Ein Ähnlichkeitsfaktor ist ein Ansatz im Machine Learning, der zum Einsatz kommt, wenn keine negativen Trainingsdaten vorliegen. Klassische Klassifikationsverfahren benötigen sowohl positive Beispiele (Kunde hat gekauft) als auch negative (Kunde hat nicht gekauft). Liegen nur positive Daten vor, können übliche Verfahren nicht eingesetzt werden.

Der Ähnlichkeitsfaktor löst dieses Problem, indem er jeden Kunden mit den Eigenschaften bekannter Käufer vergleicht. Je ähnlicher ein Kunde dem Profil zufriedener Kunden in einem bestimmten Segment ist, desto höher die prognostizierte Kaufwahrscheinlichkeit. Dieser Ansatz ist besonders nützlich in Vertriebskontexten, in denen nur Kaufdaten, aber keine Ablehnungsdaten existieren.

Im ADAC-Hansa-Projekt wurde der Ähnlichkeitsfaktor für alle drei KI-Modelle eingesetzt: Reiseempfehlungen, Trainingsempfehlungen und Churn Prediction.