Leimstoll, Uwe

Profilbild
E-Mail-Adresse
Geburtsdatum
Projekt
Organisationseinheiten
Berufsbeschreibung
Nachname
Leimstoll
Vorname
Uwe
Name
Leimstoll, Uwe

Filter

2007 - 20082
Filter zurücksetzen

Einstellungen

Autor:in: Stormer, Henrik × Thema: CRM ×

Suchergebnisse

Gerade angezeigt 1 - 2 von 2
  • Vorschaubild
    Publikation
    Profile und Technologien der Personalisierung
    (Fachhochschule Nordwestschweiz FHNW, Hochschule für Wirtschaft, Institut für Wirtschaftsinformatik, 2008) Leimstoll, Uwe; Stormer, Henrik; Schneider, Raoul; Pülz, Michael; Quade, Michael H.
    Personalisierungsfunktionen dienen dazu, Inhalte und Funktionen einer Website an die spezifischen Bedürfnisse einzelner Nutzer anzupassen. Um solche Funktionen realisieren zu können, müssen Kundenprofile aufgebaut und mit geeigneten Technologien verarbeitet werden. Der Arbeitsbericht beschreibt Profile und Verarbeitungstechnologien, die in B2B- und B2C-Onlineshops eingesetzt werden können. Er entstand im Rahmen des Forschungsprojekts PersECA II (Personalisierung von E-Commerce-Appplikationen) der Fachhochschule Nordwestschweiz FHNW. Der KTI/CTI (Kommission für Technologie und Innovation am Bundesamt für Berufsbildung und Technologie - BBT) danken wir für die finanzielle Unterstützung des Projekts.
    05 - Forschungs- oder Arbeitsbericht
  • Vorschaubild
    Publikation
    Collaborative Recommender Systems for Online Shops
    (2007) Leimstoll, Uwe; Stormer, Henrik [in: Proceedings of the 13th Americas Conference on Information Systems]
    Recommender systems are often used in electronic shops in order to suggest similar or related products, potentially interesting products for a given customer or a set of products for a marketing campaign. Most recommender systems use the collaborative filtering method in order to provide the personalization information. The collaborative filtering method is a very efficient and convenient way of achieving personalization as there is no need to introduce semantic information about the products or to manually link products and users together. In the last years, a number of optimizations for collaborative filtering techniques have been developed. This paper collects the ideas and shows which of them could be integrated successfully in order to optimize a collaborative recommender system for online shops.
    04B - Beitrag Konferenzschrift