Generating new product recommendations in online shops with topic models
- Recommending products that are helpful to customers and tailored to their needs is of pivotal importance for successful online retailing. Online purchase data is typically used to generate such recommendations. This dissertation studies two topic models that use purchase data to make product recommendations. The Author Topic Model (ATM) and Sticky Author Topic Model (Sticky ATM) are applied to the purchase data of an online retailer of animal health products, and their predictive performances are contrasted with those of the benchmark methods Unigram, Bigram, and Collaborative Filtering (CF). This work focuses on the generation of new product recommendations. To increase novelty in recommendations, a new pre-processing approach is presented. The data is prepared prior to model application such that more novel products are included in the recommendations. A total of six data preparation variants are tested. The key finding is that topic models are very competitive with the benchmark methods and outperform them with the data preparationRecommending products that are helpful to customers and tailored to their needs is of pivotal importance for successful online retailing. Online purchase data is typically used to generate such recommendations. This dissertation studies two topic models that use purchase data to make product recommendations. The Author Topic Model (ATM) and Sticky Author Topic Model (Sticky ATM) are applied to the purchase data of an online retailer of animal health products, and their predictive performances are contrasted with those of the benchmark methods Unigram, Bigram, and Collaborative Filtering (CF). This work focuses on the generation of new product recommendations. To increase novelty in recommendations, a new pre-processing approach is presented. The data is prepared prior to model application such that more novel products are included in the recommendations. A total of six data preparation variants are tested. The key finding is that topic models are very competitive with the benchmark methods and outperform them with the data preparation variant, where repetitively purchased items (repeat items) and customers with one item transaction (single-item customers) are eliminated from the data. Marketing practitioners should consider this pre-processing when implementing topic models as recommender models in their online shops.…
- Produktempfehlungen, die für Kunden hilfreich und auf ihre Bedürfnisse zugeschnitten sind, sind von zentraler Bedeutung für einen erfolgreichen Onlinehandel. Onlinebestelldaten werden in der Regel zur Generierung solcher Empfehlungen verwendet. In dieser Dissertation werden zwei Topic Modelle untersucht, die Bestelldaten für die Erstellung von Produktempfehlungen nutzen. Das Author Topic Model (ATM) und das Sticky Author Topic Model (Sticky ATM) werden auf Bestelldaten eines Onlinehändlers von Tiergesundheitsprodukten angewendet und ihre Vorhersagegenauigkeiten werden mit denen der Benchmark-Methoden Unigram, Bigram und Collaborative Filtering (CF) verglichen. Diese Arbeit konzentriert sich auf die Generierung neuer Produktempfehlungen. Um die Neuartigkeit der Empfehlungen zu erhöhen, wird ein neuer Ansatz der Datenaufbereitung vorgestellt. Die Daten werden vor der Modellanwendung so aufbereitet, dass mehr neuartige Produkte in die Empfehlungen aufgenommen werden. Insgesamt werden sechs Varianten der Datenaufbereitung getestet. DerProduktempfehlungen, die für Kunden hilfreich und auf ihre Bedürfnisse zugeschnitten sind, sind von zentraler Bedeutung für einen erfolgreichen Onlinehandel. Onlinebestelldaten werden in der Regel zur Generierung solcher Empfehlungen verwendet. In dieser Dissertation werden zwei Topic Modelle untersucht, die Bestelldaten für die Erstellung von Produktempfehlungen nutzen. Das Author Topic Model (ATM) und das Sticky Author Topic Model (Sticky ATM) werden auf Bestelldaten eines Onlinehändlers von Tiergesundheitsprodukten angewendet und ihre Vorhersagegenauigkeiten werden mit denen der Benchmark-Methoden Unigram, Bigram und Collaborative Filtering (CF) verglichen. Diese Arbeit konzentriert sich auf die Generierung neuer Produktempfehlungen. Um die Neuartigkeit der Empfehlungen zu erhöhen, wird ein neuer Ansatz der Datenaufbereitung vorgestellt. Die Daten werden vor der Modellanwendung so aufbereitet, dass mehr neuartige Produkte in die Empfehlungen aufgenommen werden. Insgesamt werden sechs Varianten der Datenaufbereitung getestet. Der zentrale Erkenntnisgewinn ist, dass Topic Modelle mit den Benchmark-Methoden sehr gut mithalten können und diese mit der Datenaufbereitungsvariante übertreffen, bei der wiederholt gekaufte Produkte (repeat items) und Kunden mit nur einem bestellten Produkt (single-item customers) aus den Daten eliminiert werden. Marketingpraktiker sollten diese Datenaufbereitung bei der Implementierung von Topic Modellen als Empfehlungsmodelle in ihren Onlineshops berücksichtigen.…
Author: | Fischer, Johanna |
---|---|
URN: | urn:nbn:de:bvb:824-opus4-6383 |
DOI: | https://doi.org/10.17904/ku.opus-638 |
Advisor: | Prof. Dr. Büschken, Joachim, Prof. Dr. Setzer, Thomas |
Document Type: | Doctoral thesis |
Language of publication: | English |
Online publication date: | 2020/09/14 |
Date of first Publication: | 2020/09/14 |
Publishing Institution: | Katholische Universität Eichstätt-Ingolstadt |
Awarding Institution: | Katholische Universität Eichstätt-Ingolstadt, Wirtschaftswissenschaftliche Fakultät |
Date of final examination: | 2020/08/05 |
Release Date: | 2020/09/14 |
Tag: | LDA; Latent Dirichlet Allocation; data preparation; online purchase data; online shops; recommender systems; topic models |
GND Keyword: | Empfehlungssystem; Electronic commerce; Datenaufbereitung |
Pagenumber: | vii, 155 Seiten : Diagramme |
Faculty: | Wirtschaftswissenschaftliche Fakultät / Wirtschaftswissenschaften |
Dewey Decimal Classification: | 3 Sozialwissenschaften / 33 Wirtschaft / 330 Wirtschaft |
JEL-Classification: | M Business Administration and Business Economics; Marketing; Accounting / M3 Marketing and Advertising / M31 Marketing |
License (German): | Keine Lizenz - es gilt das deutsche Urheberrecht |