Doporučujete doporučení Engines?

V podnikání je problém jehly v kupce sena neustálou výzvou. Doporučení Engines jsou zde, aby vám pomohly tuto výzvu zvládnout. 

V e-commerce a maloobchodě nabízíte stovky či tisíce produktů. Jaký je ten správný produkt pro vaše zákazníky?

V oblasti prodeje a marketingu máte v zásobě velké množství potenciálních zákazníků. Přesto máte den jen tolik hodin. Čelíte tedy výzvě rozhodnout se, kam přesně zaměřit své úsilí.

Existuje specializovaná technologie poháněná umělou inteligencí a velkými daty, díky níž je správa těchto výzev mnohem snazší a doporučující motory.

Co jsou doporučovací systémy?

Zjednodušeně řečeno, nástroj doporučení třídí mnoho položek a předpovídá výběr, který je pro uživatele nejrelevantnější. Pro spotřebitele je známým příkladem nástroj pro doporučení produktů společnosti Amazon. Ve světě zábavy Netflix tvrdě pracoval na vývoji svého enginu. Nástroj doporučení Netflixu přinesl základní výhody:

„Sofistikovaný systém doporučení [Netflixu] a personalizovaná uživatelská zkušenost jim umožnily ušetřit 1 miliardu dolarů ročně za zrušení služeb.“ – ROI motorů doporučení pro marketing

Z pohledu koncového uživatele je často nejasné, jak nástroje doporučení fungují. Odtáhneme oponu a vysvětlíme, jak fungují, počínaje klíčovou složkou: daty.

Doporučení Engines: Jaká data používají?

Projekt datum potřebujete motor doporučení závisí na vašem cíli. Předpokládejme, že vaším cílem je zvýšit prodej v e-commerce společnosti. V takovém případě by minimální požadovaná data spadala do dvou kategorií: databáze produktů a chování koncových uživatelů. Chcete-li ilustrovat, jak to funguje, podívejte se na tento jednoduchý příklad.

• Společnost: USB Accessories, Inc. Společnost se specializuje na prodej USB příslušenství a produktů, jako jsou kabely, flash disky a rozbočovače spotřebitelům a podnikům.
• Údaje o produktu. Aby byl systém počátečních doporučení jednoduchý, společnost jej omezuje na 100 produktů.
• Uživatelská data. V případě internetového obchodu budou uživatelská data zahrnovat informace o analýze webových stránek, e-mailový marketing a další zdroje. Můžete například zjistit, že 50 % zákazníků, kteří si kupují externí pevný disk, kupuje také kabely USB.
• Doporučení Výstup. V takovém případě může váš modul doporučení vygenerovat doporučení (nebo slevový kód) pro kupující pevných disků, aby je povzbudil k nákupu kabelů USB.

V praxi nejlepší nástroje doporučení využívají mnohem více dat. Obecně platí, že nástroje doporučení produkují lepší obchodní výsledky, když mají k použití velký objem dat.

Jak nástroje doporučení využívají vaše data?

Mnoho motorů doporučení používá ke zpracování vašich dat několik technik.

Filtrování založené na obsahu

Tento typ algoritmu doporučení kombinuje uživatelské preference a pokouší se doporučit podobné položky. V tomto případě je engine zaměřen na produkt a zvýraznění souvisejících položek. Tento typ doporučovacího motoru je relativně jednoduchý na sestavení. Je to dobrý výchozí bod pro společnosti s omezenými daty.

Kolaborativní filtrování

Požádali jste někoho jiného o doporučení před nákupem? Nebo jste při nákupu zvažovali online recenze? Pokud ano, zažili jste kolaborativní filtrování. Pokročilejší nástroje doporučení analyzují uživatelské recenze, hodnocení a další obsah vytvářený uživateli a vytvářejí relevantní návrhy. Tento typ strategie motoru doporučení je účinný, protože využívá sociální důkaz.

Hybridní doporučovatelé

Hybridní moduly doporučení kombinují dvě nebo více metod doporučení k dosažení lepších výsledků. Vrátíme-li se k výše uvedenému příkladu elektronického obchodu, řekněme, že jste za poslední rok získali uživatelské recenze a hodnocení (např. 1 až 5 hvězdiček). Nyní můžete k prezentaci doporučení používat filtrování založené na obsahu i filtrování na základě spolupráce. Úspěšná kombinace několika doporučovacích motorů nebo algoritmů obvykle vyžaduje experimentování. Z tohoto důvodu je nejlépe považován za relativně pokročilou strategii.

Nástroj doporučení je úspěšný pouze tehdy, pokud do něj dodáváte vysoce kvalitní data. Rovněž nemůže fungovat efektivně, pokud máte ve firemní databázi chyby nebo zastaralé informace. Proto je třeba neustále investovat prostředky do kvality dat.

Případové studie: 

Automatizovaný nábor: Hodnocení kandidátů

Podle výzkumu Jobvite připadá na jedno pracovní místo v průměru více než 50 uchazečů. Pro oddělení lidských zdrojů a manažery tento objem žadatelů vytváří obrovské množství práce. Pro zjednodušení procesu implementovala společnost Blue Orange motor doporučení pro hedgeový fond 500 fortune. Tento Projekt automatizace HR pomohl společnosti standardizovaným způsobem seřadit kandidáty. S využitím dat a životopisů uchazečů za deset let má nyní firma propracovaný model bodování k nalezení vhodných kandidátů.

Hedgeový fond v New Yorku potřeboval analyzovat životopisy, které byly nekonzistentní a vyžadovaly OCR, aby se zlepšil jejich náborový proces. I ta nejlepší analýza OCR vám zanechá chaotická a nestrukturovaná data. Poté, když kandidát prochází procesem žádosti, zapojí se lidé. Přidejte do datové sady volné textové recenze žadatele a jazykové i osobní předsudky. Každý zdroj dat je navíc umlčen a poskytuje omezené analytické příležitosti.

Přístup: Po posouzení procesů náboru více společností jsme našli tři konzistentní příležitosti k systematickému zlepšování výsledků náboru pomocí strojového učení NLP. Problémové oblasti jsou: správná struktura údajů o životopisech kandidátů, posouzení vhodnosti práce a snížení zaujatosti při náboru lidí. S vyčištěným a strukturovaným souborem dat jsme byli schopni provést analýzu sentimentu v textu a detekci subjektivity, abychom snížili zkreslení kandidátů při hodnocení lidí.

výsledky: Pomocí klasifikátorů detekce klíčových slov, optického rozpoznávání znaků a cloudových NLP enginů jsme byli schopni vymazat text řetězce a přeměnit jej na relační data. Se strukturovanými daty jsme poskytli rychlý, interaktivní a prohledávatelný řídicí panel Business Analytics v AWS QuickSight.

Elektronický obchod: Zageno Medical Supplies

Další příklad doporučovacích motorů implementovaných v reálném světě pochází ze Zagena. Zageno je e-commerce společnost, která pro vědce z laboratoře dělá to, co Amazon pro nás ostatní. Varování spočívá v tom, že potřeby laboratorních vědců jsou přesné, takže zásoby získané pro jejich výzkum musí být také přesné. Níže uvedené citace jsou z našeho rozhovoru se společností Zageno a zdůrazňují, jak používají doporučovací nástroje k poskytování nejpřesnějších zásob laboratorním vědcům. 

Otázky a odpovědi: Blue Orange Digital dělá rozhovory se Zagenem

Otázka:
Jak vaše společnost používá nástroj doporučení a jaké výsledky jste viděli?

Odpověď:

Existují dva příklady motorů doporučení, které ZAGENO používá pro své vědecké zákazníky. Abychom to vysvětlili, považovali jsme za nejlepší je označit odrážkou.

• Vědecké skóre ZAGENO:
  • Scientific Score společnosti ZAGENO je komplexní systém hodnocení produktů, speciálně vyvinutý pro hodnocení výzkumných produktů. Zahrnuje několik aspektů produktových dat z více zdrojů, aby vědcům poskytlo sofistikované a nezaujaté hodnocení produktu pro přesné rozhodování o nákupu.
  • Aplikujeme sofistikované algoritmy strojového učení k přesné shodě, seskupování a kategorizaci milionů produktů. Vědecké skóre zohledňuje tyto kategorizace, protože skóre každého produktu se počítá vzhledem k produktům ve stejné kategorii. Výsledkem je systém hodnocení, kterému vědci mohou důvěřovat – systém, který je specifický jak pro aplikaci produktu, tak pro typ produktu.
  • Standardní hodnocení produktů jsou užitečná pro rychlé posouzení produktů, ale často jsou zaujatá a nespolehlivá, protože se spoléhají na neznámé recenze nebo jedinou metriku (např. publikace). Poskytují také málo podrobností o experimentálním kontextu nebo aplikaci. Scientific Score využívá vědeckou metodologii k objektivnímu a komplexnímu hodnocení výzkumných produktů. Spojuje všechny potřebné a relevantní informace o produktu do jediného hodnocení 0–10, aby podpořilo naše zákazníky při rozhodování o tom, který produkt koupit a použít pro jejich aplikaci – šetří hodiny výzkumu produktu.
  • Abychom zajistili, že žádný jednotlivý faktor nebude dominovat, přidáváme hraniční body a dáváme větší váhu nedávným příspěvkům. Obrovské množství faktorů, které bereme v úvahu, prakticky vylučuje jakoukoli příležitost k manipulaci. V důsledku toho je naše skóre objektivním měřítkem kvality a množství dostupných informací o produktech, které podporují rozhodování našich zákazníků o nákupu.
• Alternativní produkty:
  • Alternativní produkty jsou definovány stejnými hodnotami pro klíčové atributy; klíčové atributy jsou definovány pro každou kategorii, aby zohlednily specifické vlastnosti produktu.
  • Pracujeme na zvýšení základních dat a atributů a na vylepšení algoritmu, abychom zlepšili návrhy
  • Návrhy alternativních produktů mají pomoci vědcům i dodavatelům zvažovat a hodnotit potenciální produkty, které by jinak nezvažovali/neznali.
  • Alternativní produkty jsou definovány výhradně vlastnostmi produktu a jsou nezávislé na dodavatelích, značce nebo jiných obchodních údajích

Doporučujete systémy doporučení? 

„Ano, ale ujistěte se, že používáte správná data, abyste své doporučení zakládali na kvalitě i kvantitě odrážející skutečná očekávání uživatelů. Vytvořte transparentnost, protože nikdo, zvláště vědci, nebude důvěřovat černé skříňce ani se na ni spoléhat. Sdílejte se svými uživateli, jaké informace se používají, jak jsou váženy, a nepřestávejte se učit, abyste se neustále zlepšovali. Nakonec dokončete cyklus tím, že převezmete zpětnou vazbu od uživatelů, kterou jste shromáždili, a přeneste ji zpět do systému.“ – Zageno

Síla motorů doporučení nikdy nebyla větší. Jak ukazují giganti jako Amazon a Netflix, doporučovatelé mohou být přímo zodpovědní za zvýšení příjmů a míru udržení zákazníků. Společnosti jako Zageno ukazují, že nemusíte být masivní společností, abyste využili sílu doporučovatelů. Výhody motorů doporučení se rozprostírají v mnoha odvětvích, jako je elektronický obchod až po lidské zdroje. 

Rychlý způsob, jak do vaší společnosti přinést motory doporučení

Vývoj motoru doporučení vyžaduje odbornou znalost dat. Váš interní IT tým nemusí mít kapacitu na to, aby to dokázal. Pokud chcete získat výhody udržení zákazníků a efektivity doporučovacích motorů, nemusíte čekat, až bude IT méně vytížené. Napište nám a dejte nám vědět. The Modrá Oranžová Digitální tým datové vědy rád přiměje doporučující pracovat i ve váš prospěch!

zdroj hlavního obrázku: Canva