Die Personalisierung von Inhalten und Angeboten in interaktiven Medien wie dem Internet ist eine der großen Herausforderungen der New Economy. Zur Individualisierung von Angeboten existiert eine Reihe unterschiedlicher Methoden, deren Leistungsfähigkeit jedoch von der Betriebswirtschaftslehre noch kaum empirisch erforscht wurde.

Matthias Runte untersucht das "Collaborative Filtering" genannte Personalisierungsverfahren in drei Stufen: Erstens ordnet er das Verfahren in die Missing-Value-Analyse ein. Zum Zweiten führt er unter realistischen Bedingungen ein Feldexperiment durch, bei dem personalisierte Angebote über das Internet abgegeben werden. Und drittens testet er in einer breit angelegten Simulationsstudie mit drei unterschiedlichen Datensätzen die Leistungsfähigkeit von dreißig unterschiedlichen Collaborative-Filtering-Algorithmen.

Der Autor kommt zu dem Ergebnis, dass von der in der Praxis zur Zeit üblichen kritik- und fraglosen Verwendung des Collaborative Filtering abgeraten werden muss. Der sinnvolle Einsatz dieses Verfahrens hängt nämlich von einer ganzen Reihe von Parametern ab, die in dieser Arbeit ausführlich diskutiert werden.

Autorentext

Dr. Matthias Runte studierte Wirtschaftsingenieurwesen und promovierte am Graduiertenkolleg "Betriebswirtschaftslehre für Technologie und Innovation" an der Christian-Albrechts-Universität zu Kiel. Er ist als Consultant bei der Bertelsmann AG und als Mitglied der Geschäftsleitung einer Internet-Company tätig.

Klappentext

Matthias Runte untersucht das "Collaborative Filtering" genannte Personalisierungsverfahren und kommt zu dem Ergebnis, dass von seiner in der Praxis zur Zeit üblichen kritik- und fraglosen Verwendung abgeraten werden muss.

Inhalt
1 Zur Problematik des Collaborative Filtering.- 1.1 Problemstellung.- 1.2 Beitrag der Arbeit.- 1.3 Aufbau der Arbeit.- 2 Individualisierung von Angeboten in Interaktiven Medien.- 2.1 Neue Realisationsformen des Marketingskonzeptes.- 2.2 Kommunikationsmodell der Interaktiven Medien.- 2.3 Individualisierung von Angeboten.- 2.4 Empfehlungs-Systeme.- 2.5 Collaborative Filtering.- 2.6 Active und Automated Collaborative Filtering.- 2.7 Präferenzen und Prognosen.- 2.8 Feature Based vs. Collaborative Filtering.- 2.9 Feature Guided Collaborative Filtering.- 3 Automated Collaborative Filtering.- 3.1 Collaborative Filtering als Missing-Value-Problem.- 3.2 Elemente von Collaborative-Filtering-Algorithmen.- 3.3 Basis-Algorithmen.- 3.4 Prognosegüte von Collaborative-Filtering-Algorithmen.- 4 Feld-Experiment.- 4.1 Linxx Der Interaktive Webguide.- 4.2 Durchführung des Experiments.- 4.3 Reliabilität.- 5 Empirische Ergebnisse.- 5.1 Prognosegüte.- 5.2 Prognosegüte im Zeitablauf.- 5.3 Prognosegüte nach Ratings und Prognosen.- 5.4 Prognosegüte nach Objekten.- 5.5 Prognosegüte nach Benutzern.- 5.6 Fazit.- 6 Simulationsstudie.- 6.1 Methodik.- 6.2 Datensätze.- 6.3 Durchfiihrung der Simulationsstudie.- 6.4 Varianten.- 6.5 Fazit.- 7 Zusammenfassung.- 7.1 Ergebnisse der Untersuchung.- 7.2 Management-Implikationen.- Literatur.- Liste der Websites.- Anschreiben für den Reliabilitätstest.- Simulationsergebnisse.- Stichwortverzeichnis.