Kundenfeedback im Online-Handel in Form von Produktrezensionen liefern wichtige Informationen über die Kundenwahrnehmung von Produkten. So beschreiben sie verwendete Materialien, Farben, die Passform, das Design und den Anwendungszweck eines Produkts. Das Kundenfeedback liegt hier in unstrukturierter Textform vor, weshalb zur Verarbeitung Ansätze aus dem Gebiet des Natural Language Processing und des maschinellen Lernens von Vorteil sind. In diesem Beitrag wird ein hybrider Ansatz zur Kategorisierung von Produktrezensionen vorgestellt, der die Vorteile des maschinellen Lernens des Word2Vec-Algorithmus und die der menschlichen Expertise vereint. Das daraus resultierende Datenmodell wird im Anschluss anhand einer Praxisanwendung zum Thema Produktempfehlungen demonstriert.

The performance of companies depends on the ability to leverage data to create insights and to target consumers with personalized messages Like marketing content or product offerings. One key element for personalized targeting are expressive user profiles, which are the basis for predictive models to estimate individual consumers’ preferences. Traditionally user profiles are mainly based on demographic attributes like age, gender, or occupation. Due to changes in society, consumers’ behaviors are less stable, and therefore these demographic factors are less effective. Alternatively, the consumers’ lifestyle has a significant impact on their purchase and consumption behavior. This paper investigates the relationship between Facebook Likes and the lifestyle of individuals based on the activity, interests, and opinion (AIO) model. Therefore, 14482 user-Like combinations from 214 participants were collected together with lifestyle information and a correlation analysis is conducted. The results indicate weak monotonic correlations between the AIO and the Like information.