Preporučate li motore za preporuke?

U poslu je problem igle u plastu sijena stalni izazov. Recommendation Engines su tu da pomognu u rješavanju tog izazova. 

U e-trgovini i maloprodaji nudite stotine ili tisuće proizvoda. Koji je pravi proizvod za vaše kupce?

U prodaji i marketingu imate veliki broj potencijalnih klijenata. Ipak, imate samo toliko sati u danu. Dakle, suočavate se s izazovom odlučivanja gdje ćete točno usredotočiti svoj trud.

Postoji specijalizirana tehnologija koju pokreću AI i Big Data, što čini ove izazove mnogo lakšim za upravljanje, motori za preporuke.

Što su sustavi preporuka?

Najjednostavnije rečeno, mehanizam za preporuke sortira mnoge stavke i predviđa odabir koji je najrelevantniji za korisnika. Za potrošače, Amazonov mehanizam za preporuku proizvoda poznat je primjer. U svijetu zabave, Netflix je naporno radio na razvoju svog pokretača. Netflixov mehanizam za preporuke donio je glavne prednosti:

"[Netflixov] sofisticirani sustav preporuka i personalizirano korisničko iskustvo omogućili su im da uštede 1 milijardu dolara godišnje od otkazivanja usluga." – ROI mehanizama preporuka za marketing

Iz perspektive krajnjeg korisnika, često nije jasno kako funkcioniraju mehanizmi za preporuke. Povući ćemo zavjesu i objasniti kako funkcioniraju, počevši od ključnog sastojka: podataka.

Motori za preporuke: Koje podatke koriste?

The datum koji vam je potreban za mehanizam preporuka ovisi o vašem cilju. Pretpostavimo da je vaš cilj povećati prodaju u tvrtki za e-trgovinu. U tom bi slučaju minimalni potrebni podaci spadali u dvije kategorije: baza podataka o proizvodu i ponašanje krajnjeg korisnika. Da biste ilustrirali kako to funkcionira, pogledajte ovaj jednostavan primjer.

• Tvrtka: USB Accessories, Inc. Tvrtka je specijalizirana za prodaju USB dodataka i proizvoda kao što su kabeli, flash pogoni i čvorišta potrošačima i tvrtkama.
• Podaci o proizvodu. Kako bi početni mehanizam za preporuke bio jednostavan, tvrtka ga ograničava na 100 proizvoda.
• Korisnički podaci. U slučaju internetske trgovine, podaci o korisniku uključivat će analitičke informacije web stranice, marketing putem e-pošte i druge izvore. Na primjer, možete otkriti da 50% kupaca koji kupuju vanjski tvrdi disk također kupuju USB kabele.
• Preporuka Izlaz. U tom slučaju, vaš mehanizam za preporuke može generirati preporuku (ili kod za popust) kupcima tvrdog diska kako bi ih potaknuo na kupnju USB kabela.

U praksi, najbolji motori za preporuke koriste mnogo više podataka. Kao opće pravilo, strojevi za preporuke daju bolje poslovne rezultate kada imaju veliku količinu podataka za korištenje.

Kako strojevi za preporuke koriste vaše podatke?

Mnogi strojevi za preporuke koriste pregršt tehnika za obradu vaših podataka.

Filtriranje na temelju sadržaja

Ova vrsta algoritma preporuke kombinira korisničke postavke i pokušava preporučiti slične stavke. U ovom slučaju, motor je fokusiran na proizvod i isticanje povezanih stavki. Ovu vrstu motora za preporuke relativno je jednostavno izgraditi. To je dobra polazna točka za tvrtke s ograničenim podacima.

Kolaborativno filtriranje

Jeste li pitali nekoga drugoga za preporuku prije kupnje? Ili uzeti u obzir online recenzije u procesu kupnje? Ako je tako, iskusili ste kolaborativno filtriranje. Napredniji mehanizmi za preporuke analiziraju korisničke recenzije, ocjene i drugi sadržaj koji su generirali korisnici kako bi proizveli relevantne prijedloge. Ova vrsta strategije pokretača preporuka moćna je jer koristi društveni dokaz.

Hibridni preporučitelji

Hibridni mehanizmi za preporuke kombiniraju dvije ili više metoda preporuka za postizanje boljih rezultata. Vraćajući se gore navedenom primjeru e-trgovine, recimo da ste stekli korisničke recenzije i ocjene (npr. 1 do 5 zvjezdica) tijekom prošle godine. Sada možete koristiti i filtriranje temeljeno na sadržaju i zajedničko filtriranje za predstavljanje preporuka. Uspješno kombiniranje više mehanizama za preporuke ili algoritama obično zahtijeva eksperimentiranje. Zbog toga se najbolje smatra relativno naprednom strategijom.

Mehanizam za preporuke uspješan je samo ako ga hranite visokokvalitetnim podacima. Također ne može učinkovito raditi ako imate pogreške ili zastarjele informacije u bazi podataka vaše tvrtke. Zato morate kontinuirano ulagati resurse u kvalitetu podataka.

Studije slučaja: 

Automatizirano zapošljavanje: bodovanje kandidata

U prosjeku postoji više od 50 kandidata po oglasu za posao, prema Jobvite istraživanju. Za odjele ljudskih resursa i menadžere taj broj kandidata stvara ogromnu količinu posla. Kako bi pojednostavio proces, Blue Orange implementirao je mehanizam za preporuku za hedge fond Fortune 500. Ovaj Projekt automatizacije ljudskih resursa pomogao tvrtki da rangira kandidate na standardiziran način. Koristeći desetogodišnje podatke i životopise kandidata, tvrtka sada ima sofisticirani model bodovanja za pronalaženje odgovarajućih kandidata.

Hedge fond u New Yorku trebao je raščlaniti životopise koji su bili nekonzistentni i koji su zahtijevali OCR kako bi poboljšali svoj postupak zapošljavanja. Čak i najbolja OCR analiza ostavlja vam neuredne i nestrukturirane podatke. Zatim, dok kandidat prolazi kroz proces prijave, ljudi se uključuju. Skupu podataka dodajte tekstualne recenzije podnositelja zahtjeva u slobodnom obliku te jezične i osobne predrasude. Osim toga, svaki izvor podataka je izoliran pružajući ograničenu analitičku priliku.

Pristup: Nakon procjene procesa zapošljavanja više tvrtki, pronašli smo tri dosljedne prilike za sustavno poboljšanje rezultata zapošljavanja pomoću NLP strojnog učenja. Problematična područja su: ispravno strukturiranje podataka o životopisu kandidata, procjena sposobnosti za posao i smanjenje pristranosti pri zapošljavanju. S pročišćenim i strukturiranim skupom podataka uspjeli smo izvršiti i analizu raspoloženja u tekstu i otkrivanje subjektivnosti kako bismo smanjili pristranost kandidata u ljudskoj procjeni.

Rezultati: Koristeći klasifikatore za otkrivanje ključnih riječi, optičko prepoznavanje znakova i NLP mehanizme temeljene na oblaku, uspjeli smo očistiti tekst niza i pretvoriti ga u relacijske podatke. Uz strukturirane podatke, osigurali smo brzu, interaktivnu i pretraživu nadzornu ploču poslovne analitike u AWS QuickSightu.

E-trgovina: medicinski materijal Zageno

Još jedan primjer mehanizama za preporuke koji se implementiraju u stvarnom svijetu dolazi iz Zagena. Zageno je tvrtka za e-trgovinu koja za laboratorijske znanstvenike radi ono što Amazon radi za nas ostale. Upozorenje je da su potrebe laboratorijskih znanstvenika točne, pa moraju biti takve i zalihe nabavljene za njihovo istraživanje. Citati u nastavku su iz našeg intervjua sa Zagenom i naglašavaju kako koriste mehanizme za preporuke za isporuku najpreciznijih zaliha laboratorijskim znanstvenicima. 

Pitanja i odgovori: Blue Orange Digital intervjuira Zageno

Pitanje:
Kako je vaša tvrtka koristila mehanizam za preporuke i kakve ste rezultate vidjeli?

Odgovor:

Dva su primjera mehanizama za preporuke koje ZAGENO koristi za svoje znanstvene klijente. Da bismo ih objasnili, smatrali smo da je najbolje nabrojati ih.

• ZAGENO-ov znanstveni rezultat:
  • ZAGENO's Scientific Score je sveobuhvatan sustav ocjenjivanja proizvoda, posebno razvijen za ocjenjivanje istraživačkih proizvoda. Uključuje nekoliko aspekata podataka o proizvodu, iz više izvora, kako bi znanstvenicima pružio sofisticiranu i nepristranu ocjenu proizvoda za donošenje točnih odluka o kupnji.
  • Primjenjujemo sofisticirane algoritme strojnog učenja za točno podudaranje, grupiranje i kategoriziranje milijuna proizvoda. Znanstvena ocjena uzima u obzir ove kategorizacije, budući da se ocjena svakog proizvoda izračunava u odnosu na one u istoj kategoriji. Rezultat je sustav ocjenjivanja u koji znanstvenici mogu vjerovati - onaj koji je specifičan i za primjenu i za vrstu proizvoda.
  • Standardne ocjene proizvoda korisne su za brzu procjenu proizvoda, ali su često pristrane i nepouzdane zbog oslanjanja na nepoznate recenzije ili jednu metriku (npr. publikacije). Također pružaju malo detalja o eksperimentalnom kontekstu ili primjeni. Znanstvena ocjena koristi znanstvenu metodologiju za objektivnu i sveobuhvatnu procjenu istraživačkih proizvoda. Kombinira sve potrebne i relevantne informacije o proizvodu u jednu ocjenu 0-10 kako bi podržao naše klijente u odlučivanju koji proizvod kupiti i koristiti za svoju primjenu – štedeći sate istraživanja proizvoda.
  • Kako bismo osigurali da niti jedan faktor ne dominira, dodajemo granične točke i dajemo veću težinu nedavnim doprinosima. Sam broj čimbenika koje uzimamo u obzir gotovo eliminira svaku priliku za manipulaciju. Kao rezultat toga, naš je rezultat objektivna mjera kvalitete i količine dostupnih informacija o proizvodu, koja podupire odluke naših kupaca o kupnji.
• Alternativni proizvodi:
  • Alternativni proizvodi definirani su istim vrijednostima za ključne atribute; ključni atributi definirani su za svaku kategoriju kako bi se uzele u obzir specifične karakteristike proizvoda.
  • Radimo na povećanju temeljnih podataka i atributa i poboljšanju algoritma kako bismo poboljšali prijedloge
  • Prijedlozi alternativnih proizvoda namijenjeni su pomoći i znanstveniku i nabavi da razmotre i procijene potencijalne proizvode, koje inače ne bi razmatrali/znali
  • Alternativni proizvodi definirani su isključivo karakteristikama proizvoda i neovisni o dobavljačima, marki ili drugim komercijalnim podacima

Preporučate li sustave preporuke? 

„Da, ali pazite da koristite ispravne podatke kako biste svoju preporuku temeljili i na kvaliteti i na kvantiteti, odražavajući stvarna očekivanja korisnika. Stvorite transparentnost jer nitko, a posebno znanstvenici, neće vjerovati ili se oslanjati na crnu kutiju. Podijelite sa svojim korisnicima koje se informacije koriste, kako se ponderiraju i nastavite učiti kako biste se kontinuirano poboljšavali. Konačno, dovršite ciklus tako što ćete prikupiti povratne informacije korisnika i vratiti ih u sustav.“ – Zageno

Snaga motora za preporuke nikad nije bila veća. Kao što pokazuju divovi poput Amazona i Netflixa, preporučatelji mogu biti izravno odgovorni za povećanje prihoda i stope zadržavanja kupaca. Tvrtke kao što je Zageno pokazuju da ne morate biti velika tvrtka da biste iskoristili moć preporučitelja. Prednosti mehanizama za preporuke protežu se u mnogim industrijama, poput e-trgovine do ljudskih resursa. 

Brz način da u svoju tvrtku uvedete mehanizme za preporuke

Za razvoj mehanizma za preporuke potrebna je stručnost podataka. Vaš interni IT tim možda neće imati kapacitet to izgraditi. Ako želite ostvariti prednosti zadržavanja korisnika i učinkovitosti mehanizama za preporuke, ne morate čekati da IT postane manje zauzet. Javite nam se i javite nam. The Plavo narančasti digitalni tim za znanost o podacima rado će preporučiti da rade i za vašu korist!

glavni izvor slike: Canva