Empfehlen Sie Empfehlungsmaschinen?

Im Geschäftsleben ist das Problem des “Nadel im Heuhaufen” eine ständige Herausforderung. Empfehlungsmaschinen sind hier, um bei dieser Herausforderung zu helfen.

Im E-Commerce und Einzelhandel bieten Sie hunderte oder tausende von Produkten an. Welches Produkt ist für Ihre Kunden das richtige?

Im Vertrieb und Marketing haben Sie eine große Anzahl von Interessenten in Ihrer Pipeline. Doch Sie haben nur begrenzt Zeit, um Ihre Bemühungen zu konzentrieren.

Es gibt eine spezielle Technologie, die von künstlicher Intelligenz und Big Data angetrieben wird und diese Herausforderungen erleichtert: Empfehlungsmaschinen.

Was sind Empfehlungssysteme?

In einfachen Worten sortiert eine Empfehlungsmaschine viele Artikel und prognostiziert die Auswahl, die für den Benutzer am relevantesten ist. Für Verbraucher ist Amazons Produkt-Empfehlungsmaschine ein vertrautes Beispiel. In der Unterhaltungsbranche hat Netflix (NFLX ) hart daran gearbeitet, ihre Maschine zu entwickeln. Netflix’ Empfehlungsmaschine hat bottom-line-Vorteile gebracht:

“[Netflix’] komplexes Empfehlungssystem und personalisiertes Benutzererlebnis haben es ermöglicht, 1 Milliarde Dollar pro Jahr durch Stornierungen von Diensten zu sparen.” – Die ROI von Empfehlungsmaschinen für Marketing

Aus der Sicht des Endbenutzers ist es oft unklar, wie Empfehlungsmaschinen funktionieren. Wir werden den Vorhang zurückziehen und erklären, wie sie funktionieren, beginnend mit dem wichtigsten Zutat: Daten.

Empfehlungsmaschinen: Welche Daten verwenden sie?

Die Daten, die Sie für eine Empfehlungsmaschine benötigen, hängen von Ihrem Ziel ab. Nehmen wir an, Ihr Ziel ist es, den Umsatz in einem E-Commerce-Unternehmen zu steigern. In diesem Fall würden die erforderlichen Daten in zwei Kategorien fallen: ein Produkt-Datenbank und Endbenutzer-Verhalten. Um zu zeigen, wie dies funktioniert, betrachten wir ein einfaches Beispiel.

• Unternehmen: USB-Zubehör, Inc. Das Unternehmen spezialisiert sich auf den Verkauf von USB-Zubehör und -Produkten wie Kabeln, USB-Sticks und Hubs an Verbraucher und Unternehmen.
• Produkt-Daten. Um die anfängliche Empfehlungsmaschine einfach zu halten, beschränkt sich das Unternehmen auf 100 Produkte.
• Benutzer-Daten. Im Falle eines Online-Shops umfassen Benutzer-Daten Website-Analytics-Informationen, E-Mail-Marketing und andere Quellen. Zum Beispiel stellen wir fest, dass 50 % der Kunden, die einen externen Festplatten kaufen, auch USB-Kabel kaufen.
• Empfehlungsausgabe. In diesem Fall generiert Ihre Empfehlungsmaschine möglicherweise eine Empfehlung (oder einen Rabattcode) für Käufer von externen Festplatten, um sie dazu zu ermutigen, USB-Kabel zu kaufen.

In der Praxis verwenden die besten Empfehlungsmaschinen viel mehr Daten. Als allgemeine Regel produzieren Empfehlungsmaschinen bessere Geschäftsergebnisse, wenn sie eine große Menge an Daten verwenden.

Wie verwenden Empfehlungsmaschinen Ihre Daten?

Viele Empfehlungsmaschinen verwenden eine Handvoll Techniken, um Ihre Daten zu verarbeiten.

Inhaltsbasierte Filterung

Diese Art von Empfehlungsalgorithmus kombiniert Benutzerpräferenzen und versucht, ähnliche Artikel zu empfehlen. In diesem Fall konzentriert sich die Maschine auf das Produkt und hebt verwandte Artikel hervor. Diese Art von Empfehlungsmaschine ist relativ einfach zu bauen. Sie ist ein guter Ausgangspunkt für Unternehmen mit begrenzten Daten.

Kollaborative Filterung

Haben Sie jemals jemanden nach einer Empfehlung gefragt, bevor Sie einen Kauf getätigt haben? Oder haben Sie Online-Bewertungen in Ihrem Kaufprozess berücksichtigt? Wenn ja, haben Sie bereits kollaborative Filterung erlebt. Fortgeschrittenere Empfehlungsmaschinen analysieren Benutzerbewertungen, -ratings und andere benutzererzeugte Inhalte, um relevante Vorschläge zu produzieren. Diese Art von Empfehlungsmaschinen-Strategie ist leistungsstark, da sie soziale Beweise nutzt.

Hybrid-Empfehlungsmaschinen

Hybrid-Empfehlungsmaschinen kombinieren zwei oder mehr Empfehlungsmethoden, um bessere Ergebnisse zu produzieren. Wenn wir zum obigen E-Commerce-Beispiel zurückkehren, nehmen wir an, dass wir Benutzerbewertungen und -ratings (z. B. 1 bis 5 Sterne) über das letzte Jahr hinweg gesammelt haben. Jetzt können wir sowohl inhaltsbasierte Filterung als auch kollaborative Filterung verwenden, um Empfehlungen zu präsentieren. Die Kombination mehrerer Empfehlungsmaschinen oder Algorithmen erfordert in der Regel Experimente. Aus diesem Grund ist es am besten, sie als relativ fortgeschrittene Strategie zu betrachten.

Eine Empfehlungsmaschine ist nur erfolgreich, wenn Sie sie mit hochwertigen Daten füttern. Sie kann auch nicht effektiv funktionieren, wenn Sie Fehler oder veraltete Informationen in Ihrer Unternehmensdatenbank haben. Deshalb müssen Sie kontinuierlich in die Datenqualität investieren.

Fallstudien:

Hiring Automated: Kandidaten-Bewertung

Es gibt durchschnittlich mehr als 50 Bewerber pro Stellenanzeige, laut Jobvite-Forschung. Für Personalabteilungen und Manager bedeutet diese Bewerberzahl eine enorme Arbeitsbelastung. Um den Prozess zu vereinfachen, implementierte Blue Orange eine Empfehlungsmaschine für ein Fortune-500-Unternehmen. DiesesHR-Automatisierungsprojekt half dem Unternehmen, Kandidaten auf standardisierte Weise zu bewerten. Mit zehn Jahren Bewerberdaten und Lebensläufen verfügt das Unternehmen nun über ein komplexes Bewertungsmodell, um gute Kandidaten zu finden.

Ein Hedge-Fonds in New York City musste Lebensläufe parsen, die inkonsistent waren und OCR erforderten, um den Einstellungsprozess zu verbessern. Selbst die beste OCR-Parsing lässt Sie mit chaotischen und unstrukturierten Daten zurück. Dann, wenn sich ein Kandidat durch den Bewerbungsprozess bewegt, werden Menschen involviert. Fügen Sie der Datenmenge freie Textbewertungen des Kandidaten hinzu und sowohl linguistische als auch persönliche Vorurteile. Darüber hinaus ist jede Datenquelle isoliert und bietet begrenzte Analysemöglichkeiten.

Ansatz: Nach der Bewertung mehrerer Unternehmen haben wir drei konsistente Möglichkeiten gefunden, um systematisch die Einstellungsergebnisse mithilfe von NLP-Machine-Learning zu verbessern. Die Problemgebiete sind: korrekte Strukturierung von Kandidaten-Lebenslauf-Daten, Bewertung der Job-Passung und Reduzierung von menschlichem Einstellungs-Vorurteil. Mit einer gereinigten und strukturierten Datenmenge konnten wir sowohl Sentiment-Analyse auf dem Text als auch Subjektivitäts-Erkennung durchführen, um Kandidaten-Vorurteile in der menschlichen Bewertung zu reduzieren.

Ergebnisse: Mit Hilfe von Schlüsselwort-Erkennungsklassifizierungen, optischer Zeichenerkennung und Cloud-basierten NLP-Motoren konnten wir Text-Strings reinigen und in relationale Daten umwandeln. Mit strukturierten Daten konnten wir ein schnelles, interaktives und durchsuchbares Business-Analytics-Dashboard in AWS QuickSight bereitstellen.

E-Commerce: Zageno Medical Supplies

Ein weiteres Beispiel für die Implementierung von Empfehlungsmaschinen in der realen Welt stammt von Zageno. Zageno ist ein E-Commerce-Unternehmen, das für Laborexperten tut, was Amazon (AMZN ) für den Rest von uns tut. Der Haken ist, dass die Bedürfnisse von Laborexperten genau sind, sodass die für ihre Forschung beschafften Materialien ebenfalls genau sein müssen. Die folgenden Zitate stammen aus unserem Interview mit Zageno und zeigen, wie sie Empfehlungsmaschinen nutzen, um die genauesten Materialien an Laborexperten zu liefern.

Q&A: Blue Orange Digital interviewt Zageno

Frage:
Wie hat Ihr Unternehmen eine Empfehlungsmaschine genutzt und welche Ergebnisse haben Sie gesehen?

Antwort:

Es gibt zwei Beispiele für die Empfehlungsmaschinen, die ZAGENO für seine wissenschaftlichen Kunden einsetzt. Um diese zu erklären, fühlten wir es am besten, sie in einer Liste aufzuführen.

• ZAGENO’s Scientific Score:
  • ZAGENO’s Scientific Score ist ein umfassendes Produktbewertungssystem, das speziell für die Bewertung von Forschungsprodukten entwickelt wurde. Es umfasst mehrere Aspekte von Produkt-Daten aus verschiedenen Quellen, um Wissenschaftlern eine sophisticated und unvoreingenommene Produktbewertung für fundierte Kaufentscheidungen zu bieten.
  • Wir wenden fortschrittliche Machine-Learning-Algorithmen an, um Millionen von Produkten genau zu matchen, zu gruppieren und zu kategorisieren. Der Scientific Score berücksichtigt diese Kategorisierungen, da jeder Produktscore im Verhältnis zu den Produkten in der gleichen Kategorie berechnet wird. Das Ergebnis ist ein Bewertungssystem, das Wissenschaftler vertrauen können – eines, das sowohl produktspezifisch als auch anwendungsspezifisch ist.
  • Standard-Produktbewertungen sind nützlich, um Produkte schnell zu bewerten, aber oft voreingenommen und unzuverlässig, da sie auf unbekannten Bewertungen oder einem einzigen Metric (z. B. Veröffentlichungen) basieren. Sie bieten auch wenig Detail über den experimentellen Kontext oder die Anwendung. Der Scientific Score verwendet eine wissenschaftliche Methodik, um Forschungsprodukte objektiv und umfassend zu bewerten. Er kombiniert alle notwendigen und relevanten Produktinformationen in einer einzigen 0-10-Bewertung, um unsere Kunden bei der Entscheidung zu unterstützen, welches Produkt sie kaufen und für ihre Anwendung verwenden sollten – und somit Stunden von Produktforschung zu sparen.
  • Um sicherzustellen, dass kein einzelner Faktor dominiert, fügen wir Schwellenwerte hinzu und geben mehr Gewicht auf aktuelle Beiträge. Die enorme Anzahl von Faktoren, die wir berücksichtigen, eliminiert praktisch jede Möglichkeit der Manipulation. Als Ergebnis ist unser Score ein objektives Maß für die Qualität und Quantität der verfügbaren Produktinformationen, das unsere Kunden bei ihren Kaufentscheidungen unterstützt.
• Alternative Produkte:
  • Alternative Produkte werden durch die gleichen Werte für Schlüsselattribute definiert; Schlüsselattribute werden für jede Kategorie definiert, um produktspezifische Merkmale zu berücksichtigen.
  • Wir arbeiten daran, die zugrunde liegenden Daten und Attribute zu erhöhen und den Algorithmus zu verbessern, um die Vorschläge zu verbessern
  • Alternative Produktvorschläge sollen sowohl Wissenschaftlern als auch der Beschaffung helfen, potenzielle Produkte zu berücksichtigen und zu bewerten, die sie möglicherweise nicht in Betracht gezogen oder gekannt haben.
  • Alternative Produkte werden ausschließlich durch Produktmerkmale definiert und unabhängig von Lieferanten, Marken oder anderen kommerziellen Daten.

Empfehlen Sie Empfehlungssysteme?

“Ja, aber stellen Sie sicher, dass Sie die richtigen Daten verwenden, um Ihre Empfehlung auf beide Qualität und Quantität zu basieren, die den tatsächlichen Benutzererwartungen entsprechen. Erzeugen Sie Transparenz, da niemand, insbesondere Wissenschaftler, einem Black-Box-System vertrauen oder sich darauf verlassen wird. Teilen Sie Ihren Benutzern mit, welche Informationen verwendet werden, wie sie gewichtet werden und lernen Sie weiter, um kontinuierlich zu verbessern. Schließlich vervollständigen Sie den Kreis, indem Sie das Benutzer-Feedback, das Sie gesammelt haben, in das System zurückführen.” – Zageno

Die Macht von Empfehlungsmaschinen hat noch nie größer sein können. Wie von Giganten wie Amazon und Netflix gezeigt, können Empfehlungsmaschinen direkt für Umsatzsteigerungen und Kundenbindungsraten verantwortlich sein. Unternehmen wie Zageno zeigen, dass Sie nicht unbedingt ein großes Unternehmen sein müssen, um die Macht von Empfehlungsmaschinen zu nutzen. Die Vorteile von Empfehlungsmaschinen erstrecken sich über viele Branchen, von E-Commerce bis hin zu Personalwesen.

Der schnelle Weg, um Empfehlungsmaschinen in Ihr Unternehmen zu bringen

Die Entwicklung einer Empfehlungsmaschine erfordert Daten-Experten. Ihr internes IT-Team hat möglicherweise nicht die Kapazität, dies zu bauen. Wenn Sie die Vorteile von Empfehlungsmaschinen in Bezug auf Kundenbindung und Effizienz nutzen möchten, müssen Sie nicht warten, bis IT weniger beschäftigt ist. Lassen Sie uns eine Nachricht da und sagen Sie uns Bescheid. Das Blue Orange Digital-Datenwissenschaftsteam ist glücklich, Empfehlungsmaschinen für Ihren Nutzen zu verwenden!

Quelle des Hauptbildes: Canva