Doporučují se doporučující systémy?

V podnikání je problém jehly v kupce sena stálou výzvou. Doporučující systémy jsou zde, aby pomohly tuto výzvu zvládnout. 

V e-commerce a maloobchodě nabízíte stovky nebo tisíce produktů. Který produkt je pro vaše zákazníky ten pravý?

V prodeji a marketingu máte velký počet potenciálních zákazníků ve své pipeline. Přesto máte pouze omezený počet hodin v den. Proto čelíte výzvě, aby jste rozhodli, kde přesně zaměřit své úsilí.

Existuje specializovaná technologie poháněná umělou inteligencí a velkými daty, která tyto výzvy činí mnohem snadněji zvládnutelnými, a to jsou doporučující systémy.

Co jsou doporučující systémy?

Ve své nejzákladnější podobě doporučující systém prochází mnoha položkami a předpovídá výběr, který je nejrelevantnější pro uživatele. Pro spotřebitele je doporučující systém produktů Amazonu známým příkladem. V zábavním průmyslu společnost Netflix (NFLX ) tvrdě pracovala na vývoji svého systému. Doporučující systém Netflixu přinesl výhody pro společnost:

„[Systém doporučení Netflixu] umožnil společnosti ušetřit 1 miliardu dolarů ročně díky zrušení služeb.“ – ROI doporučujících systémů pro marketing

Z pohledu koncového uživatele často není jasné, jak doporučující systémy fungují. Odkryjeme oponu a vysvětlíme, jak fungují, počínaje klíčovým ingrediencem: daty.

Doporučující systémy: Jaká data používají?

Data, která potřebujete pro doporučující systém, závisí na vašem cíli. Předpokládejme, že váš cíl je zvýšit prodej v e-commerce společnosti. V takovém případě by minimální požadovaná data spadala do dvou kategorií: databáze produktů a chování koncových uživatelů. Abychom ukázali, jak to funguje, podívejme se na tento jednoduchý příklad.

• Společnost: USB Accessories, Inc. Společnost se specializuje na prodej USB příslušenství a produktů, jako jsou kabely, flash disky a huby, spotřebitelům a podnikům.
• Data o produktech. Abychom doporučující systém učinili co nejjednodušší, společnost omezila počet produktů na 100.
• Data o uživatelích. V případě online obchodu budou data o uživatelích zahrnovat informace z webové analytiky, e-mailového marketingu a dalších zdrojů. Například můžete zjistit, že 50 % zákazníků, kteří koupí externí pevný disk, také kupují USB kabely.
• Výstup doporučení. V tomto případě může váš doporučující systém vygenerovat doporučení (nebo slevový kód) pro kupce pevných disků, aby je povzbudil ke koupi USB kabelů.

V praxi nejlepší doporučující systémy používají mnohem více dat. Obecným pravidlem je, že doporučující systémy produkují lepší obchodní výsledky, když mají k dispozici velké množství dat.

Jak doporučující systémy používají vaše data?

Mnoho doporučujících systémů používá několik technik pro zpracování vašich dat.

Filtrování na základě obsahu

Tento typ algoritmu pro doporučení kombinuje preference uživatelů a snaží se doporučit podobné položky. V tomto případě je systém zaměřen na produkt a zdůrazňuje související položky. Tento typ doporučujícího systému je relativně jednoduchý na vytvoření. Je to dobrý výchozí bod pro společnosti s omezenými daty.

Kolaborativní filtrování

Zeptal jste se někdy někoho jiného na doporučení, než jste udělali nákup? Nebo jste zvažovali online recenze ve svém nákupním procesu? Pokud ano, jste zažili kolaborativní filtrování. Více pokročilé doporučující systémy analyzují recenze uživatelů, hodnocení a další uživatelsky generovaný obsah, aby produkovaly relevantní návrhy. Tato strategie doporučujícího systému je silná, protože využívá sociální důkaz.

Hybridní doporučující systémy

Hybridní doporučující systémy kombinují dva nebo více metod doporučení, aby produkovaly lepší výsledky. Vrátíme-li se k výše uvedenému příkladu e-commerce, předpokládejme, že jste získali recenze a hodnocení uživatelů (například 1 až 5 hvězd) za posledních 12 měsíců. Nyní můžete použít jak filtrování na základě obsahu, tak kolaborativní filtrování, aby jste představili doporučení. Kombinace více doporučujících systémů nebo algoritmů obvykle vyžaduje experimentování. Z tohoto důvodu je nejlepší považovat ji za relativně pokročilou strategii.

Doporučující systém je úspěšný pouze tehdy, pokud mu poskytnete vysokokvalitní data. Nemůže také fungovat efektivně, pokud máte chyby nebo zastaralé informace ve své firemní databázi. Proto musíte investovat prostředky do kvality dat neustále.

Případové studie: 

Hiring Automated: Hodnocení kandidátů

Existuje více než 50 uchazečů o jednu pracovní pozici v průměru, podle výzkumu Jobvite. Pro lidské zdroje a manažery vytváří tento objem uchazečů enormní množství práce. Abychom zjednodušili proces, Blue Orange implementovala doporučující systém pro společnost Fortune 500. Tento projekt automatizace lidských zdrojů pomohl společnosti standardizovat hodnocení kandidátů. Používaje deset let stará data a životopisy, společnost nyní má sofistikovaný model hodnocení, aby našla vhodné kandidáty.

Hedge fond v New York City potřeboval analyzovat životopisy, které byly nekonzistentní a vyžadovaly OCR, aby zlepšil proces najímání. I když je OCR parsing nejlepší, zůstává vám neuspořádaná a nestrukturovaná data. Poté, co se kandidát pohybuje procesem aplikace, zapojují se lidé. Přidejte k datové sadě volný textový recenze kandidáta a jak lingvistické, tak osobní předpojatosti. Kromě toho je každý zdroj dat izolován a poskytuje omezené analytické příležitosti.

Přístup: Po vyhodnocení procesů najímání ve více společnostech jsme našli tři konzistentní příležitosti ke systematickému zlepšení výsledků najímání pomocí NLP a strojového učení. Problémové oblasti jsou: správné strukturování dat o kandidátech, hodnocení shody s prací a snížení lidské předpojatosti při najímání. S vyčištěnou a strukturovanou datovou sadou jsme mohli provést sentimentální analýzu textu a detekci subjektivity, aby se snížila předpojatost kandidátů v lidském hodnocení.

Výsledky: Používaje detekci klíčových slov, optické rozpoznávání znaků a cloudové NLP motory, jsme mohli vyčistit text a převést jej na relační data. S strukturovanými daty jsme poskytli rychlé, interaktivní a vyhledatelné obchodní analytické dashboard v AWS QuickSight.

E-Commerce: Zageno Medical Supplies

Dalším příkladem implementace doporučujících systémů v reálném světě pochází od Zageno. Zageno je e-commerce společnost, která dělá pro laboratorní vědce to, co Amazon (AMZN ) dělá pro zbytek z nás. Výjimkou je, že potřeby laboratorních vědců jsou přesné, a proto musí být zásobovány přesně tak, aby odpovídaly jejich potřebám. Citace níže jsou z našeho rozhovoru se Zageno a zdůrazňují, jak používají doporučující systémy, aby dodali nejpreciznější zásobování laboratorním vědcům. 

Q&A: Blue Orange Digital interviewuje Zageno

Otázka:
Jak vaše společnost použila doporučující systém a jaké výsledky jste viděli?

Odpověď:

Existují dva příklady doporučujících systémů, které ZAGENO používá pro své vědecké zákazníky. Abychom je vysvětlili, rozhodli jsme se je bodově vyjmenovat.

• ZAGENO’s Scientific Score:
  • ZAGENO’s Scientific Score je komplexní systém hodnocení produktů, speciálně vyvinutý pro hodnocení produktů pro výzkum. Zahrnuje několik aspektů produktových dat z více zdrojů, aby vybavit vědce sofistikovaným a nezaujatým hodnocením produktů pro přesné rozhodování o nákupu.
  • Používáme pokročilé algoritmy strojového učení, aby přesně spojili, seskupili a kategorizovali miliony produktů. Scientific Score zohledňuje tyto kategorizace, protože skóre každého produktu je vypočteno vzhledem k ostatním produktům ve stejné kategorii. Výsledkem je systém hodnocení, kterýmu vědci mohou důvěřovat — jeden, který je specifický pro typ produktu a aplikaci.
  • Standardní hodnocení produktů jsou užitečná pro rychlé hodnocení, ale jsou často zaujatá a nespolehlivá, protože se spoléhají na neznámé recenze nebo jediný metrický údaj (například publikace). Neposkytují také mnoho detailů o experimentálním kontextu nebo aplikaci. Scientific Score využívá vědeckou metodu pro objektivní a komplexní hodnocení produktů pro výzkum. Kombinuje všechny nezbytné a relevantní produktové informace do jediného hodnocení 0—10, aby podpořil naše zákazníky při rozhodování, který produkt koupit a použít pro svou aplikaci — šetří hodiny produktového výzkumu.
  • Abychom zajistili, že žádný jediný faktor nebude dominovat, přidáme mezní hodnoty a přikládáme větší váhu nedávným příspěvkům. Velké množství faktorů, které zohledňujeme, prakticky eliminuje jakoukoli možnost manipulace. Výsledkem je, že náš skóre je objektivní měřítkem kvality a množství dostupných produktových informací, které podporují rozhodnutí našich zákazníků o nákupu.
• Alternativní produkty:
  • Alternativní produkty jsou definovány stejnými hodnotami pro klíčové atributy; klíčové atributy jsou definovány pro každou kategorii, aby se zohlednily specifické produktové charakteristiky.
  • Pracujeme na zvýšení podkladových dat a atributů a zlepšení algoritmu, aby se zlepšily návrhy
  • Návrhy alternativních produktů jsou určeny k pomoci jak vědcům, tak nákupčím, aby zohlednili a vyhodnotili potenciální produkty, o kterých by jinak nevěděli.
  • Alternativní produkty jsou definovány pouze produktovými charakteristikami a nezávisle na dodavatelích, značkách nebo jiných komerčních datech

Doporučují se doporučující systémy? 

“Ano, ale ujistěte se, že používáte správná data, aby vaše doporučení byla založena na kvalitě a kvantitě, která odráží skutečné očekávání uživatelů. Vytvořte transparentnost, protože nikdo, zejména vědci, nedůvěřuje nebo se nespoléhá na černou skříňku. Sdílejte se svými uživateli, která informace se používají, jak jsou váhy a pokračujte v učení, aby jste mohli neustále zlepšovat. Nakonec dokončete cyklus tím, že budete shromažďovat uživatelskou zpětnou vazbu, kterou jste shromáždili, a vrátíte ji zpět do systému.” – Zageno

Síla doporučujících systémů nikdy nebyla větší. Jak ukazují giganti jako Amazon a Netflix, doporučující systémy mohou být přímo odpovědné za zvýšení příjmů a míry udržení zákazníků. Společnosti jako Zageno ukazují, že nemusíte být obrovskou společností, aby jste využili sílu doporučujících systémů. Výhody doporučujících systémů sahají napříč mnoha odvětvími, od e-commerce po lidské zdroje. 

Rychlý způsob, jak přivést doporučující systémy do vaší společnosti

Vývoj doporučujícího systému vyžaduje odborné znalosti v oblasti dat. Váš interní IT tým možná nemá kapacitu jej vybudovat. Pokud chcete získat výhody zákaznické retence a efektivity doporučujících systémů, nemusíte čekat, až bude IT méně zaneprázdněn. Napište nám a dejte nám vědět. Tým Blue Orange Digital je rád, že udělá doporučující systémy, aby fungovaly pro vaši výhodu také!

hlavní zdroj obrázku: Canva