inner\">\n <span class=\"task-timer\">\u23f1 30 Minuten<\/span>\n <h3>\u201eBuild Your Own Recommender“ \u2014 Konzeptaufgabe<\/h3>\n <p>Ihr seid das Produktteam eines neu gegr\u00fcndeten Startups. Eure Aufgabe: Entwickelt das Konzept f\u00fcr ein Recommendation System f\u00fcr euer Produkt.<\/p>\n <\/div>\n <\/div>\n\n <div class=\"phase-grid\">\n <div class=\"phase-card\">\n <div class=\"phase-header\">\n <span class=\"phase-time\">\u23f1 5 Min<\/span>\n <span class=\"phase-num\">Phase 1<\/span>\n <\/div>\n <h4>\ud83c\udfaf Produkt w\u00e4hlen<\/h4>\n <p>W\u00e4hlt eines der folgenden Szenarien oder erfindet ein eigenes:<\/p>\n <ul class=\"scenario-list\">\n <li>\ud83d\udcda Lern-App f\u00fcr Sch\u00fcler (Kursempfehlungen)<\/li>\n <li>\ud83c\udf55 Lokale Restaurant-Plattform<\/li>\n <li>\ud83c\udfae Indie-Videospiel-Marktplatz<\/li>\n <li>\ud83c\udfcb\ufe0f Fitness-Tracking-App<\/li>\n <\/ul>\n <\/div>\n\n <div class=\"phase-card\">\n <div class=\"phase-header\">\n <span class=\"phase-time\">\u23f1 10 Min<\/span>\n <span class=\"phase-num\">Phase 2<\/span>\n <\/div>\n <h4>\ud83d\udd27 Algorithmus-Entscheidung<\/h4>\n <p>Beantwortet diese Fragen schriftlich:<\/p>\n <ul class=\"scenario-list\">\n <li>Welche Daten stehen euch zur Verf\u00fcgung? (explizit \/ implizit)<\/li>\n <li>Collaborative, Content-Based oder Hybrid \u2014 und warum?<\/li>\n <li>Wie l\u00f6st ihr das Cold-Start-Problem f\u00fcr neue Nutzer?<\/li>\n <li>Welche Metriken nutzt ihr zur Erfolgsmessung?<\/li>\n <\/ul>\n <\/div>\n\n <div class=\"phase-card\">\n <div class=\"phase-header\">\n <span class=\"phase-time\">\u23f1 10 Min<\/span>\n <span class=\"phase-num\">Phase 3<\/span>\n <\/div>\n <h4>\ud83c\udfaf Targeting & Segmentierung<\/h4>\n <p>Entwickelt eure Zielgruppenstrategie:<\/p>\n <ul class=\"scenario-list\">\n <li>Definiert mind. 3 Nutzersegmente f\u00fcr euer Produkt<\/li>\n <li>Welche Daten braucht ihr f\u00fcr dynamische Segmentierung?<\/li>\n <li>Wie personalisiert ihr Botschaften pro Segment?<\/li>\n <li>Welche Datenschutz-\/DSGVO-Aspekte m\u00fcsst ihr beachten?<\/li>\n <\/ul>\n <\/div>\n\n <div class=\"phase-card\">\n <div class=\"phase-header\">\n <span class=\"phase-time\">\u23f1 5 Min<\/span>\n <span class=\"phase-num\">Phase 4<\/span>\n <\/div>\n <h4>\ud83d\udcca Pr\u00e4sentation vorbereiten<\/h4>\n <p>Fasst eure Ergebnisse zusammen:<\/p>\n <ul class=\"scenario-list\">\n <li>Produkt & gew\u00e4hlter Algorithmus (1 Satz)<\/li>\n <li>Eure 3 Segmente mit je einer personalisierten Botschaft<\/li>\n <li>Gr\u00f6\u00dfte Herausforderung bei eurer Implementierung<\/li>\n <li>Eine ethische \u00dcberlegung zu eurem System<\/li>\n <\/ul>\n <\/div>\n <\/div>\n\n <div class=\"task-deliverable\">\n <h3>\ud83d\udcdd Abgabe \/ Pr\u00e4sentation<\/h3>\n <div class=\"deliverable-grid\">\n <div class=\"deliverable-item\">\n <span class=\"deliverable-icon\">1\ufe0f\u20e3<\/span>\n <div>\n <strong>Produkt & Algorithmus<\/strong>\n <p>Welches Produkt, welcher Ansatz, welche Begr\u00fcndung?<\/p>\n <\/div>\n <\/div>\n <div class=\"deliverable-item\">\n <span class=\"deliverable-icon\">2\ufe0f\u20e3<\/span>\n <div>\n <strong>Segmente & Botschaften<\/strong>\n <p>3 Segmente mit je einer konkreten, personalisierten Nachricht<\/p>\n <\/div>\n <\/div>\n <div class=\"deliverable-item\">\n <span class=\"deliverable-icon\">3\ufe0f\u20e3<\/span>\n <div>\n <strong>Gr\u00f6\u00dfte Herausforderung<\/strong>\n <p>Was ist das kniffligste Problem bei eurer Umsetzung?<\/p>\n <\/div>\n <\/div>\n <div class=\"deliverable-item\">\n <span class=\"deliverable-icon\">4\ufe0f\u20e3<\/span>\n <div>\n <strong>Ethik & Datenschutz<\/strong>\n <p>Wie sch\u00fctzt ihr Nutzerdaten und verhindert Filter Bubbles?<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n\n <div class=\"highlight-box\" style=\"border-color: rgba(0,229,160,0.4); background: linear-gradient(135deg, rgba(0,229,160,0.05), rgba(0,212,255,0.03));\">\n <h3 style=\"color: var(--accent-green);\">\ud83d\udca1 Diskussionsimpuls f\u00fcr die Klasse<\/h3>\n <ul>\n <li>Welcher Algorithmus wurde am h\u00e4ufigsten gew\u00e4hlt \u2014 und warum?<\/li>\n <li>Wie unterscheiden sich die Segmentierungsans\u00e4tze der Gruppen?<\/li>\n <li>Wo liegen die ethischen Grenzen von Personalisierung?<\/li>\n <li>Was passiert, wenn ein System nur noch zeigt, was Nutzer schon kennen? (Filter Bubble)<\/li>\n <\/ul>\n <\/div>\n <\/section>\n\n <div class=\"divider\"><\/div>\n\n \n <section id=\"faq\">\n <div class=\"section-label\">Kapitel 07<\/div>\n <h2>\u2753 H\u00e4ufig gestellte Fragen<\/h2>\n <p class=\"section-intro\">\n Die meistgestellten Fragen rund um Recommendation Systems, Targeting und KI-Personalisierung.\n <\/p>\n\n <div class=\"faq-list\">\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Was ist der Unterschied zwischen Collaborative und Content-Based Filtering?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p><strong>Collaborative Filtering<\/strong> basiert auf dem Verhalten anderer Nutzer: \u201eNutzer, die \u00e4hnlich wie du sind, mochten auch X.“ Es braucht keine Inhaltsbeschreibung der Items, aber viele Nutzerdaten.<\/p>\n <p style=\"margin-top: 10px;\"><strong>Content-Based Filtering<\/strong> analysiert die Eigenschaften der Items selbst: \u201eWeil dir Film A (Action, 2020) gefiel, empfehlen wir Film B (Action, 2021).“ Es funktioniert auch ohne viele Nutzerdaten, bleibt aber auf \u00e4hnliche Inhalte beschr\u00e4nkt.<\/p>\n <\/div>\n <\/details>\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Was ist das Cold-Start-Problem und wie wird es gel\u00f6st?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p>Das Cold-Start-Problem tritt auf, wenn ein neuer Nutzer oder ein neues Item keine Interaktionsdaten hat \u2014 das System kann keine personalisierten Empfehlungen erzeugen.<\/p>\n <p style=\"margin-top: 10px;\"><strong>L\u00f6sungen:<\/strong> Onboarding-Umfragen beim ersten Login, Nutzung demografischer Daten, Fallback auf Content-Based Filtering oder Bestseller-Listen, Multi-Armed-Bandit-Algorithmen zur Exploration.<\/p>\n <\/div>\n <\/details>\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Was ist eine Filter Bubble und warum ist sie problematisch?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p>Eine Filter Bubble entsteht, wenn ein Empfehlungssystem einem Nutzer nur noch Inhalte zeigt, die seinen bisherigen Pr\u00e4ferenzen entsprechen. Dadurch sieht er weniger Vielfalt und wird in seiner Meinung best\u00e4tigt (Confirmation Bias).<\/p>\n <p style=\"margin-top: 10px;\"><strong>Gegenma\u00dfnahmen:<\/strong> Diversity-Metriken in den Algorithmus einbauen, Serendipity f\u00f6rdern (\u00fcberraschende Empfehlungen), Nutzer \u00fcber den Personalisierungsgrad informieren.<\/p>\n <\/div>\n <\/details>\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Wie unterscheidet sich dynamische von statischer Segmentierung?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p><strong>Statische Segmentierung<\/strong> weist Nutzern einmalig ein Segment zu (z. B. \u201eM\u00e4nner 25\u201334 aus Wien“). Das Segment \u00e4ndert sich selten oder manuell.<\/p>\n <p style=\"margin-top: 10px;\"><strong>Dynamische Segmentierung<\/strong> aktualisiert die Segmentzugeh\u00f6rigkeit in Echtzeit auf Basis des aktuellen Verhaltens. Ein Nutzer, der gerade nach Reisen sucht, wechselt automatisch ins Segment \u201eReisewillig“ \u2014 auch wenn er das gestern noch nicht war.<\/p>\n <\/div>\n <\/details>\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Ist KI-Personalisierung mit der DSGVO vereinbar?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p>Ja, wenn bestimmte Voraussetzungen erf\u00fcllt sind: Nutzer m\u00fcssen transparent informiert werden (Datenschutzerkl\u00e4rung), es muss eine Rechtsgrundlage geben (Einwilligung oder berechtigtes Interesse), und Nutzer m\u00fcssen ein Opt-Out haben.<\/p>\n <p style=\"margin-top: 10px;\">Kritisch: Profiling, das rechtliche Auswirkungen hat, unterliegt strengeren Regeln (Art. 22 DSGVO). Datensparsamkeit und Zweckbindung m\u00fcssen eingehalten werden.<\/p>\n <\/div>\n <\/details>\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Welche Metriken messen den Erfolg eines Recommenders?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p><strong>Offline-Metriken:<\/strong> RMSE (Root Mean Squared Error), Precision@K (wie viele der Top-K Empfehlungen sind relevant?), Recall@K, NDCG (Normalized Discounted Cumulative Gain).<\/p>\n <p style=\"margin-top: 10px;\"><strong>Online-Metriken (A\/B-Test):<\/strong> Click-Through-Rate (CTR), Conversion Rate, Verweildauer, Return Rate. Offline-Metriken korrelieren nicht immer mit echtem Nutzererlebnis \u2014 A\/B-Tests sind deshalb unverzichtbar.<\/p>\n <\/div>\n <\/details>\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Kann auch ein kleines Unternehmen ein Recommendation System einsetzen?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p>Ja. Einfache Recommender (z. B. \u201eBestseller in deiner Kategorie“ oder regelbasierte Empfehlungen) k\u00f6nnen mit wenig Aufwand implementiert werden. Tools wie <strong>AWS Personalize<\/strong> oder <strong>Google Recommendations AI<\/strong> bieten Cloud-basierte Recommender ohne eigenes ML-Team.<\/p>\n <p style=\"margin-top: 10px;\">F\u00fcr Open-Source-L\u00f6sungen empfiehlt sich die Python-Bibliothek <strong>Surprise<\/strong> oder <strong>LightFM<\/strong> als Einstiegspunkt.<\/p>\n <\/div>\n <\/details>\n\n <\/div>\n <\/section>\n\n <div class=\"divider\"><\/div>\n\n \n <section id=\"glossar\">\n <div class=\"section-label\">Kapitel 08<\/div>\n <h2>\ud83d\udcd6 Glossar<\/h2>\n <p class=\"section-intro\">\n Die wichtigsten Fachbegriffe rund um Recommendation Systems, Targeting und KI-Personalisierung auf einen Blick.\n <\/p>\n\n <div class=\"glossar-search-wrap\">\n <input type=\"text\" id=\"glossarSearch\" class=\"glossar-search\" placeholder=\"\ud83d\udd0d Begriff suchen\u2026\" oninput=\"filterGlossar()\" \/>\n <\/div>\n\n <div class=\"glossar-grid\" id=\"glossarGrid\">\n <div class=\"glossar-item\" data-term=\"collaborative filtering\">\n <div class=\"glossar-term\">Collaborative Filtering<\/div>\n <div class=\"glossar-def\">Empfehlungsansatz, der auf dem Verhalten \u00e4hnlicher Nutzer basiert. Das System empfiehlt Items, die Nutzer mit \u00e4hnlichem Profil gemocht haben, ohne den Inhalt der Items zu analysieren.<\/div>\n <span class=\"glossar-tag\">Algorithmus<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"content-based filtering\">\n <div class=\"glossar-term\">Content-Based Filtering<\/div>\n <div class=\"glossar-def\">Empfehlungsansatz, der Items anhand ihrer Eigenschaften (Merkmale, Tags, Metadaten) mit bereits genutzten Items vergleicht und \u00e4hnliche Items vorschl\u00e4gt.<\/div>\n <span class=\"glossar-tag\">Algorithmus<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"cold start problem kaltstart\">\n <div class=\"glossar-term\">Cold-Start-Problem<\/div>\n <div class=\"glossar-def\">Problem bei Empfehlungssystemen, wenn f\u00fcr neue Nutzer oder neue Items noch keine Interaktionsdaten existieren und daher keine personalisierten Empfehlungen m\u00f6glich sind.<\/div>\n <span class=\"glossar-tag\">Problem<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"cosine similarity \u00e4hnlichkeit\">\n <div class=\"glossar-term\">Cosine Similarity<\/div>\n <div class=\"glossar-def\">Mathematisches \u00c4hnlichkeitsma\u00df zwischen zwei Vektoren. Misst den Winkel zwischen ihnen (Wertebereich: 0 bis 1). Wird genutzt, um die \u00c4hnlichkeit von Nutzerprofilen oder Items zu berechnen.<\/div>\n <span class=\"glossar-tag\">Mathematik<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"matrix factorization faktorisierung svd\">\n <div class=\"glossar-term\">Matrix Factorization<\/div>\n <div class=\"glossar-def\">Technik zur Dimensionsreduktion der User-Item-Matrix. Zerlegt die Matrix in latente Faktoren (z. B. SVD, ALS), die versteckte Pr\u00e4ferenzmuster aufdecken. Grundlage des Netflix-Prize-Gewinners.<\/div>\n <span class=\"glossar-tag\">Algorithmus<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"hybrid recommender hybrid system\">\n <div class=\"glossar-term\">Hybrid Recommender System<\/div>\n <div class=\"glossar-def\">Kombination aus mehreren Empfehlungsans\u00e4tzen (z. B. Collaborative + Content-Based), um die Schw\u00e4chen einzelner Methoden zu kompensieren und die Empfehlungsqualit\u00e4t zu steigern.<\/div>\n <span class=\"glossar-tag\">Architektur<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"filter bubble filterblase\">\n <div class=\"glossar-term\">Filter Bubble<\/div>\n <div class=\"glossar-def\">Ph\u00e4nomen, bei dem ein Nutzer durch \u00fcberm\u00e4\u00dfige Personalisierung nur noch Inhalte sieht, die seinen bisherigen Pr\u00e4ferenzen entsprechen. F\u00f6rdert Informationsblase und Confirmation Bias.<\/div>\n <span class=\"glossar-tag\">Ethik<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"segmentierung segmentation targeting zielgruppe\">\n <div class=\"glossar-term\">Dynamische Segmentierung<\/div>\n <div class=\"glossar-def\">KI-gesteuerte Methode, bei der Nutzer in Echtzeit automatisch Segmenten zugeordnet werden \u2014 basierend auf aktuellem Verhalten, nicht auf statischen demografischen Merkmalen.<\/div>\n <span class=\"glossar-tag\">Marketing<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"real time bidding rtb programmatic\">\n <div class=\"glossar-term\">Real-Time Bidding (RTB)<\/div>\n <div class=\"glossar-def\">Automatisierter Auktionsprozess im Programmatic Advertising, bei dem Werbepl\u00e4tze in Millisekunden auf Basis von Nutzerdata versteigert werden. Erm\u00f6glicht extrem zielgenaues Ad-Targeting.<\/div>\n <span class=\"glossar-tag\">Werbung<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"precision recall ndcg metriken evaluation\">\n <div class=\"glossar-term\">Precision@K \/ NDCG<\/div>\n <div class=\"glossar-def\">Evaluationsmetriken f\u00fcr Recommender. Precision@K misst, wie viele der Top-K Empfehlungen tats\u00e4chlich relevant sind. NDCG (Normalized Discounted Cumulative Gain) ber\u00fccksichtigt zus\u00e4tzlich die Position der relevanten Items.<\/div>\n <span class=\"glossar-tag\">Evaluation<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"embedding vektor raum latent\">\n <div class=\"glossar-term\">Embedding<\/div>\n <div class=\"glossar-def\">Kompakte Vektordarstellung von Nutzern oder Items in einem latenten Vektorraum. \u00c4hnliche Nutzer\/Items liegen im Vektorraum nah beieinander. Grundlage von Deep-Learning-Recommendern.<\/div>\n <span class=\"glossar-tag\">Deep Learning<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"reinforcement learning best\u00e4rkendes lernen belohnung\">\n <div class=\"glossar-term\">Reinforcement Learning<\/div>\n <div class=\"glossar-def\">Lernparadigma, bei dem ein Agent durch Belohnung (z. B. Klick, Kauf) lernt, optimale Empfehlungen zu geben. Wird f\u00fcr dynamische Preisgestaltung und langfristige Nutzeroptimierung eingesetzt.<\/div>\n <span class=\"glossar-tag\">KI<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"user item matrix interaktionsmatrix sparse sparsity\">\n <div class=\"glossar-term\">User-Item-Matrix<\/div>\n <div class=\"glossar-def\">Kernstruktur im Collaborative Filtering: Eine Matrix, in der Zeilen Nutzer und Spalten Items repr\u00e4sentieren. Die Eintr\u00e4ge sind Bewertungen oder Interaktionen. Meist sehr d\u00fcnn besetzt (Sparsity).<\/div>\n <span class=\"glossar-tag\">Datenstruktur<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"ab test split test experiment\">\n <div class=\"glossar-term\">A\/B-Test<\/div>\n <div class=\"glossar-def\">Kontrolliertes Experiment, bei dem zwei Varianten (A und B) eines Systems gleichzeitig an unterschiedlichen Nutzergruppen getestet werden, um die bessere Variante zu identifizieren.<\/div>\n <span class=\"glossar-tag\">Evaluation<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"dsgvo datenschutz gdpr privacy opt-out\">\n <div class=\"glossar-term\">DSGVO (Datenschutz-Grundverordnung)<\/div>\n <div class=\"glossar-def\">EU-Verordnung zum Schutz personenbezogener Daten. F\u00fcr Recommendation Systems relevant: Transparenzpflicht, Zweckbindung, Datensparsamkeit, Recht auf Widerspruch gegen automatisiertes Profiling (Art. 22).<\/div>\n <span class=\"glossar-tag\">Recht<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"mlops machine learning operations pipeline retraining\">\n <div class=\"glossar-term\">MLOps<\/div>\n <div class=\"glossar-def\">Kombination aus Machine Learning und DevOps-Praktiken. Automatisiert Training, Testing und Deployment von ML-Modellen. Sorgt f\u00fcr kontinuierliches Retraining von Recommender-Modellen mit neuen Daten.<\/div>\n <span class=\"glossar-tag\">Infrastruktur<\/span>\n <\/div>\n <\/div>\n <\/section>\n\n\n<\/main>\n\n<footer>\n <p>Unterrichtsvortrag: <span>Recommendation Systems, Targeting & Dynamische Segmentierung<\/span><\/p>\n <p style=\"margin-top: 8px;\">Quellen: Google ML, IBM, Wikipedia, Ideenhaus, CoreMedia, HAW Hamburg<\/p>\n<\/footer>\n\n<script>\nfunction filterGlossar() {\n const q = document.getElementById('glossarSearch').value.toLowerCase();\n document.querySelectorAll('.glossar-item').forEach(item => {\n const term = item.getAttribute('data-term') || '';\n const def = item.querySelector('.glossar-def').textContent.toLowerCase();\n item.classList.toggle('hidden', !term.includes(q) && !def.includes(q));\n });\n}\n<\/script>\n<\/body>\n<\/html>\n","protected":false},"excerpt":{"rendered":"<p>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 Grundlagen Algorithmen Zielgruppen & Targeting KI-Personalisierung Implementierung GruppenaufgabeFAQGlossar Kapitel 01 Was sind Recommendation Systems? Recommendation Systems (Empfehlungssysteme) sind KI-gest\u00fctzte Softwaresysteme, die aus dem […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-120","page","type-page","status-publish","hentry"],"yoast_head":"\n<title>Recommendation Systems - KI Marketing<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/metalmotion.de\/kim\/recommendation-systems\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Recommendation Systems - KI Marketing\" \/>\n<meta property=\"og:description\" content=\"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 Grundlagen Algorithmen Zielgruppen & Targeting KI-Personalisierung Implementierung GruppenaufgabeFAQGlossar Kapitel 01 Was sind Recommendation Systems? Recommendation Systems (Empfehlungssysteme) sind KI-gest\u00fctzte Softwaresysteme, die aus dem […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/metalmotion.de\/kim\/recommendation-systems\/\" \/>\n<meta property=\"og:site_name\" content=\"KI Marketing\" \/>\n<meta property=\"article:modified_time\" content=\"2026-03-19T14:50:51+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data1\" content=\"12\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/recommendation-systems\\\/\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/recommendation-systems\\\/\",\"name\":\"Recommendation Systems - KI Marketing\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\"},\"datePublished\":\"2026-03-19T14:50:49+00:00\",\"dateModified\":\"2026-03-19T14:50:51+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/recommendation-systems\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/metalmotion.de\\\/kim\\\/recommendation-systems\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/recommendation-systems\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Recommendation Systems\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\",\"name\":\"KI Marketing\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"}]}<\/script>\n","yoast_head_json":{"title":"Recommendation Systems - KI Marketing","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/metalmotion.de\/kim\/recommendation-systems\/","og_locale":"de_DE","og_type":"article","og_title":"Recommendation Systems - KI Marketing","og_description":"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 Grundlagen Algorithmen Zielgruppen & Targeting KI-Personalisierung Implementierung GruppenaufgabeFAQGlossar Kapitel 01 Was sind Recommendation Systems? Recommendation Systems (Empfehlungssysteme) sind KI-gest\u00fctzte Softwaresysteme, die aus dem […]","og_url":"https:\/\/metalmotion.de\/kim\/recommendation-systems\/","og_site_name":"KI Marketing","article_modified_time":"2026-03-19T14:50:51+00:00","twitter_card":"summary_large_image","twitter_misc":{"Gesch\u00e4tzte Lesezeit":"12\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/metalmotion.de\/kim\/recommendation-systems\/","url":"https:\/\/metalmotion.de\/kim\/recommendation-systems\/","name":"Recommendation Systems - KI Marketing","isPartOf":{"@id":"https:\/\/metalmotion.de\/kim\/#website"},"datePublished":"2026-03-19T14:50:49+00:00","dateModified":"2026-03-19T14:50:51+00:00","breadcrumb":{"@id":"https:\/\/metalmotion.de\/kim\/recommendation-systems\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/metalmotion.de\/kim\/recommendation-systems\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/metalmotion.de\/kim\/recommendation-systems\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/metalmotion.de\/kim\/"},{"@type":"ListItem","position":2,"name":"Recommendation Systems"}]},{"@type":"WebSite","@id":"https:\/\/metalmotion.de\/kim\/#website","url":"https:\/\/metalmotion.de\/kim\/","name":"KI Marketing","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/metalmotion.de\/kim\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"}]}},"_links":{"self":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/120","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/comments?post=120"}],"version-history":[{"count":1,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/120\/revisions"}],"predecessor-version":[{"id":121,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/120\/revisions\/121"}],"wp:attachment":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/media?parent=120"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}

{"id":120,"date":"2026-03-19T15:50:49","date_gmt":"2026-03-19T14:50:49","guid":{"rendered":"https:\/\/metalmotion.de\/kim\/?page_id=120"},"modified":"2026-03-19T15:50:51","modified_gmt":"2026-03-19T14:50:51","slug":"recommendation-systems","status":"publish","type":"page","link":"https:\/\/metalmotion.de\/kim\/recommendation-systems\/","title":{"rendered":"Recommendation Systems"},"content":{"rendered":"\n\n\n\n\n\nRecommendation Systems & Targeting<\/title>\n<style>\n :root {\n --bg-primary: #0d0d0f;\n --bg-secondary: #141418;\n --bg-card: #1a1a22;\n --bg-card-hover: #20202a;\n --accent-primary: #6c63ff;\n --accent-secondary: #00d4ff;\n --accent-green: #00e5a0;\n --accent-orange: #ff7043;\n --text-primary: #e8e8f0;\n --text-secondary: #9090a8;\n --text-muted: #5a5a72;\n --border: rgba(108, 99, 255, 0.2);\n --border-bright: rgba(108, 99, 255, 0.5);\n --glow: 0 0 30px rgba(108, 99, 255, 0.15);\n }\n\n * { margin: 0; padding: 0; box-sizing: border-box; }\n\n body {\n background-color: var(--bg-primary);\n color: var(--text-primary);\n font-family: 'Segoe UI', system-ui, -apple-system, sans-serif;\n line-height: 1.7;\n overflow-x: hidden;\n }\n\n \/* HEADER *\/\n header {\n background: linear-gradient(135deg, #0d0d0f 0%, #1a1230 50%, #0d1520 100%);\n padding: 80px 40px;\n text-align: center;\n border-bottom: 1px solid var(--border-bright);\n position: relative;\n overflow: hidden;\n }\n\n header::before {\n content: '';\n position: absolute;\n top: -50%;\n left: -50%;\n width: 200%;\n height: 200%;\n background: radial-gradient(ellipse at center, rgba(108,99,255,0.08) 0%, transparent 60%);\n pointer-events: none;\n }\n\n .badge {\n display: inline-block;\n background: rgba(108,99,255,0.15);\n border: 1px solid var(--border-bright);\n color: var(--accent-primary);\n padding: 5px 16px;\n border-radius: 20px;\n font-size: 0.78rem;\n letter-spacing: 2px;\n text-transform: uppercase;\n margin-bottom: 20px;\n }\n\n header h1 {\n font-size: clamp(2rem, 5vw, 3.5rem);\n font-weight: 800;\n background: linear-gradient(135deg, #ffffff 0%, var(--accent-secondary) 50%, var(--accent-primary) 100%);\n -webkit-background-clip: text;\n -webkit-text-fill-color: transparent;\n background-clip: text;\n margin-bottom: 16px;\n line-height: 1.2;\n }\n\n header p.subtitle {\n color: var(--text-secondary);\n font-size: 1.1rem;\n max-width: 700px;\n margin: 0 auto 30px;\n }\n\n .header-tags {\n display: flex;\n gap: 10px;\n justify-content: center;\n flex-wrap: wrap;\n }\n\n .tag {\n background: rgba(0,212,255,0.1);\n border: 1px solid rgba(0,212,255,0.3);\n color: var(--accent-secondary);\n padding: 4px 14px;\n border-radius: 20px;\n font-size: 0.82rem;\n }\n\n \/* NAV *\/\n nav {\n background: var(--bg-secondary);\n border-bottom: 1px solid var(--border);\n padding: 0 40px;\n position: sticky;\n top: 0;\n z-index: 100;\n display: flex;\n gap: 0;\n overflow-x: auto;\n }\n\n nav a {\n color: var(--text-secondary);\n text-decoration: none;\n padding: 16px 20px;\n font-size: 0.88rem;\n white-space: nowrap;\n border-bottom: 2px solid transparent;\n transition: all 0.2s;\n }\n\n nav a:hover {\n color: var(--accent-primary);\n border-bottom-color: var(--accent-primary);\n }\n\n \/* MAIN *\/\n main {\n max-width: 1100px;\n margin: 0 auto;\n padding: 60px 30px;\n }\n\n \/* SECTION *\/\n section {\n margin-bottom: 80px;\n }\n\n .section-label {\n font-size: 0.75rem;\n letter-spacing: 3px;\n text-transform: uppercase;\n color: var(--accent-primary);\n margin-bottom: 10px;\n font-weight: 600;\n }\n\n section h2 {\n font-size: clamp(1.6rem, 3vw, 2.2rem);\n font-weight: 700;\n color: #fff;\n margin-bottom: 12px;\n line-height: 1.3;\n }\n\n .section-intro {\n color: var(--text-secondary);\n font-size: 1.05rem;\n max-width: 750px;\n margin-bottom: 36px;\n border-left: 3px solid var(--accent-primary);\n padding-left: 16px;\n }\n\n \/* CARDS *\/\n .card-grid {\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(300px, 1fr));\n gap: 20px;\n margin-bottom: 30px;\n }\n\n .card {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 16px;\n padding: 28px;\n transition: all 0.3s;\n position: relative;\n overflow: hidden;\n }\n\n .card::before {\n content: '';\n position: absolute;\n top: 0; left: 0; right: 0;\n height: 2px;\n background: linear-gradient(90deg, var(--accent-primary), var(--accent-secondary));\n opacity: 0;\n transition: opacity 0.3s;\n }\n\n .card:hover {\n border-color: var(--border-bright);\n background: var(--bg-card-hover);\n transform: translateY(-3px);\n box-shadow: var(--glow);\n }\n\n .card:hover::before { opacity: 1; }\n\n .card-icon {\n font-size: 2rem;\n margin-bottom: 14px;\n display: block;\n }\n\n .card h3 {\n font-size: 1.15rem;\n font-weight: 700;\n color: #fff;\n margin-bottom: 10px;\n }\n\n .card p {\n color: var(--text-secondary);\n font-size: 0.92rem;\n line-height: 1.7;\n }\n\n .card .card-accent {\n display: inline-block;\n margin-top: 14px;\n font-size: 0.78rem;\n color: var(--accent-secondary);\n font-weight: 600;\n letter-spacing: 0.5px;\n }\n\n \/* ALGORITHM FLOW *\/\n .flow-container {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 16px;\n padding: 36px;\n margin-bottom: 30px;\n }\n\n .flow-container h3 {\n color: #fff;\n font-size: 1.2rem;\n margin-bottom: 24px;\n }\n\n .flow-steps {\n display: flex;\n align-items: center;\n flex-wrap: wrap;\n gap: 0;\n }\n\n .flow-step {\n display: flex;\n align-items: center;\n gap: 12px;\n flex: 1;\n min-width: 140px;\n }\n\n .step-circle {\n width: 48px;\n height: 48px;\n border-radius: 50%;\n background: linear-gradient(135deg, var(--accent-primary), var(--accent-secondary));\n display: flex;\n align-items: center;\n justify-content: center;\n font-weight: 800;\n font-size: 1.1rem;\n color: #fff;\n flex-shrink: 0;\n box-shadow: 0 0 20px rgba(108,99,255,0.4);\n }\n\n .step-content span {\n font-size: 0.7rem;\n color: var(--accent-secondary);\n text-transform: uppercase;\n letter-spacing: 1px;\n }\n\n .step-content p {\n color: var(--text-primary);\n font-size: 0.88rem;\n font-weight: 600;\n }\n\n .flow-arrow {\n color: var(--accent-primary);\n font-size: 1.5rem;\n padding: 0 8px;\n flex-shrink: 0;\n }\n\n @media (max-width: 600px) {\n .flow-arrow { display: none; }\n .flow-step { width: 100%; }\n }\n\n \/* COMPARISON TABLE *\/\n .table-wrapper {\n overflow-x: auto;\n border-radius: 16px;\n border: 1px solid var(--border);\n margin-bottom: 30px;\n }\n\n table {\n width: 100%;\n border-collapse: collapse;\n background: var(--bg-card);\n }\n\n thead tr {\n background: linear-gradient(90deg, rgba(108,99,255,0.2), rgba(0,212,255,0.1));\n }\n\n th {\n padding: 16px 20px;\n text-align: left;\n font-size: 0.82rem;\n text-transform: uppercase;\n letter-spacing: 1.5px;\n color: var(--accent-secondary);\n font-weight: 700;\n border-bottom: 1px solid var(--border-bright);\n }\n\n td {\n padding: 14px 20px;\n font-size: 0.9rem;\n color: var(--text-secondary);\n border-bottom: 1px solid var(--border);\n vertical-align: top;\n }\n\n tr:last-child td { border-bottom: none; }\n\n tr:hover td {\n background: rgba(108,99,255,0.05);\n color: var(--text-primary);\n }\n\n td:first-child {\n font-weight: 700;\n color: var(--text-primary);\n }\n\n .check { color: var(--accent-green); }\n .cross { color: var(--accent-orange); }\n\n \/* HIGHLIGHT BOX *\/\n .highlight-box {\n background: linear-gradient(135deg, rgba(108,99,255,0.08), rgba(0,212,255,0.05));\n border: 1px solid var(--border-bright);\n border-radius: 16px;\n padding: 28px 32px;\n margin-bottom: 30px;\n position: relative;\n }\n\n .highlight-box h3 {\n color: var(--accent-secondary);\n font-size: 1.05rem;\n margin-bottom: 16px;\n display: flex;\n align-items: center;\n gap: 10px;\n }\n\n .highlight-box ul {\n list-style: none;\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(250px, 1fr));\n gap: 10px;\n }\n\n .highlight-box ul li {\n color: var(--text-secondary);\n font-size: 0.92rem;\n padding-left: 20px;\n position: relative;\n }\n\n .highlight-box ul li::before {\n content: '\u25b8';\n position: absolute;\n left: 0;\n color: var(--accent-primary);\n }\n\n \/* STAT CARDS *\/\n .stat-row {\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(180px, 1fr));\n gap: 16px;\n margin-bottom: 30px;\n }\n\n .stat-card {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 14px;\n padding: 24px 20px;\n text-align: center;\n transition: all 0.3s;\n }\n\n .stat-card:hover {\n border-color: var(--border-bright);\n box-shadow: var(--glow);\n }\n\n .stat-number {\n font-size: 2.2rem;\n font-weight: 800;\n background: linear-gradient(135deg, var(--accent-primary), var(--accent-secondary));\n -webkit-background-clip: text;\n -webkit-text-fill-color: transparent;\n background-clip: text;\n display: block;\n }\n\n .stat-label {\n color: var(--text-secondary);\n font-size: 0.82rem;\n margin-top: 6px;\n }\n\n \/* SEGMENTATION *\/\n .seg-grid {\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(220px, 1fr));\n gap: 16px;\n margin-bottom: 30px;\n }\n\n .seg-card {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 14px;\n padding: 22px;\n text-align: center;\n transition: all 0.3s;\n }\n\n .seg-card:hover {\n border-color: var(--border-bright);\n transform: translateY(-2px);\n }\n\n .seg-icon {\n font-size: 2.5rem;\n margin-bottom: 12px;\n display: block;\n }\n\n .seg-card h4 {\n color: #fff;\n font-size: 0.95rem;\n margin-bottom: 8px;\n }\n\n .seg-card p {\n color: var(--text-muted);\n font-size: 0.82rem;\n }\n\n \/* CODE BLOCK *\/\n .code-block {\n background: #0a0a0e;\n border: 1px solid var(--border);\n border-radius: 14px;\n padding: 28px;\n margin-bottom: 20px;\n overflow-x: auto;\n }\n\n .code-block .code-header {\n display: flex;\n align-items: center;\n gap: 8px;\n margin-bottom: 16px;\n padding-bottom: 12px;\n border-bottom: 1px solid var(--border);\n }\n\n .code-dot {\n width: 12px; height: 12px;\n border-radius: 50%;\n }\n\n .code-block pre {\n font-family: 'Consolas', 'Fira Code', monospace;\n font-size: 0.88rem;\n line-height: 1.7;\n color: #abb2bf;\n }\n\n .code-block .kw { color: #c678dd; }\n .code-block .fn { color: #61afef; }\n .code-block .str { color: #98c379; }\n .code-block .cm { color: #5c6370; font-style: italic; }\n .code-block .num { color: #d19a66; }\n .code-block .cls { color: #e5c07b; }\n\n \/* IMPLEMENTATION STEPS *\/\n .impl-steps {\n display: flex;\n flex-direction: column;\n gap: 16px;\n margin-bottom: 30px;\n }\n\n .impl-step {\n display: flex;\n gap: 20px;\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 14px;\n padding: 22px 24px;\n transition: all 0.3s;\n align-items: flex-start;\n }\n\n .impl-step:hover {\n border-color: var(--border-bright);\n background: var(--bg-card-hover);\n }\n\n .impl-num {\n width: 40px;\n height: 40px;\n border-radius: 10px;\n background: linear-gradient(135deg, var(--accent-primary), var(--accent-secondary));\n display: flex;\n align-items: center;\n justify-content: center;\n font-weight: 800;\n font-size: 1rem;\n color: #fff;\n flex-shrink: 0;\n }\n\n .impl-step h4 {\n color: #fff;\n font-size: 1rem;\n margin-bottom: 6px;\n }\n\n .impl-step p {\n color: var(--text-secondary);\n font-size: 0.9rem;\n }\n\n \/* DIVIDER *\/\n .divider {\n height: 1px;\n background: linear-gradient(90deg, transparent, var(--border-bright), transparent);\n margin: 0 0 80px;\n }\n\n \/* FOOTER *\/\n footer {\n background: var(--bg-secondary);\n border-top: 1px solid var(--border);\n padding: 40px;\n text-align: center;\n color: var(--text-muted);\n font-size: 0.85rem;\n }\n\n footer span {\n color: var(--accent-primary);\n }\n\n \/* SCROLL *\/\n ::-webkit-scrollbar { width: 6px; height: 6px; }\n ::-webkit-scrollbar-track { background: var(--bg-primary); }\n ::-webkit-scrollbar-thumb { background: var(--border-bright); border-radius: 3px; }\n\n \/* GRUPPENAUFGABE *\/\n .task-banner {\n background: linear-gradient(135deg, rgba(108,99,255,0.12), rgba(0,212,255,0.08));\n border: 1px solid var(--border-bright);\n border-radius: 18px;\n padding: 32px;\n margin-bottom: 30px;\n text-align: center;\n }\n .task-timer {\n display: inline-block;\n background: rgba(0,229,160,0.15);\n border: 1px solid rgba(0,229,160,0.4);\n color: var(--accent-green);\n padding: 4px 14px;\n border-radius: 20px;\n font-size: 0.82rem;\n font-weight: 700;\n margin-bottom: 12px;\n letter-spacing: 1px;\n }\n .task-banner h3 { color: #fff; font-size: 1.4rem; margin-bottom: 8px; }\n .task-banner p { color: var(--text-secondary); font-size: 0.98rem; }\n\n .phase-grid {\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(240px, 1fr));\n gap: 18px;\n margin-bottom: 28px;\n }\n .phase-card {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 16px;\n padding: 24px;\n transition: all 0.3s;\n }\n .phase-card:hover { border-color: var(--border-bright); transform: translateY(-2px); }\n .phase-header {\n display: flex;\n justify-content: space-between;\n align-items: center;\n margin-bottom: 12px;\n }\n .phase-time { font-size: 0.78rem; color: var(--accent-green); font-weight: 700; }\n .phase-num { font-size: 0.75rem; color: var(--accent-primary); letter-spacing: 1px; text-transform: uppercase; font-weight: 700; }\n .phase-card h4 { color: #fff; font-size: 1rem; margin-bottom: 10px; }\n .phase-card p { color: var(--text-secondary); font-size: 0.88rem; margin-bottom: 10px; }\n .scenario-list { list-style: none; }\n .scenario-list li { color: var(--text-secondary); font-size: 0.86rem; padding: 4px 0 4px 18px; position: relative; border-bottom: 1px solid rgba(255,255,255,0.04); }\n .scenario-list li::before { content: '\u25b8'; position: absolute; left: 0; color: var(--accent-primary); }\n .scenario-list li:last-child { border-bottom: none; }\n\n .task-deliverable {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 16px;\n padding: 28px;\n margin-bottom: 28px;\n }\n .task-deliverable h3 { color: #fff; font-size: 1.1rem; margin-bottom: 20px; }\n .deliverable-grid {\n display: grid;\n grid-template-columns: repeat(auto-fit, minmax(220px, 1fr));\n gap: 16px;\n }\n .deliverable-item {\n display: flex;\n gap: 14px;\n align-items: flex-start;\n }\n .deliverable-icon { font-size: 1.6rem; flex-shrink: 0; }\n .deliverable-item strong { color: var(--text-primary); font-size: 0.9rem; display: block; margin-bottom: 4px; }\n .deliverable-item p { color: var(--text-secondary); font-size: 0.82rem; }\n\n \/* FAQ *\/\n .faq-list { display: flex; flex-direction: column; gap: 12px; margin-bottom: 30px; }\n .faq-item {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 14px;\n overflow: hidden;\n transition: border-color 0.3s;\n }\n .faq-item[open] { border-color: var(--border-bright); }\n .faq-item summary {\n padding: 20px 24px;\n cursor: pointer;\n display: flex;\n justify-content: space-between;\n align-items: center;\n list-style: none;\n user-select: none;\n }\n .faq-item summary::-webkit-details-marker { display: none; }\n .faq-item summary:hover .faq-q { color: #fff; }\n .faq-q { color: var(--text-primary); font-size: 0.98rem; font-weight: 600; flex: 1; }\n .faq-arrow { color: var(--accent-primary); font-size: 1.2rem; margin-left: 16px; transition: transform 0.3s; flex-shrink: 0; }\n .faq-item[open] .faq-arrow { transform: rotate(180deg); }\n .faq-body {\n padding: 0 24px 20px;\n border-top: 1px solid var(--border);\n padding-top: 16px;\n }\n .faq-body p { color: var(--text-secondary); font-size: 0.92rem; line-height: 1.7; }\n .faq-body strong { color: var(--text-primary); }\n\n \/* GLOSSAR *\/\n .glossar-search-wrap { margin-bottom: 24px; }\n .glossar-search {\n width: 100%;\n max-width: 420px;\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 12px;\n padding: 12px 18px;\n color: var(--text-primary);\n font-size: 0.95rem;\n outline: none;\n transition: border-color 0.2s;\n }\n .glossar-search::placeholder { color: var(--text-muted); }\n .glossar-search:focus { border-color: var(--border-bright); }\n\n .glossar-grid {\n display: grid;\n grid-template-columns: repeat(auto-fill, minmax(300px, 1fr));\n gap: 16px;\n }\n .glossar-item {\n background: var(--bg-card);\n border: 1px solid var(--border);\n border-radius: 14px;\n padding: 20px;\n transition: all 0.3s;\n }\n .glossar-item:hover { border-color: var(--border-bright); background: var(--bg-card-hover); }\n .glossar-item.hidden { display: none; }\n .glossar-term {\n color: #fff;\n font-size: 1rem;\n font-weight: 700;\n margin-bottom: 8px;\n }\n .glossar-def {\n color: var(--text-secondary);\n font-size: 0.86rem;\n line-height: 1.65;\n margin-bottom: 12px;\n }\n .glossar-tag {\n display: inline-block;\n background: rgba(108,99,255,0.12);\n border: 1px solid rgba(108,99,255,0.25);\n color: var(--accent-primary);\n padding: 2px 10px;\n border-radius: 12px;\n font-size: 0.72rem;\n font-weight: 600;\n letter-spacing: 0.5px;\n }\n\n<\/style>\n<\/head>\n<body>\n\n\n<header>\n <div class=\"badge\">Digitales Marketing & KI<\/div>\n <h1>Recommendation Systems,<br>Targeting & Dynamische Segmentierung<\/h1>\n <p class=\"subtitle\">Wie KI personalisierte Empfehlungen erzeugt, Zielgruppen identifiziert und Botschaften individuell gestaltet<\/p>\n <div class=\"header-tags\">\n <span class=\"tag\">Collaborative Filtering<\/span>\n <span class=\"tag\">Content-Based Filtering<\/span>\n <span class=\"tag\">Dynamische Segmentierung<\/span>\n <span class=\"tag\">KI-Personalisierung<\/span>\n <span class=\"tag\">Implementierung<\/span>\n <\/div>\n<\/header>\n\n\n<nav>\n <a href=\"#grundlagen\">Grundlagen<\/a>\n <a href=\"#algorithmen\">Algorithmen<\/a>\n <a href=\"#targeting\">Zielgruppen & Targeting<\/a>\n <a href=\"#personalisierung\">KI-Personalisierung<\/a>\n <a href=\"#implementierung\">Implementierung<\/a>\n<a href=\"#gruppenaufgabe\">Gruppenaufgabe<\/a><a href=\"#faq\">FAQ<\/a><a href=\"#glossar\">Glossar<\/a>\n<\/nav>\n\n<main>\n\n \n <section id=\"grundlagen\">\n <div class=\"section-label\">Kapitel 01<\/div>\n <h2>Was sind Recommendation Systems?<\/h2>\n <p class=\"section-intro\">\n Recommendation Systems (Empfehlungssysteme) sind KI-gest\u00fctzte Softwaresysteme, die aus dem Nutzerverhalten lernen und automatisch personalisierte Vorschl\u00e4ge generieren. Sie sind heute zentraler Bestandteil fast aller digitalen Plattformen.\n <\/p>\n\n <div class=\"stat-row\">\n <div class=\"stat-card\">\n <span class=\"stat-number\">35%<\/span>\n <span class=\"stat-label\">des Amazon-Umsatzes durch Empfehlungen<\/span>\n <\/div>\n <div class=\"stat-card\">\n <span class=\"stat-number\">75%<\/span>\n <span class=\"stat-label\">der Netflix-Inhalte \u00fcber Empfehlungen gefunden<\/span>\n <\/div>\n <div class=\"stat-card\">\n <span class=\"stat-number\">71%<\/span>\n <span class=\"stat-label\">der Unternehmen verbessern Conversion durch KI-Daten<\/span>\n <\/div>\n <div class=\"stat-card\">\n <span class=\"stat-number\">2030<\/span>\n <span class=\"stat-label\">Marktvolumen ~$15 Mrd. erwartet<\/span>\n <\/div>\n <\/div>\n\n <div class=\"card-grid\">\n <div class=\"card\">\n <span class=\"card-icon\">\ud83d\uded2<\/span>\n <h3>E-Commerce<\/h3>\n <p>Amazon, Zalando & Co. zeigen \u201eKunden kauften auch\u2026“-Listen basierend auf Kaufhistorie und \u00e4hnlichem Nutzerverhalten.<\/p>\n <span class=\"card-accent\">\u2192 Item-to-Item Collaborative Filtering<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83c\udfac<\/span>\n <h3>Streaming & Medien<\/h3>\n <p>Netflix und Spotify analysieren Sehgewohnheiten und H\u00f6rverhalten, um neue Inhalte mit hoher Relevanz vorzuschlagen.<\/p>\n <span class=\"card-accent\">\u2192 Hybrid Recommender System<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83d\udcf1<\/span>\n <h3>Social Media<\/h3>\n <p>TikTok, Instagram und YouTube nutzen Interaktionsdaten (Likes, Watchtime, Shares), um den Feed zu personalisieren.<\/p>\n <span class=\"card-accent\">\u2192 Deep Learning Recommender<\/span>\n <\/div>\n <\/div>\n <\/section>\n\n <div class=\"divider\"><\/div>\n\n \n <section id=\"algorithmen\">\n <div class=\"section-label\">Kapitel 02<\/div>\n <h2>Funktionsweise & Algorithmen<\/h2>\n <p class=\"section-intro\">\n Es gibt drei grundlegende Ans\u00e4tze, wie Recommendation Systems arbeiten. Moderne Systeme kombinieren diese Methoden zu sogenannten <strong>Hybrid Recommender Systems<\/strong>.\n <\/p>\n\n \n <div class=\"flow-container\">\n <h3>\u2699\ufe0f Genereller Ablauf eines Recommendation Systems<\/h3>\n <div class=\"flow-steps\">\n <div class=\"flow-step\">\n <div class=\"step-circle\">1<\/div>\n <div class=\"step-content\">\n <span>Daten<\/span>\n <p>Nutzerinteraktionen sammeln<\/p>\n <\/div>\n <\/div>\n <div class=\"flow-arrow\">\u2192<\/div>\n <div class=\"flow-step\">\n <div class=\"step-circle\">2<\/div>\n <div class=\"step-content\">\n <span>Profil<\/span>\n <p>Nutzer- & Item-Profile erstellen<\/p>\n <\/div>\n <\/div>\n <div class=\"flow-arrow\">\u2192<\/div>\n <div class=\"flow-step\">\n <div class=\"step-circle\">3<\/div>\n <div class=\"step-content\">\n <span>\u00c4hnlichkeit<\/span>\n <p>Cosine\/Pearson Similarity berechnen<\/p>\n <\/div>\n <\/div>\n <div class=\"flow-arrow\">\u2192<\/div>\n <div class=\"flow-step\">\n <div class=\"step-circle\">4<\/div>\n <div class=\"step-content\">\n <span>Ranking<\/span>\n <p>Relevanteste Items sortieren<\/p>\n <\/div>\n <\/div>\n <div class=\"flow-arrow\">\u2192<\/div>\n <div class=\"flow-step\">\n <div class=\"step-circle\">5<\/div>\n <div class=\"step-content\">\n <span>Output<\/span>\n <p>Top-N Empfehlungen ausgeben<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n\n \n <div class=\"table-wrapper\">\n <table>\n <thead>\n <tr>\n <th>Methode<\/th>\n <th>Grundprinzip<\/th>\n <th>Datenbasis<\/th>\n <th>Cold-Start-Problem<\/th>\n <th>Skalierbarkeit<\/th>\n <th>Beispiel<\/th>\n <\/tr>\n <\/thead>\n <tbody>\n <tr>\n <td>\ud83e\udd1d Collaborative Filtering<\/td>\n <td>Nutzer mit \u00e4hnlichem Verhalten erhalten \u00e4hnliche Empfehlungen<\/td>\n <td>User-Item-Interaktionsmatrix<\/td>\n <td><span class=\"cross\">\u2717 Hoch<\/span><\/td>\n <td><span class=\"check\">\u2713 Gut<\/span><\/td>\n <td>\u201eNutzer wie du mochten auch\u2026“<\/td>\n <\/tr>\n <tr>\n <td>\ud83d\udcc4 Content-Based Filtering<\/td>\n <td>Items mit \u00e4hnlichen Eigenschaften wie bereits genutzte werden empfohlen<\/td>\n <td>Item-Features & Tags<\/td>\n <td><span class=\"check\">\u2713 Gering<\/span><\/td>\n <td><span class=\"check\">\u2713 Sehr gut<\/span><\/td>\n <td>\u201eWeil dir Film X gefiel: Film Y (gleiches Genre)“<\/td>\n <\/tr>\n <tr>\n <td>\ud83d\udd00 Hybrid Systems<\/td>\n <td>Kombination beider Ans\u00e4tze, oft mit Deep Learning<\/td>\n <td>Alle verf\u00fcgbaren Daten<\/td>\n <td><span class=\"check\">\u2713 Gering<\/span><\/td>\n <td><span class=\"check\">\u2713 Sehr gut<\/span><\/td>\n <td>Netflix, Spotify<\/td>\n <\/tr>\n <tr>\n <td>\ud83e\udde0 Knowledge-Based<\/td>\n <td>Regelbasiert, Dom\u00e4nenwissen eingebettet<\/td>\n <td>Explizite Nutzeranforderungen<\/td>\n <td><span class=\"check\">\u2713 Kein Problem<\/span><\/td>\n <td><span class=\"cross\">\u2717 Begrenzt<\/span><\/td>\n <td>Immobilien, Finanzberatung<\/td>\n <\/tr>\n <\/tbody>\n <\/table>\n <\/div>\n\n <div class=\"highlight-box\">\n <h3>\u26a0\ufe0f Das Cold-Start-Problem<\/h3>\n <ul>\n <li>Neuer Nutzer: Keine Interaktionsdaten vorhanden \u2192 keine personalisierten Empfehlungen m\u00f6glich<\/li>\n <li>Neues Item: Wurde noch nicht bewertet \u2192 schwer in Recommender einzubinden<\/li>\n <li>L\u00f6sung: Onboarding-Umfragen, Content-Based als Fallback, demografische Daten nutzen<\/li>\n <li>Hybrid-Ans\u00e4tze reduzieren das Problem erheblich<\/li>\n <\/ul>\n <\/div>\n\n \n <div class=\"code-block\">\n <div class=\"code-header\">\n <div class=\"code-dot\" style=\"background:#ff5f56\"><\/div>\n <div class=\"code-dot\" style=\"background:#ffbd2e\"><\/div>\n <div class=\"code-dot\" style=\"background:#27c93f\"><\/div>\n <span style=\"color:var(--text-muted); font-size:0.82rem; margin-left:8px;\">Python \u00b7 Cosine Similarity (Collaborative Filtering)<\/span>\n <\/div>\n <pre><span class=\"kw\">from<\/span> sklearn.metrics.pairwise <span class=\"kw\">import<\/span> <span class=\"fn\">cosine_similarity<\/span>\n<span class=\"kw\">import<\/span> numpy <span class=\"kw\">as<\/span> np\n\n<span class=\"cm\"># User-Item-Matrix: Zeilen = Nutzer, Spalten = Produkte, Werte = Bewertungen (0=nicht bewertet)<\/span>\nuser_item_matrix = np.<span class=\"fn\">array<\/span>([\n [<span class=\"num\">5<\/span>, <span class=\"num\">4<\/span>, <span class=\"num\">0<\/span>, <span class=\"num\">1<\/span>], <span class=\"cm\"># User A<\/span>\n [<span class=\"num\">4<\/span>, <span class=\"num\">5<\/span>, <span class=\"num\">0<\/span>, <span class=\"num\">2<\/span>], <span class=\"cm\"># User B (\u00e4hnlich zu A)<\/span>\n [<span class=\"num\">0<\/span>, <span class=\"num\">0<\/span>, <span class=\"num\">5<\/span>, <span class=\"num\">4<\/span>], <span class=\"cm\"># User C (unterschiedlich)<\/span>\n])\n\n<span class=\"cm\"># \u00c4hnlichkeit zwischen Nutzern berechnen<\/span>\nsimilarity = <span class=\"fn\">cosine_similarity<\/span>(user_item_matrix)\n<span class=\"fn\">print<\/span>(<span class=\"str\">\"\u00c4hnlichkeitsmatrix:\"<\/span>, similarity)\n\n<span class=\"cm\"># \u2192 User A & B haben hohe \u00c4hnlichkeit \u2192 B's Produkte f\u00fcr A empfehlen<\/span><\/pre>\n <\/div>\n <\/section>\n\n <div class=\"divider\"><\/div>\n\n \n <section id=\"targeting\">\n <div class=\"section-label\">Kapitel 03<\/div>\n <h2>Zielgruppenidentifikation & Dynamische Segmentierung<\/h2>\n <p class=\"section-intro\">\n Modernes Targeting geht weit \u00fcber klassische demografische Merkmale hinaus. KI-gest\u00fctzte dynamische Segmentierung analysiert Verhalten in Echtzeit und passt Zielgruppen kontinuierlich an.\n <\/p>\n\n <div class=\"seg-grid\">\n <div class=\"seg-card\">\n <span class=\"seg-icon\">\ud83d\udc64<\/span>\n <h4>Demografisch<\/h4>\n <p>Alter, Geschlecht, Standort, Einkommen \u2014 klassische, statische Merkmale<\/p>\n <\/div>\n <div class=\"seg-card\">\n <span class=\"seg-icon\">\ud83d\uddb1\ufe0f<\/span>\n <h4>Verhaltensbasiert<\/h4>\n <p>Klicks, K\u00e4ufe, Watchtime, Scroll-Tiefe \u2014 direkte Nutzungsinteraktionen<\/p>\n <\/div>\n <div class=\"seg-card\">\n <span class=\"seg-icon\">\ud83e\udde0<\/span>\n <h4>Psychografisch<\/h4>\n <p>Werte, Motive, Lebensstil \u2014 KI erkennt Sicherheits- vs. Statusorientierung<\/p>\n <\/div>\n <div class=\"seg-card\">\n <span class=\"seg-icon\">\ud83d\udd2e<\/span>\n <h4>Pr\u00e4diktiv<\/h4>\n <p>KI erkennt Muster kurz vor Conversion \u2014 antizipiert Kaufabsicht<\/p>\n <\/div>\n <div class=\"seg-card\">\n <span class=\"seg-icon\">\u26a1<\/span>\n <h4>Echtzeit-Kontextuell<\/h4>\n <p>Aktueller Standort, Ger\u00e4t, Uhrzeit, Wetter flie\u00dfen in die Empfehlung ein<\/p>\n <\/div>\n <div class=\"seg-card\">\n <span class=\"seg-icon\">\ud83d\udd04<\/span>\n <h4>Lifecycle-Targeting<\/h4>\n <p>Inhalte passen sich an: Awareness \u2192 Consideration \u2192 Conversion \u2192 Retention<\/p>\n <\/div>\n <\/div>\n\n <div class=\"highlight-box\">\n <h3>\ud83d\udd04 Von statisch zu dynamisch: Der Unterschied<\/h3>\n <ul>\n <li><strong>Statisch:<\/strong> Segment wird einmalig zugewiesen (z. B. \u201eM\u00e4nner 25\u201334 aus Berlin“)<\/li>\n <li><strong>Dynamisch:<\/strong> Nutzer wechseln Segmente automatisch je nach aktuellem Verhalten<\/li>\n <li>KI analysiert kontinuierlich alle Touchpoints und aktualisiert Segmentzugeh\u00f6rigkeit<\/li>\n <li>Echtzeit-Anpassung erm\u00f6glicht passgenaue Botschaften im richtigen Moment<\/li>\n <li>HubSpot, Salesforce & Adobe nutzen dynamische Segmentierung in ihren Marketing-Clouds<\/li>\n <li>Ergebnis: Deutlich h\u00f6here Conversion Rates und geringere Streuverluste<\/li>\n <\/ul>\n <\/div>\n\n <div class=\"table-wrapper\">\n <table>\n <thead>\n <tr>\n <th>Segmentierungsart<\/th>\n <th>Datenquellen<\/th>\n <th>Update-Frequenz<\/th>\n <th>KI-Einsatz<\/th>\n <\/tr>\n <\/thead>\n <tbody>\n <tr>\n <td>Demografisch<\/td>\n <td>CRM, Registrierungsdaten<\/td>\n <td>Selten \/ manuell<\/td>\n <td>Gering<\/td>\n <\/tr>\n <tr>\n <td>Verhaltensbasiert<\/td>\n <td>Web Analytics, App Tracking<\/td>\n <td>T\u00e4glich<\/td>\n <td>Mittel<\/td>\n <\/tr>\n <tr>\n <td>Pr\u00e4diktiv (KI)<\/td>\n <td>Alle Kan\u00e4le, Kaufhistorie<\/td>\n <td>Echtzeit<\/td>\n <td><span class=\"check\">Hoch (ML-Modelle)<\/span><\/td>\n <\/tr>\n <tr>\n <td>Psychografisch (KI)<\/td>\n <td>Social Media, Content-Interaktion<\/td>\n <td>Echtzeit<\/td>\n <td><span class=\"check\">Sehr hoch (NLP, Deep Learning)<\/span><\/td>\n <\/tr>\n <\/tbody>\n <\/table>\n <\/div>\n <\/section>\n\n <div class=\"divider\"><\/div>\n\n \n <section id=\"personalisierung\">\n <div class=\"section-label\">Kapitel 04<\/div>\n <h2>Personalisierte Empfehlungen durch KI<\/h2>\n <p class=\"section-intro\">\n KI erm\u00f6glicht es, nicht nur Produkte zu empfehlen, sondern auch Inhalte, Botschaften, Preise und sogar das Design einer Website individuell auf jeden Nutzer anzupassen \u2014 in Echtzeit.\n <\/p>\n\n <div class=\"card-grid\">\n <div class=\"card\">\n <span class=\"card-icon\">\u2709\ufe0f<\/span>\n <h3>Personalisiertes E-Mail-Marketing<\/h3>\n <p>KI generiert individuelle Betreffzeilen, Inhalte und Sendezeitpunkte pro Empf\u00e4nger basierend auf vergangenen \u00d6ffnungen und Klicks.<\/p>\n <span class=\"card-accent\">\u2192 NLP + Behavioral Data<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83c\udf10<\/span>\n <h3>Dynamic Content auf Webseiten<\/h3>\n <p>Headlines, Bilder und CTAs werden je nach Nutzersegment in Echtzeit ausgetauscht \u2014 jeder Besucher sieht die relevanteste Version.<\/p>\n <span class=\"card-accent\">\u2192 A\/B Testing + ML Optimization<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83d\udcca<\/span>\n <h3>Personalisierte Werbung<\/h3>\n <p>Programmatic Advertising nutzt Echtzeit-Daten (RTB), um im Millisekundenbereich die passende Anzeige f\u00fcr den richtigen Nutzer auszuspielen.<\/p>\n <span class=\"card-accent\">\u2192 Real-Time Bidding (RTB)<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83d\udcac<\/span>\n <h3>Chatbots & Conversational AI<\/h3>\n <p>LLM-gest\u00fctzte Chatbots nutzen den bisherigen Gespr\u00e4chsverlauf und Kaufhistorie f\u00fcr kontextuell passende Produktvorschl\u00e4ge.<\/p>\n <span class=\"card-accent\">\u2192 LLMs + RAG<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83c\udff7\ufe0f<\/span>\n <h3>Dynamische Preisgestaltung<\/h3>\n <p>Algorithmen passen Preise in Echtzeit an Nachfrage, Nutzerprofil und Wettbewerb an (z. B. Flugbuchungen, Hotels).<\/p>\n <span class=\"card-accent\">\u2192 Reinforcement Learning<\/span>\n <\/div>\n <div class=\"card\">\n <span class=\"card-icon\">\ud83d\udd14<\/span>\n <h3>Push Notifications<\/h3>\n <p>KI bestimmt Zeitpunkt, Inhalt und H\u00e4ufigkeit von Push-Nachrichten pro Nutzer, um \u00d6ffnungsraten zu maximieren.<\/p>\n <span class=\"card-accent\">\u2192 Predictive ML Models<\/span>\n <\/div>\n <\/div>\n\n <div class=\"highlight-box\">\n <h3>\ud83e\udd16 Wie KI Botschaften personalisiert \u2014 der Prozess<\/h3>\n <ul>\n <li>Datenerfassung: Clickstream, Kaufhistorie, CRM-Daten, Social Signals<\/li>\n <li>Feature Engineering: Relevante Merkmale extrahieren und normalisieren<\/li>\n <li>Modelltraining: ML-Modell lernt, welche Botschaft welches Segment konvertiert<\/li>\n <li>Echtzeit-Inference: Modell trifft Entscheidung in <100ms beim Seitenaufruf<\/li>\n <li>Feedback-Loop: Nutzungsreaktion (Klick, Kauf) verbessert das Modell kontinuierlich<\/li>\n <li>Ethik & DSGVO: Transparenz, Opt-Out und Datenschutz m\u00fcssen gew\u00e4hrleistet sein<\/li>\n <\/ul>\n <\/div>\n <\/section>\n\n <div class=\"divider\"><\/div>\n\n \n <section id=\"implementierung\">\n <div class=\"section-label\">Kapitel 05<\/div>\n <h2>Implementierung von Recommendation Systems<\/h2>\n <p class=\"section-intro\">\n Die Implementierung eines Empfehlungssystems umfasst mehrere Schichten \u2014 von der Datenpipeline \u00fcber das Modelltraining bis hin zur Live-Integration via API.\n <\/p>\n\n <div class=\"impl-steps\">\n <div class=\"impl-step\">\n <div class=\"impl-num\">1<\/div>\n <div>\n <h4>\ud83d\udce6 Datenstrategie & -erfassung<\/h4>\n <p>Implizites Feedback (Klicks, Views, K\u00e4ufe) und explizites Feedback (Bewertungen, Likes) sammeln. Datenschutz (DSGVO) und Datensparsamkeit von Beginn an ber\u00fccksichtigen.<\/p>\n <\/div>\n <\/div>\n <div class=\"impl-step\">\n <div class=\"impl-num\">2<\/div>\n <div>\n <h4>\ud83d\udd27 Datenvorverarbeitung & Feature Engineering<\/h4>\n <p>Datenbereinigung, Normalisierung der Bewertungen, Erstellen von User- und Item-Embeddings. Sparsity der Matrix behandeln (Matrix Factorization, z. B. SVD).<\/p>\n <\/div>\n <\/div>\n <div class=\"impl-step\">\n <div class=\"impl-num\">3<\/div>\n <div>\n <h4>\ud83e\udd16 Modellauswahl & Training<\/h4>\n <p>Einstieg mit einfachem Collaborative Filtering (KNN). F\u00fcr Skalierung: Matrix Factorization (ALS, SVD) oder Deep Learning (Neural Collaborative Filtering). Offline-Evaluation mit Metriken wie RMSE, Precision@K, NDCG.<\/p>\n <\/div>\n <\/div>\n <div class=\"impl-step\">\n <div class=\"impl-num\">4<\/div>\n <div>\n <h4>\u2699\ufe0f Infrastruktur & Skalierung<\/h4>\n <p>Feature Store (z. B. Feast), Modell-Serving via REST-API (FastAPI, TF Serving), Caching von Empfehlungen (Redis), Batch- vs. Echtzeit-Scoring abw\u00e4gen.<\/p>\n <\/div>\n <\/div>\n <div class=\"impl-step\">\n <div class=\"impl-num\">5<\/div>\n <div>\n <h4>\ud83d\udd17 Integration ins Live-System<\/h4>\n <p>Recommendation-API in Frontend integrieren. A\/B-Tests f\u00fcr unterschiedliche Modellvarianten aufsetzen. Monitoring von Klickrate, Conversion und Diversity der Empfehlungen.<\/p>\n <\/div>\n <\/div>\n <div class=\"impl-step\">\n <div class=\"impl-num\">6<\/div>\n <div>\n <h4>\ud83d\udd04 Kontinuierliches Retraining<\/h4>\n <p>Modell regelm\u00e4\u00dfig mit neuen Interaktionsdaten nachtrainieren. MLOps-Pipeline (z. B. MLflow, Kubeflow) automatisiert Retraining und Deployment. Filter Bubble und Diversit\u00e4t beobachten.<\/p>\n <\/div>\n <\/div>\n <\/div>\n\n \n <div class=\"table-wrapper\">\n <table>\n <thead>\n <tr>\n <th>Bereich<\/th>\n <th>Open-Source Tools<\/th>\n <th>Cloud \/ SaaS<\/th>\n <\/tr>\n <\/thead>\n <tbody>\n <tr>\n <td>Modell & Algorithmus<\/td>\n <td>Surprise, LightFM, TensorFlow Recommenders, PyTorch<\/td>\n <td>Google Vertex AI, AWS Personalize<\/td>\n <\/tr>\n <tr>\n <td>Datenverarbeitung<\/td>\n <td>Apache Spark, Pandas, Feast (Feature Store)<\/td>\n <td>Databricks, Snowflake<\/td>\n <\/tr>\n <tr>\n <td>Modell-Serving<\/td>\n <td>FastAPI, TensorFlow Serving, Triton<\/td>\n <td>AWS SageMaker, Azure ML<\/td>\n <\/tr>\n <tr>\n <td>Caching \/ Latenz<\/td>\n <td>Redis, Memcached<\/td>\n <td>Upstash, Redis Cloud<\/td>\n <\/tr>\n <tr>\n <td>MLOps \/ Monitoring<\/td>\n <td>MLflow, Kubeflow, Evidently AI<\/td>\n <td>Weights & Biases, Neptune<\/td>\n <\/tr>\n <\/tbody>\n <\/table>\n <\/div>\n\n <div class=\"code-block\">\n <div class=\"code-header\">\n <div class=\"code-dot\" style=\"background:#ff5f56\"><\/div>\n <div class=\"code-dot\" style=\"background:#ffbd2e\"><\/div>\n <div class=\"code-dot\" style=\"background:#27c93f\"><\/div>\n <span style=\"color:var(--text-muted); font-size:0.82rem; margin-left:8px;\">Python \u00b7 Minimaler Recommender mit Surprise (SVD)<\/span>\n <\/div>\n <pre><span class=\"kw\">from<\/span> surprise <span class=\"kw\">import<\/span> <span class=\"cls\">SVD<\/span>, <span class=\"cls\">Dataset<\/span>, <span class=\"cls\">Reader<\/span>\n<span class=\"kw\">from<\/span> surprise.model_selection <span class=\"kw\">import<\/span> <span class=\"fn\">cross_validate<\/span>\n\n<span class=\"cm\"># Daten laden (Format: user, item, rating)<\/span>\nreader = <span class=\"cls\">Reader<\/span>(rating_scale=(<span class=\"num\">1<\/span>, <span class=\"num\">5<\/span>))\ndata = <span class=\"cls\">Dataset<\/span>.<span class=\"fn\">load_builtin<\/span>(<span class=\"str\">'ml-100k'<\/span>) <span class=\"cm\"># MovieLens Dataset<\/span>\n\n<span class=\"cm\"># SVD-Modell trainieren (Matrix Factorization)<\/span>\nmodel = <span class=\"cls\">SVD<\/span>(n_factors=<span class=\"num\">50<\/span>, n_epochs=<span class=\"num\">20<\/span>)\nresults = <span class=\"fn\">cross_validate<\/span>(model, data, measures=[<span class=\"str\">'RMSE'<\/span>, <span class=\"str\">'MAE'<\/span>], cv=<span class=\"num\">5<\/span>)\n\n<span class=\"cm\"># Vorhersage f\u00fcr einzelnen Nutzer<\/span>\nprediction = model.<span class=\"fn\">predict<\/span>(uid=<span class=\"str\">'user_42'<\/span>, iid=<span class=\"str\">'item_300'<\/span>)\n<span class=\"fn\">print<\/span>(<span class=\"str\">f\"Gesch\u00e4tzte Bewertung: {prediction.est:.2f}\"<\/span>)<\/pre>\n <\/div>\n <\/section>\n\n\n \n <section id=\"gruppenaufgabe\">\n <div class=\"section-label\">Kapitel 06<\/div>\n <h2>\ud83e\udde9 Gruppenaufgabe<\/h2>\n <p class=\"section-intro\">\n Bearbeitungszeit: <strong>30 Minuten<\/strong> \u00b7 Gruppengr\u00f6\u00dfen: 3\u20134 Personen \u00b7 Pr\u00e4sentation: 3 Min. pro Gruppe\n <\/p>\n\n <div class=\"task-banner\">\n <div class=\"task-banner-inner\">\n <span class=\"task-timer\">\u23f1 30 Minuten<\/span>\n <h3>\u201eBuild Your Own Recommender“ \u2014 Konzeptaufgabe<\/h3>\n <p>Ihr seid das Produktteam eines neu gegr\u00fcndeten Startups. Eure Aufgabe: Entwickelt das Konzept f\u00fcr ein Recommendation System f\u00fcr euer Produkt.<\/p>\n <\/div>\n <\/div>\n\n <div class=\"phase-grid\">\n <div class=\"phase-card\">\n <div class=\"phase-header\">\n <span class=\"phase-time\">\u23f1 5 Min<\/span>\n <span class=\"phase-num\">Phase 1<\/span>\n <\/div>\n <h4>\ud83c\udfaf Produkt w\u00e4hlen<\/h4>\n <p>W\u00e4hlt eines der folgenden Szenarien oder erfindet ein eigenes:<\/p>\n <ul class=\"scenario-list\">\n <li>\ud83d\udcda Lern-App f\u00fcr Sch\u00fcler (Kursempfehlungen)<\/li>\n <li>\ud83c\udf55 Lokale Restaurant-Plattform<\/li>\n <li>\ud83c\udfae Indie-Videospiel-Marktplatz<\/li>\n <li>\ud83c\udfcb\ufe0f Fitness-Tracking-App<\/li>\n <\/ul>\n <\/div>\n\n <div class=\"phase-card\">\n <div class=\"phase-header\">\n <span class=\"phase-time\">\u23f1 10 Min<\/span>\n <span class=\"phase-num\">Phase 2<\/span>\n <\/div>\n <h4>\ud83d\udd27 Algorithmus-Entscheidung<\/h4>\n <p>Beantwortet diese Fragen schriftlich:<\/p>\n <ul class=\"scenario-list\">\n <li>Welche Daten stehen euch zur Verf\u00fcgung? (explizit \/ implizit)<\/li>\n <li>Collaborative, Content-Based oder Hybrid \u2014 und warum?<\/li>\n <li>Wie l\u00f6st ihr das Cold-Start-Problem f\u00fcr neue Nutzer?<\/li>\n <li>Welche Metriken nutzt ihr zur Erfolgsmessung?<\/li>\n <\/ul>\n <\/div>\n\n <div class=\"phase-card\">\n <div class=\"phase-header\">\n <span class=\"phase-time\">\u23f1 10 Min<\/span>\n <span class=\"phase-num\">Phase 3<\/span>\n <\/div>\n <h4>\ud83c\udfaf Targeting & Segmentierung<\/h4>\n <p>Entwickelt eure Zielgruppenstrategie:<\/p>\n <ul class=\"scenario-list\">\n <li>Definiert mind. 3 Nutzersegmente f\u00fcr euer Produkt<\/li>\n <li>Welche Daten braucht ihr f\u00fcr dynamische Segmentierung?<\/li>\n <li>Wie personalisiert ihr Botschaften pro Segment?<\/li>\n <li>Welche Datenschutz-\/DSGVO-Aspekte m\u00fcsst ihr beachten?<\/li>\n <\/ul>\n <\/div>\n\n <div class=\"phase-card\">\n <div class=\"phase-header\">\n <span class=\"phase-time\">\u23f1 5 Min<\/span>\n <span class=\"phase-num\">Phase 4<\/span>\n <\/div>\n <h4>\ud83d\udcca Pr\u00e4sentation vorbereiten<\/h4>\n <p>Fasst eure Ergebnisse zusammen:<\/p>\n <ul class=\"scenario-list\">\n <li>Produkt & gew\u00e4hlter Algorithmus (1 Satz)<\/li>\n <li>Eure 3 Segmente mit je einer personalisierten Botschaft<\/li>\n <li>Gr\u00f6\u00dfte Herausforderung bei eurer Implementierung<\/li>\n <li>Eine ethische \u00dcberlegung zu eurem System<\/li>\n <\/ul>\n <\/div>\n <\/div>\n\n <div class=\"task-deliverable\">\n <h3>\ud83d\udcdd Abgabe \/ Pr\u00e4sentation<\/h3>\n <div class=\"deliverable-grid\">\n <div class=\"deliverable-item\">\n <span class=\"deliverable-icon\">1\ufe0f\u20e3<\/span>\n <div>\n <strong>Produkt & Algorithmus<\/strong>\n <p>Welches Produkt, welcher Ansatz, welche Begr\u00fcndung?<\/p>\n <\/div>\n <\/div>\n <div class=\"deliverable-item\">\n <span class=\"deliverable-icon\">2\ufe0f\u20e3<\/span>\n <div>\n <strong>Segmente & Botschaften<\/strong>\n <p>3 Segmente mit je einer konkreten, personalisierten Nachricht<\/p>\n <\/div>\n <\/div>\n <div class=\"deliverable-item\">\n <span class=\"deliverable-icon\">3\ufe0f\u20e3<\/span>\n <div>\n <strong>Gr\u00f6\u00dfte Herausforderung<\/strong>\n <p>Was ist das kniffligste Problem bei eurer Umsetzung?<\/p>\n <\/div>\n <\/div>\n <div class=\"deliverable-item\">\n <span class=\"deliverable-icon\">4\ufe0f\u20e3<\/span>\n <div>\n <strong>Ethik & Datenschutz<\/strong>\n <p>Wie sch\u00fctzt ihr Nutzerdaten und verhindert Filter Bubbles?<\/p>\n <\/div>\n <\/div>\n <\/div>\n <\/div>\n\n <div class=\"highlight-box\" style=\"border-color: rgba(0,229,160,0.4); background: linear-gradient(135deg, rgba(0,229,160,0.05), rgba(0,212,255,0.03));\">\n <h3 style=\"color: var(--accent-green);\">\ud83d\udca1 Diskussionsimpuls f\u00fcr die Klasse<\/h3>\n <ul>\n <li>Welcher Algorithmus wurde am h\u00e4ufigsten gew\u00e4hlt \u2014 und warum?<\/li>\n <li>Wie unterscheiden sich die Segmentierungsans\u00e4tze der Gruppen?<\/li>\n <li>Wo liegen die ethischen Grenzen von Personalisierung?<\/li>\n <li>Was passiert, wenn ein System nur noch zeigt, was Nutzer schon kennen? (Filter Bubble)<\/li>\n <\/ul>\n <\/div>\n <\/section>\n\n <div class=\"divider\"><\/div>\n\n \n <section id=\"faq\">\n <div class=\"section-label\">Kapitel 07<\/div>\n <h2>\u2753 H\u00e4ufig gestellte Fragen<\/h2>\n <p class=\"section-intro\">\n Die meistgestellten Fragen rund um Recommendation Systems, Targeting und KI-Personalisierung.\n <\/p>\n\n <div class=\"faq-list\">\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Was ist der Unterschied zwischen Collaborative und Content-Based Filtering?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p><strong>Collaborative Filtering<\/strong> basiert auf dem Verhalten anderer Nutzer: \u201eNutzer, die \u00e4hnlich wie du sind, mochten auch X.“ Es braucht keine Inhaltsbeschreibung der Items, aber viele Nutzerdaten.<\/p>\n <p style=\"margin-top: 10px;\"><strong>Content-Based Filtering<\/strong> analysiert die Eigenschaften der Items selbst: \u201eWeil dir Film A (Action, 2020) gefiel, empfehlen wir Film B (Action, 2021).“ Es funktioniert auch ohne viele Nutzerdaten, bleibt aber auf \u00e4hnliche Inhalte beschr\u00e4nkt.<\/p>\n <\/div>\n <\/details>\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Was ist das Cold-Start-Problem und wie wird es gel\u00f6st?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p>Das Cold-Start-Problem tritt auf, wenn ein neuer Nutzer oder ein neues Item keine Interaktionsdaten hat \u2014 das System kann keine personalisierten Empfehlungen erzeugen.<\/p>\n <p style=\"margin-top: 10px;\"><strong>L\u00f6sungen:<\/strong> Onboarding-Umfragen beim ersten Login, Nutzung demografischer Daten, Fallback auf Content-Based Filtering oder Bestseller-Listen, Multi-Armed-Bandit-Algorithmen zur Exploration.<\/p>\n <\/div>\n <\/details>\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Was ist eine Filter Bubble und warum ist sie problematisch?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p>Eine Filter Bubble entsteht, wenn ein Empfehlungssystem einem Nutzer nur noch Inhalte zeigt, die seinen bisherigen Pr\u00e4ferenzen entsprechen. Dadurch sieht er weniger Vielfalt und wird in seiner Meinung best\u00e4tigt (Confirmation Bias).<\/p>\n <p style=\"margin-top: 10px;\"><strong>Gegenma\u00dfnahmen:<\/strong> Diversity-Metriken in den Algorithmus einbauen, Serendipity f\u00f6rdern (\u00fcberraschende Empfehlungen), Nutzer \u00fcber den Personalisierungsgrad informieren.<\/p>\n <\/div>\n <\/details>\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Wie unterscheidet sich dynamische von statischer Segmentierung?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p><strong>Statische Segmentierung<\/strong> weist Nutzern einmalig ein Segment zu (z. B. \u201eM\u00e4nner 25\u201334 aus Wien“). Das Segment \u00e4ndert sich selten oder manuell.<\/p>\n <p style=\"margin-top: 10px;\"><strong>Dynamische Segmentierung<\/strong> aktualisiert die Segmentzugeh\u00f6rigkeit in Echtzeit auf Basis des aktuellen Verhaltens. Ein Nutzer, der gerade nach Reisen sucht, wechselt automatisch ins Segment \u201eReisewillig“ \u2014 auch wenn er das gestern noch nicht war.<\/p>\n <\/div>\n <\/details>\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Ist KI-Personalisierung mit der DSGVO vereinbar?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p>Ja, wenn bestimmte Voraussetzungen erf\u00fcllt sind: Nutzer m\u00fcssen transparent informiert werden (Datenschutzerkl\u00e4rung), es muss eine Rechtsgrundlage geben (Einwilligung oder berechtigtes Interesse), und Nutzer m\u00fcssen ein Opt-Out haben.<\/p>\n <p style=\"margin-top: 10px;\">Kritisch: Profiling, das rechtliche Auswirkungen hat, unterliegt strengeren Regeln (Art. 22 DSGVO). Datensparsamkeit und Zweckbindung m\u00fcssen eingehalten werden.<\/p>\n <\/div>\n <\/details>\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Welche Metriken messen den Erfolg eines Recommenders?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p><strong>Offline-Metriken:<\/strong> RMSE (Root Mean Squared Error), Precision@K (wie viele der Top-K Empfehlungen sind relevant?), Recall@K, NDCG (Normalized Discounted Cumulative Gain).<\/p>\n <p style=\"margin-top: 10px;\"><strong>Online-Metriken (A\/B-Test):<\/strong> Click-Through-Rate (CTR), Conversion Rate, Verweildauer, Return Rate. Offline-Metriken korrelieren nicht immer mit echtem Nutzererlebnis \u2014 A\/B-Tests sind deshalb unverzichtbar.<\/p>\n <\/div>\n <\/details>\n\n <details class=\"faq-item\">\n <summary><span class=\"faq-q\">Kann auch ein kleines Unternehmen ein Recommendation System einsetzen?<\/span><span class=\"faq-arrow\">\u25be<\/span><\/summary>\n <div class=\"faq-body\">\n <p>Ja. Einfache Recommender (z. B. \u201eBestseller in deiner Kategorie“ oder regelbasierte Empfehlungen) k\u00f6nnen mit wenig Aufwand implementiert werden. Tools wie <strong>AWS Personalize<\/strong> oder <strong>Google Recommendations AI<\/strong> bieten Cloud-basierte Recommender ohne eigenes ML-Team.<\/p>\n <p style=\"margin-top: 10px;\">F\u00fcr Open-Source-L\u00f6sungen empfiehlt sich die Python-Bibliothek <strong>Surprise<\/strong> oder <strong>LightFM<\/strong> als Einstiegspunkt.<\/p>\n <\/div>\n <\/details>\n\n <\/div>\n <\/section>\n\n <div class=\"divider\"><\/div>\n\n \n <section id=\"glossar\">\n <div class=\"section-label\">Kapitel 08<\/div>\n <h2>\ud83d\udcd6 Glossar<\/h2>\n <p class=\"section-intro\">\n Die wichtigsten Fachbegriffe rund um Recommendation Systems, Targeting und KI-Personalisierung auf einen Blick.\n <\/p>\n\n <div class=\"glossar-search-wrap\">\n <input type=\"text\" id=\"glossarSearch\" class=\"glossar-search\" placeholder=\"\ud83d\udd0d Begriff suchen\u2026\" oninput=\"filterGlossar()\" \/>\n <\/div>\n\n <div class=\"glossar-grid\" id=\"glossarGrid\">\n <div class=\"glossar-item\" data-term=\"collaborative filtering\">\n <div class=\"glossar-term\">Collaborative Filtering<\/div>\n <div class=\"glossar-def\">Empfehlungsansatz, der auf dem Verhalten \u00e4hnlicher Nutzer basiert. Das System empfiehlt Items, die Nutzer mit \u00e4hnlichem Profil gemocht haben, ohne den Inhalt der Items zu analysieren.<\/div>\n <span class=\"glossar-tag\">Algorithmus<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"content-based filtering\">\n <div class=\"glossar-term\">Content-Based Filtering<\/div>\n <div class=\"glossar-def\">Empfehlungsansatz, der Items anhand ihrer Eigenschaften (Merkmale, Tags, Metadaten) mit bereits genutzten Items vergleicht und \u00e4hnliche Items vorschl\u00e4gt.<\/div>\n <span class=\"glossar-tag\">Algorithmus<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"cold start problem kaltstart\">\n <div class=\"glossar-term\">Cold-Start-Problem<\/div>\n <div class=\"glossar-def\">Problem bei Empfehlungssystemen, wenn f\u00fcr neue Nutzer oder neue Items noch keine Interaktionsdaten existieren und daher keine personalisierten Empfehlungen m\u00f6glich sind.<\/div>\n <span class=\"glossar-tag\">Problem<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"cosine similarity \u00e4hnlichkeit\">\n <div class=\"glossar-term\">Cosine Similarity<\/div>\n <div class=\"glossar-def\">Mathematisches \u00c4hnlichkeitsma\u00df zwischen zwei Vektoren. Misst den Winkel zwischen ihnen (Wertebereich: 0 bis 1). Wird genutzt, um die \u00c4hnlichkeit von Nutzerprofilen oder Items zu berechnen.<\/div>\n <span class=\"glossar-tag\">Mathematik<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"matrix factorization faktorisierung svd\">\n <div class=\"glossar-term\">Matrix Factorization<\/div>\n <div class=\"glossar-def\">Technik zur Dimensionsreduktion der User-Item-Matrix. Zerlegt die Matrix in latente Faktoren (z. B. SVD, ALS), die versteckte Pr\u00e4ferenzmuster aufdecken. Grundlage des Netflix-Prize-Gewinners.<\/div>\n <span class=\"glossar-tag\">Algorithmus<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"hybrid recommender hybrid system\">\n <div class=\"glossar-term\">Hybrid Recommender System<\/div>\n <div class=\"glossar-def\">Kombination aus mehreren Empfehlungsans\u00e4tzen (z. B. Collaborative + Content-Based), um die Schw\u00e4chen einzelner Methoden zu kompensieren und die Empfehlungsqualit\u00e4t zu steigern.<\/div>\n <span class=\"glossar-tag\">Architektur<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"filter bubble filterblase\">\n <div class=\"glossar-term\">Filter Bubble<\/div>\n <div class=\"glossar-def\">Ph\u00e4nomen, bei dem ein Nutzer durch \u00fcberm\u00e4\u00dfige Personalisierung nur noch Inhalte sieht, die seinen bisherigen Pr\u00e4ferenzen entsprechen. F\u00f6rdert Informationsblase und Confirmation Bias.<\/div>\n <span class=\"glossar-tag\">Ethik<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"segmentierung segmentation targeting zielgruppe\">\n <div class=\"glossar-term\">Dynamische Segmentierung<\/div>\n <div class=\"glossar-def\">KI-gesteuerte Methode, bei der Nutzer in Echtzeit automatisch Segmenten zugeordnet werden \u2014 basierend auf aktuellem Verhalten, nicht auf statischen demografischen Merkmalen.<\/div>\n <span class=\"glossar-tag\">Marketing<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"real time bidding rtb programmatic\">\n <div class=\"glossar-term\">Real-Time Bidding (RTB)<\/div>\n <div class=\"glossar-def\">Automatisierter Auktionsprozess im Programmatic Advertising, bei dem Werbepl\u00e4tze in Millisekunden auf Basis von Nutzerdata versteigert werden. Erm\u00f6glicht extrem zielgenaues Ad-Targeting.<\/div>\n <span class=\"glossar-tag\">Werbung<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"precision recall ndcg metriken evaluation\">\n <div class=\"glossar-term\">Precision@K \/ NDCG<\/div>\n <div class=\"glossar-def\">Evaluationsmetriken f\u00fcr Recommender. Precision@K misst, wie viele der Top-K Empfehlungen tats\u00e4chlich relevant sind. NDCG (Normalized Discounted Cumulative Gain) ber\u00fccksichtigt zus\u00e4tzlich die Position der relevanten Items.<\/div>\n <span class=\"glossar-tag\">Evaluation<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"embedding vektor raum latent\">\n <div class=\"glossar-term\">Embedding<\/div>\n <div class=\"glossar-def\">Kompakte Vektordarstellung von Nutzern oder Items in einem latenten Vektorraum. \u00c4hnliche Nutzer\/Items liegen im Vektorraum nah beieinander. Grundlage von Deep-Learning-Recommendern.<\/div>\n <span class=\"glossar-tag\">Deep Learning<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"reinforcement learning best\u00e4rkendes lernen belohnung\">\n <div class=\"glossar-term\">Reinforcement Learning<\/div>\n <div class=\"glossar-def\">Lernparadigma, bei dem ein Agent durch Belohnung (z. B. Klick, Kauf) lernt, optimale Empfehlungen zu geben. Wird f\u00fcr dynamische Preisgestaltung und langfristige Nutzeroptimierung eingesetzt.<\/div>\n <span class=\"glossar-tag\">KI<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"user item matrix interaktionsmatrix sparse sparsity\">\n <div class=\"glossar-term\">User-Item-Matrix<\/div>\n <div class=\"glossar-def\">Kernstruktur im Collaborative Filtering: Eine Matrix, in der Zeilen Nutzer und Spalten Items repr\u00e4sentieren. Die Eintr\u00e4ge sind Bewertungen oder Interaktionen. Meist sehr d\u00fcnn besetzt (Sparsity).<\/div>\n <span class=\"glossar-tag\">Datenstruktur<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"ab test split test experiment\">\n <div class=\"glossar-term\">A\/B-Test<\/div>\n <div class=\"glossar-def\">Kontrolliertes Experiment, bei dem zwei Varianten (A und B) eines Systems gleichzeitig an unterschiedlichen Nutzergruppen getestet werden, um die bessere Variante zu identifizieren.<\/div>\n <span class=\"glossar-tag\">Evaluation<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"dsgvo datenschutz gdpr privacy opt-out\">\n <div class=\"glossar-term\">DSGVO (Datenschutz-Grundverordnung)<\/div>\n <div class=\"glossar-def\">EU-Verordnung zum Schutz personenbezogener Daten. F\u00fcr Recommendation Systems relevant: Transparenzpflicht, Zweckbindung, Datensparsamkeit, Recht auf Widerspruch gegen automatisiertes Profiling (Art. 22).<\/div>\n <span class=\"glossar-tag\">Recht<\/span>\n <\/div>\n <div class=\"glossar-item\" data-term=\"mlops machine learning operations pipeline retraining\">\n <div class=\"glossar-term\">MLOps<\/div>\n <div class=\"glossar-def\">Kombination aus Machine Learning und DevOps-Praktiken. Automatisiert Training, Testing und Deployment von ML-Modellen. Sorgt f\u00fcr kontinuierliches Retraining von Recommender-Modellen mit neuen Daten.<\/div>\n <span class=\"glossar-tag\">Infrastruktur<\/span>\n <\/div>\n <\/div>\n <\/section>\n\n\n<\/main>\n\n<footer>\n <p>Unterrichtsvortrag: <span>Recommendation Systems, Targeting & Dynamische Segmentierung<\/span><\/p>\n <p style=\"margin-top: 8px;\">Quellen: Google ML, IBM, Wikipedia, Ideenhaus, CoreMedia, HAW Hamburg<\/p>\n<\/footer>\n\n<script>\nfunction filterGlossar() {\n const q = document.getElementById('glossarSearch').value.toLowerCase();\n document.querySelectorAll('.glossar-item').forEach(item => {\n const term = item.getAttribute('data-term') || '';\n const def = item.querySelector('.glossar-def').textContent.toLowerCase();\n item.classList.toggle('hidden', !term.includes(q) && !def.includes(q));\n });\n}\n<\/script>\n<\/body>\n<\/html>\n","protected":false},"excerpt":{"rendered":"<p>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 Grundlagen Algorithmen Zielgruppen & Targeting KI-Personalisierung Implementierung GruppenaufgabeFAQGlossar Kapitel 01 Was sind Recommendation Systems? Recommendation Systems (Empfehlungssysteme) sind KI-gest\u00fctzte Softwaresysteme, die aus dem […]<\/p>\n","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-120","page","type-page","status-publish","hentry"],"yoast_head":"\n<title>Recommendation Systems - KI Marketing<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/metalmotion.de\/kim\/recommendation-systems\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Recommendation Systems - KI Marketing\" \/>\n<meta property=\"og:description\" content=\"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 Grundlagen Algorithmen Zielgruppen & Targeting KI-Personalisierung Implementierung GruppenaufgabeFAQGlossar Kapitel 01 Was sind Recommendation Systems? Recommendation Systems (Empfehlungssysteme) sind KI-gest\u00fctzte Softwaresysteme, die aus dem […]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/metalmotion.de\/kim\/recommendation-systems\/\" \/>\n<meta property=\"og:site_name\" content=\"KI Marketing\" \/>\n<meta property=\"article:modified_time\" content=\"2026-03-19T14:50:51+00:00\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data1\" content=\"12\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/recommendation-systems\\\/\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/recommendation-systems\\\/\",\"name\":\"Recommendation Systems - KI Marketing\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\"},\"datePublished\":\"2026-03-19T14:50:49+00:00\",\"dateModified\":\"2026-03-19T14:50:51+00:00\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/recommendation-systems\\\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/metalmotion.de\\\/kim\\\/recommendation-systems\\\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/recommendation-systems\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Startseite\",\"item\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Recommendation Systems\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/#website\",\"url\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/\",\"name\":\"KI Marketing\",\"description\":\"\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/metalmotion.de\\\/kim\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"de\"}]}<\/script>\n","yoast_head_json":{"title":"Recommendation Systems - KI Marketing","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/metalmotion.de\/kim\/recommendation-systems\/","og_locale":"de_DE","og_type":"article","og_title":"Recommendation Systems - KI Marketing","og_description":"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 Grundlagen Algorithmen Zielgruppen & Targeting KI-Personalisierung Implementierung GruppenaufgabeFAQGlossar Kapitel 01 Was sind Recommendation Systems? Recommendation Systems (Empfehlungssysteme) sind KI-gest\u00fctzte Softwaresysteme, die aus dem […]","og_url":"https:\/\/metalmotion.de\/kim\/recommendation-systems\/","og_site_name":"KI Marketing","article_modified_time":"2026-03-19T14:50:51+00:00","twitter_card":"summary_large_image","twitter_misc":{"Gesch\u00e4tzte Lesezeit":"12\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/metalmotion.de\/kim\/recommendation-systems\/","url":"https:\/\/metalmotion.de\/kim\/recommendation-systems\/","name":"Recommendation Systems - KI Marketing","isPartOf":{"@id":"https:\/\/metalmotion.de\/kim\/#website"},"datePublished":"2026-03-19T14:50:49+00:00","dateModified":"2026-03-19T14:50:51+00:00","breadcrumb":{"@id":"https:\/\/metalmotion.de\/kim\/recommendation-systems\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/metalmotion.de\/kim\/recommendation-systems\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/metalmotion.de\/kim\/recommendation-systems\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Startseite","item":"https:\/\/metalmotion.de\/kim\/"},{"@type":"ListItem","position":2,"name":"Recommendation Systems"}]},{"@type":"WebSite","@id":"https:\/\/metalmotion.de\/kim\/#website","url":"https:\/\/metalmotion.de\/kim\/","name":"KI Marketing","description":"","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/metalmotion.de\/kim\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"de"}]}},"_links":{"self":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/120","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/comments?post=120"}],"version-history":[{"count":1,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/120\/revisions"}],"predecessor-version":[{"id":121,"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/pages\/120\/revisions\/121"}],"wp:attachment":[{"href":"https:\/\/metalmotion.de\/kim\/wp-json\/wp\/v2\/media?parent=120"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}