Einverständniserklärung zu Cookies, Daten- und Trackinginformationen Wir verwenden Cookies, um Inhalte und Anzeigen zu personalisieren. Beim Besuch dieser Webseite werden Informationen gespeichert. Bei der Darstellung von Produkten werden Bilder von an anderen Webseiten geladen. Um das zu ermöglichen, ist es nötig, dass ihr Browser Verbindungen zu anderen Servern aufbaut und dorthin Daten überträgt. Die Verarbeitung der an Kostenscout.de gesendeten Daten erfolgt zur Leistungserbringung, zu statistischen sowie werbetechnischen Zwecken. Wenn Sie auf der Seite weitersurfen, stimmen Sie der Cookie-Nutzung und Datenverarbeitung zu. Datenschutzinformationen ansehen
How to identify the most relevant recommender systems? Recommender systems, such as “customers who bought this item also bought…“; are omnipresent in the internet and play a vital role in the online consumer purchase decision. Single web pages normally offer many recommender systems in parallel. The vast variety of in-use decision making systems is driven by sheer technological possibility. Space constraints emerge with a continuously increasing number of available recommender systems and are enforced by the smaller screen sizes on mobile devices. The crucial question becomes - how to implement only the most relevant recommender systems – yet the question still waits for a comprehensive answer. This dissertation takes up the challenge. It turns away from the software engineer perspective of creating one-size-fits-all solutions and takes up the business perspective of managing choice instead. Questions addressed are: How relevant are available recommender systems to my customers? At what point in the purchase is each needed most? What should I deploy to serve my customers best? Sophie Ahrens shows that recommender system relevance is influenced by the underlying technology, purchasing context, and user characteristics in decision making. She delivers a framework that matches recommender systems and customer needs to increase online sales. Her book starts with a thorough literature review on recommender system, world-of-mouth, and consumer behavior research. It then presents a typology to classify recommender systems. A conceptual framework is developed to explain recommender system relevance drawing on theories pertaining to technology acceptance, consumer behavior, interpersonal persuasion and information processing. Five empirical studies employing innovative s and various data sources test and support its explanatory power. Findings are conveyed into a management tool to guide the optimal choice of recommender systems in practice.
Die bei uns gelisteten Preise basieren auf Angaben der gelisteten Händler zum Zeitpunkt unserer Datenabfrage. Diese erfolgt einmal täglich. Von diesem Zeitpunkt bis jetzt können sich die Preise bei den einzelnen Händlern jedoch geändert haben. Bitte prüfen sie auf der Zielseite die endgültigen Preise.
Die Sortierung auf unserer Seite erfolgt nach dem besten Preis oder nach bester Relevanz für Suchbegriffe (je nach Auswahl).
Für manche Artikel bekommen wir beim Kauf über die verlinkte Seite eine Provision gezahlt. Ob es eine Provision gibt und wie hoch diese ausfällt, hat keinen Einfluß auf die Suchergebnisse oder deren Sortierung.
Unser Preisvergleich listet nicht alle Onlineshops. Möglicherweise gibt es auf anderen bei uns nicht gelisteten Shops günstigere Preise oder eine andere Auswahl an Angeboten.
Versandkosten sind in den angezeigten Preisen und der Sortierung nicht inkludiert.
* - Angaben ohne Gewähr. Preise und Versandkosten können sich zwischenzeitlich geändert haben. Bitte prüfen sie vor dem Kauf auf der jeweiligen Seite, ob die Preise sowie Versandkosten noch aktuell sind.
