Inhaltsempfehlungs-Engine Marktgröße

Marktanalyse für Content-Empfehlungs-Engines

Es wird erwartet, dass der Markt für Content-Empfehlungsmaschinen im Prognosezeitraum 2020–2025 eine jährliche Wachstumsrate von 25 % erreichen wird. Content-Empfehlungs-Engines gibt es schon seit einiger Zeit und werden kontinuierlich verbessert und aktualisiert, um Dienste entsprechend den individuellen Benutzerpräferenzen bereitzustellen. Es nutzt künstliche Intelligenz, um Inhalte nach Themen zu identifizieren und zu kategorisieren. Trotz der beträchtlichen Anzahl an Untersuchungen im Zusammenhang mit Empfehlungssystemen ist das spezifische Problem der Integration von Tags in Standardalgorithmen von Empfehlungssystemen, insbesondere in inhaltsbasierte, weniger erforscht als das Problem der Empfehlung von Tags. Folksonomies bieten neue Möglichkeiten im Bereich der Empfehlungssysteme, die dem erheblichen Wachstum Rechnung tragen können

• Die fortschreitende Digitalisierung in den Schwellenländern treibt den Markt an. Die Zahl der Menschen weltweit, die das Internet nutzen, ist auf rund 4,54 Milliarden gestiegen, was einem Anstieg von 7 % (298 Millionen neue Nutzer) im Vergleich zu Januar 2019 entspricht (Quelle Global Web Index). Darüber hinaus gibt es im Januar 2020 3,8 Milliarden Social-Media-Nutzer, und diese Zahl steigt jährlich um mehr als 9 % (321 Millionen neue Nutzer). Auch beim Online-E-Commerce-Kauf über mobile Geräte verzeichneten Indonesien, Thailand und die Philippinen im dritten Quartal 2019 mit 80 %, 69 % bzw. 66 % die meisten Nutzer. Solche Trends drängen die Akteure auf die Einführung einer Content-Empfehlungs-Engine, um den Umsatz, die Kundenbindung und den Traffic zu steigern.
• Darüber hinaus treibt der Funktionsvorteil gegenüber der kollaborativen Filterung den Markt an. Inhaltsbasierte Empfehlungsgeber nutzen nur die Bewertungen des aktiven Benutzers, um sein eigenes Profil zu erstellen. Stattdessen benötigen kollaborative Filtermethoden Bewertungen von anderen Benutzern, um die nächsten Nachbarn des aktiven Benutzers zu finden. Außerdem sind inhaltsbasierte Empfehlungsgeber in der Lage, Artikel zu empfehlen, die noch von keinem der Benutzer bewertet wurden. Infolgedessen leiden sie nicht unter dem Erstbewerterproblem, das kollaborative Empfehlungsgeber betrifft, die sich bei der Abgabe von Empfehlungen nur auf die Präferenzen der Benutzer verlassen.
• Allerdings stellt die begrenzte Inhaltsanalyse eine große Herausforderung für das Marktwachstum dar. Inhaltsbasierte Techniken haben eine natürliche Grenze in der Anzahl und Art der Funktionen, die automatisch oder manuell mit den von ihnen empfohlenen Objekten verknüpft sind. Dafür ist das Domänenwissen erforderlich. Kein inhaltsbasiertes Empfehlungssystem kann die passenden Vorschläge liefern, wenn der analysierte Inhalt nicht genügend Daten enthält, um Elemente, die dem Benutzer gefallen, von Elementen zu unterscheiden, die dem Benutzer nicht gefallen. Zusammenfassend lässt sich sagen, dass sowohl die automatische als auch die manuelle Zuweisung von Merkmalen zu Elementen möglicherweise nicht ausreichen, um Unterscheidungsaspekte von Elementen zu definieren, die sich als notwendig für die Weckung des Benutzerinteresses erweisen.
• Darüber hinaus hat sich der Markt während der COVID-19-Pandemie nicht verlangsamt, da die Kundenbindungsrate im E-Commerce-, Medien- und Unterhaltungssegment stark gestiegen ist, was der Einführung der Content-Recommendation-Engine-Plattform Rechnung trägt. Accenture geht davon aus, dass die Zahl der E-Commerce-Käufe von neuen und weniger häufigen Käufern um 160 % steigen wird. Auch die zunehmende Verbreitung der OTT-Plattform hat dem Markt Auftrieb gegeben. In Indien ist die Wahrscheinlichkeit, dass die meisten Benutzer nur dann auf ein kostenpflichtiges OTT-Audioabonnement umsteigen, höher, wenn die Gebühren etwa 25 Rupien pro Monat betragen. Außerdem sind 62 Prozent der befragten Verbraucher bereit, in der Pandemiezeit auf kostenpflichtige Abonnementmodelle umzusteigen.