Suositteletko Suosittelumoottoreita?

Liiketoiminnassa on olemassa haaste, jota voidaan kutsua “neulaksi heinäsuovalla”-ongelmaksi. Suosittelumoottorit ovat täällä auttamaan tämän haasteen voittamisessa. 

Verkkokaupassa ja vähittäiskaupassa tarjoat satoja tai tuhansia tuotteita. Kumpi tuote on oikea asiakkaillesi?

Myynti- ja markkinointistrategioissa sinulla on suuri määrä potentiaalisia asiakkaita myyntiputkessa. Sinulla on kuitenkin vain tietty määrä tunteja päivässä. Näin ollen sinun on haasteena päättää, mihin tarkalleen panostaa.

On olemassa erikoistunut teknologia, joka perustuu tekoälyyn ja Big Dataan, joka tekee näistä haasteista helpommin hallittavia, suosittelumoottorit.

Mitkä ovat suosittelujärjestelmät?

Yksinkertaisimmillaan suosittelumoottori läpikäy useita kohteita ja ennustaa käyttäjälle merkittävimmän valinnan. Kuluttajille Amazonin tuotesuosittelumoottori on tuttu esimerkki. Viihdealueella Netflix on työskennellyt ahkerasti kehittääkseen oman moottorinsa. Netflixin suosittelumoottori on tuonut kannattavuuden parantamiseen:

“[Netflixin] monimutkainen suosittelujärjestelmä ja henkilökohtainen käyttökokemus on sallinut heidän säästää 1 miljardia dollaria vuodessa palvelun peruutuksista.” – Suosittelumoottorien ROI markkinoinnissa

Loppukäyttäjän näkökulmasta on usein epäselvää, miten suosittelumoottorit toimivat. Me vedämme verhon pois ja selitämme, miten ne toimivat, aloittaen avainkomponentilla: data.

Suosittelumoottorit: Mitä dataa ne käyttävät?

Data, jota tarvitset suosittelumoottorille, riippuu tavoitteesi. Oletetaan, että tavoitteesi on lisätä myyntiä verkkokaupassa. Tässä tapauksessa vähimmäisvaatimukset dataan jakautuvat kahteen kategoriaan: tuotetietokanta ja loppukäyttäjän käyttäytyminen. Tässä on yksinkertainen esimerkki siitä, miten tämä toimii.

• Yritys: USB-liittimien yritys. Yritys erikoistuu myymään USB-liittimiä ja tuotteita, kuten kaapeleita, muistikkoja ja jakajia, kuluttajille ja yrityksille.
• Tuotedata. Pitääkseen alkuun suosittelumoottorin yksinkertaisena, yritys rajoittaa sen 100 tuotteeseen.
• Käyttäjädata. Verkkokaupan tapauksessa käyttäjädata sisältää verkkosivujen analytiikkaa, sähköpostimarkkinointia ja muita lähteitä. Esimerkiksi voit huomata, että 50 %:lla asiakkaista, jotka ostavat ulkoisen kiintolevyn, myös ostetaan USB-kaapeleita.
• Suosittelutulos. Tässä tapauksessa suosittelumoottorisi voi generoida suosittelun (tai alennuskoodin) kiintolevyn ostajille rohkaistaakseen heitä ostamaan USB-kaapeleita.

Käytännössä parhaat suosittelumoottorit käyttävät paljon enemmän dataa. Yleensä suosittelumoottorit tuottavat parempia liiketoimintatuloksia, kun niillä on suuri määrä dataa käytettävissään.

Miten suosittelumoottorit käyttävät dataasi?

Monet suosittelumoottorit käyttävät joukkoa tekniikoita datan prosessointiin.

Sisällön perusteella tapahtuva suodatus

Tämänlainen suosittelualgoritmi yhdistää käyttäjän preferenssit ja yrittää suositella samankaltaisia tuotteita. Tässä tapauksessa moottori keskittyy tuotteeseen ja korostaa siihen liittyviä tuotteita. Tämänlainen suosittelumoottori on suhteellisen helppo rakentaa. Se on hyvä lähtökohta yrityksille, joilla on rajoitettu määrä dataa.

Yhteisöllinen suodatus

Oletko koskaan pyytänyt jonkun muun suositusta ennen ostoa? Vai oletko huomioinut verkkokeskustelut ostoprosessissasi? Jos niin, olet kokenut yhteisöllisen suodatuksen. Edistyneemmät suosittelumoottorit analysoivat käyttäjien arvosteluita, arvosteluja ja muita käyttäjien luomia sisältöjä tuottaakseen relevantteja ehdotuksia. Tämäntyyppinen suosittelustrategia on voimakas, koska se hyödyntää sosiaalista näyttöä.

Hybridi-suositukset

Hybridi-suosittelumoottorit yhdistävät kaksi tai useampaa suosittelumenetelmää tuottaakseen parempia tuloksia. Palataksesi edellä mainittuun verkkokauppaesimerkkiin, oletetaan, että olet hankkinut käyttäjien arvosteluita ja arvosteluja (esim. 1-5 tähteä) viimeisen vuoden aikana. Nyt voit käyttää sekä sisällön perusteella tapahtuvaa suodatusta että yhteisöllistä suodatusta esittääksesi suositteluita. Useamman suosittelumoottorin tai algoritmin yhdistäminen onnistuneesti vaatii kokeilua. Sen vuoksi se on parhaiten katsottavissa edistyneeksi strategiaksi.

Suosittelumoottori on onnistunut vain, jos se syötetään laadukkaalla datalla. Se ei myöskään voi toimia tehokkaasti, jos sinulla on virheitä tai vanhentunutta tietoa yrityksesi tietokannassa. Sen vuoksi sinun on investoitava jatkuvasti data-laadun parantamiseen.

Case-tutkimukset: 

Automaattinen palkkaaminen: Ehdokasluokitus

On keskimäärin yli 50 hakijaa työpaikkoja kohti, Jobviten tutkimuksen mukaan. Henkilöstöosastoille ja johtajille tämä hakijamäärä luo valtavan työmäärän. Prosessin yksinkertaistamiseksi Blue Orange toteutti suosittelumoottorin Fortune 500 -rahastoyhtiölle. Tämä HR-automatiikka auttoi yritystä luokittelemaan ehdokkaita standardoidulla tavalla. Käyttäen kymmenen vuoden verran ehdokasdataa ja ansioluetteloita, yrityksellä on nyt kehittynyt pisteytysmalli löytääkseen sopivat ehdokkaat.

New Yorkin pörssin rahastoyhtiö tarvitsi käsittelyä, jotta se voisi parantaa rekrytointiprosessiaan. Parhaimmankin OCR-käsittelyn jälkeen jää sotkuinen ja rakenteeton data. Sitten, kun ehdokas etenee hakuprosessissa, ihmiset tulevat mukaan. Lisää tietokantaan vapaamuotoinen teksti ehdokkaan arvostelusta, ja sekä kielelliset että henkilökohtaiset ennakkoasenteet. Lisäksi kunkin tietolähteen on eristetty, mikä tarjoaa rajatun analytiikan mahdollisuuden.

Lähestymistapa: Arvioimalla useita yritysten palkkaamisprosesseja, olemme löytäneet kolme johdonmukaista mahdollisuutta parantaa systemaattisesti palkkaamistuloksia käyttäen NLP-koneoppimista. Haasteet ovat: ehdokasen ansioluettelon oikean rakenteen luominen, työtehtävän sopivuuden arviointi ja inhimillisen palkkaamisen ennakkoasenteiden vähentäminen. Puhdistetun ja rakenteellisen tietokannan kanssa voimme suorittaa sekä mielipidetutkimuksen tekstistä että subjektiivisen havainnon vähentämiseksi ehdokkaan puolueettomuutta inhimillisen arvioinnissa.

Tulokset: Käyttäen avain sana -tunnistimia, optista merkintätunnistusta ja pilvipohjaisia NLP-moottoreita, pystyimme puhdistamaan merkkijonotekstin ja muuttaa sen relaatiotietokannaksi. Rakenteellisen tietokannan kanssa tarjosimme nopean, interaktiivisen ja hakukelpoisen liiketoimintatilannekatsauksen AWS QuickSightissa.

Verkkokauppa: Zageno Medical Supplies

Toinen esimerkki suosittelumoottorien käytöstä todellisessa maailmassa tulee Zagenolta. Zageno on verkkokauppayritys, joka tekee laboratoriotutkijoille saman, mitä Amazon tekee muille. Ehtona on, että laboratoriotutkijoiden tarpeet ovat tarkat, joten heidän tutkimuksiinsa hankittavat tarvikkeet on oltava tarkat. Alla olevat lainaukset ovat haastattelustamme Zagenon kanssa ja korostavat, miten he käyttävät suosittelumoottoreita toimittamaan laboratoriotutkijoille tarkimmat tarvikkeet. 

Kysymys ja vastaus: Blue Orange Digital haastattelee Zagenoa