Das Projekt untersucht aus analytischer, konzeptioneller und technischer Sicht die Realisierung eines situationsspezifischen Empfehlungssystems, welches sich an den Stresslevel und damit Empfänglichkeit des Kunden für Produktempfehlungen anpasst.
Motivation:
Der boomende E-Commerce und die fortschreitende Digitalisierung fordern den stationären Handel. Daher sind überzeugende Services gefragt, um den Kunden in die Geschäfte zu locken. Ein Smart Service, welcher in den letzten Jahren vor allem im E-Commerce an Bedeutung gewonnen und den Einzug in den stationären Handel gefunden hat, ist das Recommender-System bzw. das mobile Empfehlungssystem. Hierbei werden dem Kunden, basierend auf der bisherigen Einkaufshistorie, Produktempfehlungen gegeben. Das Einkaufserlebnis bzw. die Einkaufssituation im Geschäft selbst unterscheidet sich jedoch von der im Online-Shop. So ist u.a. das Potential für erhöhten Stress, aufgrund der körperlichen und geistigen Anstrengung während des Einkaufs, der überfüllten Läden, der langen Schlangen an den Kassen sowie der Tatsache, dass der Kunden nur wenig Zeit zum Einkaufen zur Verfügung hat, sehr hoch. Bisherige Ansätze vernachlässigen die Empfänglichkeit bzw. Stimmung des Kunden während des Einkaufs, um die Platzierung von Produktempfehlungen auf mobilen Geräten zu optimieren.
Zielsetzung:
Das Projekt untersucht aus analytischer, konzeptioneller und technischer Sicht die Realisierung eines situationsspezifischen Empfehlungssystems, welches sich an den Stresslevel und damit Empfänglichkeit des Kunden für Produktempfehlungen anpasst. Ein Schwerpunkt dieses Projektes liegt daher auf der Analyse des Kundenverhaltens während des Einkaufens aus einer neurowissenschaftlichen Perspektive, um die Stimmung/Stresslevel und Empfänglichkeit des Kunden zu analysieren und somit Produktempfehlungen zu geben, wenn der Kunde hierfür empfänglich ist. Darüber hinaus sollen für die Produktempfehlung die Daten in einem geschlossenen System auf dem mobilen Endgerät des Kunden lokal gespeichert und mithilfe von Methoden des Maschinellen Lernens analysiert werden, sodass der Kunde die volle Kontrolle über seine persönlichen Daten behält.
Partner
Media-Saturn
