Verena Thürmel, Thomas Hess, Personalisierung von Medienangeboten imZeichen der digitalen Transformation (III): Die technische Perspektive in:

MedienWirtschaft, page 19 - 28

MW, Volume 17 (2020), Issue 1, ISSN: 1613-0669, ISSN online: 1613-0669, https://doi.org/10.15358/1613-0669-2020-1-19

Browse Volumes and Issues: MedienWirtschaft

Bibliographic information
•• Titelarchiv•mit•über•74.000•geschützten•Titeln •• aktuelle•Titel-Anmeldungen •• frische•News•über•Urteile,•Kanzleien,•Gesetze• und•Prozesse www.titelschutzanzeiger.de Ihr Portal für Medien & Recht§ EAZ Titelschutz_A4_Online_2017_NEU.indd 1 3/5/2020 12:07:46 PM 20 MedienWirtschaft 1/2020 Aufsätze Personalisierung von Medienangeboten im Zeichen der digitalen Transformation (III): Die technische Perspektive In Heft 2 und 3/2019 der MedienWirtschaft hatten wir die Thematik der Personalisierung von Medienangeboten aus unterschiedlichen Perspektiven beleuchtet, beginnend mit der öffentlich-rechtlichen Perspektive und sodann mit der kommunikativen und rechtlichen Perspektive. Wir hatten dabei die folgenden Akzente gesetzt: „Wir greifen mit dem Thema der Personalisierung von Medienangeboten einen Gegenstand auf, der für die klassischen Medienunternehmen von existenzieller Bedeutung ist. Wie schaffen sie es in der grenzenlosen digitalen Onlinewelt, bei den Mediennutzern mit ihren Angeboten als relevante Alternative wahrgenommen zu werden? Welche Vorkehrungen müssen sie treffen, um das Datenmanagement, den Einsatz von Algorithmen und Empfehlungssysteme für sich nutzbar zu machen? Wie können sie sich wappnen?“ In diesem Heft setzen wir die Serie fort und betrachten die Personalisierung von Medienangeboten aus der technischen Perspektive. Um die interdisziplinäre Sicht auf dieses wichtige Thema der digitalen Transformation zu vervollständigen, werden wir in einem Folgeheft auch die ökonomische Perspektive, dann fokussiert auf die Welt der Verlage, darstellen. Prof. Dr. Thomas Hess Ludwig-Maximilians-Universität München Institut für Wirtschaftsinformatik und Neue Medien thess@bwl.lmu.de Verena Thürmel, M.Sc. Ludwig-Maximilians-Universität München Institut für Wirtschaftsinformatik und Neue Medien thuermel@bwl.lmu.de© pr iva t © p riv at Schlüsselbegriffe: Personalisierung | Empfehlungssysteme | Innovation | Künstliche Intelligenz Technische Lösungen für die Personalisierung von Medienangeboten: Stand und reale Perspektiven Die Möglichkeit der Personalisierung von Medienangeboten ist eines der zentralen Themen der digitalen Transformation der Medienindustrie. Neue technologische Entwicklungen ermöglichen es, digitale Medienangebote, das heißt Inhalte, die über ein Medium transportiert und auf dem Endgerät des Kunden präsentiert werden, an die individuellen Bedürfnisse des Kunden anzupassen. Folglich nutzen viele digitale Medienunternehmen, wie beispielsweise Netflix, YouTube, Spotify oder LinkedIn, aber auch klassische Medienanbieter Personalisierungssysteme zur Individualisierung ihres digitalen Medienangebots. Personalisierungssysteme helfen dem Nutzer, trotz der ständig wachsenden Informationsflut im Internet, die passenden Inhalte auszuwählen, indem sie basierend auf dem Wissen über die Präferenzen des Nutzers und dem jeweiligen Nutzungskontext ein individualisiertes Medienangebot bereitstellen. Die Entwicklung von Personalisierungssystemen erfordert interdisziplinäres Wissen aus den Bereichen Künstliche Intelligenz, Mensch-Maschine-Interaktion, Data Mining, Statistik und Marketing. Seit über 15 Jahren entwickeln und erproben Experten Technologien zur Personalisierung von Medienangeboten. Einige dieser Technologien setzen sich durch, manche verschwinden nach kurzer Zeit wieder aus dem Angebot und manche erreichen nie den Markt. Ziel dieses Beitrags ist es, einen anwendungsorientierten Überblick über den Stand der aktuellen technischen Lösungen zur Personalisierung zu geben. 1/2020 MedienWirtschaft 21 Aufsätze 1 Anwendungskontext Die rasante Verbreitung des Internets hat in den letzten Jahren zu einer grundlegenden Veränderung des Medienkonsums geführt. Immer mehr Menschen konsumieren Medien online, anstatt sie klassisch über Zeitschriften, Radio oder Fernsehen zu beziehen. Dieser Wandel bringt ein stetig wachsendes Angebot an Medieninhalten mit sich. So können Kunden des Musikstreamingdienstes Spotify beispielweise zwischen über 50 Millionen Musiktiteln wählen.1 Die ZDF Mediathek bietet eine Auswahl von über 300 Sendungen2. Und Google News stellt seinen Lesern Nachrichten aus 4.500 verschiedenen Nachrichtenquellen zur Verfügung.3 Diese Informationsflut verstärkt den Wunsch der Nutzer nach personalisierten Angeboten, die auf ihre individuellen Bedürfnisse eingehen und den sogenannten „Information Overload“ reduzieren. Personalisierungssysteme ermöglichen es, Medienhinhalte an die individuellen Präferenzen des Nutzers anzupassen und ihm Inhalte zu präsentieren, die seinen persönlichen Interessen entsprechen.4 Dabei schätzen Personalisierungssysteme ab, basierend auf personenbezogenen Nutzerinformationen, wie der Nutzer einzelne Medieninhalte bewerten würde, und präsentieren ihm demzufolge ein personalisiertes Medienangebot, das eine Auswahl geeigneter Inhalte umfasst. Somit können die Suchkosten nach den passenden Inhalten reduziert und die Zufriedenheit mit dem Medienangebot maximiert werden. Unternehmen, die ihren Kunden aggregierte Medieninhalte zu Verfügung stellen, profitieren folglich von den Vorteilen der Personalisierung. Die höhere Wertschätzung des personalisierten Medienangebots führt zu einer stärkeren Kundenbindung und höheren Zahlungsbereitschaft der Nutzer. Nachdem der Artikel „Personalisierungssysteme“ in Ausgabe 3/2012 der MedienWirtschaft5 einen ersten Überblick zur Entwicklung von Personalisierungssystemen gegeben hat, ist es das Ziel dieses Artikels, die neusten technologischen Entwicklungen von Personalisierungssystemen vorzustellen und auf deren Nutzung und Akzeptanz einzugehen. Dabei ist zu beachten, dass die maximale Ausschöpfung neuer technologischer Möglichkeiten stets mit Vorsicht zu betrachten ist, da ein personalisiertes Medienangebot nicht nur Chancen, sondern auch Risiken mit sich bringen kann. Die personalisierte Filterung von Medieninhalten kann beispielsweise zu einer Reduzierung der Nachrichtenvielfalt und damit verbundener Informationsblindheit führen. Die selektive Auswahl und Darstellung von Infor- 1 https://newsroom.spotify.com/company-info/ 2 https://www.zdf.de/ 3 https://www.lifewire.com/google-news-1616809 4 Chellappa, R. K., & Sin, R. G. (2005). Personalization versus privacy: An empirical examination of the online consumer’s dilemma. Information Technology And Management, 6(2-3), 181–202. 5 Hess, T., & Oechslein, O. (2012). Personalisierungssysteme. MedienWirtschaft, 9(3), 36–39. mationen, die sich durch die Personalisierung ergibt, stellt insbesondere für öffentlich-rechtliche Rundfunkanbieter ein zentrales Problem dar.6 Einerseits müssen öffentlichrechtliche Medienanbieter ihrem Publikum ein zeitgemä- ßes, digitales Medienangebot bereitstellen, um mit digitalen Medienanbietern wie YouTube und Netflix konkurrieren zu können. Andererseits ist es eine zentrale demokratiepolitische Aufgabe öffentlich-rechtlicher Medienanbieter, ein breites Informationsangebot zu gewährleisten. Daher müssen öffentlich-rechtliche Rundfunkanbieter bei der Selektion und Darstellung eines personalisierten Medienangebots stets die demokratiepolitische Relevanz des Medienangebots beachten, wofür nicht nur technische, sondern auch redaktionelle Expertise bei der Gestaltung von Personalisierungssystemen erforderlich ist. Außerdem sehen viele Nutzer die Speicherung personenbezogener Daten als Bedrohung ihrer Privatsphäre. Doch auch wenn Datenschutzbedenken sowie die Reduzierung der Informationsvielfalt eine wichtige Rolle bei der Personalisierung von Medienangeboten spielen, liegt der Fokus dieses Artikels auf den technologischen Möglichkeiten und deren gegenwärtigen Nutzung. Um auf die Bedenken der Nutzer einzugehen, sollten Medienunternehmen allerdings stets anstreben, das Vertrauen der Kunden zu gewinnen und sie davon zu überzeugen, weder die Informationsvielfalt einzuschränken noch leichtfertig mit personenbezogenen Kundendaten umzugehen. Ist dieses Vertrauen geschaffen, bieten Personalisierungssysteme ein großes Potenzial für Medienunternehmen. Die technologischen Entwicklungen der letzten Jahre ermöglichen es, dieses Potenzial noch besser auszuschöpfen. 2 Technischer Hintergrund Die Personalisierung von Inhalten setzt sich aus einem dreistufigen, iterativen Prozess zusammen.7 In einem ersten Schritt werden in Form von Daten umfassende Informationen über den Nutzer gesammelt. Diese Daten werden in verwertbares Wissen konvertiert, das sowohl das Nutzerprofil mit Angaben zu den Präferenzen des Nutzers als auch den temporären Nutzungskontext umfasst. In einem nächsten Schritt wird basierend auf dem Wissen über die Präferenzen des Nutzers und seinem momentanen Nutzungskontext ein personalisiertes Medienangebot aus den verfügbaren Medieninhalten zusammengestellt und dem Nutzer präsentiert. Moderne Personalisierungs- 6 Pöchhacker, N., Geipel, A., Burkhardt, M., & Passoth, J.-H. (2018). Algorithmische Vorschlagssysteme und der Programmauftrag: zwischen Datenwissenschaft, journalistischem Anspruch und demokratiepolitischer Aufgabe. In: R. Mohabbat Kar, B. E. P. Thapa, & P. Parycek (Hrsg.), (Un)berechenbar? Algorithmen und Automatisierung in Staat und Gesellschaft (S. 417–439). Berlin: Fraunhofer-Institut für Offene Kommunikationssysteme FOKUS, Kompetenzzentrum Öffentliche IT (ÖFIT). 7 Adomavicius, G., & Tuzhilin, A. (2005). Personalization technologies: a process-oriented perspective. Communications Of The ACM, 48(10), 83–90. 22 MedienWirtschaft 1/2020 Aufsätze systeme umfassen meist noch eine Feedbackschleife, die es ermöglicht den Personalisierungsprozess kontinuierlich zu verbessern. In diesem Schritt wird erfasst, wie zufrieden der Nutzer mit dem personalisierten Medienangebot ist, um das Wissen über die Präferenzen des Nutzers, das heißt das Nutzerprofil, anzupassen und somit zukünftige Personalisierungen zu optimieren. Wie sehr die vorgeschlagenen Inhalte den tatsächlichen Bedürfnissen des Nutzers entsprechen, ist von den technischen Lösungen abhängig, die in den drei Phasen des Personalisierungsprozesses eingesetzt werden. Das beschriebene Personalisierungssystem ist, wie in Abbildung 1 dargestellt, in die Systemarchitektur des Medienunternehmens integriert, die sich bei großen Medienanbietern meist aus einem Content Management System, einem Customer Relationship Management System und einem Enterprise Resource Planning System zusammensetzt. Das Content Management System stellt dem Personalisierungssystem Medieninhalte zur Verfügung, während das Customer Relationship Management System personenbezogene Kundendaten dokumentiert und verwaltet. Abb. 1: Konzept eines Personalisierungssystems bei Medienunternehmen Quelle: Eigene Darstellung 3 Technische Lösungen zur Datenerfassung Um dem Nutzer Medieninhalte zu präsentieren, die auf seine persönlichen Interessen zugeschnitten sind, werden in einem ersten Schritt eine Vielzahl an Daten über den Nutzer und seinen Nutzungskontext gesammelt. Hierbei setzen Personalisierungssysteme meist auf eine Kombination mehrerer Techniken zur Datenerfassung, um ein möglichst umfassendes Bild zu erhalten.8 Die einfachste Art, an Informationen über den Nutzer zu gelangen, ist die Erfassung expliziter Daten. Hierbei stellen Nutzer dem Anbieter explizit Informationen über sich und ihre Interessen zur Verfügung, indem sie beispielsweise Medieninhalte liken, bewerten oder ranken. Außerdem können explizite Daten basierend auf den Log-In-Daten des Nutzers, die er in seinem Nutzerkonto hinterlegt hat, erfasst werden. Diese expliziten Informationen bilden das Nutzerprofil. Ein Nachteil expliziter Daten ist allerdings, dass ihre Bereitstellung einen gewissen Aufwand seitens des Nutzers erfordert. 8 Lavie, T., Sela, M., Oppenheim, I., Inbar, O., & Meyer, J. (2010). User at-titudes towards news content personalization. International Journal Of Human- Computer Studies, 68(8), 483–495. 1/2020 MedienWirtschaft 23 Aufsätze Darüber hinaus sind nicht alle Nutzer bereit, Informationen über sich selbst und ihre persönlichen Interessen zur Verfügung zu stellen. Daher werden neben expliziten Daten meist auch implizite Daten erhoben. Diese erfordern keine aktive Beteiligung des Nutzers an der Datenerfassung, sondern leiten Informationen basierend auf seinem Verhalten ab. Anhand der abgeleiteten Informationen wird ein Nutzerprofil erstellt bzw. das auf Basis der expliziten Informationen erhaltene Nutzerprofil erweitert. So erkennt Netflix die Begeisterung für eine neue Serie beispielsweise nicht nur an der positiven Bewertung, sondern auch daran, dass der Nutzer die neue Staffel in nur zwei Tagen konsumiert. Zur Ableitung von Interessen können die unterschiedlichsten Aspekte des Nutzerverhaltens analysiert werden, wie beispielsweise der Browserverlauf, das Scroll-Verhalten, Mausbewegungen oder die benötigte Lesedauer für einen Artikel. Etablierte Verfahren zur Erfassung impliziter Daten sind beispielsweise Geo-Targeting oder Cookies. Da die Datenschutzgrundverordnung (DSGVO), die eine Zustimmung des Nutzers zur Erfassung bestimmter Cookies voraussetzt, die Nutzung von Cookies erschwert, werden zunehmend alternative browserbasierte Tracking-Technologien wie beispielsweise Fingerprinting, eTags und Authentic Cache verwendet.9 Neue Technologien wie Künstliche Intelligenz und Machine Learning ermöglichen es außerdem, die Präferenzen des Nutzers nicht nur basierend auf seinem Browsing-Verhalten, sondern auch basierend auf weiteren Verhaltensmustern wie beispielsweise Gesichtsausdruck und Stimmlage abzuleiten. Mit Hilfe moderner technischer Systeme zur Emotionserkennung können, neben demographischen Merkmalen wie Alter und Geschlecht, Gefühle und Stimmungen anhand der Mimik und Stimmlage des Nutzers bestimmt werden. Das aus einer Initiative des MIT Media Lab entstandene Unternehmen Affectiva hat beispielsweise ein technisches System entwickelt, das es ermöglicht, zwanzig verschiedene Gesichtsausdrücke zu erfassen und darauf basierend sieben Emotionen zu erkennen.10 Der Automobilhersteller Kia nutzt dieses System als Teil seines neuen Real-time Emotion Adaptive Driving Konzepts, welches anhand von Mimik, Puls und elektrodermalen Aktivitäten die aktuelle Stimmungslage des Passagiers erfasst, um darauf basierend den Innenraum des Autos an seine momentanen Bedürfnisse anzupassen.11 Ein anderes Beispiel ist das Münchner Unternehmen audEERING, dessen technisches System fünfzig verschiedene Emotionszustände mit Hilfe einer KI-basierten Audioanalyse an der Stimme des Nutzers erkennt.12 Auch dieses System wird bereits von vielen Unternehmen, wie beispielsweise Huawei, BMW, GfK und Ipsos, zur Erfassung von Emotionen genutzt. Diese neuen Verfahren der intelligenten Emotionserkennung ermöglichen es, die momentane Gefühlslage des Nutzers in Echtzeit zu identifizieren und somit die Personalisierung von Inhalten zu präzisieren. Auch große Medienunternehmen haben das Potenzial dieser Systeme erkannt:13 Apple kaufte beispielsweise 2016 das Start-Up Emotient, das basierend auf Gesichtszügen Emotionen in Echtzeit erkennt. Und auch Amazon entwickelt momentan eine Technologie, die die Stimme des Nutzers analysiert und basierend darauf Rückschlüsse auf seinen gesundheitlichen und emotionalen Zustand zieht. Neben der Auswertung des Browsing-Verhaltens und weiterer Verhaltensmuster wie Gesichtsausdruck und Stimmlage ermöglicht die Verbreitung mobiler Geräte eine dritte Art der impliziten Datenerfassung: Sensordaten. Moderne Smartphones enthalten eine Vielzahl leistungsstarker Sensoren, die es ermöglichen große Mengen an Daten über den Nutzer zu sammeln. Die meisten Smartphone-Nutzer sind sich vieler dieser Sensoren, die permanent im Hintergrund Daten über sie erfassen, gar nicht bewusst. Zu den häufigsten Sensoren zählen beispielsweise der Helligkeitssensor, der Neigungssensor, der Rotationssensor, der Beschleunigungssensor, der GPS-Sensor, der Magnetfeldsensor und der Spannungsmesser, der den aktuellen Ladestand des Smartphones bestimmt. Hinzu kommen fitnessbezogene Sensoren, die beispielsweise Herzfrequenz und Sauerstoffgehalt im Blut bestimmen. Basierend auf diesen Sensordaten können Informationen bezüglich des Nutzungskontextes sowie Informationen zum Nutzerverhalten abgeleitet werden.14 So kann mit Hilfe der Beschleunigungsdaten beispielsweise bestimmt werden, ob ein Nutzer sitzt, läuft oder fährt. In Kombination mit den GPS-Daten verraten die Beschleunigungsdaten außerdem, welches Verkehrsmittel genutzt wird. Auch soziale Interaktionen zwischen Individuen können basierend auf Bluetooth- und Beschleunigungsdaten bestimmt werden. Zusammengenommen ermöglichen es explizite und implizite Daten, ein umfassendes Bild des Nutzers, seiner Präferenzen und seines Nutzungskontextes zu erfassen. Neue technische Systeme wie Gesichts- und Spracherkennung sowie die Erfassung von Sensordaten bieten die Möglichkeit, ein noch umfangreicheres Bild als Grundlage für die Bereitstellung personalisierter Inhalte zu erhalten. 9 Bauer, C., Breuer, M., Diebold, D., Eickmeier, F., Klekamp, J., Maucher, S. A., & Wegmann, T. (2015). Browsercookies und alternative Tracking-Technologien: technische und datenschutzrechtliche Aspekte, BVDW Whitepaper of September 2015. 10 https://developer.affectiva.com/metrics/ 11 http://pr.kia.com/en/future/future/emotive-driving-ces.do 12 https://www.audeering.com/what-we-do/ 13 https://www.multichannel.com/news/future-personalized-media-411311 14 Lathia, N. (2015). The anatomy of mobile location-based recommender systems. In Recommender Systems Handbook (pp. 493-510). Springer, Boston, MA. 24 MedienWirtschaft 1/2020 Aufsätze 4 Technische Lösungen zur Auswahl personalisierter Inhalte Im Anschluss an die Datenerfassung werden basierend auf den resultierenden Datenbeständen mithilfe sogenannter Empfehlungssysteme personalisierte Inhalte für den Nutzer ausgewählt. Klassische Empfehlungssysteme folgen einem zweidimensionalen Empfehlungsalgorithmus, der anhand des Nutzerprofils und der verfügbaren Medieninhalte nutzerspezifische Empfehlungen generiert.15 Der Empfehlungsalgorithmus sagt basierend auf den Präferenzen des Nutzers voraus, welche Medieninhalte der Nutzer voraussichtlich am besten bewerten würde und empfiehlt die jeweiligen Inhalte. Empfehlungssysteme folgen hierbei verschiedenen Ansätzen zur Generierung von personalisierten Empfehlungen.16 Beim Content Based Filtering Ansatz werden dem Nutzer Medieninhalte vorgeschlagen, die den Inhalten ähnlich sind, für die sich der Nutzer in der Vergangenheit interessiert hat. Dieser Ansatz hat aber den Nachteil, dass zu Beginn nicht ausreichend Informationen über die Präferenzen des Nutzers vorliegen, um eine Empfehlung zu generieren. Außerdem besteht die Gefahr, dass dem Nutzer immer wieder sehr ähnliche Inhalte vorgeschlagen werden und er in eine sogenannte „Filterblase“ gerät. Diese Probleme löst der Collaborative Filtering Ansatz, bei dem Medieninhalte angezeigt werden, die Nutzer mit ähnlichen Präferenzen für gut befunden haben. Der Nachteil dieses Ansatzes ist allerdings, dass keine Inhalte empfohlen werden können, die zuvor von noch keinem anderen Nutzer bewertet wurden. Oft wird daher auch der Hybrid Filtering Ansatz verwendet, der Content Based und Collaborative Filtering Methoden kombiniert, um die jeweiligen Nachteile zu minimieren. Da klassische Empfehlungssysteme das passende Medienangebot nur anhand der Informationen über das Nutzerprofil auswählen, orientieren sich die generierten Empfehlungen ausschließlich an den statischen Präferenzen des Nutzers. Allerdings sind Präferenzen und Bedürfnisse oft auch vom jeweiligen Nutzungskontext abhängig und verändern sich je nachdem in welcher Situation sich der Nutzer befindet. So könnte ein Nutzer morgens auf dem Weg in die Arbeit beispielsweise energetische Popmusik bevorzugen, während er an regnerischen Sonntagen langsame, melancholische Musik vorzieht. Daher ist es von Vorteil, wenn Empfehlungen nicht nur auf den statischen Präferenzen des Nutzers basieren, sondern dynamisch an den jeweiligen Kontext angepasst werden. Daher nutzen moderne Empfehlungssysteme meist einen mehrdimensionalen Empfehlungsalgorithmus, der zusätzlich zu den verfügbaren Medieninhalten und dem Nutzerprofil eine weitere Dimension miteinbezieht: den Kontext.17 Um die Medieninhalte zu empfehlen, die der Nutzer voraussichtlich am besten bewerten würde, orientiert sich der Empfehlungsalgorithmus daran, in welchem Kontext der Nutzer welche Inhalte bevorzugt. Somit ist das Ziel moderner Empfehlungssysteme nicht mehr nur das Auswählen passender Inhalte basierend auf den Präferenzen des Nutzers, sondern dem Nutzer im richtigen Moment die passende Empfehlung zu geben. Die Grundlage dafür bilden, wie bei den klassischen Empfehlungssystemen, Content Based, Collaborative oder Hybrid Filtering Ansätze. Der Unterschied liegt darin, dass die Empfehlungen auf einem kontextbezogenen Nutzerprofil basieren, das die Nutzerpräferenzen in verschiedenen Kontexten umfasst. Die kontextbezogenen Informationen können in fünf verschiedene Kategorien aufgeteilt werden: Ort, Zeit, Aktivität, soziales Umfeld und Emotionen.18 Zum einen können personalisierte Inhalte darauf angepasst werden, an welchem Ort sich ein Nutzer befindet. Der Nachrichtendienst The New York Times berücksichtigt bei der Personalisierung des Medienangebots auf seiner Webseite und in seiner App beispielsweise den Standort des Lesers, um ihm die für ihn relevantesten Nachrichten anzuzeigen.19 Des Weiteren kann der Miteinbezug der zeitlichen Dimension die Qualität personalisierte Inhalte verbessern, indem das Medienangebot an die Tageszeit, den Wochentag oder die Jahreszeit angepasst wird. Auch diese Information wird von The New York Times genutzt, um dem Leser zur Tageszeit passende Artikel vorzuschlagen. Außerdem können Empfehlungssysteme basierend auf der aktuellen Aktivität des Nutzers die passenden Inhalte auswählen. Die Musik-App Spring erfasst beispielsweise die GPS-Koordinaten des Nutzers beim Joggen und berechnet dementsprechend seine Geschwindigkeit, um die zum Laufrhythmus passende Musik abzuspielen.20 Auch Netflix passt seine Filmempfehlung, wie in Abbildung 2 dargestellt, an den jeweiligen Nutzungskontext an. Basierend auf Informationen darüber, wann der Nutzer wo auf welchem Device bestimmte Filme sieht, prognostiziert der Streamingdienst mithilfe von Deep Learning, welcher Film den Nutzer in einer bestimmten Situation interessieren könnte.21 So sieht ein Nutzer morgens auf dem Weg in die Arbeit 15 Adomavicius, G., & Tuzhilin, A. (2011). Context-aware recommender systems. In Recommender Systems Handbook (pp. 217-253). Springer, Boston, MA. 16 Balabanovi, M., & Shoham, Y. (1997). Content-based, collaborative recommendation. Communications Of The ACM, 40(3), 66–72. 17 Adomavicius, G., & Tuzhilin, A. (2011). Context-aware recommender systems. In Recommender Systems Handbook (pp. 217–253). Springer, Boston, MA. 18 Sassi, I. B., Mellouli, S., & Yahia, S. B. (2017). Context-aware recommender systems in mobile environment: On the road of future research. Information Systems, 72, 27–61. 19 https://open.nytimes.com/how-the-new-york-times-is-experimenting-withrecommendation-algorithms-562f78624d26 20 https://apps.apple.com/us/app/spring-music-for-fitness/id60004232120 21 Basilico, J. (2019). Recent Trends in Personalization: A Netflix Perspective. Adaptive and Multi-Task Learning (AMTL) Workshop at ICML 2019 in Long Beach, CA. 1/2020 MedienWirtschaft 25 Aufsätze auf seinem Smartphone beispielsweise meist kurzweilige Serien, während er abends auf der Couch dramatische Spielfilme bevorzugt. Auch der Miteinbezug von Informationen über die sozialen Beziehungen des Nutzers wie beispielsweise Freunde, Nutzer mit ähnlichen Interessen oder seinem Verhalten in sozialen Netzwerken wie Facebook oder LinkedIn können Empfehlungsalgorithmen optimieren. So werden LinkedIn-Nutzern in ihrem Newsfeed beispielsweise priorisiert Inhalte von anderen Nutzern angezeigt, mit denen sie besonders viel interagieren oder die ähnliche persönliche Interessen und Erfahrungen haben.22 Die fünfte Kategorie kontextbezogener Informationen bilden die Emotionen des Nutzers. Wie oben beschrieben ermöglichen es neue Technologien, umfangreiche Informationen über die momentane Gefühlslage eines Nutzers zu erfassen. Da Emotionen sehr dynamisch sind und stark von der jeweiligen Situation abhängen, bietet der Miteinbezug von Emotionen eine gute Möglichkeit, personalisierte Inhalte noch besser an die momentanen Nutzerbedürfnisse anzupassen. Amazon hat 2018 eine Technologie patentieren lassen, die es dem Sprachassistenten Alexa ermöglicht, Emotionen wie Glück, Freude, Wut, Kummer, Trauer, Angst, Ekel, Langeweile und Stress an der Stimme des Nutzers zu erkennen und dementsprechend passende Werbungen zu platzieren.23 Ein weiterer vielversprechender Anwendungsbereich ist die Gaming-Branche. Wie in Abbildung 3 dargestellt, kann der Spielverlauf bei Videospielen an die Emotionen der Spieler angepasst werden, indem Ereignisse ausgelöst werden, die der momentanen Stimmung des Spielers entsprechen.24 5 Technische Lösungen zur Wirkungsmessung und Anpassung Künstliche Intelligenz und Machine Learning ermöglichen es, basierend auf den Reaktionen des Nutzers, den Empfehlungsalgorithmus stetig zu verbessern. So ist kein explizites Feedback zu den empfohlenen Medieninhalten notwendig, sondern das vorhandene Wissen über die Präferenzen des Nutzers kann in Echtzeit basierend auf seinem impliziten Feedback angepasst werden. Hört der Nutzer ein empfohlenes Lied, sieht eine vorgeschlagene Serie oder klickt auf einen empfohlenen Artikel, wertet das System diese Reaktion als positives Feedback und passt das Nutzerprofil dementsprechend an. Somit haben Empfehlungen einerseits zum Ziel die momentanen Bedürfnisse des Nutzers zu befriedigen, andererseits dienen Abb. 2: Kontextbezogene Personalisierung bei Netflix Quelle: Basilico (2019) 22 https://news.linkedin.com/2019/January/what-s-in-your-linkedin-feed- -people-you-know--talking-about-this 23 https://www.bloomberg.com/news/articles/2019-05-23/amazon-is-working-on-a-wearable-device-that-reads-human-emotions 24 https://www.audeering.com/wp-content/uploads/2019/10/entertAIn-FactSheet_EN.pdf 26 MedienWirtschaft 1/2020 Aufsätze Abb. 3: Personalisierung von Videospielen bei audEERING Quelle: basierend auf https://www.audeering.com/ sie aber auch als Grundlage zur Verbesserung zukünftiger Empfehlungen.25 Klassische Personalisierungssysteme sind bisher dem „Greedy“-Ansatz gefolgt, das heißt sie haben sich nur darauf konzentriert, basierend auf dem vorhandenen Wissen über den Nutzer die am wahrscheinlich interessantesten Inhalte zu präsentieren. Langfristig kann der Miteinbezug des Nutzerfeedbacks zu unbekannten Inhalten die Performance eines Personalisierungssystems allerdings verbessern. Daher zeichnen sich neuere Personalisierungssysteme dadurch aus, dass sie dem „Exploration-Exploitation“-Ansatz folgen, indem sie die richtige Balance zwischen dem Ausschöpfen vorhandener Informationen und dem Erforschen der Nutzerpräferenzen finden. So wird das Personalisierungssystem von The New York Times beispielsweise von einem selbstlernenden Algorithmus unterstützt, der versucht, die richtige Balance zwischen den zwei Optionen „Anzeigen des am wahrscheinlich interessantesten Artikels“ und „Austesten eines anderen Artikels zur Verbesserung des Algorithmus“ zu finden.26 Dabei werden meist die Artikel vorgeschlagen, die voraussichtlich das höchste Engagement beim Leser hervorrufen, aber teilweise auch Artikel, bei denen die Leserreaktion noch unklar ist, um das Wissen über die Präferenzen des Lesers zu erweitern. Dadurch, dass dem Nutzer nicht wie beim klassischen „Greedy“-Ansatz immer der der Prognose nach beste Artikel angezeigt wird, lernt das System, wie der Nutzer auf andere Artikel reagiert und kann schneller auf Änderungen in den Nutzerpräferenzen reagieren und neue Möglichkeiten austesten. Dieses Vorgehen ermöglicht es zu sehr geringen Kosten das Wissen über die Präferenzen des Nutzers stetig zu erweitern und das Personalisierungssystem zu verbessern. 6 Ausblick Wie dieser Beitrag zeigt, hat es der technische Fortschritt der letzten Jahre ermöglicht, technische Lösungen in allen drei Stufen des Personalisierungsprozesses stetig weiterzuentwickeln und zu verbessern und somit eine noch passgenauere Personalisierung von Medienangeboten zu realisieren. Wie in Abbildung 4 dargestellt, werden einige dieser technischen Lösungen bereits von vielen Medienunternehmen zur Personalisierung ihrer digitalen Medienangebote genutzt, einige gewinnen zunehmend an Popularität, und manche befinden sich noch in der Anfangsphase und werden anhand erster Prototypen erprobt. Neue technische Lösungen zur Datenerfassung bieten Medienunternehmen die Möglichkeit, die Bedürfnisse der Nutzer besser zu erkennen und zu verstehen. Während das Erfassen personenbezogener Daten explizit über die Datenbereitstellung des Nutzers und implizit über die Auswertung des Browsing-Verhaltens bereits weit verbreitet sind, setzen sich zunehmend neue technische Lösungen zur Erfassung von Nutzerdaten durch. So wird die Auswertung von Sensordaten mobiler Geräte, wie beispielsweise GPS-Daten, bereits vermehrt zur Personalisierung von Werbung genutzt. Und auch Medienunternehmen nutzen den GPS-Standort des Nutzers, um seinen momentanen Aufenthaltsort bestimmen oder wie bei der Musik-App Spring die Laufgeschwindigkeit zu berechnen. Die Datenerfassung über Spracherkennung spielt insbesondere in Hinblick auf die Verbreitung von Sprachassistenten eine zunehmend bedeutende Rolle. Sprachassistenten werden immer häufiger in Smart-Home-Endgeräte, wie beispielsweise Smart-TVs, Wearables, aber auch Haushaltsgeräte 25 Wang, X., Wang, Y., Hsu, D., & Wang, Y. (2014). Exploration in interactive personalized music recommendation: a reinforcement learning approach. ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM), 11(1), 7. 26 https://open.nytimes.com/how-the-new-york-times-is-experimenting-withrecommendation-algorithms-562f78624d26 1/2020 MedienWirtschaft 27 Aufsätze Abb. 4: Technologische Entwicklungen des Personalisierungsprozesses Quelle: Eigene Darstellung wie Waschmaschinen oder Rasenmäher integriert.27 Und auch im Straßenverkehr spielt Sprach- und Gestensteuerung eine immer wichtigere Rolle. Das BMW Natural Interaction System, das voraussichtlich ab 2021 im BMW iNEXT integriert sein wird, lässt den Fahrer beispielsweise über Sprache, Gesten und Blicke mit dem Auto interagieren.28 In Kombination mit Künstlicher Intelligenz und Machine Learning bietet die Interaktion über Sprache, Mimik und Gestik Medienunternehmen eine vielversprechende Grundlage, noch umfassendere Informationen über ihre Nutzer anhand von Sprach- und Gesichtserkennung zu erfassen. Das zunehmende Interesse großer Medienunternehmen wie Apple, Amazon und Google, die bereits erste Prototypen zur Sprach- und Gesichtserkennung erproben, unterstreicht das große Potenzial dieser Technologien. Auch im Hinblick auf die Empfehlungsalgorithmen zur Auswahl personalisierter Inhalte haben sich Personalisierungssysteme in den letzten Jahren weiterentwickelt. Klassischerweise basierten Personalisierungssysteme auf einem zweidimensionalen Empfehlungsalgorithmus, der sowohl die statischen Nutzerpräferenzen als auch die verfügbaren Medieninhalte berücksichtigte. Im Gegensatz dazu sind moderne Empfehlungsalgorithmen mehrdimensional und beziehen unterschiedliche Kontextvariablen, wie Ort, Zeit, Aktivität, soziales Umfeld und Emotionen des Nutzers, in die Personalisierung mit ein. So wird bei der Wahl personalisierter Medieninhalte beachtet, dass die Präferenzen des Nutzers dynamisch sind und vom jeweiligen Nutzungskontext abhängen. Durch die Verbreitung mobiler Endgeräte spielt der Einbezug des Nutzungskontextes eine zunehmend wichtigere Rolle, da Medien nicht mehr nur zu Hause, sondern auch unterwegs über Smartphones, Tablets oder Wearables konsumiert werden. Außerdem ermöglichen es autonome Fahrzeuge, dass die Passagiere die gewonnene Fahrzeit zum Medienkonsum nutzen. Auch in diesem Zusammenhang spielt kontextbezogene Personalisierung eine wichtige Rolle. Wie das Beispiel von Kia zeigt, können kontextbezogene Informationen wie beispielsweise Emotionen genutzt werden, um das Entertainment-System des Autos an die momentanen Bedürfnisse des Passagiers anzupassen. Schon heute nutzen Medienunternehmen zunehmend kontextbezogene Nutzerdaten zur Personalisierung ihrer Angebote. Vor allem der Miteinbezug von Kontextinformation wie Ort, Zeit, dem genutzten Endgerät 27 https://www.zeit.de/digital/mobil/2018-08/smart-speaker-internationalefunkausstellung-berlin-technik-neuheiten 28 https://www.press.bmwgroup.com/austria/article/detail/T0292305DE/ natuerliche-und-vollstaendig-multimodale-interaktion-mit-dem-fahrzeugund-der-umgebung-auf-dem-mobile-world-congress-2019-praesentiertdie-bmw-group-erstmals-bmw-natural-interaction?language=de 28 MedienWirtschaft 1/2020 Aufsätze und dem sozialen Umfeld sind bereits weit verbreitet. Medienunternehmen wie Amazon, Apple und Google zeigen außerdem großes Interesse an emotionsbasierter Personalisierung und entwickeln und testen erste Prototypen. Technologische Entwicklungen ermöglichen es außerdem, den Empfehlungsalgorithmus stetig zu verbessern. Während klassische Personalisierungssysteme dem „Greedy“- Ansatz folgten und dem Nutzer stets die am besten bewertete Option präsentierten, verbessern neuere Systeme den Empfehlungsalgorithmus kontinuierlich, indem sie die richtige Balance zwischen dem Ausschöpfen vorhandener Informationen und dem Erforschen der Nutzerpräferenzen halten. Diese „Exploitation-Exploration“-Strategie wird bereits von vielen digitalen Medienunternehmen, wie Spotify und Netflix, aber auch zunehmend von klassischen Medien unternehmen, wie The New York Times, bei der Personalisierung des Medienangebots eingesetzt. Literatur Affectiva (2020). Emotion AI 101: All About Emotion Detection and Affectiva’s Emotion Metrics. Abgerufen von https://blog.affectiva.com/emotionai-101-all-about-emotion-detection-and-affectivas-emotion-metrics, 15.01.2020. Adomavicius, G., & Tuzhilin, A. (2005). Personalization technologies: A process oriented perspective. Communications Of The ACM, 48(10), 83–90. Adomavicius, G., & Tuzhilin, A. (2011). Context-aware recommender systems. In Recommender Systems Handbook (S. 217-253). Springer, Boston, MA. Apple App Store (2020). Spring Running Music. Abgerufen von https://apps. apple.com/us/app/spring-music-for-fitness/id600042321, 03.02.2020. audEERING (2020). Feel the game: Intelligent emotion detection for unity. Abgerufen von https://www.audeering.com/wp-content/uploads/2019/10/ entertAIn-FactSheet_EN.pdf, 15.01.2020. audEERING (2020). What we do. Abgerufen von https://www.audeering.com/ what-we-do/, 17.01.2020. Balabanovi, M., & Shoham, Y. (1997). Content-based, collaborative recommendation. Communications Of The ACM, 40(3), 66–72. Basilico, J. (2019). Recent Trends in Personalization: A Netflix Perspective. Adaptive and Multi-Task Learning (AMTL) Workshop at ICML 2019 in Long Beach, CA. Bauer, C., Breuer, M., Diebold, D., Eickmeier, F., Klekamp, J., Maucher, S. A., & Wegmann, T. (2015). Browsercookies und alternative Tracking-Technologien: Technische und datenschutzrechtliche Aspekte. BVDW Whitepaper of September 2015. BMW Group (2019). Natürliche und vollständig multimodale Interaktion mit dem Fahrzeug und der Umgebung. Auf dem Mobile World Congress 2019 präsentiert die BMW Group erstmals BMW Natural Interaction. Abgerufen von https://www.press.bmwgroup.com/austria/article/detail/T0292305DE/natuerliche-und-vollstaendig-multimodale-interaktion-mit-dem-fahrzeug-undderumgebung-auf-dem-mobile-world-congress-2019-praesentiert-diebmwgroup-erstmals-bmw-natural-interaction?language=de, 10.01.2020. Brown, S. (2018): The future of personalized media. Abgerufen von https://www. multichannel.com/news/future-personalized-media-411311, 15.01.2020. Chellappa, R. K., & Sin, R. G. (2005). Personalization versus privacy: An empirical examination of the online consumer’s dilemma. Information Technology And Management, 6(2-3), 181–202. Coenen, A. (2019). How The New York Times is Experimenting with Recommendation Algorithms. Abgerufen von https://open.nytimes.com/howthe-new-york-times-is-experimenting-with-recommendation-algorithms- 562f78624d26, 03.02.2020. Davies, P. (2019). What’s in your LinkedIn Feed: People You Know, Talking About Things You Care About. Abgerufen von https://news.linkedin.com/2019/ January/what-s-in-your-linkedin-feed--people-you-know--talking-about-thi, 16.01.2020. Hegemann, L. (2018). Sie sprechen mit den Stimmen der Tech-Konzerne. Abgerufen von https://www.zeit.de/digital/mobil/2018-08/smart-speakerinternationale-funkausstellung-berlin-technik-neuheiten, 16.01.2020. Hess, T., & Oechslein, O. (2012). Personalisierungssysteme. MedienWirtschaft, 9(3), 36–39. Karch (2019): All About Google News. Abgerufen von https://www.lifewire.com/ google-news-1616809, 10.01.2020. Kia (2020). Amplify your joy with emotive driving. Abgerufen von http://pr.kia. com/en/future/future/emotive-driving-ces.do, 16.01.2020. Lathia, N. (2015). The anatomy of mobile location-based recommender systems. In Recommender Systems Handbook (S. 493-510). Springer, Boston, MA. Lavie, T., Sela, M., Oppenheim, I., Inbar, O., & Meyer, J. (2010). User attitudes towards news content personalization. International Journal of Human-Computer Studies, 68(8), 483–495. Matt, D. (2019). Amazon Is Working on a Device That Can Read Human Emotions. Abgerufen von https://www.bloomberg.com/news/articles/2019-05-23/ amazon-is-working-on-a-wearable-device-that-reads-human-emotions, 03.02.2020. Pöchhacker, N., Geipel, A., Burkhardt, M., & Passoth, J.-H.r. (2018). Algorithmische Vorschlagssysteme und derProgrammauftrag: zwischen Datenwissenschaft, journalistischem Anspruch und demokratiepolitischer Aufgabe. In R. Mohabbat Kar, B. E. P. Thapa, & P. Parycek (Hrsg.), (Un)berechenbar? Algorithmen und Automatisierung in Staat undGesellschaft (S. 417-439). Berlin: Fraunhofer-Institut für Offene Kommunikationssysteme FOKUS, Kompetenzzentrum Öffentliche IT (ÖFIT). Sassi, I. B., Mellouli, S., & Yahia, S. B. (2017). Context-aware recommender systems in mobile environment: On the road of future research. Information Systems, 72 (2017), 27–61. Spotify (2020). Company Info. Abgerufen von https://newsroom.spotify.com/ company-info/, 10.01.2020. Wang, X., Wang, Y., Hsu, D., & Wang, Y. (2014). Exploration in interactive personalized music recommendation: A reinforcement learning approach. ACM Transactions on Multimedia Computing, Communications, and Applications (TOMM), 11(1), 1–22. ZDF (2020). Abgerufen von https://www.zdf.de/, 10.01.2020.

Zusammenfassung

Die Möglichkeit der Personalisierung von Medienangeboten ist eines der zentralen Themen der digitalen Transformation der Medienindustrie. Neue technologische Entwicklungen ermöglichen es, digitale Medienangebote, das heißt Inhalte, die über ein Medium transportiert und auf dem Endgerät des Kunden präsentiert werden, an die individuellen Bedürfnisse des Kunden anzupassen. Folglich nutzen viele digitale Medienunternehmen, wie beispielsweise Netflix, YouTube, Spotify oder LinkedIn, aber auch klassische Medienanbieter, Personalisierungssysteme zur Individualisierung ihres digitalen Medienangebots. Personalisierungssysteme helfen dem Nutzer, trotz der ständig wachsenden Informationsflut im Internet, die passenden Inhalte auszuwählen, indem sie basierend auf dem Wissen über die Präferenzen des Nutzers und dem jeweiligen Nutzungskontext ein individualisiertes Medienangebot bereitstellen.

References

Zusammenfassung

MedienWirtschaft - Zeitschrift für Medienmanagement und Medienökonomie