Apakah Anda Merekomendasikan Mesin Rekomendasi?

Dalam bisnis, masalah jarum dalam 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 sejumlah besar prospek dalam pipa Anda. Namun, Anda hanya memiliki beberapa jam dalam sehari. Jadi, Anda menghadapi tantangan untuk 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 menyortir banyak item dan memprediksi pilihan yang paling relevan bagi pengguna. Bagi konsumen, mesin rekomendasi produk Amazon (AMZN ) adalah contoh yang familiar. Di dunia hiburan, Netflix (NFLX ) telah bekerja keras untuk mengembangkan mesin rekomendasinya. Mesin rekomendasi Netflix telah memberikan manfaat bagi perusahaan:

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

Dari perspektif pengguna, 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 Digunakan?

Data yang dibutuhkan 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: database produk dan perilaku pengguna. Untuk mengilustrasikan bagaimana ini bekerja, lihat contoh sederhana ini.

• Perusahaan: Aksesoris USB, Inc. Perusahaan ini berspesialisasi dalam menjual aksesoris dan produk USB seperti kabel, thumb drive, dan hub ke konsumen dan bisnis.
• Data Produk. Untuk menjaga mesin rekomendasi awal tetap sederhana, perusahaan membatasi produk menjadi 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

Algoritma rekomendasi jenis ini menggabungkan preferensi pengguna dan mencoba merekomendasikan item yang serupa. Dalam kasus ini, mesin fokus pada produk dan menyoroti item yang terkait. Jenis mesin rekomendasi ini relatif sederhana untuk dibangun. Ini adalah titik awal yang baik untuk perusahaan dengan data 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 maju 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 memerlukan eksperimen. Oleh karena itu, ini biasanya dianggap sebagai strategi yang relatif maju.

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 sudah ketinggalan zaman di database perusahaan Anda. Oleh karena itu, Anda perlu terus-menerus berinvestasi dalam kualitas data.

Studi Kasus:

Hiring Automated: Pencarian Kandidat

Terdapat lebih dari 50 pelamar rata-rata per lowongan pekerjaan, 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 perusahaan hedge fund yang berada di peringkat 500 besar perusahaan terbaik. Proyek otomatisasi SDM 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 Hedge Fund 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 gratis dari tinjauan kandidat dan baik bias linguistik maupun pribadi. Selain itu, setiap sumber data terisolasi dan memberikan peluang analitis yang terbatas.

Pendekatan: Setelah menilai proses perekrutan beberapa perusahaan, kami menemukan tiga peluang konsisten untuk secara sistematis meningkatkan hasil perekrutan menggunakan NLP machine learning. Area masalah 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 yang terstruktur, kami menyediakan dashboard Analitik Bisnis yang interaktif dan dapat dicari di AWS QuickSight.

E-Commerce: Zageno Medical Supplies

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

Q&A: Blue Orange Digital mewawancarai Zageno

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

Jawaban:

Terdapat dua contoh mesin rekomendasi yang digunakan ZAGENO untuk pelanggan ilmiahnya. Untuk menjelaskannya, kami merasa perlu untuk membuat daftar poin.

• Skor Ilmiah ZAGENO:
  • Skor Ilmiah ZAGENO adalah sistem peringkat produk yang komprehensif, khusus dikembangkan untuk mengevaluasi produk penelitian. Ini mencakup beberapa aspek data produk, dari berbagai sumber, untuk mempersenjatai ilmuwan dengan peringkat produk yang canggih dan tidak bias.
  • Kami menerapkan algoritma machine learning yang canggih untuk secara akurat mencocokkan, mengelompokkan, dan mengkategorikan jutaan produk. Skor Ilmiah menghitung kategorisasi ini, karena skor setiap produk dihitung relatif terhadap produk lain dalam kategori yang sama. Hasilnya adalah sistem peringkat yang ilmuwan dapat percayai — satu yang spesifik untuk aplikasi produk dan jenis produk.
  • Peringkat produk standar berguna untuk menilai produk dengan cepat, tetapi seringkali bias dan tidak dapat diandalkan, karena ketergantungan mereka pada ulasan yang tidak diketahui atau satu metrik (misalnya, publikasi). Mereka juga memberikan sedikit detail tentang konteks eksperimental atau aplikasi. Skor Ilmiah menggunakan metodologi ilmiah untuk mengevaluasi produk penelitian secara objektif dan komprehensif. Ini menggabungkan semua informasi produk yang diperlukan dan relevan menjadi peringkat 0-10 untuk mendukung keputusan pembelian pelanggan — menghemat jam-jam penelitian produk.
  • Untuk memastikan tidak ada satu faktor yang mendominasi, kami menambahkan titik pemotongan dan memberikan lebih banyak bobot pada kontribusi terbaru. Jumlah faktor yang kami pertimbangkan hampir menghilangkan kesempatan untuk manipulasi. Sebagai hasilnya, skor kami adalah ukuran objektif dari kualitas dan kuantitas informasi produk yang tersedia, yang mendukung keputusan pembelian pelanggan.
• Produk Alternatif:
  • Produk alternatif didefinisikan oleh nilai yang sama untuk atribut kunci; atribut kunci didefinisikan untuk setiap kategori untuk mempertimbangkan karakteristik produk tertentu.
  • Kami sedang mengerjakan peningkatan data dan atribut yang mendasarinya dan memperbaiki algoritma untuk meningkatkan saran.
  • Saran produk alternatif dimaksudkan untuk membantu ilmuwan dan pengadaan untuk mempertimbangkan dan mengevaluasi produk potensial yang mungkin tidak mereka ketahui atau pertimbangkan sebelumnya.
  • Produk alternatif hanya didefinisikan oleh karakteristik produk dan independen dari supplier, merek, atau data komersial lainnya.

Apakah Anda Merekomendasikan Sistem Rekomendasi?

“Ya, tetapi pastikan Anda menggunakan data yang tepat untuk merekomendasikan berdasarkan kualitas dan kuantitas yang mencerminkan harapan pengguna yang sebenarnya. Buat transparansi karena tidak ada yang, terutama ilmuwan, akan mempercayai atau mengandalkan kotak hitam. Bagikan dengan pengguna informasi yang digunakan, bagaimana informasi itu dihitung, dan terus belajar untuk terus memperbaiki. Akhirnya, lengkapi siklus dengan mengambil umpan balik pengguna yang telah Anda kumpulkan dan bawa kembali ke dalam sistem.” – Zageno

Kekuatan mesin rekomendasi tidak pernah lebih besar. Seperti yang ditunjukkan oleh raksasa seperti Amazon dan Netflix, 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 rekomendasi. Manfaat mesin rekomendasi meluas ke banyak industri seperti e-commerce hingga sumber daya manusia.

Cara Cepat untuk Menghadirkan Mesin Rekomendasi ke Perusahaan Anda

Mengembangkan mesin rekomendasi memerlukan keahlian data. Tim IT internal Anda mungkin tidak memiliki kapasitas untuk membangun ini. Jika Anda ingin mendapatkan manfaat retensi pelanggan dan efisiensi dari mesin rekomendasi, Anda tidak perlu menunggu IT menjadi kurang sibuk. Tinggalkan pesan dan biarkan kami tahu. Tim sains data Blue Orange Digital senang untuk membuat rekomendasi bekerja untuk keuntungan Anda juga!

sumber gambar utama: Canva