Mitarbeitervorsorge, Work-Life-Balance und Achtsamkeit sind in aller Munde und der Angebotskosmos von Fitness- und Entspannungsübungen floriert. Entsprechend schwer fällt es, genau jene Angebote zu finden, die nachhaltig und zielführend sind. Ein prädestiniertes Problem für ein Recommender System!

Mit der Apple Watch als Wearable und der dazugehörigen App haben wir eine Lösung entwickelt, die fundierte Empfehlungen ausspricht. Dafür tracken wir die physiologische Daten der User (Herzrate, Schlafanalyse, Respirationsrate, …) und berücksichtigen externe Faktoren (Umgebungsgeräusche, Lichtsituation, …). Die Daten werden analysiert und ein Empfehlungssystem aufgebaut.

Basis für den Empfehlungsalgorithmus sind Trainingsdaten, die wir mit einer spezifischen Fitness-App auf Wearables sammeln. Das Recommender System selbst folgt einem Model-based Ansatz aus dem Bereich des Collaborative Filtering. Wir nutzen die anonymisierten Daten aller User unserer App, um vergleichbare Profile zu finden und im Empfehlungsbackend durch Klassifikationsalgorithmen zu clustern. Diese Cluster verwenden wir dann, um situativ und cluster-spezifisch Trainingsempfehlungen auszusprechen.

Die Empfehlungsalgorithmik ist weitestgehend in Python implementiert. Zusätzlich nutzen wir die entsprechenden Machine-Learning-Frameworks. Die App zum Sammeln der Daten ist auf Basis des Cross-Platform-Framework Flutter umgesetzt und die Kommunikation mit der PostreSQL-Datenbank über Firebase implementiert. Um die sensiblen Gesundheitsdaten der Nutzer:innen zu schützen, setzen wir einen Public-Private-Key Rivest-Shamir-Adleman-Verschlüsselungsalgorithmus (RSA) ein.

Das Recommender System ist modular aufgebaut und kann verschiedenste Datensätze verarbeiten. So sind eine Vielzahl von Anwendungsfeldern denkbar, die über eine personalisierte Mitarbeitervorsorge hinausgehen. Die Art der Anwendung hängt ganz entscheidend von der Art der zugrundeliegenden Daten ab. Im medizinischen Bereich können physiologische Daten beispielsweise für gezielte Reha-Maßnahmen einen echten Mehrwert stiften.

Im klassischen Sinne können Empfehlungssysteme auf jeder Art von Plattform genutzt werden. So kann die Engagementrate der User maximiert werden, indem Recomender Systems einen nutzerzentrieren Mehrwert stiften. Bekannte Beispiele sind u. a. Netflix, Spotify und Youtube: Sie alle maximieren die Verweilzeit ihrer Nutzenden durch das Vorschlagen von personalisiertem Content.