क्या आप सिफारिश इंजन की सिफारिश करते हैं?

व्यवसाय में, सुई की समस्या एक निरंतर चुनौती है। सिफारिश इंजन इस चुनौती का सामना करने में मदद करने के लिए यहाँ हैं।

इ-कॉमर्स और खुदरा में, आप सैकड़ों या हजारों उत्पादों की पेशकश करते हैं। आपके ग्राहकों के लिए कौन सा उत्पाद सही है?

बिक्री और विपणन में, आपके पाइपलाइन में बड़ी संख्या में संभावनाएं हैं। फिर भी, आपके पास दिन में केवल इतने घंटे हैं। इसलिए, आप यह तय करने की चुनौती का सामना करते हैं कि कहाँ सटीक रूप से प्रयास करना है।

एक विशेष प्रौद्योगिकी है जो एआई और बिग डेटा द्वारा संचालित है, जो इन चुनौतियों को प्रबंधित करना आसान बनाती है, सिफारिश इंजन।

सिफारिश इंजन क्या हैं?

साधारण शब्दों में, एक सिफारिश इंजन कई आइटमों के माध्यम से.sort करता है और उपयोगकर्ता के लिए सबसे प्रासंगिक चयन का अनुमान लगाता है। उपभोक्ताओं के लिए, अमेज़ॅन का उत्पाद सिफारिश इंजन एक परिचित उदाहरण है। मनोरंजन जगत में, नेटफ्लिक्स ने अपने इंजन को विकसित करने के लिए कड़ी मेहनत की है। नेटफ्लिक्स के सिफारिश इंजन ने नीचे के लाभ दिए हैं:

“[नेटफ्लिक्स की] जटिल सिफारिश प्रणाली और व्यक्तिगत उपयोगकर्ता अनुभव, इसने उन्हें सेवा रद्दीकरण से प्रति वर्ष $1 बिलियन की बचत करने की अनुमति दी है।” – विपणन के लिए सिफारिश इंजनों का आरओआई

अंतिम उपयोगकर्ता के दृष्टिकोण से, यह अक्सर स्पष्ट नहीं होता है कि सिफारिश इंजन कैसे काम करते हैं। हम पर्दा खींचेंगे और समझाएंगे कि वे कैसे काम करते हैं, शुरुआत में मुख्य सामग्री के साथ: डेटा।

सिफारिश इंजन: वे कौन सा डेटा उपयोग करते हैं?

सिफारिश इंजन के लिए आपको जिस डेटा की आवश्यकता है, वह आपके लक्ष्य पर निर्भर करता है। मान लें कि आपका लक्ष्य एक ई-कॉमर्स कंपनी में बिक्री बढ़ाना है। उस स्थिति में, न्यूनतम आवश्यक डेटा दो श्रेणियों में पड़ेगा: उत्पाद डेटाबेस और अंतिम उपयोगकर्ता व्यवहार। यह दिखाने के लिए कि यह कैसे काम करता है, एक सरल उदाहरण देखें।

• कंपनी: यूएसबी एक्सेसरीज़, इंक। कंपनी उपभोक्ताओं और व्यवसायों को यूएसबी एक्सेसरीज़ और उत्पादों जैसे केबल, थंब ड्राइव और हब बेचने में माहिर है।
• उत्पाद डेटा。 सिफारिश इंजन को सरल रखने के लिए, कंपनी इसे 100 उत्पादों तक सीमित करती है।
• उपयोगकर्ता डेटा。 ऑनलाइन स्टोर के मामले में, उपयोगकर्ता डेटा में वेबसाइट विश्लेषण जानकारी, ईमेल विपणन और अन्य स्रोत शामिल होंगे। उदाहरण के लिए, आप पा सकते हैं कि बाहरी हार्ड ड्राइव खरीदने वाले 50% ग्राहक यूएसबी केबल भी खरीदते हैं।
• सिफारिश आउटपुट。 इस मामले में, आपका सिफारिश इंजन हार्ड ड्राइव खरीदारों को यूएसबी केबल खरीदने के लिए प्रोत्साहित करने के लिए एक सिफारिश (या डिस्काउंट कोड) उत्पन्न कर सकता है।

अभ्यास में, सर्वोत्तम सिफारिश इंजन अधिक डेटा का उपयोग करते हैं। एक सामान्य नियम के रूप में, सिफारिश इंजन बड़ी मात्रा में डेटा का उपयोग करने पर बेहतर व्यवसायिक परिणाम उत्पन्न करते हैं।

सिफारिश इंजन आपके डेटा का उपयोग कैसे करते हैं?

कई सिफारिश इंजन आपके डेटा को संसाधित करने के लिए कुछ तकनीकों का उपयोग करते हैं।

सामग्री-आधारित फिल्टरिंग

इस प्रकार का सिफारिश अल्गोरिदम उपयोगकर्ता प्राथमिकताओं को जोड़ती है और समान आइटमों की सिफारिश करने का प्रयास करती है। इस मामले में, इंजन उत्पाद पर केंद्रित है और संबंधित आइटमों को हाइलाइट कर रहा है। यह प्रकार का सिफारिश इंजन tương đối सरल है और कम डेटा वाली कंपनियों के लिए एक अच्छा प्रारंभिक बिंदु है।

सहयोगी फिल्टरिंग

क्या आपने पहले किसी खरीदारी से पहले किसी और से सिफारिश मांगी है? या अपनी खरीद प्रक्रिया में ऑनलाइन समीक्षाओं पर विचार किया है? यदि हाँ, तो आपने सहयोगी फिल्टरिंग का अनुभव किया है। अधिक उन्नत सिफारिश इंजन उपयोगकर्ता समीक्षाओं, रेटिंग्स और अन्य उपयोगकर्ता-जनित सामग्री का विश्लेषण करके प्रासंगिक सुझाव उत्पन्न करते हैं। यह प्रकार की सिफारिश इंजन रणनीति शक्तिशाली है क्योंकि यह सामाजिक प्रमाण का लाभ उठाती है।

हाइब्रिड सिफारिशकर्ता

हाइब्रिड सिफारिश इंजन एक से अधिक सिफारिश विधियों को जोड़ते हैं ताकि बेहतर परिणाम प्राप्त किए जा सकें। ऊपर दिए गए ई-कॉमर्स उदाहरण पर लौटते हुए, मान लें कि आपने पिछले वर्ष में उपयोगकर्ता समीक्षाओं और रेटिंग्स (जैसे 1 से 5 स्टार) प्राप्त की हैं। अब, आप सामग्री-आधारित फिल्टरिंग और सहयोगी फिल्टरिंग दोनों का उपयोग सिफारिशें प्रस्तुत करने के लिए कर सकते हैं। कई सिफारिश इंजनों या अल्गोरिदमों को सफलतापूर्वक जोड़ने में आमतौर पर प्रयोग शामिल होता है। इस वजह से, यह आमतौर पर एक tương đối उन्नत रणनीति माना जाता है।

एक सिफारिश इंजन केवल तभी सफल हो सकता है जब आप इसे उच्च गुणवत्ता वाले डेटा से खिलाते हैं। यह तब भी प्रभावी ढंग से काम नहीं कर सकता है जब आपके कंपनी डेटाबेस में त्रुटियां या पुरानी जानकारी होती है। इसलिए, आपको निरंतर डेटा गुणवत्ता में संसाधनों का निवेश करने की आवश्यकता है।

मामले का अध्ययन:

हायरिंग ऑटोमेटेड: उम्मीदवार स्कोरिंग

नौकरी पोस्टिंग प्रति औसतन 50 से अधिक आवेदक हैं, जोबवाइट रिसर्च के अनुसार। मानव संसाधन विभाग और प्रबंधकों के लिए, यह आवेदकों की मात्रा एक बड़ा काम पैदा करती है। इस प्रक्रिया को सरल बनाने के लिए, ब्लू ऑरेंज ने एक फॉर्च्यून 500 हेज फंड के लिए एक सिफारिश इंजन लागू किया। इस एचआर ऑटोमेशन प्रोजेक्ट ने कंपनी को उम्मीदवारों को एक मानक तरीके से रैंक करने में मदद की। आवेदकों और रिज्यूमे के दस साल के डेटा का उपयोग करके, फर्म अब अच्छे फिट उम्मीदवारों को खोजने के लिए एक जटिल स्कोरिंग मॉडल है।

न्यूयॉर्क सिटी में एक हेज फंड को अपनी भर्ती प्रक्रिया में सुधार के लिए रिज्यूमे को पार्स करने की आवश्यकता थी जो असंगत थी और ओसीआर में सुधार की आवश्यकता थी। यहां तक कि सर्वोत्तम ओसीआर पार्सिंग भी आपको गंदे और असंरचित डेटा छोड़ देती है। फिर, जब एक उम्मीदवार आवेदन प्रक्रिया से गुजरता है, तो मानव जुड़ जाते हैं। डेटा सेट में मुफ्त पाठ समीक्षाओं को जोड़ें और दोनों भाषाई और व्यक्तिगत पूर्वाग्रह। इसके अलावा, प्रत्येक डेटा स्रोत सिलो में है, जो सीमित विश्लेषणात्मक अवसर प्रदान करता है।

दृष्टिकोण: कई कंपनियों की भर्ती प्रक्रिया का मूल्यांकन करने के बाद, हमने तीन निरंतर अवसरों को पहचाना है जिसमें भर्ती परिणामों में सिस्टमेटिक रूप से सुधार करने के लिए एनएलपी मशीन लर्निंग का उपयोग किया जा सकता है। समस्या क्षेत्र हैं: उम्मीदवार रिज्यूमे डेटा को सही ढंग से संरचित करना, नौकरी फिट का मूल्यांकन करना और मानव भर्ती पूर्वाग्रह को कम करना। साफ और संरचित डेटा सेट के साथ, हम पाठ पर भावना विश्लेषण और विषयवस्तु का पता लगाने में सक्षम थे ताकि मानव मूल्यांकन में उम्मीदवार पूर्वाग्रह को कम किया जा सके।

परिणाम: कीवर्ड डिटेक्शन क्लासिफायर, ऑप्टिकल कैरेक्टर रिकग्निशन और क्लाउड-आधारित एनएलपी इंजन का उपयोग करके, हम स्ट्रिंग टेक्स्ट को साफ कर सकते हैं और इसे संबंधपरक डेटा में बदल सकते हैं। संरचित डेटा के साथ, हमने एएमएजेडन क्विकसाइट में एक तेज, इंटरैक्टिव और खोज योग्य व्यवसाय विश्लेषण डैशबोर्ड प्रदान किया।

इ-कॉमर्स: ज़ैगेनो मेडिकल सप्लाई

सिफारिश इंजनों को वास्तविक दुनिया में लागू करने का एक और उदाहरण ज़ैगेनो से आता है। ज़ैगेनो एक ई-कॉमर्स कंपनी है जो प्रयोगशाला वैज्ञानिकों के लिए वही करती है जो अमेज़ॅन बाकी लोगों के लिए करता है। यह माना जाता है कि प्रयोगशाला वैज्ञानिकों की जरूरतें सटीक होती हैं, इसलिए उनके शोध के लिए प्राप्त की जाने वाली आपूर्ति भी सटीक होनी चाहिए। नीचे दिए गए उद्धरण ज़ैगेनो के साथ हमारे साक्षात्कार से हैं और यह बताते हैं कि वे सिफारिश इंजनों का उपयोग प्रयोगशाला वैज्ञानिकों को सबसे सटीक आपूर्ति प्रदान करने के लिए कैसे करते हैं।

प्रश्नोत्तर: ब्लू ऑरेंज डिजिटल ज़ैगेनो से साक्षात्कार करता है

प्रश्न:
आपकी कंपनी ने सिफारिश इंजन का उपयोग कैसे किया है और आपने किस प्रकार के परिणाम देखे हैं?

उत्तर:

ज़ैगेनो द्वारा अपने वैज्ञानिक ग्राहकों के लिए नियोजित सिफारिश इंजनों के दो उदाहरण हैं। उन्हें समझाने के लिए हमने उन्हें बुलेट पॉइंट में रखना सबसे अच्छा महसूस किया।

• ज़ैगेनो का वैज्ञानिक स्कोर:
  • ज़ैगेनो का वैज्ञानिक स्कोर एक व्यापक उत्पाद रेटिंग प्रणाली है, जो विशेष रूप से अनुसंधान उत्पादों के मूल्यांकन के लिए विकसित की गई है। यह कई स्रोतों से उत्पाद डेटा के विभिन्न पहलुओं को शामिल करता है, ताकि वैज्ञानिकों को सटीक खरीद निर्णय लेने के लिए एक जटिल और निष्पक्ष उत्पाद रेटिंग प्रदान की जा सके।
  • हम जटिल मशीन लर्निंग अल्गोरिदम को लागू करते हैं ताकि लाखों उत्पादों को सटीक रूप से मिलाने, समूह और वर्गीकृत किया जा सके। वैज्ञानिक स्कोर इन वर्गीकरण के लिए खाता है, क्योंकि प्रत्येक उत्पाद का स्कोर उसी श्रेणी में अन्य लोगों के सापेक्ष गणना की जाती है। परिणाम एक रेटिंग प्रणाली है जिस पर वैज्ञानिक भरोसा कर सकते हैं – एक जो उत्पाद अनुप्रयोग और उत्पाद प्रकार दोनों के लिए विशिष्ट है।
  • मानक उत्पाद रेटिंगें त्वरित मूल्यांकन के लिए उपयोगी होती हैं, लेकिन अक्सर पूर्वाग्रहपूर्ण और अविश्वसनीय होती हैं, क्योंकि वे अज्ञात समीक्षाओं या एकल मीट्रिक (जैसे प्रकाशन) पर निर्भर करती हैं। वे प्रयोगात्मक संदर्भ या अनुप्रयोग पर भी विस्तार से जानकारी प्रदान नहीं करते हैं। वैज्ञानिक स्कोर एक वैज्ञानिक विधि का उपयोग करके अनुसंधान उत्पादों का वस्तुनिष्ठ और व्यापक मूल्यांकन करता है। यह सभी आवश्यक और प्रासंगिक उत्पाद जानकारी को एक ही 0-10 रेटिंग में जोड़ता है ताकि हमारे ग्राहकों को यह तय करने में मदद मिल सके कि उनके अनुप्रयोग के लिए कौन सा उत्पाद खरीदना और उपयोग करना है – जिससे घंटों की उत्पाद अनुसंधान की बचत होती है।
  • किसी एक कारक को प्रमुख न बनाने के लिए, हम कट-ऑफ बिंदु जोड़ते हैं और हाल के योगदान को अधिक महत्व देते हैं। हमारे द्वारा ध्यान में रखे जाने वाले कारकों की संख्या लगभग हेरफेर के अवसर को समाप्त कर देती है। परिणामस्वरूप, हमारा स्कोर उपलब्ध उत्पाद जानकारी की गुणवत्ता और मात्रा का एक वस्तुनिष्ठ माप है, जो हमारे ग्राहकों के खरीद निर्णयों का समर्थन करता है।
• वैकल्पिक उत्पाद:
  • वैकल्पिक उत्पाद प्रमुख विशेषताओं के समान मान के द्वारा परिभाषित किए जाते हैं; प्रत्येक श्रेणी के लिए प्रमुख विशेषताएं विशिष्ट उत्पाद विशेषताओं के लिए खाता है।
  • हम अंतर्निहित डेटा और विशेषताओं को बढ़ाने और अल्गोरिदम में सुधार करने पर काम कर रहे हैं ताकि सुझावों में सुधार किया जा सके।
  • वैकल्पिक उत्पाद सुझाव वैज्ञानिकों और खरीदारी दोनों को विचार करने और मूल्यांकन करने में मदद करने के लिए डिज़ाइन किए गए हैं जो वे अन्यथा नहीं जानते होंगे।
  • वैकल्पिक उत्पाद केवल उत्पाद विशेषताओं द्वारा परिभाषित किए जाते हैं और आपूर्तिकर्ता, ब्रांड या अन्य व्यावसायिक डेटा से स्वतंत्र होते हैं।

क्या आप सिफारिश प्रणाली की सिफारिश करते हैं?

“हाँ, लेकिन सुनिश्चित करें कि आप अपनी सिफारिश पर आधारित डेटा की गुणवत्ता और मात्रा को दर्शाते हुए सही डेटा का उपयोग कर रहे हैं। पारदर्शिता बनाए रखें क्योंकि कोई भी, विशेष रूप से वैज्ञानिक, एक ब्लैक बॉक्स पर विश्वास नहीं करेगा या भरोसा नहीं करेगा। अपने उपयोगकर्ताओं के साथ साझा करें कि कौन सी जानकारी का उपयोग किया जा रहा है, यह कैसे भारित किया जा रहा है, और सीखना जारी रखें ताकि आप लगातार सुधार कर सकें। अंत में, चक्र को पूरा करें और उपयोगकर्ता प्रतिक्रिया एकत्र करें और इसे प्रणाली में वापस लाएं।” – ज़ैगेनो

सिफारिश इंजनों की शक्ति कभी भी इतनी महान नहीं रही है। अमेज़ॅन और नेटफ्लिक्स जैसी दिग्गज कंपनियों के रूप में, सिफारिशकर्ता सीधे तौर पर राजस्व और ग्राहक प्रतिधारण दर में वृद्धि के लिए जिम्मेदार हो सकते हैं। ज़ैगेनो जैसी कंपनियां दिखाती हैं कि आपको सिफारिशकर्ताओं की शक्ति का लाभ उठाने के लिए एक विशाल कंपनी होने की आवश्यकता नहीं है। सिफारिश इंजनों के लाभ ई-कॉमर्स से लेकर मानव संसाधन तक कई उद्योगों में फैले हुए हैं।

अपनी कंपनी में सिफारिश इंजनों को लाने का तेज़ तरीका

सिफारिश इंजन विकसित करने में डेटा विशेषज्ञता की आवश्यकता होती है। आपकी आंतरिक आईटी टीम के पास यह निर्माण करने की क्षमता नहीं हो सकती है। यदि आप सिफारिश इंजनों के ग्राहक प्रतिधारण और दक्षता लाभ प्राप्त करना चाहते हैं, तो आपको आईटी के लिए कम व्यस्त होने की प्रतीक्षा नहीं करनी है। हमसे संपर्क करने के लिए एक पंक्ति छोड़ दें और हमें बताएं। ब्लू ऑरेंज डिजिटल डेटा विज्ञान टीम आपके लिए सिफारिशकर्ताओं को काम करने में खुश है।

मुख्य छवि स्रोत: कैनवा