Apakah Anda merekomendasikan Mesin Rekomendasi?

Dalam bisnis, masalah jarum di tumpukan jerami adalah tantangan konstan. Mesin Rekomendasi hadir untuk membantu mengatasi tantangan tersebut. 

Dalam e-commerce dan ritel, Anda menawarkan ratusan atau ribuan produk. Produk mana yang tepat untuk pelanggan Anda?

Dalam penjualan dan pemasaran, Anda memiliki banyak prospek di saluran Anda. Namun, Anda hanya memiliki begitu banyak waktu dalam sehari. Jadi, Anda menghadapi tantangan untuk memutuskan di mana tepatnya memfokuskan upaya Anda.

Ada teknologi khusus yang didukung oleh AI dan Big Data, yang membuat tantangan ini lebih mudah untuk dikelola, yaitu mesin rekomendasi.

Apa itu sistem pemberi rekomendasi?

Dalam istilah yang paling sederhana, mesin rekomendasi menyortir banyak item dan memprediksi pilihan yang paling relevan bagi pengguna. Bagi konsumen, mesin rekomendasi produk Amazon adalah contoh yang familiar. Di dunia hiburan, Netflix telah bekerja keras untuk mengembangkan mesinnya. Mesin rekomendasi Netflix telah memberikan keuntungan paling bawah:

“Sistem rekomendasi canggih [Netflix] dan pengalaman pengguna yang dipersonalisasi, memungkinkan mereka menghemat $1 miliar per tahun dari pembatalan layanan.” – ROI mesin rekomendasi untuk pemasaran

Dari sudut pandang pengguna akhir, seringkali tidak jelas bagaimana mesin rekomendasi bekerja. Kami akan membuka tirai dan menjelaskan cara kerjanya, dimulai dengan bahan utama: data.

Mesin Rekomendasi: Data apa yang mereka gunakan?

The data Anda membutuhkan mesin rekomendasi tergantung pada tujuan Anda. Asumsikan tujuan Anda adalah untuk meningkatkan penjualan di perusahaan e-commerce. Dalam hal itu, data minimum yang diperlukan akan jatuh ke dalam dua kategori: database produk dan perilaku pengguna akhir. Untuk mengilustrasikan cara kerjanya, lihat contoh sederhana ini.

• Perusahaan: USB Accessories, Inc. Perusahaan ini berspesialisasi dalam menjual aksesori dan produk USB seperti kabel, thumb drive, dan hub ke konsumen dan bisnis.
• Data produk. Agar mesin rekomendasi awal tetap sederhana, perusahaan membatasinya hingga 100 produk.
• Data pengguna. Dalam kasus toko online, data pengguna akan mencakup informasi analitik situs web, pemasaran email, dan sumber lainnya. Misalnya, Anda mungkin menemukan bahwa 50% pelanggan yang membeli hard drive eksternal juga membeli kabel USB.
• Keluaran Rekomendasi. Dalam hal ini, mesin rekomendasi Anda dapat menghasilkan rekomendasi (atau kode diskon) kepada pembeli hard drive untuk mendorong mereka membeli kabel USB.

Dalam praktiknya, mesin rekomendasi terbaik menggunakan lebih banyak data. Sebagai aturan umum, mesin rekomendasi memberikan hasil bisnis yang lebih baik saat memiliki volume data yang besar untuk digunakan.

Bagaimana mesin rekomendasi menggunakan data Anda?

Banyak mesin rekomendasi menggunakan beberapa teknik untuk memproses data Anda.

Penyaringan berbasis konten

Jenis algoritme rekomendasi ini menggabungkan preferensi pengguna dan upaya untuk merekomendasikan item serupa. Dalam hal ini, mesin difokuskan pada produk dan menyoroti item terkait. Jenis mesin rekomendasi ini relatif mudah dibuat. Ini adalah titik awal yang baik untuk perusahaan dengan data terbatas.

Penyaringan kolaboratif

Pernahkah Anda meminta rekomendasi orang lain sebelum melakukan pembelian? Atau mempertimbangkan ulasan online dalam proses pembelian Anda? Jika demikian, Anda telah mengalami pemfilteran kolaboratif. Mesin rekomendasi yang lebih canggih menganalisis ulasan pengguna, peringkat, dan konten buatan pengguna lainnya untuk menghasilkan saran yang relevan. Jenis strategi mesin rekomendasi ini ampuh karena memanfaatkan bukti sosial.

Rekomendasi hybrid

Mesin rekomendasi hibrid menggabungkan dua atau lebih metode rekomendasi untuk menghasilkan hasil yang lebih baik. Kembali ke contoh e-niaga yang diuraikan di atas, katakanlah Anda telah memperoleh ulasan dan peringkat pengguna (mis., 1 hingga 5 bintang) selama setahun terakhir. Sekarang, Anda dapat menggunakan pemfilteran berbasis konten dan pemfilteran kolaboratif untuk menyajikan rekomendasi. Menggabungkan beberapa mesin rekomendasi atau algoritme dengan sukses biasanya membutuhkan eksperimen. Oleh karena itu, yang terbaik dianggap sebagai strategi yang relatif maju.

Mesin rekomendasi hanya berhasil jika Anda mengisinya dengan data berkualitas tinggi. Itu juga tidak dapat bekerja secara efektif jika Anda memiliki kesalahan atau informasi yang kedaluwarsa dalam database perusahaan Anda. Itu sebabnya Anda perlu menginvestasikan sumber daya dalam kualitas data secara terus menerus.

Studi kasus: 

Perekrutan Otomatis: Penilaian Kandidat

Ada lebih dari 50 pelamar rata-rata per posting pekerjaan, menurut penelitian Jobvite. Untuk departemen dan manajer sumber daya manusia, volume pelamar itu menciptakan banyak sekali pekerjaan. Untuk menyederhanakan prosesnya, Blue Orange menerapkan mesin rekomendasi untuk dana lindung nilai 500 dolar. Ini Proyek otomatisasi SDM membantu perusahaan untuk memeringkat kandidat dengan cara standar. Dengan menggunakan data pelamar dan resume selama sepuluh tahun, firma kini memiliki model penilaian yang canggih untuk menemukan kandidat yang cocok.

Hedge Fund di New York City perlu menguraikan resume yang tidak konsisten dan memerlukan OCR untuk meningkatkan proses perekrutan mereka. Bahkan penguraian OCR terbaik pun meninggalkan Anda dengan data yang berantakan dan tidak terstruktur. Kemudian, saat seorang kandidat menjalani proses lamaran, manusia pun ikut terlibat. Tambahkan ke kumpulan data ulasan teks bentuk bebas dari pelamar dan bias linguistik dan pribadi. Selain itu, setiap sumber data bersifat tertutup sehingga memberikan peluang analitis yang terbatas.

Pendekatan: Setelah menilai proses perekrutan di beberapa perusahaan, kami menemukan tiga peluang konsisten untuk meningkatkan hasil perekrutan secara sistematis menggunakan pembelajaran mesin NLP. Area masalahnya adalah: menyusun data resume kandidat dengan benar, menilai kesesuaian pekerjaan, dan mengurangi bias perekrutan manusia. Dengan kumpulan data yang bersih dan terstruktur, kami dapat melakukan analisis sentimen pada teks dan deteksi subjektivitas untuk mengurangi bias kandidat dalam penilaian manusia.

hasil: Dengan menggunakan pengklasifikasi deteksi kata kunci, pengenalan karakter optik, dan mesin NLP berbasis cloud, kami dapat menggosok teks string dan mengubahnya menjadi data relasional. Dengan data terstruktur, kami menyediakan dasbor Business Analytics yang cepat, interaktif, dan dapat dicari di AWS QuickSight.

E-Commerce: Perlengkapan Medis Zageno

Contoh lain dari mesin rekomendasi yang diterapkan di dunia nyata berasal dari Zageno. Zageno adalah perusahaan e-niaga yang melakukan untuk ilmuwan lab seperti yang dilakukan Amazon untuk kita semua. Peringatannya adalah bahwa kebutuhan ilmuwan laboratorium tepat sehingga persediaan yang diperoleh untuk penelitian mereka juga harus demikian. Kutipan di bawah ini berasal dari wawancara kami dengan Zageno dan menyoroti bagaimana mereka menggunakan mesin rekomendasi untuk memberikan pasokan yang paling akurat kepada ilmuwan laboratorium. 

T&J: Blue Orange Digital mewawancarai Zageno

Pertanyaan:
Bagaimana perusahaan Anda menggunakan mesin rekomendasi dan hasil seperti apa yang Anda lihat?

Jawaban:

Ada dua contoh mesin rekomendasi yang digunakan ZAGENO untuk pelanggan ilmiahnya. Untuk menjelaskan ini, kami merasa paling baik untuk menunjukkannya.

• Skor Ilmiah ZAGENO:
  • Skor Ilmiah ZAGENO adalah sistem peringkat produk yang komprehensif, yang secara khusus dikembangkan untuk mengevaluasi produk penelitian. Ini menggabungkan beberapa aspek data produk, dari berbagai sumber, untuk membekali para ilmuwan dengan peringkat produk yang canggih dan tidak memihak untuk membuat keputusan pembelian yang akurat.
  • Kami menerapkan algoritme pembelajaran mesin yang canggih untuk mencocokkan, mengelompokkan, dan mengkategorikan jutaan produk secara akurat. Skor Ilmiah memperhitungkan kategorisasi ini, karena skor setiap produk dihitung relatif terhadap kategori yang sama. Hasilnya adalah sistem peringkat yang dapat dipercaya oleh para ilmuwan — sistem yang khusus untuk aplikasi produk dan jenis produk.
  • Peringkat produk standar berguna untuk menilai produk dengan cepat, tetapi seringkali bias dan tidak dapat diandalkan, karena ketergantungannya pada ulasan yang tidak diketahui atau metrik tunggal (misalnya publikasi). Mereka juga memberikan sedikit detail tentang konteks atau aplikasi eksperimental. Skor Ilmiah menggunakan metodologi ilmiah untuk mengevaluasi produk penelitian secara objektif dan komprehensif. Ini menggabungkan semua informasi produk yang diperlukan dan relevan ke dalam satu peringkat 0—10 untuk mendukung pelanggan kami dalam memutuskan produk mana yang akan dibeli dan digunakan untuk aplikasi mereka — menghemat waktu riset produk.
  • Untuk memastikan tidak ada faktor tunggal yang mendominasi, kami menambahkan poin batas dan memberi bobot lebih pada kontribusi terbaru. Banyaknya faktor yang kami perhitungkan hampir menghilangkan peluang untuk manipulasi. Hasilnya, skor kami adalah ukuran objektif dari kualitas dan kuantitas informasi produk yang tersedia, yang mendukung keputusan pembelian pelanggan kami.
• Produk Alternatif:
  • Produk alternatif ditentukan oleh nilai yang sama untuk atribut kunci; atribut kunci didefinisikan untuk setiap kategori untuk memperhitungkan karakteristik produk tertentu.
  • Kami sedang berupaya meningkatkan data dan atribut yang mendasari serta menyempurnakan algoritme untuk menyempurnakan saran
  • Saran produk alternatif dimaksudkan untuk membantu ilmuwan dan pengadaan untuk mempertimbangkan dan mengevaluasi produk potensial, mereka mungkin tidak mempertimbangkan/mengetahui sebaliknya
  • Produk alternatif semata-mata ditentukan oleh karakteristik produk dan terlepas dari pemasok, merek, atau data komersial lainnya

Apakah Anda merekomendasikan sistem rekomendasi? 

Ya, tetapi pastikan Anda menggunakan data yang tepat untuk mendasarkan rekomendasi Anda pada kualitas dan kuantitas yang mencerminkan harapan pengguna yang sebenarnya. Ciptakan transparansi karena tidak seorang pun, terutama ilmuwan, akan memercayai atau mengandalkan kotak hitam. Bagikan dengan pengguna Anda informasi apa yang digunakan, bagaimana pembobotannya, dan teruslah belajar agar dapat terus meningkatkan diri. Terakhir, selesaikan siklus ini dengan mengambil umpan balik pengguna yang telah Anda kumpulkan dan memasukkannya kembali ke dalam sistem. – Zageno

Kekuatan mesin rekomendasi tidak pernah sebesar ini. Seperti yang ditunjukkan oleh raksasa seperti Amazon dan Netflix, pemberi rekomendasi dapat secara langsung bertanggung jawab atas peningkatan pendapatan dan tingkat retensi pelanggan. Perusahaan seperti Zageno menunjukkan bahwa Anda tidak perlu menjadi perusahaan besar untuk memanfaatkan kekuatan pemberi rekomendasi. Manfaat mesin rekomendasi menjangkau banyak industri seperti e-commerce hingga sumber daya manusia. 

Cara Cepat Untuk Membawa Mesin Rekomendasi Untuk Perusahaan Anda

Mengembangkan mesin rekomendasi membutuhkan keahlian data. Tim TI internal Anda mungkin tidak memiliki kapasitas untuk membangun ini. Jika Anda ingin mendapatkan retensi pelanggan dan manfaat efisiensi dari mesin rekomendasi, Anda tidak perlu menunggu IT menjadi kurang sibuk. Hubungi kami dan beri tahu kami. Itu Biru Oranye Digital tim ilmu data dengan senang hati membuat pemberi rekomendasi bekerja untuk keuntungan Anda juga!

sumber gambar utama: Canva