@Richard: In meinem Beitrag geht’s eigentlich gar nicht um die Recommendations, sondern darum, dass Amazon falsche Daten über mich sammelt.

Amazon ist einfach ein smarter Einzelhändler, keine Weltanschauung. Ich zerbrech mir als Kunde doch nicht den Kopf über deren Empfehlungssystem. Das ist ja fast noch schlimmer, als sich als Amazonrezensent zu prostituieren.

Mathematische Modelle zur Generierung von Empfehlungen – ob nun statistische Verfahren oder Data-Mining – setzen zwangsläufig triviale Beziehungen voraus, da diese auf der Grundlage der Verhaltensweisen einer konstruierten “trivialen Maschine” funktionieren (siehe die vielen Publikationen von Heinz von Förster). Sobald jedoch Menschen und deren Umfeld mit im Spiel sind, handelt es sich nicht mehr um “triviale” und berechenbare Systeme. Menschen und deren Verhalten sind komplexe Systeme und sie handeln zudem in einem komplexen Kontext. Viele Elemente beeinflussen die Kaufentscheidung. Ein bestimmtes Produkt, welches man auf einem Geburtstag gesehen hat, der Kauf von Katzenfutter, weil ausnahmsweise mal eine Katze für ein paar Tage zu Besuch ist, eine bevorstehende Motto-Party oder ein Geschenk als Dankeschön für den Nachbarn. Mal bin ich preissensitiv, mal nicht, weil ich z.B. eine Bonuszahlung erhalten habe oder mir mal was gönnen möchte usw.

Diese kaufbeeinflussenden Ereignisse, bei denen der Kaufimplus auf externen Einflüssen oder Stimmungen basiert, machen den Gros der Käufe aus und finden meist nur einmalig statt. Kein System kann all diese durch Messungen des aktuellen Klickverhaltens, der Verbindung zu Facebook oder vergangener Käufe etc. vorhersehen und in die Berechnungen von Produktempfehlungen einfließen lassen.
Dies wird auch nicht besser, wenn die User in irgendwelche Schubladen bzw. „Like-Minded-Peers“ gesteckt werden. Die Hintergründe, warum der User ein Produkt „liked“, aus welchem Kontext heraus, welche Eigenschaften er toll findet und in welcher Relation er diese zu anderen Produkten sieht, bleibt einem solchen System weiterhin verschlossen.

Kaufentscheidungen entstehen nicht in einem geschlossenen System “amazon” oder „amazon in Verbindung mit facebook“ etc., sondern werden durch eine Vielzahl von anderen Einflüssen bestimmt.
Komplexe Systeme sind (wie der Physiker Heinz von Förster bewiesen hat) analytisch nicht erklärbar, da diese durch viele unbekannte Variablen beeinflusst werden – anders ist dies bei konstruierten und nach festen Bauplänen funktionierende Maschinen, wo sich bestimmte Abläufe aufgrund der linearen Beziehungen untereinander berechnen lassen. Die mathematischen Modelle unterstellen jedoch, dass Menschen wie triviale Maschinen funktionieren und handeln. So kommt es dann zwangsläufig zu so vielen unbrauchbaren z.B. auf Vergangenheitsdaten oder Klickdaten basierenden Empfehlungen. Dies ist ja auch u.a. einer der Punkte, weshalb die Suchergebnisse von Suchmaschinen so schlecht sind…

Mathematische Modelle unterliegen zudem auch zwangsläufig immer einer gewissen Willkür und Subjektivität des “Modellbauers” sowie des „Datenbereitstellers“. Welche Definitionen werden zugrunde gelegt (wer definiert die Definitionen und warum so und nicht anders), welche Variablen werden in die Berechnung mit einbezogen, welche nicht? Wie werden diese Daten gewichtet? Erfindet jemand neue Messmethoden oder entdeckt neue Daten bzw. deren noch „besseren“ Berechnungsweise usw.? Manche fangen an die WebCam des Nutzers zu aktivieren, um eine Maschine „sehen zu lassen“, mit wem man es zu tun hat (Modetyp, Farbtyp,…) und in welcher „Stimmung“ sich der Nutzer gerade befindet etc.. Es werden Rechner und Bertiebssystem oder der Freundeskreis mit einbezogen usw. Man kann nie genügend Daten sammeln. Man könnte immer mehr und feinere Daten sammeln und mit in die Berechnungen und Modelle einbeziehen. Irgendwann sagt dann jemand „stopp“ und verknüpft dann diese Daten miteinander (ob manuell oder auf Basis anderer mathematischer Modelle), gewichtet die Beziehungen evtl. noch und irgendwann ist dann das Modell fertig bzw. wird immer wieder weiterentwickelt, weil man wieder neue Daten entdeckt hat usw. Das eine Modell nimmt noch diese oder jene Daten hinzu, das andere noch andere usw…

Die Segmentierungen und Cluster in die die User gesteckt werden basieren auf ähnlichen – überspitzt formuliert – willkürlichen Abgrenzungen, da irgendwer bestimmt bzw. festlegt, wie groß die Cluster sind, welche Daten zur Abgrenzung herangezogen werden und welche nicht und wo diese Grenzen liegen (wo fängt bspw. bei einem Menschen die Hand an, wo hört sie auf – irgedwer hat dies einmal aufgrund bestimmter Kriterien festgelegt, obwohl man die Grenze auf Basis anderer Kriterien sicher hätte auch anders ziehen können). So zerlegt man die Welt (bzw. hier die User) in immer kleinere Stücke und Segmente und verliert den Überblick, obwohl alles und jeder in einem Ganzen eingebunden und miteinander verbunden ist…
Für das Abgleiten ins Philosophische möchte ich mich hiermit schon gleich entschuldigen… ;-)

daten werden allgemein in explicit und implicit unterschieden. implicit daten funktionieren besser da vorlieben aktiv vom user bereitgestellt werden (z.b. facebook / amazon like button).

i.a. basieren recommendations weniger uaf statistischen verfahren als auf data mining algorithmen. n=1 kann sein nur dass n aus 10tsd datenpunkten besteht (z.b. pro user/categorie/produkt wie lange hast du die seite angeschauht? bist du gleich wieder auf back button oder hast du runtergescrollt?) jeder user user bekommt sein eigenes modell uebergestuelpt.

das funktioniert so gut dass amazon 35% seines umsatzes durch recommendations erzielt.

@Hagen: deinem letzten satz fehlt die begruendung?

Beim Thema Personalosierung wird meist übersehen, wie statistische Verfahren funktionieren. Sie funktionieren nur in der Masse, d.h. es lassen sich durchaus aufgrund bestimmter Verhaltens- und Eigenschaftsmuster Kaufwahrscheinlichkeiten von Eigenschaftsgruppen berechnen. Wenn es jedoch um die Kaufwahrscheinlichkeit eines einzelnen Users geht, so gilt aber N=1. Zur Verdeutlichung hilft vielleicht ein Blick in die Versicherungsbranche. Hier werden bspw. zur Berechnung von Beitragssätzen die Sterbewahrscheinlichkeiten von Menschen berechnet, was statistisch für Personengruppen mit bestimmten Eingenschaften funktioniert. Wenn es jedoch darum geht vorherzusagen, wann eine bestimmte einzelne Person sterben wird, versagen die mathematischen Verfahren. 

Gruss
Richard