Die Karte hinter der Karte: Wie Outdooractive mit einem Knowledge Graph für 300 Euro im Monat personalisiert

Worum es in dieser Folge geht

Stefan Neubig bringt eine seltene Kombination mit: Industrierealität und Forschung in Personalunion. Er ist Head of Data Engineering und AI bei Outdooractive, einer der größten Outdoor-Tourismus-Plattformen Europas — und promoviert parallel an der TU München zu Empfehlungssystemen und der Frage, wie man die erklärbar macht.

Genau an diesem Schnittpunkt sitzt diese Folge. Mich interessiert weniger der Buzzword-Begriff „Knowledge Graph" als die Praxis dahinter: Wie baut man so ein System, was braucht man dafür — und was kostet eigentlich der Betrieb?

Die Storyline

Was Outdooractive eigentlich ist

Outdooractive hat zwei Seiten. Die bekannte ist die B2C-App mit Wanderportal und Tourenplanung. Die zweite ist ein erstaunlich großes B2B-Geschäft: Destinationen und Partner stellen ihre Inhalte ein, bekommen Reichweite — und arbeiten beim Thema Besucherlenkung mit. Eine Destination will eben nicht, dass alle durch gesperrte Wege gehen oder dass ein Ort overcrowded und der nächste leer ist.

Der Knowledge Graph: 92 Millionen Knoten

Stefan hat das Thema Knowledge Graph aus einem Forschungsinstitut mitgebracht. Ein Knoten ist eine Tour, ein Point of Interest, eine Region oder ein Nutzer; die Kanten sind die Relationen und Interaktionen dazwischen — ein Nutzer hat auf eine Tour geklickt, ist sie gegangen, hat sie heruntergeladen. Darüber liegt eine Ontologie, also ein Graph-Schema, das definiert, welche Knoten und Kanten erlaubt sind und wie sie zusammenhängen.

Auf diesem Graphen trainiert ein Graph Neural Network und berechnet die Wahrscheinlichkeit für jede mögliche Kante: Wie wahrscheinlich klickt dieser Nutzer auf diese Tour, lädt sie herunter, geht sie wirklich? Das ist ein hybrider Recommender — er verbindet Content-Ähnlichkeit und kollaboratives Filtern in einem Modell.

300 Euro im Monat — warum das Schema teurer ist als die Server

Jetzt die Zahl, auf die ich in der Folge hinauswollte. Der Graph wird einmal pro Woche neu trainiert, die Inferenz läuft jede Nacht, die Embeddings liegen in einer ClickHouse-Datenbank, die ohnehin da ist.

Genau das ist der Punkt: kein Datenkopieren, kaum Mehrkosten gegenüber dem, was ohnehin existiert. Der Aufwand steckt im Denken — das Schema zu entwerfen, kann ein halbes Jahr dauern und ist ein iterativer Prozess.

Als der Recommender scheiterte

Der ehrlichste Moment der Folge: Auf die Frage nach dem krassesten Aha-Effekt antwortet Stefan nicht mit einem Erfolg, sondern mit einem Misserfolg. In einem Experiment zur Besucherlenkung, zusammen mit der Hochschule Kempten, spielte das Team Warnmeldungen aus — „hier wird es voll".

Knappheit zieht an. Erst als die Empfehlung umformuliert wurde — mit konkreten, emotionalen Nachteilen (kein Parkplatz, Stau) und mit erklärten Alternativen, warum genau diese andere Tour zu dir und zu jetzt passt — funktionierte die Lenkung. Und an dieser Stelle zahlt die semantische Schicht über dem Graphen ihren Preis zurück: Sie liefert die Bausteine für gute, nachvollziehbare Erklärungen, gerade in Kombination mit einem LLM.

Vom Knowledge Graph zum Agenten-Fundament

Stefans eigentliche Vision reicht weiter als der Recommender. Outdooractive hat seine bestehende API in einen MCP-Wrapper gepackt, damit Agenten sie nutzen können. Das Learning: Agenten werden erstaunlich gut darin, Tools zu kombinieren — stoßen aber an Grenzen, wenn die API keine komplexen Beziehungsfilter kennt.

Die Anfrage „eine Wandertour mit diesen Eigenschaften, aber in einer Region, in der es am nächsten Wochenende mindestens 15 Grad hat und die Sonne scheint" lässt sich über eine klassische API nicht in einem Rutsch auflösen. Ein Knowledge Graph mit einer Abfragesprache wie Cypher oder SPARQL kann genau das. Stefans Hypothese: Der Graph wird mittelfristig das Fundament der agentischen Architektur — auch SAP hat zuletzt erklärt, der Knowledge Graph habe als Modell gewonnen.

Warum mich das besonders umtreibt

Mich treibt um, wie konsequent diese Folge eine Wahrheit bestätigt, die sich durch fast alle meine Gespräche zieht: Der Vorsprung liegt nicht in der Rechenleistung. 92 Millionen Knoten für 300 Euro im Monat — das ist keine Frage des Budgets, sondern der Modellierung und der Datendisziplin davor. Wer das Schema baut, baut den Graben.

Und dann ist da der Mut, den eigenen besten Recommender erst mal als gescheitert zu bezeichnen. Stefan hätte die Erfolgsgeschichte erzählen können. Stattdessen zeigt er, dass eine Empfehlung ohne Erklärung wirkungslos bleibt — und manchmal sogar das Gegenteil bewirkt. Für mich ist das die größere Lektion als jede Architektur-Folie: Erklärbarkeit ist nicht der Bericht hinterher, sie ist der Wirkmechanismus selbst. Genau deshalb glaube ich, dass die semantische Schicht — Ontologien, Graphen — kein Nischenthema bleibt, sondern das Fundament der nächsten Stufe wird.

Jetzt reinhören