Dieser Beitrag wurde von Hesham Fahim von Thomson Reuters mitverfasst.
ThomsonReuters (TR) ist eine der weltweit vertrauenswürdigsten Informationsorganisationen für Unternehmen und Fachleute. Es bietet Unternehmen die Intelligenz, Technologie und menschliche Expertise, die sie benötigen, um vertrauenswürdige Antworten zu finden und schneller bessere Entscheidungen zu treffen. Die Kunden von TR erstrecken sich über die Finanz-, Risiko-, Rechts-, Steuer-, Buchhaltungs- und Medienmärkte.
Thomson Reuters bietet marktführende Produkte in der Steuer-, Rechts- und Nachrichtenkampagne an, für die sich Benutzer über ein Abonnement-Lizenzmodell anmelden können. Um dieses Erlebnis für seine Kunden zu verbessern, wollte TR eine zentralisierte Empfehlungsplattform schaffen, die es seinem Vertriebsteam ermöglicht, seinen Kunden die relevantesten Abonnementpakete vorzuschlagen und Vorschläge zu generieren, die dazu beitragen, das Bewusstsein für Produkte zu schärfen, die ihren Kunden helfen könnten, den Markt besser zu bedienen maßgeschneiderte Produktauswahl.
Vor dem Aufbau dieser zentralisierten Plattform verfügte TR über eine alte regelbasierte Engine zur Generierung von Verlängerungsempfehlungen. Die Regeln in dieser Engine waren vordefiniert und in SQL geschrieben, was nicht nur eine Herausforderung bei der Verwaltung darstellte, sondern auch Schwierigkeiten hatte, mit der Verbreitung von Daten aus den verschiedenen integrierten Datenquellen von TR fertig zu werden. TR-Kundendaten ändern sich schneller, als sich die Geschäftsregeln weiterentwickeln können, um die sich ändernden Kundenanforderungen widerzuspiegeln. Die Hauptanforderung für die neue auf maschinellem Lernen (ML) basierende Personalisierungs-Engine von TR konzentrierte sich auf ein genaues Empfehlungssystem, das aktuelle Kundentrends berücksichtigt. Die gewünschte Lösung wäre eine mit geringem Betriebsaufwand, der Fähigkeit, Geschäftsziele schneller zu erreichen, und einer Personalisierungs-Engine, die ständig mit aktuellen Daten trainiert werden könnte, um mit sich ändernden Verbrauchergewohnheiten und neuen Produkten umzugehen.
Die Personalisierung der Verlängerungsempfehlungen basierend auf wertvollen Produkten für die Kunden von TR war eine wichtige geschäftliche Herausforderung für das Vertriebs- und Marketingteam. TR verfügt über eine Fülle von Daten, die für die Personalisierung verwendet werden könnten, die aus Kundeninteraktionen gesammelt und in einem zentralen Data Warehouse gespeichert wurden. TR war ein früher Anwender von ML mit Amazon Sage Maker, und ihre Reife im KI/ML-Bereich bedeutete, dass sie einen bedeutenden Datensatz relevanter Daten in einem Data Warehouse zusammengestellt hatten, mit dem das Team ein Personalisierungsmodell trainieren konnte. TR hat seine KI/ML-Innovation fortgesetzt und kürzlich eine überarbeitete Empfehlungsplattform mit entwickelt Amazon personalisieren, bei dem es sich um einen vollständig verwalteten ML-Dienst handelt, der Benutzerinteraktionen und -elemente verwendet, um Empfehlungen für Benutzer zu generieren. In diesem Beitrag erklären wir, wie TR Amazon Personalize verwendet hat, um ein skalierbares, mandantenfähiges Empfehlungssystem aufzubauen, das seinen Kunden die besten Produktabonnementpläne und die damit verbundenen Preise bietet.
Lösungsarchitektur
Die Lösung musste unter Berücksichtigung der Kernoperationen von TR entwickelt werden, um Benutzer durch Daten zu verstehen; Die Bereitstellung personalisierter und relevanter Inhalte aus einem großen Datenkorpus für diese Benutzer war eine unternehmenskritische Anforderung. Ein gut gestaltetes Empfehlungssystem ist der Schlüssel zu qualitativ hochwertigen Empfehlungen, die auf die Anforderungen jedes Benutzers zugeschnitten sind.
Die Lösung erforderte das Sammeln und Vorbereiten von Daten zum Benutzerverhalten, das Trainieren eines ML-Modells mit Amazon Personalize, das Generieren personalisierter Empfehlungen durch das trainierte Modell und das Steuern von Marketingkampagnen mit den personalisierten Empfehlungen.
TR wollte wo immer möglich die Vorteile von AWS Managed Services nutzen, um den Betrieb zu vereinfachen und undifferenziertes schweres Heben zu reduzieren. TR verwendet AWS Glue Data Brew und AWS-Charge Jobs zum Ausführen der Extrahieren-, Transformieren- und Laden-Jobs (ETL) in den ML-Pipelines und SageMaker zusammen mit Amazon Personalize zum Anpassen der Empfehlungen. Aus Sicht des Trainingsdatenvolumens und der Laufzeit musste die Lösung skalierbar sein, um Millionen von Datensätzen innerhalb des Zeitrahmens zu verarbeiten, der bereits den nachgeschalteten Verbrauchern in den Geschäftsteams von TR zugewiesen wurde.
In den folgenden Abschnitten werden die an der Lösung beteiligten Komponenten erläutert.
ML-Trainingspipeline
Interaktionen zwischen den Nutzern und den Inhalten werden in Form von Clickstream-Daten gesammelt, die generiert werden, wenn der Kunde auf die Inhalte klickt. TR analysiert, ob dies Teil ihres Abonnementplans ist oder über ihren Abonnementplan hinausgeht, damit sie zusätzliche Details über den Preis und die Plananmeldungsoptionen bereitstellen können. Die Benutzerinteraktionsdaten aus verschiedenen Quellen werden in ihrem Data Warehouse gespeichert.
Das folgende Diagramm veranschaulicht die ML-Trainingspipeline.
Die Pipeline beginnt mit einem AWS Batch-Auftrag, der die Daten aus dem Data Warehouse extrahiert und die Daten transformiert, um Datensätze zu Interaktionen, Benutzern und Artikeln zu erstellen.
Die folgenden Datensätze werden zum Trainieren des Modells verwendet:
- Strukturierte Produktdaten – Abonnements, Bestellungen, Produktkatalog, Transaktionen und Kundendaten
- Halbstrukturierte Verhaltensdaten – Benutzer, Nutzung und Interaktionen
Diese transformierten Daten werden in einem gespeichert Amazon Simple Storage-Service (Amazon S3)-Bucket, der für ML-Schulungen in Amazon Personalize importiert wird. Da TR personalisierte Empfehlungen für seine Benutzer generieren möchte, verwenden sie die BENUTZER_PERSONALISIERUNG Rezept zum Trainieren von ML-Modellen für ihre benutzerdefinierten Daten, was als Erstellen einer Lösungsversion bezeichnet wird. Nachdem die Lösungsversion erstellt wurde, wird sie zum Generieren personalisierter Empfehlungen für die Benutzer verwendet.
Der gesamte Workflow wird mit orchestriert AWS Step-Funktionen. Die Warnungen und Benachrichtigungen werden erfasst und mithilfe von Microsoft Teams veröffentlicht Amazon Simple Notification Service (Amazon SNS) und Amazon EventBridge.
Generieren einer Pipeline für personalisierte Empfehlungen: Batch-Inferenz
Kundenanforderungen und -präferenzen ändern sich sehr oft, und die neuesten in Clickstream-Daten erfassten Interaktionen dienen als Schlüsseldatenpunkt, um die sich ändernden Präferenzen des Kunden zu verstehen. Um sich an die sich ständig ändernden Kundenpräferenzen anzupassen, generiert TR täglich personalisierte Empfehlungen.
Das folgende Diagramm veranschaulicht die Pipeline zum Generieren personalisierter Empfehlungen.
Ein DataBrew-Job extrahiert die Daten aus dem TR Data Warehouse für die Benutzer, die berechtigt sind, während der Verlängerung basierend auf dem aktuellen Abonnementplan und den letzten Aktivitäten Empfehlungen abzugeben. Das visuelle Datenvorbereitungstool DataBrew erleichtert TR-Datenanalysten und Datenwissenschaftlern das Bereinigen und Normalisieren von Daten, um sie für Analysen und ML vorzubereiten. Die Möglichkeit, innerhalb des visuellen Datenvorbereitungstools aus über 250 vorgefertigten Transformationen auszuwählen, um Datenvorbereitungsaufgaben zu automatisieren, ohne dass Code geschrieben werden musste, war ein wichtiges Merkmal. Der DataBrew-Job generiert ein inkrementelles Dataset für Interaktionen und Eingaben für den Batch-Empfehlungsjob und speichert die Ausgabe in einem S3-Bucket. Der neu generierte inkrementelle Datensatz wird in den Interaktionsdatensatz importiert. Wenn der inkrementelle Datensatz-Importauftrag erfolgreich ist, wird ein Amazon Personalize-Batch-Empfehlungsauftrag mit den Eingabedaten ausgelöst. Amazon Personalize generiert die neuesten Empfehlungen für die in den Eingabedaten angegebenen Benutzer und speichert sie in einem Empfehlungs-S3-Bucket.
Die Preisoptimierung ist der letzte Schritt, bevor die neu gebildeten Empfehlungen einsatzbereit sind. TR führt einen Kostenoptimierungsjob für die generierten Empfehlungen aus und verwendet SageMaker, um benutzerdefinierte Modelle für die Empfehlungen als Teil dieses letzten Schritts auszuführen. Ein AWS Glue-Auftrag kuratiert die von Amazon Personalize generierte Ausgabe und wandelt sie in das Eingabeformat um, das für das benutzerdefinierte Modell von SageMaker erforderlich ist. TR ist in der Lage, die Breite der von AWS bereitgestellten Dienste zu nutzen, indem es sowohl Amazon Personalize als auch SageMaker in der Empfehlungsplattform verwendet, um Empfehlungen basierend auf der Art des Kundenunternehmens und der Endbenutzer zuzuschneiden.
Der gesamte Workflow wird mithilfe von Step Functions entkoppelt und orchestriert, was die Flexibilität bietet, die Pipeline je nach Datenverarbeitungsanforderungen zu skalieren. Die Warnungen und Benachrichtigungen werden mit Amazon SNS und EventBridge erfasst.
E-Mail-Kampagnen vorantreiben
Die zusammen mit den Preisergebnissen generierten Empfehlungen werden verwendet, um E-Mail-Kampagnen an die Kunden von TR zu richten. Ein AWS Batch-Job wird verwendet, um die Empfehlungen für jeden Kunden zu kuratieren und mit den optimierten Preisinformationen anzureichern. Diese Empfehlungen werden in die Kampagnensysteme von TR aufgenommen, die die folgenden E-Mail-Kampagnen vorantreiben:
- Automatisierte Abonnementverlängerungs- oder Upgrade-Kampagnen mit neuen Produkten, die den Kunden interessieren könnten
- Kampagnen zur Vertragsverlängerung mit besseren Angeboten und relevanteren Produkten und rechtlichen Inhalten
Die Informationen aus diesem Prozess werden auch in das Kundenportal repliziert, sodass Kunden, die ihr aktuelles Abonnement überprüfen, die neuen Verlängerungsempfehlungen sehen können. TR hat seit der Implementierung der neuen Empfehlungsplattform eine höhere Konversionsrate von E-Mail-Kampagnen festgestellt, was zu mehr Verkaufsaufträgen führte.
Was kommt als nächstes: Echtzeit-Empfehlungspipeline
Kundenanforderungen und Einkaufsverhalten ändern sich in Echtzeit, und die Anpassung von Empfehlungen an die Echtzeitänderungen ist der Schlüssel zur Bereitstellung der richtigen Inhalte. Nach dem großen Erfolg bei der Bereitstellung eines Batch-Empfehlungssystems plant TR nun, diese Lösung auf die nächste Stufe zu heben, indem es eine Echtzeit-Empfehlungspipeline implementiert, um Empfehlungen mit Amazon Personalize zu generieren.
Das folgende Diagramm veranschaulicht die Architektur zur Bereitstellung von Echtzeitempfehlungen.
Die Echtzeit-Integration beginnt mit der Erfassung der Live-Daten zur Benutzerinteraktion und deren Streaming an Amazon Personalize. Während die Benutzer mit den Anwendungen von TR interagieren, generieren sie Clickstream-Ereignisse, die in veröffentlicht werden Amazon Kinesis-Datenströme. Dann werden die Ereignisse in die zentralisierte Streaming-Plattform von TR aufgenommen, die darauf aufbaut Amazon Managed Streaming für Kafka (Amazon MSK). Amazon MSK erleichtert die Erfassung und Verarbeitung von Streaming-Daten in Echtzeit mit vollständig verwaltetem Apache Kafka. In dieser Architektur dient Amazon MSK als Streaming-Plattform und führt alle Datentransformationen durch, die für die rohen eingehenden Clickstream-Ereignisse erforderlich sind. Dann ein AWS Lambda Die Funktion wird ausgelöst, um die Ereignisse nach dem Schema zu filtern, das mit dem Amazon Personalize-Datensatz kompatibel ist, und diese Ereignisse mithilfe von a an einen Amazon Personalize-Ereignistracker zu übertragen putEvent
API. Dadurch kann Amazon Personalize aus dem letzten Verhalten Ihres Benutzers lernen und relevante Elemente in Empfehlungen aufnehmen.
Die Webanwendungen von TR rufen eine API auf, die in bereitgestellt wird Amazon API-Gateway um Empfehlungen zu erhalten, was eine Lambda-Funktion auslöst, um a aufzurufen GetRecommendations
API-Aufruf mit Amazon Personalize. Amazon Personalize bietet die neuesten personalisierten Empfehlungen, die auf das Benutzerverhalten abgestimmt sind und über Lambda und API Gateway an die Webanwendungen zurückgesendet werden.
Mit dieser Echtzeitarchitektur kann TR seinen Kunden personalisierte Empfehlungen bieten, die auf ihr neuestes Verhalten abgestimmt sind, und ihre Bedürfnisse besser erfüllen.
Zusammenfassung
In diesem Beitrag haben wir Ihnen gezeigt, wie TR Amazon Personalize und andere AWS-Services verwendet hat, um eine Empfehlungsmaschine zu implementieren. Amazon Personalize ermöglichte es TR, die Entwicklung und Bereitstellung von Hochleistungsmodellen zu beschleunigen, um ihren Kunden Empfehlungen zu geben. TR ist jetzt in der Lage, eine neue Produktsuite innerhalb von Wochen einzuführen, verglichen mit Monaten zuvor. Mit Amazon Personalize und SageMaker ist TR in der Lage, das Kundenerlebnis mit besseren Inhaltsabonnements und Preisen für seine Kunden zu verbessern.
Wenn Ihnen das Lesen dieses Blogs gefallen hat und Sie mehr über Amazon Personalize erfahren möchten und wie es Ihrer Organisation beim Aufbau von Empfehlungssystemen helfen kann, lesen Sie bitte den Entwicklerhandbuch.
Über die Autoren
Hescham Fahim ist Lead Machine Learning Engineer und Personalization Engine Architect bei Thomson Reuters. Er hat mit Organisationen in Wissenschaft und Industrie zusammengearbeitet, von großen Unternehmen bis hin zu mittelständischen Startups. Mit einem Fokus auf skalierbare Deep-Learning-Architekturen hat er Erfahrung in mobiler Robotik, biomedizinischer Bildanalyse sowie Recommender-Systemen. Abseits von Computern liebt er Astrofotografie, Lesen und Langstreckenradfahren.
Srinivasa Shaik ist ein Lösungsarchitekt bei AWS mit Sitz in Boston. Er hilft Enterprise-Kunden, ihren Weg in die Cloud zu beschleunigen. Er interessiert sich leidenschaftlich für Container und maschinelle Lerntechnologien. In seiner Freizeit verbringt er gerne Zeit mit seiner Familie, kocht und reist.
Vamshi Krishna Enabothala ist Senior Applied AI Specialist Architect bei AWS. Er arbeitet mit Kunden aus verschiedenen Branchen zusammen, um wirkungsvolle Daten-, Analyse- und maschinelle Lerninitiativen zu beschleunigen. Er interessiert sich leidenschaftlich für Empfehlungssysteme, NLP und Computer Vision-Bereiche in KI und ML. Außerhalb der Arbeit ist Vamshi ein RC-Enthusiast, der RC-Ausrüstung (Flugzeuge, Autos und Drohnen) baut und auch gerne im Garten arbeitet.
Simone Zuchet ist Senior Solutions Architect bei AWS. Mit über 6 Jahren Erfahrung als Cloud-Architektin arbeitet Simone gerne an innovativen Projekten, die dazu beitragen, die Herangehensweise von Unternehmen an Geschäftsprobleme zu verändern. Er unterstützt große Unternehmenskunden bei AWS und ist Teil des Machine Learning TFC. Außerhalb seines Berufslebens beschäftigt er sich gerne mit Autos und der Fotografie.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/how-thomson-reuters-delivers-personalized-content-subscription-plans-at-scale-using-amazon-personalize/
- 100
- 7
- a
- Fähigkeit
- Fähig
- Über uns
- Akademie
- beschleunigen
- Konto
- Buchhaltung
- genau
- über
- Aktivität
- automatisch
- Zusätzliche
- Vorteil
- Nach der
- AI
- AI / ML
- Alle
- erlaubt
- bereits
- Amazon
- Amazon personalisieren
- Analyse
- Business Analysten
- Analytik
- Analysen
- und
- Antworten
- Apache
- Bienen
- Anwendungen
- angewandt
- Angewandte KI
- Ansatz
- Architektur
- Bereiche
- um
- damit verbundenen
- automatisieren
- Bewusstsein
- AWS
- AWS-Kleber
- Zurück
- basierend
- Grundlage
- weil
- Bevor
- BESTE
- Besser
- zwischen
- Beyond
- biomedizinische
- Blog
- Boston
- Breite
- bauen
- Building
- erbaut
- Geschäft
- Unternehmen
- rufen Sie uns an!
- Kampagnen (Campaign)
- Kampagnen
- Kampagnen
- Autos
- Katalog
- zentriert
- zentralisierte
- challenges
- Übernehmen
- Änderungen
- Ändern
- Auswählen
- Cloud
- Code
- Das Sammeln
- begangen
- Unternehmen
- verglichen
- kompatibel
- Komponenten
- Computer
- Computer Vision
- Computer
- Berücksichtigung
- ständig
- Verbraucher
- KUNDEN
- Behälter
- Inhalt
- weiter
- Umwandlung (Conversion)
- Kernbereich
- Kosten
- könnte
- erstellen
- erstellt
- Erstellen
- kuratiert
- kuratiert
- Strom
- Original
- Kunde
- Kundendaten
- Customer Experience
- Kunden
- Unterricht
- technische Daten
- Datenaufbereitung
- Datenverarbeitung
- Datensätze
- Deal
- Entscheidungen
- tief
- tiefe Lernen
- liefern
- liefert
- Abhängig
- Einsatz
- Bereitstellen
- Einsatz
- entworfen
- Details
- entwickelt
- Entwicklung
- anders
- Abstand
- Domain
- Antrieb
- Fahren
- Drohnen
- im
- jeder
- Früher
- Früh
- ELEVATE
- förderfähigen
- freigegeben
- ermöglichen
- Engagement
- Motor
- Ingenieur
- bereichern
- Unternehmen
- Unternehmen
- Enthusiast
- Ganz
- Ausrüstung
- Event
- Veranstaltungen
- ständig wechselnd
- entwickelt sich
- ERFAHRUNGEN
- Expertise
- Erklären
- Extrakt
- KONZENTRAT
- Familie
- beschleunigt
- Merkmal
- Filter
- Finale
- Revolution
- Finden Sie
- Fest
- Flexibilität
- Setzen Sie mit Achtsamkeit
- Folgende
- unten stehende Formular
- Format
- gebildet
- FRAME
- für
- voll
- Funktion
- Funktionen
- Tor
- erzeugen
- erzeugt
- erzeugt
- Erzeugung
- bekommen
- bekommen
- gibt
- Ziele
- groß
- mit
- Hilfe
- hilft
- Hohe Leistungsfähigkeit
- höher
- Ultraschall
- HTML
- HTTPS
- human
- Image
- implementieren
- Umsetzung
- importieren
- wichtig
- in
- das
- Eingehende
- hat
- Energiegewinnung
- Information
- Initiativen
- Innovation
- innovativ
- Varianten des Eingangssignals:
- integriert
- Integration
- Intelligenz
- Interaktion
- Interaktionen
- Interesse
- beteiligt
- IT
- Artikel
- Job
- Jobs
- Reise
- Wesentliche
- grosse
- Nachname
- neueste
- führen
- führenden
- LERNEN
- lernen
- Legacy
- Rechtlich
- Niveau
- Lizenzierung
- Lebensdauer
- Facelift
- leben
- Belastung
- Lang
- Sneaker
- Maschine
- Maschinelles Lernen
- um
- MACHT
- verwalten
- verwaltet
- Markt
- Marktführend
- Marketing
- Märkte
- Reife
- Medien
- Microsoft
- Microsoft-Teams
- könnte
- Millionen
- ML
- Mobil
- Modell
- für
- Monat
- mehr
- vor allem warme
- Need
- Bedürfnisse
- Neu
- neue Produkte
- News
- weiter
- Nlp
- Benachrichtigung
- Benachrichtigungen
- Angebote
- Onboard
- EINEM
- Betriebs-
- Einkauf & Prozesse
- Optimierung
- optimiert
- Optionen
- Bestellungen
- Organisation
- Organisationen
- Andere
- aussen
- Pakete
- Teil
- leidenschaftlich
- Ausführen
- führt
- Personalisierung
- personalisieren
- Personalisiert
- Perspektive
- Fotografie
- Pipeline
- Plan
- Planung
- Pläne
- Plattform
- Plato
- Datenintelligenz von Plato
- PlatoData
- Bitte
- Points
- Portal
- möglich
- Post
- Vorlieben
- Danach
- Vorbereitung
- Preis
- Preise
- gebühr
- Probleme
- Prozessdefinierung
- Verarbeitung
- Produkt
- Produkte
- Professionell
- Profis
- Projekte
- die
- vorausgesetzt
- bietet
- Bereitstellung
- veröffentlicht
- Push
- Qualität
- schnell
- erhöhen
- Bereich
- Bewerten
- Roh
- Lesebrillen
- bereit
- echt
- Echtzeit
- kürzlich
- kürzlich
- Rezept
- Software Empfehlungen
- Empfehlungen
- Aufzeichnungen
- Veteran
- bezeichnet
- reflektieren
- relevant
- repliziert
- falls angefordert
- Anforderung
- Voraussetzungen:
- Die Ergebnisse
- Reuters
- Überprüfung
- Risiko
- Robotik
- Ohne eine erfahrene Medienplanung zur Festlegung von Regeln und Strategien beschleunigt der programmatische Medieneinkauf einfach die Rate der verschwenderischen Ausgaben.
- Führen Sie
- sagemaker
- Vertrieb
- skalierbaren
- Skalieren
- Skalierung
- Wissenschaftler
- Abschnitte
- Sektoren
- Sehen
- Senior
- brauchen
- dient
- Leistungen
- Dienst
- kompensieren
- Shopping
- Schild
- signifikant
- Einfacher
- vereinfachen
- da
- So
- Lösung
- Lösungen
- Quelle
- Quellen
- Spezialist
- Ausgabe
- beginnt
- Startups
- Schritt
- Lagerung
- gelagert
- Läden
- Streaming
- Abonnement
- Abos aktualisiert
- Erfolg
- erfolgreich
- Suite
- Support
- System
- Systeme und Techniken
- zugeschnitten
- Nehmen
- nimmt
- und Aufgaben
- Steuer
- Team
- Teams
- Technologies
- Technologie
- Das
- ihr
- Thomson Reuters
- Durch
- Zeit
- zu
- Werkzeug
- Top
- Training
- trainiert
- Ausbildung
- Transaktionen
- Transformieren
- Transformationen
- verwandelt
- Reise
- Trends
- ausgelöst
- vertraut
- verstehen
- Verständnis
- auf dem neusten Stand
- mehr Stunden
- Anwendungsbereich
- -
- Mitglied
- Nutzer
- wertvoll
- verschiedene
- Version
- Seh-
- Volumen
- wollte
- Reichtum
- Netz
- Web Applikationen
- Wochen
- Was
- welche
- WHO
- .
- ohne
- Arbeiten
- gearbeitet
- arbeiten,
- Werk
- weltweit
- würde
- schreiben
- geschrieben
- Jahr
- Du
- Ihr
- Zephyrnet