KI-Empfehlungssysteme Grundkurs: Logik die verkauft

Use Cases und Erfolgsmessung

• Produktziele in Metriken übersetzen
• CTR, CVR, AOV und Retention
• Offline- und Online-Evaluation
• A/B-Tests mit Guardrails
• Cold Start und Long Tail

Datenbasis und Feature-Design

• Event-Tracking für Nutzerinteraktionen
• Views, Clicks, Warenkörbe, Käufe
• Negative Signale und Deduplizierung
• Sessionisierung und Zeitbezug
• Feature Stores und Leakage-Vermeidung

Baselines und Fallback-Strategien

• Popularity, Trending und Co-Occurrence
• Heuristische Regeln als Referenz
• Segmentierung nach Kontextsignalen
• Device, Zeit und Kampagnen
• Fallbacks für leere Profile

Collaborative Filtering und Embeddings

• Implicit Feedback und Confidence
• Matrixfaktorisierung für Interaktionsdaten
• Nutzer- und Item-Embeddings
• Nearest Neighbors und ANN-Suche
• Skalierung großer Kandidatenmengen

Content-basierte und hybride Recommender

• Text-Embeddings für Item-Repräsentationen
• Bild-Embeddings für Katalogdaten
• Blending, Switching, Feature Augmentation
• Ähnlichkeit, Diversität und Serendipity
• Katalogdynamik und Aktualisierung

Retrieval, Ranking und Betrieb

• Two-Stage-Architekturen für Empfehlungen
• Kandidaten-Generierung und Ranking
• Pointwise und Pairwise Objectives
• Re-Ranking mit Constraints
• Precision@K, Recall@K, NDCG
• Drift, Bias und Feedback-Loops
• Latenzbudgets, Caching und Monitoring

• Grundkenntnisse in Machine Learning, Train/Test-Splits, Overfitting und Metriken
• Basiswissen in Datenanalyse, SQL oder Python
• Verständnis für digitale Produkte, Nutzerinteraktionen oder Katalogdaten hilfreich

• Data Scientists und Machine-Learning Engineers mit Produkt- oder Plattformbezug
• Data Engineers und Analytics Engineers für Tracking, Feature-Design und Datenpipelines
• Product Managerinnen und Product Manager für Search, Feed, Commerce oder Personalisierung
• Software Engineers für Integration, Deployment und Betrieb von Recommender-Systemen