On suositellaanko suosittelujärjestelmiä?

Liiketoiminnassa ongelmana on usein neula heinäsuovassa. Suosittelujärjestelmät auttavat ratkaisemaan tämän ongelman.

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

Myynti- ja markkinointitoiminnassa sinulla on suuri määrä potentiaalisia asiakkaita myyntiputkessa. Sinulla on kuitenkin vain tietty määrä tunteja päivässä. Näin ollen sinun on ratkaistava, mihin tarkalleen panostat.

On olemassa erikoistunut teknologia, joka perustuu tekoälyyn ja suuriin tietomääriin, joka tekee näistä haasteista helpommin hallittavia, suosittelujärjestelmät.

Mitkä ovat suosittelujärjestelmät?

Yksinkertaisimmillaan suosittelujärjestelmä läpikäy useita tuotteita ja ennustaa käyttäjälle merkityksellisimmän tuotteen. Kuluttajien kannalta Amazonin tuotesuosittelujärjestelmä on tuttu esimerkki. Viihdealueella Netflix (NFLX ) on työskennellyt ahkerasti kehittääkseen oman järjestelmänsä. Netflixin suosittelujärjestelmä on tuonut kannattavia etuja:

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

Loppukäyttäjän näkökulmasta suosittelujärjestelmien toimintaa ei usein ymmärretä. Me vedämme verhon sivuun ja selitämme, miten ne toimivat, aloittaen avainkomponentista: datasta.

Suosittelujärjestelmät: Mitä dataa ne käyttävät?

Sille datalle, jota suosittelujärjestelmä tarvitsee, vaikuttaa tavoitteesi. Oletetaan, että tavoitteesi on lisätä myyntiä verkkokaupassa. Tällöin vähimmäisvaatimukset datasta jakautuvat kahteen kategoriaan: tuotetietokanta ja loppukäyttäjän käyttäytyminen. Tässä on yksinkertainen esimerkki siitä, miten tämä toimii.

• Yritys: USB-liittimien ja muiden vastaavien tuotteiden myyjä. Yritys erikoistuu myymään USB-liittimiä ja vastaavia tuotteita kuluttajille ja yrityksille.
• Tuotedata. Jotta suosittelujärjestelmä voidaan pitää yksinkertaisena, yritys rajoittaa sen 100 tuotteeseen.
• Käyttäjädata. Verkkokaupan tapauksessa käyttäjädata käsittää verkkosivujen analytiikkaa, sähköpostimarkkinointia ja muita lähteitä. Esimerkiksi voi havaita, että 50 %:lla asiakkaista, jotka ostavat ulkoisen kiintolevyn, ostetaan myös USB-kaapelia.
• Suosittelujen tuloste. Tässä tapauksessa suosittelujärjestelmä voi generoida suosittelun (tai alennuskoodin) kiintolevyn ostajille rohkaistaakseen heitä ostamaan USB-kaapelia.

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

Miten suosittelujärjestelmät käyttävät dataa?

Monet suosittelujärjestelmät käyttävät joukkoa tekniikoita datan prosessointiin.

Sisällön perusteella tapahtuva suodatus

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

Yhteisöllinen suodatus

Oletko koskaan pyytänyt jonkun toisen suositusta ennen ostoa? Tai huomioinut verkkokommentteja ostoasiassa? Jos näin on, olet kokenut yhteisöllisen suodatuksen. Edistyneemmät suosittelujärjestelmät analysoivat käyttäjien arvosteluita, arvosteluja ja muita käyttäjien luomia sisältöjä tuottaakseen merkityksellisiä ehdotuksia. Tämä suosittelujärjestelmä on voimakas, koska se hyödyntää sosiaalista näyttöä.

Hybridi-suosittelevat järjestelmät

Hybridi-suosittelujärjestelmät 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 suosittelujärjestelmän tai algoritmin yhdistäminen onnistuneesti vaatii kokeilua. Tämän vuoksi se on parhaimmillaan suhteellisen edistynyt strategia.

Suosittelujärjestelmä on onnistunut vain, jos se on ruokittu laadukkaalla datalla. Se ei myöskään voi toimia tehokkaasti, jos sinulla on virheitä tai vanhentunutta tietoa yrityksesi tietokannassa. Siksi sinun on panostettava jatkuvasti datan laatuun.

Käyttötapaukset:

Automaattinen palkkaaminen: Ehdokasluokittelu

Työpaikkailmoituksiin on keskimäärin yli 50 hakijaa, kuten Jobvite-tutkimus osoittaa. Henkilöstöosastoille ja johtajille tämä hakijamäärä luo valtavan työmäärän. Prosessin yksinkertaistamiseksi Blue Orange toteutti suosittelujärjestelmän Fortune 500 -rahastoyhtiölle. Tämä henkilöstöautomaatiohanke auttoi yritystä luokittelemaan ehdokkaita standardoidulla tavalla. Käyttäen kymmenen vuoden hakijadataa ja ansioluetteloita, yrityksellä on nyt kehittynyt pisteytysmalli löytääkseen sopivat ehdokkaat.

New Yorkissa toimiva rahastoyhtiö tarvitsi hakijoiden ansioluetteloita, jotka vaativat OCR:n parantamista palkkahaun prosessissa. Jopa parhaimman OCR-käsittelyn jälkeen jäljelle jää sekavaa ja rakenteetonta dataa. Sitten, kun ehdokas etenee hakuprosessissa, ihmisten osallistuminen tulee mukaan. Lisää tietokantaan vapaamuotoista tekstiä hakijan arvostelusta ja sekä kielellisiä että henkilökohtaisia ennakkoluuloja. Lisäksi kunkin tietolähteen on eriytetty, mikä tarjoaa vain rajoitetun analyysimahdollisuuden.

Lähestymistapa: Arvioituamme useita yritysten palkkahakuprosesseja, olemme löytäneet kolme johdonmukaista mahdollisuutta parantaa systemaattisesti palkkahakutuloksia käyttämällä NLP-koneoppimista. Haasteet ovat: ehdokkaiden ansioluettelojen oikea rakenne, työn sopivuuden arviointi ja ihmisten palkkaamisen ennakkoluulojen vähentäminen. Puhdistetun ja rakenteellisen tietokannan kanssa voimme suorittaa sekä mielipidettä analyysiä tekstistä että subjektiivisen havainnon havaitsemista vähentääksesi ehdokkaan ennakkoluuloja ihmisten arvioinnissa.

Tulokset: Käyttämällä avain sana -tunnistimia, optista merkintunnistusta ja pilvipohjaisia NLP-moottoreita pystyimme puhdistamaan merkkijonoa ja muuttamaan sen relaatiotietokannaksi. Rakenteellisen datan kanssa voimme tarjota nopean, interaktiivisen ja haun Business Analytics -työtilan AWS QuickSightissa.

Verkkokauppa: Zageno Medical Supplies

Toinen esimerkki suosittelujärjestelmien käytöstä todellisessa maailmassa tulee Zagenolta. Zageno on verkkokauppayritys, joka tekee laboratoriotutkijoille saman, mitä Amazon (AMZN ) tekee muille. Erittäin tärkeää on, että laboratoriotutkijoiden tarpeet ovat tarkat, joten heidän tutkimuksensa tarjoamien tarvikkeiden on oltava yhtä tarkat. Seuraavat lainaukset ovat haastattelustamme Zagenon kanssa ja korostavat, miten he käyttävät suosittelujärjestelmiä toimittamaan laboratoriotutkijoille tarkin mahdollisen tarvikkeen.

Kysymys ja vastaus: Blue Orange Digital haastattelee Zagenoa

Kysymys:
Miten yrityksesi on käyttänyt suosittelujärjestelmää ja mitä tuloksia olette nähneet?

Vastaus:

On kaksi esimerkkiä suosittelujärjestelmistä, joita ZAGENO käyttää tieteellisille asiakkailleen. Selittääksemme nämä tunsimme parhaimmaksi kohdistaa ne luetteloon.

• ZAGENO:n tieteellinen arvosana:
  • ZAGENO:n tieteellinen arvosana on kattava tuote-arviointijärjestelmä, joka on kehitetty erityisesti tutkimustuotteiden arviointiin. Se sisältää useita tuotedatan näkökohtia useista lähteistä, jotta tutkijat voivat tehdä tarkat ostopäätöksiä.
  • Sovellamme edistyneitä koneoppimisalgoritmeja oikein vastaamaan, ryhmitellä ja luokitella miljoonia tuotteita. Tieteellinen arvosana ottaa huomioon nämä luokittelut, koska kunkin tuotteen arvosana lasketaan suhteessa saman luokan tuotteisiin. Tuloksena on luotettava arviointijärjestelmä, jota tutkijat voivat luottaa – se on spesifinen sekä tuotteen soveltamiselle että tuotetyypille.
  • Standardit tuote-arviot ovat hyödyllisiä nopean arvioinnin kannalta, mutta ne ovat usein vääristyneitä ja epäluotettavia johtuen tuntemattomista arvostelijoista tai yhdestä mittarista (esim. julkaisu). Ne myös tarjoavat vain vähän tietoa kokeellisesta kontekstista tai soveltamisesta. Tieteellinen arvosana käyttää tieteellistä menetelmää arvioidakseen tutkimustuotteita objektiivisesti ja kattavasti. Se yhdistää kaiken tarvittavan ja relevantin tuotetiedon yhteen 0-10 arviointiin, jotta asiakkaamme voivat päättää, minkä tuotteen ostaa ja käyttää sovelluksessaan – säästäen tunteja tuotetutkimuksesta.
  • Estääksemme yhden tekijän määräämisen, lisäämme kynnysarvoja ja annamme enemmän painoa viimeaikaisille panoksille. Suuren määrän tekijöiden huomioon ottaminen poistaa käytännössä mahdollisuuden manipuloida. Tuloksena on objektiivinen mittari tuotetiedon laadusta ja määrästä, joka tukee asiakkaiden ostopäätöksiä.
• Vaihtoehtoiset tuotteet:
  • Vaihtoehtoiset tuotteet määritellään samojen avainominaisuuksien arvoilla; avainominaisuudet määritellään kullekin kategorialle ottaen huomioon tiettyjen tuotetunnusten ominaisuudet.
  • Työskentelemme lisäämään taustatietoja ja ominaisuuksia ja parantamaan algoritmiä parantamaan ehdotuksia
  • Vaihtoehtoisten tuotteiden ehdotukset on tarkoitettu auttamaan sekä tutkijoita että hankkijoita arvioimaan ja arviointiin mahdollisia tuotteita, joita he eivät muuten olisi tienneet.
  • Vaihtoehtoiset tuotteet määritellään yksinomaan tuotetunnusten perusteella ja ovat riippumattomia toimittajista, brändistä tai muusta kaupallisesta tiedosta

Suositteletko suosittelujärjestelmiä?

”Kyllä, mutta varmista, että käytät oikeaa dataa suosittelun perusteena sekä laadun että määrän osalta, jotka heijastavat todellisia käyttäjän odotuksia. Luo avoimuutta, koska kukaan, erityisesti tutkijat, ei luota tai riipu ”mustasta laatikosta”. Jaa käyttäjiesi kanssa, mitä tietoa käytetään, miten se on painotettu, ja jatka oppimista jotta voit jatkuvasti parantaa. Lopulta, tee käyttäjien palautteen, jonka olet kerännyt, takaisin järjestelmään.” – Zageno

Suosittelujärjestelmien voima on koskaan ollut suurempi. Kun suurten yritysten, kuten Amazonin ja Netflixin, on osoittanut, että suosittelijat voivat olla suoraan vastuussa myynti- ja asiakaspidätyksen kasvusta. Yritykset, kuten Zageno, osoittavat, ettei sinun tarvitse olla valtava yritys hyödyntääksesi suosittelijoiden voimaa. Suosittelujärjestelmien hyödyt ulottuvat useille aloille, kuten verkkokaupasta henkilöstöhallintoon.

Nopea tapa tuoda suosittelujärjestelmät yritykseesi

Suosittelujärjestelmän kehittäminen vaatii datan asiantuntemusta. Sisäinen IT-tiimisi saattaa ei voi rakentaa tätä. Jos haluat saada suosittelujärjestelmien asiakaspidätyksen ja tehokkuuden hyödyt, et tarvitse odottaa, että IT: llä on vähemmän kiire. Ota meihin yhteyttä ja kerro meille. Blue Orange Digital: n data-tiede tiimi on iloinen voidessaan tehdä suosittelijat toimimaan myös hyväksi.

Pääkuvan lähde: Canva