Empfehlungs-System für eine Wiener E-Commerce-Bekleidungsmarke
Übersicht
Worum es bei diesem Projekt geht.
Sie erhalten 18 Monate Transaktionsdaten (220.000 Kund:innen × 4.800 Produkte), Produktstammdaten (Kategorie, Farbe, Material, Preis) und 50 Sample-Konversions-Sessions. Bauen Sie zwei Komponenten: (a) Item-Item-Collaborative-Filtering mit Kosinus-Ähnlichkeit auf einer User-Item-Matrix, (b) Content-Based-Fallback für Produkte mit weniger als 30 Käufen (basierend auf Produkt-Features). Implementieren Sie eine Hybrid-Logik, die je nach Datenlage zwischen den beiden umschaltet. Evaluieren Sie offline mit Leave-Last-Out-Validation: Recall@10 und MRR auf den 50 Sample-Sessions plus einer Held-out-Stichprobe. Diskutieren Sie ehrlich Cold-Start-Probleme. Liefern Sie Code, Evaluations-Bericht, eine Implementierungs-Empfehlung (Serving-Architektur: Batch-Precompute vs. Online), und ein Mock-up der Produktseiten-Integration.
Das Briefing
Was Du tust und was Du zeigst.
Wie sieht ein einfaches, erklärbares Recommender-System aus, das auf historischen Daten ein Recall@10 von mindestens 0,25 erreicht und ein klares Cold-Start-Verhalten zeigt?
Earning criteria — what you'll demonstrate
- Klassische Empfehlungs-Verfahren methodisch sauber implementieren
- Cold-Start-Probleme erkennen und durch Hybrid-Logik adressieren
- Offline-Evaluation mit realistischer Held-out-Strategie
- Serving-Architektur-Trade-offs für Empfehlungs-Systeme verstehen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenSoftware-Entwickler:in
Ein klassisches Recommender-System mit ehrlicher Cold-Start-Diskussion ist eine starke Junior-Portfolio-Arbeit für Stellen in E-Commerce, Medien und Marketplaces.
Dieses Projekt schärft
- recommender-systems
- collaborative-filtering
- applied-ml
Backend-Entwickler:in
Backend-Entwickler:innen mit Recommender-Erfahrung können Serving-Pipelines selbst designen — eine seltene und gut bezahlte Kombination.
Dieses Projekt schärft
- recommender-systems
- python
- feature-engineering
Noch eine Sache