KKC_0101 | KI-Empfehlungssysteme Grundkurs: Logik die verkauft

Empfehlungssysteme sind mehr als ein Modell, das „ähnliche Produkte“ ausgibt. In diesem Seminar bauen Sie Ihnen ein belastbares Vorgehen auf, um KI-Empfehlungssysteme entlang klarer Ziele zu entwickeln: Welche Metriken passen zu Ihr Use Case, wie definieren Sie Guardrails, und wie vermeiden Sie, dass Optimierung kurzfristig wirkt, aber langfristig schadet. Sie starten mit der Datenbasis: Event-Tracking (Views, Clicks, Warenkorb, Kauf), Sessionisierung, Deduplizierung und der Umgang mit negativen Signalen.

Danach setzen Sie Baselines auf, die in der Praxis oft schon überraschend stark sind, etwa Popularity, Trending und Co-Occurrence, ergänzt um Segmentierung und robuste Fallbacks für Cold Start. Darauf aufbauend entwickeln Sie Collaborative Filtering für implicit feedback, lernen Embeddings für Nutzer und Items zu interpretieren und verstehen, wann Nearest-Neighbor-Ansätze oder Matrixfaktorisierung sinnvoll sind. Sie ergänzt das durch content-basierte Recommender mit Item-Embeddings aus Text und Bildern und kombinieren beides in hybriden Strategien wie Blending oder Switching.

Ein zentraler Teil ist die Two-Stage-Architektur: Kandidaten-Generierung (Retrieval) und Ranking, inklusive Learning-to-Rank und Re-Ranking mit Constraints wie Diversität oder Regeln. Abschließend lernen Sie Evaluation und Betrieb: Offline-Metriken wie NDCG, A/B-Tests, Monitoring, Drift und Feedback-Loops sowie Deployment-Patterns, Latenzbudgets und Caching, damit Empfehlungen stabil und messbar laufen.

• Ziele, Erfolgsmetriken und Guardrails für Empfehlungssysteme definieren
• Event-Tracking, Sessionisierung und negative Signale aufbereiten
• Popularity, Trending und Co-Occurrence als Baselines einsetzen
• Cold Start mit Segmentierung und robusten Fallbacks behandeln
• Collaborative Filtering für implizites Feedback verstehen
• Embeddings, Nearest Neighbors und Matrixfaktorisierung einordnen
• Content-basierte Ansätze kombinieren und Empfehlungen belastbar evaluieren

Das Seminar richtet sich an Produktmanager/innen, E-Commerce-Manager/innen, Data Analysts, Data Scientists sowie Fachkräfte aus Personalisierung, Customer Experience und digitaler Produktentwicklung.

Grundkenntnisse in Datenanalyse, E-Commerce oder digitalen Produkten sind hilfreich. Programmier- und Statistikkenntnisse erleichtern den technischen Praxistransfer.

• Use Cases, Ziele und Erfolgsmessung
  • Business-Ziele in Metriken übersetzen (CTR, CVR, AOV, Retention)
  • Online vs. Offline Evaluation, A/B-Tests und Guardrails
  • Cold Start, Long Tail und Katalogdynamik
• Datenbasis und Feature-Design
  • Event-Tracking: Views, Clicks, Carts, Purchases, Dwell Time
  • Negative Signale, Deduplizierung, Sessionisierung
  • Feature Stores, Leakage vermeiden, Zeitbezug korrekt modellieren
• Baselines, die wirklich tragen
  • Popularity, Trending, Co-Occurrence und heuristische Regeln
  • Segmentierung und Kontext (Device, Zeit, Kampagnen)
  • Fallback-Strategien für leere Profile
• Collaborative Filtering und Matrixfaktorisierung
  • Implicit Feedback, Weighting und Confidence
  • Embeddings für Nutzer und Items
  • Nearest Neighbors und Approximate Search
• Content-based und hybride Systeme
  • Text- und Bild-Embeddings für Item-Repräsentationen
  • Hybride Strategien: Blending, Switching, Feature Augmentation
  • Ähnlichkeit, Diversität und Serendipity ausbalancieren
• Two-Tower, Retrieval und Ranking
  • Kandidaten-Generierung vs. Ranking: Architektur und Trade-offs
  • Learning-to-Rank Grundlagen, Pairwise/Pointwise Objectives
  • Re-Ranking mit Constraints (Diversität, Fairness, Regeln)
• Evaluation, Monitoring und Betrieb
  • Offline-Metriken: Precision@K, Recall@K, NDCG, MAP
  • Drift, Feedback-Loops und Bias erkennen
  • Deployment-Patterns, Latenzbudgets und Caching