Apakah Anda Merekomendasikan Mesin Rekomendasi?

Dalam bisnis, masalah jarum dalam tumpukan jerami adalah tantangan konstan. Mesin Rekomendasi hadir untuk membantu menangani 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 sejumlah besar prospek dalam pipa Anda. Namun, Anda hanya memiliki beberapa jam dalam sehari. Jadi, Anda menghadapi tantangan memutuskan di mana tepatnya untuk fokuskan upaya Anda.

Terdapat teknologi khusus yang ditenagai oleh AI dan Big Data, yang membuat tantangan tersebut lebih mudah untuk dikelola, yaitu mesin rekomendasi.

Apa itu sistem rekomendasi?

Dalam istilah sederhana, mesin rekomendasi mengatur 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 mesin rekomendasinya. Mesin rekomendasi Netflix telah memberikan manfaat bagi bottom-line:

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

Dari perspektif pengguna akhir, seringkali tidak jelas bagaimana mesin rekomendasi bekerja. Kami akan menarik tirai dan menjelaskan bagaimana mereka bekerja, dimulai dengan bahan utama: data.

Mesin Rekomendasi: Apa data yang mereka gunakan?

Data yang Anda butuhkan untuk mesin rekomendasi tergantung pada tujuan Anda. Anggaplah tujuan Anda adalah untuk meningkatkan penjualan di perusahaan e-commerce. Dalam hal ini, data minimum yang diperlukan akan jatuh ke dalam dua kategori: basis data produk dan perilaku pengguna akhir. Untuk mengilustrasikan bagaimana ini bekerja, lihat contoh sederhana ini.

• Perusahaan: USB Accessories, Inc. Perusahaan ini berspesialisasi dalam menjual aksesori USB dan produk seperti kabel, thumb drive, dan hub untuk konsumen dan bisnis.
• Data Produk. Untuk menjaga mesin rekomendasi awal tetap sederhana, perusahaan membatasi ini 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.
• Output Rekomendasi. Dalam kasus ini, mesin rekomendasi Anda mungkin akan menghasilkan rekomendasi (atau kode diskon) kepada pembeli hard drive untuk mendorong mereka membeli kabel USB.

Dalam praktek, mesin rekomendasi terbaik menggunakan lebih banyak data. Sebagai aturan umum, mesin rekomendasi menghasilkan hasil bisnis yang lebih baik ketika mereka memiliki volume data yang besar untuk digunakan.

Bagaimana mesin rekomendasi menggunakan data Anda?

Banyak mesin rekomendasi menggunakan sejumlah teknik untuk memproses data Anda.

Pengfilteran berbasis konten

Tipe algoritma rekomendasi ini menggabungkan preferensi pengguna dan mencoba untuk merekomendasikan item yang serupa. Dalam kasus ini, mesin fokus pada produk dan menyoroti item yang terkait. Tipe mesin rekomendasi ini relatif sederhana untuk dibangun. Ini adalah titik awal yang baik untuk perusahaan dengan data yang terbatas.

Pengfilteran kolaboratif

Apakah Anda pernah meminta seseorang untuk merekomendasikan sesuatu sebelum membuat pembelian? Atau mempertimbangkan ulasan online dalam proses pembelian Anda? Jika ya, Anda telah mengalami pengfilteran kolaboratif. Mesin rekomendasi yang lebih canggih menganalisis ulasan pengguna, peringkat, dan konten yang dihasilkan pengguna lain untuk menghasilkan saran yang relevan. Strategi mesin rekomendasi ini kuat karena memanfaatkan bukti sosial.

Rekomendasi hibrida

Mesin rekomendasi hibrida menggabungkan dua atau lebih metode rekomendasi untuk menghasilkan hasil yang lebih baik. Kembali ke contoh e-commerce yang diuraikan di atas, katakanlah Anda telah mengumpulkan ulasan dan peringkat pengguna (misalnya, 1 hingga 5 bintang) selama setahun terakhir. Sekarang, Anda dapat menggunakan pengfilteran berbasis konten dan pengfilteran kolaboratif untuk menyajikan rekomendasi. Menggabungkan beberapa mesin rekomendasi atau algoritma biasanya membutuhkan eksperimen. Oleh karena itu, ini biasanya dianggap sebagai strategi yang relatif canggih.

Mesin rekomendasi hanya berhasil jika Anda memberinya data yang berkualitas tinggi. Ini juga tidak dapat berfungsi secara efektif jika Anda memiliki kesalahan atau informasi yang tidak mutakhir di database perusahaan Anda. Itulah mengapa Anda perlu terus-menerus berinvestasi dalam kualitas data.

Studi Kasus: 

Perekrutan Otomatis: Pencarian Kandidat

Terdapat lebih dari 50 pelamar rata-rata per posisi lowongan, menurut penelitian Jobvite. Bagi departemen sumber daya manusia dan manajer, volume pelamar tersebut menciptakan banyak pekerjaan. Untuk menyederhanakan proses, Blue Orange mengimplementasikan mesin rekomendasi untuk sebuah dana hedge yang beruntung. Proyek otomatisasi sumber daya manusia ini membantu perusahaan untuk menilai kandidat dengan cara yang standar. Menggunakan data pelamar selama sepuluh tahun dan resume, perusahaan sekarang memiliki model skoring yang canggih untuk menemukan kandidat yang sesuai.

Sebuah dana hedge di New York City perlu memparse resume yang tidak konsisten dan memerlukan OCR untuk meningkatkan proses perekrutan. Bahkan parsing OCR terbaik meninggalkan Anda dengan data yang tidak terstruktur. Kemudian, ketika kandidat melalui proses aplikasi, manusia terlibat. Tambahkan ke set data teks ulasan bebas dari kandidat dan baik bias linguistik maupun pribadi. Selain itu, setiap sumber data ada di silo yang memberikan kesempatan analitis yang terbatas.

Pendekatan: Setelah menilai proses perekrutan beberapa perusahaan, kami menemukan tiga kesempatan konsisten untuk secara sistematis meningkatkan hasil perekrutan menggunakan NLP machine learning. Area masalah tersebut adalah: mengatur data resume kandidat dengan benar, menilai kecocokan pekerjaan, dan mengurangi bias perekrutan manusia. Dengan set data yang dibersihkan dan terstruktur, kami dapat melakukan analisis sentimen pada teks dan deteksi subjektivitas untuk mengurangi bias kandidat dalam penilaian manusia.

Hasil: Menggunakan deteksi kata kunci, pengenalan karakter optik, dan mesin NLP berbasis cloud, kami dapat menghapus teks string dan mengubahnya menjadi data relasional. Dengan data terstruktur, kami menyediakan dashboard Analitik Bisnis yang cepat, interaktif, dan dapat dicari di AWS QuickSight.

E-Commerce: Zageno Medical Supplies

Contoh lain dari implementasi mesin rekomendasi di dunia nyata berasal dari Zageno. Zageno adalah perusahaan e-commerce yang melakukan untuk ilmuwan lab apa yang dilakukan Amazon untuk kita. Namun, kebutuhan ilmuwan lab sangat spesifik sehingga pasokan yang diperoleh untuk penelitian mereka harus sangat spesifik juga. Kutipan berikut dari wawancara kami dengan Zageno dan menyoroti bagaimana mereka menggunakan mesin rekomendasi untuk mengirimkan pasokan yang paling akurat kepada ilmuwan lab. 

Q&A: Blue Orange Digital mewawancarai Zageno