Netresearch ist Teil des vom Bundesministerium geförderten Forschungsprojektes LEDS - Linked Enterprise Data Services. Im Rahmen des Projektes sind wir für die E-Commerce Use Cases verantwortlich und suchen praktische Einsatzmöglichkeiten für semantisch vernetzte Datendienste in elektronischen Geschäftsprozessen.
Insgesamt hat Netresearch 5 Use Cases definiert, welche im Rahmen von LEDS umgesetzt werden sollen. Im Fokus steht die Verbesserung der Usability und der Funktionen des Online-Shops aus Sicht des Händlers und natürlich auch aus Sicht des Kunden.
Nachfolgend stellen wir Ihnen unsere 5 E-Commerce Use Cases vor, welche in den nächsten zwei Projektjahren umgesetzt werden sollen. Wir sind gespannt auf Ihre Meinung dazu und freuen uns über Feedback und Interesse. Bei Anregungen zur Verbesserung oder neuen Anwendungsideen, können Sie uns gern kontaktieren oder einen Kommentar hinterlassen.
Use Case 1: Business Data Integration
Die Business Data Integration soll vor allem großen Unternehmen mit gewachsener IT-Struktur Zeit, Mühe und vor allem Kosten sparen. Um die eingesetzten IT-Systeme unterschiedlicher Hersteller nachhaltig zu integrieren, wurden bislang sogenannte Middlewares eingesetzt. Diese hinken im Vergleich zu den Systemen jedoch häufig hinterher, was Aktualität und Funktionsumfang angeht. Zudem reduzieren Sie die Updatefähigkeit und erschweren damit die Weiterentwicklung und Optimierung der IT-Infrastruktur. Ein weiterer Nachteil von Middlewares ist der hohe Kostenfaktor bei der Entwicklung solch individueller Lösungen.
Mithilfe der Business Data Integration könnte man hier Abhilfe schaffen. Der Grundgedanke dabei ist, dass semantische Datenformate, welche von allen eingesetzten Systemen gelesen werden können, als Grundlage für die Kommunikation untereinander dienen. Die Erstellung und Erweiterung der Daten könnte so unabhängig von den Systemen erfolgen. Um dies umzusetzen wären lediglich Konnektoren notwendig, die die Datenströme der einzelnen Systeme in semantische Formate formatieren bzw. wieder zurück konvertieren. Als gemeinsames Datenformat könnte beispielsweise CSV oder XML genutzt werden, welche von vielen Systemen bereits standardmäßig über Import- und Exportschnittstellen verarbeitet werden können. Eine individuelle Anpassung der Systeme könnte so umgangen werden.
Funktionsschema Linked Enterprise Data Integration
In der Abbildung sehen Sie ein Beispiel einer solchen typischen IT-Systemlandschaft und wie diese mittels Business Data Integration optimiert werden könnte. Die Einzelsysteme sind über deren Schnittstellen mit dem Enterprise Service Bus (kurz ESB) verbunden. Der ESB wandelt die eingehenden semistrukturierten Daten in strukturierte, semantische RDF-Daten um. Anschließend werden diese in einem Data Lake eingespeist. Umgekehrt ruft er die Daten mittels SPARQL-Abfragen wieder aus dem Data Lake ab und transformiert sie in das für das entsprechende System benötigte Format.
Den Data Lake können auch andere Anwendungen nutzen. Dies wäre im Vergleich bei der klassischen Umsetzung über Middlewares nicht möglich. Auf der Abbildung sehen Sie in blau beispielhaft ein Master Data Management (MDM), Content Augmentation (CA) und Business Intelligence Anwendungen, welche Zugriff auf die Daten haben.
Use Case 2: Content Augmentation
Der Use Case Content Augmentation soll Redakteure und Content Marketing Beauftragte in ihrer täglichen Arbeit unterstützen. Diese müssen täglich meist unstrukturierte Daten verarbeiten und auf deren Aktualität prüfen. Das nimmt viel Zeit in Anspruch. Dabei ist die Schnelligkeit und die Qualität der Text-Erstellung ein geschäftskritischer Faktor im E-Commerce.
Im Rahmen des Use Cases sollen Methoden und Hilfsmittel entwickelt werden, die den Redakteur durch teil- und vollautomatische Prozesse unterstützen. Denkbar wäre beispielsweise, dass bereits beim Schreiben passende Daten und Informationen aus semantischen Datenquellen teil- oder vollautomatisch vorgeschlagen, eingebunden und verknüpft werden. So werden die Texte automatisch mit wichtigen Informationen angereichert und der Redakteur erhält passende Informationen für das Formulieren des Textes angezeigt.
Use Case 3: Master Data Management
Bei der Konzeption und Modellierung von Produkten in Online-Shops ist viel Fachkenntnis im Bereich Shop- und Content-Management und natürlich auch im Marketing gefragt. Zudem müssen auch genaue Kenntnisse zu den Produkten und deren Eigenschaften vorliegen. Werden Artikel falsch angelegt, führt dies zu einer schlechten Sichtbarkeit in Suchmaschinen und zu hohen Abbruchraten im Online-Shop.
Um das Anlegen der Artikel und der zugehörigen Artikeleigenschaften, auch Attribute genannt, zu vereinfachen, können semantische Produktinformationen genutzt werden. Mit deren Hilfe können dem Redakteur Attribute und Attributgruppen empfohlen werden, welche aus den Produktdaten anderer Shops stammen. Basierend auf dem Produkt selbst oder der Produktklasse können passende Produkte und Klassifikationen ermittelt und deren Werte dem Redakteur bei der Anlage der Artikel vorgeschlagen werden. Die Werte und Empfehlungen kann er dann selbst auswählen oder ablehnen. Diese Art der Unterstützung spart dem Redakteur viel Zeit bei der Klassifizierung und der Pflege von Produkten.
Use Case 4: Semantic Search
Die Pflege einer guten Suchfunktion in Online-Shops erfordert viel Zeit und Konzeption. Klassische und standardisierte Suchfunktionen matchen häufig nur Wörter mit ähnlichen Wortstämmen. Synonyme und ähnliche Begriffe führen in den Suchfunktionen vieler Shops leider kaum zu passenden Ergebnissen.
Im Rahmen des Use Case Semantic Search, soll eine Suche entwickelt werden, welche die Schlagworte mit passenden Hintergrundwissen für das Matching mit den Suchbegriffen anreichert. Dieses Wissen stammt bspw. aus der Open Data Cloud oder anderen Datenquellen. Die Suche nach dem Begriff “Matchbox” würde in einem Shop mit klassischer Suchfunktion zu keinen Ergebnissen führen, wenn der Händler nicht genau diese Marke an Spielzeugautos anbietet. Die Semantic Search jedoch würde erkennen, dass es sich um Spielzeugautos handelt und über die Suche auch alternative Vorschläge anderer Marken liefern. Dies bringt sowohl einen Mehrwert für den Kunden, als auch für den Händler.
Use Case 5: Recommendation Engine
Bisher gab es zwei Möglichkeiten, Artikelempfehlungen im Online-Shop zu pflegen. Man kann sie entweder manuell einpflegen und passende Artikel verknüpfen oder diesen Prozess in aufwendigen und mehr oder weniger erfolgreichen Algorithmen abbilden. Bisher bestand also die Wahl zwischen einem hohen manuellen Aufwand oder geringen Trefferquoten.
LEDS wird im Rahmen des Use Cases Recommendation Engine versuchen, wie bei der Semantic Search auch, Hintergrundwissen zu Entitäten einzusetzen, um nach bestimmten Regeln passende Entitäten vorzuschlagen. Die Recommendation Engine könnte nicht nur Daten aus dem Shop oder CMS selbst, sondern Daten aller Systeme nutzen, die Inhalte in den Data Lake einspeisen. So könnten auch automatisch individuelle Artikelempfehlungen auf Grundlage von Interessen aus den Daten Ihres CRM oder Empfehlungen anhand der Verkaufszahlen Ihres ERP gemacht werden.
Wir freuen uns auf Ihre Meinung zu unseren Use Cases mit Linked Data und hoffen, dass sie künftig das Leben der Onlinehändler vereinfachen und verbessern können.
