# Wie Empfehlungen generiert werden

### Wie Empfehlungen generiert werden

Unser Empfehlungsmodul nutzt eine Kombination aus Datenanalytik und KI-gestützten Einblicken, um personalisierte Ratschläge basierend auf Ihren Leistungsdaten zu liefern.

**Wie es funktioniert**

1. **Datensammlung:**\
   Sobald Ihr Video verarbeitet wurde, sammelt unser System eine Vielzahl von Leistungsmetriken – von Geschwindigkeit und Kadenz beim Laufen über Sprunghöhe und reaktiven Kraftindex beim Springen bis hin zu Stangengeschwindigkeit und Kraft beim Gewichtheben.
2. **Vergleich mit Benchmarks:**\
   Diese Metriken werden mit optimalen Bereichen und historischen Daten aus Ihren früheren Sitzungen verglichen. Das System identifiziert Abweichungen, die auf Verbesserungsbereiche hinweisen könnten.
3. **Regelbasierte & KI-Analyse:**\
   Unser Modul verwendet vordefinierte Regeln sowie maschinelle Lernmodelle, um die Daten zu analysieren. Zum Beispiel:
   * **Laufen:** Wenn Ihre Bodenkontaktzeit länger als ideal oder Ihre Kadenz niedrig ist, wird das System diese Metriken markieren.
   * **Springen:** Unterschiede zwischen Sprunghöhe und Flugzeit oder ein unausgewogener reaktiver Kraftindex lösen spezifisches Feedback aus.
   * **Gewichtheben:** Geringere als erwartete Stangengeschwindigkeit oder hohe Fangzeiten können Empfehlungen zu Technikanpassungen auslösen.
4. **Feedback generieren:**\
   Mithilfe generativer KI erstellt das System dann klare, umsetzbare Empfehlungen. Diese Vorschläge werden neben Ihrem Bericht angezeigt und bieten Kontext sowie Schritte zur Verbesserung.
5. **Präsentation:**\
   Empfehlungen werden in einem prägnanten, erweiterbaren Format gezeigt. Jede Empfehlung enthält eine kurze Erklärung, unterstützende Daten und oft einen Benchmark- oder Zielwert, den Sie anstreben können.

### Was Sie im Empfehlungsbereich erwarten können

* **Maßgeschneiderte Ratschläge:**\
  Jede Empfehlung ist spezifisch auf Ihre aktuelle Leistung abgestimmt. Zum Beispiel könnte ein Läufer den Vorschlag erhalten: „Erhöhen Sie Ihre Kadenz um 5 Schritte pro Minute, um die Effizienz zu steigern.“
* **Visuelles und textliches Feedback:**\
  Das Feedback erscheint sowohl als Text als auch, wo zutreffend, in grafischen Anmerkungen innerhalb Ihrer Berichte.
* **Kontinuierliche Verfeinerung:**\
  Je mehr Sitzungen Sie protokollieren, desto mehr lernt unser System aus Ihren Daten. Das bedeutet, dass die Empfehlungen mit der Zeit weiterentwickelt werden, um relevant für Ihren Fortschritt und Ihre Trainingsziele zu bleiben.

### Beispiele:

**Beispiel-Schuh-Empfehlungen**

1. **Jordan Retro 6 G Weiß/Khaki**
   * **Metriken**: Moderate Dämpfung (8-12 mm), 6,5 mm Sprengung.
   * **Empfehlung**: „Ideal für Stabilität bei Ihrem Tempo von 11,0 km/h, aber erwägen Sie eine geringere Sprengung, um die Bodenkontaktzeit zu reduzieren.“
   * **Unterstützende Daten**: Bodenkontaktzeit > 6s deutet auf Ineffizienz mit der aktuellen Sprengung hin.
2. **Air Jordan 7 Retro SE Vachetta**
   * **Metriken**: Hohe Dämpfung (durchschnittlich 420,5 mm), geringe Sprengung (0-4 mm).
   * **Empfehlung**: „Perfekt, um Landungsaufprall zu reduzieren und Flugzeitkonsistenz zu verbessern.“
   * **Unterstützende Daten**: Flugzeitvariabilität in den Daten festgestellt.

**Erweiterte Beispiele**

**Beispiel 1: Effizienz verbessern**

* **Daten**: Bodenkontaktzeit beträgt im Durchschnitt 9s, Schrittlänge 420,5 mm.
* **Empfehlung**: „Wechseln Sie zu einem Zero-Drop-Schuh (z. B. Jordan Nu Retro 1), um die Bodenkontaktzeit auf 3-6s zu reduzieren und die Schrittlänge auf 430 mm zu steigern.“
* **Ziel**: Effizienzsteigerung von 5-10 % bei 11,0 km/h.

**Beispiel 2: Komfort und Geschwindigkeit ausbalancieren**

* **Daten**: Dämpfung durchschnittlich 6,5 mm, Geschwindigkeit 11,0 km/h.
* **Empfehlung**: „Entscheiden Sie sich für moderate Dämpfung (8-12 mm) wie den Jordan Retro 6 G, um Komfort zu wahren, ohne das Tempo zu opfern.“
* **Ziel**: Konsistente Flugzeit über die Schritte hinweg.


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://docs.aikynetix.app/de/aikynetix-support/how-recommendations-are-generated.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.