Recommendation-System für einen DACH-E-Commerce-Marktplatz
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst anonymisierte Session-Daten (rund 18 Mio. Sessions, 6 Mio. unique User), Produktmetadaten und 90 Tage Conversion-Daten. Implementiere drei Modelle: (1) Item-kNN als Baseline, (2) Matrix Factorization mit implicit, (3) LightFM (hybrid mit Content-Features). Evaluiere mit Recall@20, MAP@20 und Coverage. Entwirf ein A/B-Test-Design mit Stratifikation nach User-Aktivitätsklasse und Power-Analyse. Liefere Modelle, Evaluations-Bericht und Test-Design-Dokument.
Das Briefing
Was Du tust und was Du zeigst.
Wie ersetzt man eine Regel-basierte Kategorie-Empfehlung durch ein Hybrid-Recommender-System und entwirft einen statistisch belastbaren A/B-Test?
Earning criteria — what you'll demonstrate
- Collaborative- und Content-Based-Filtering kombinieren statt isoliert anwenden
- Implicit-Feedback-Daten korrekt für MF und LightFM aufbereiten
- Offline-Metriken gegen Geschäftsziele kalibrieren (Coverage zählt!)
- A/B-Tests mit Stratifikation und Power-Analyse designen
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 RollenData Scientist
Ein Hybrid-Recommender mit ehrlicher Offline-Evaluation und A/B-Test-Design ist das Standard-Portfolio-Stück für E-Commerce-Data-Science-Stellen im DACH-Raum.
Dieses Projekt schärft
- recommendation-systems
- collaborative-filtering
- evaluation-metrics
AI Engineer
AI Engineers, die Recommender-Modelle produktiv betreiben, brauchen genau diese Mischung aus Modell-Training und A/B-Test-Diszipliniertheit.
Dieses Projekt schärft
- matrix-factorization
- recommendation-systems
- ab-testing
Produktmanager:in
Produkt-Manager:innen mit Verständnis für Empfehlungs-Metriken und A/B-Power-Analyse können mit Data-Teams auf Augenhöhe arbeiten — eine selten saubere Skill-Kombination.
Dieses Projekt schärft
- ab-testing
- evaluation-metrics
- recommendation-systems
Noch eine Sache