AIモデルとプラットフォーム
レコメンデーションエンジンを推奨しますか？
Unite.AI を Google の優先ソースに追加
ビジネスでは、針の山から一本の針を見つける問題は常に課題です。レコメンデーションエンジンは、この課題に取り組むために役立ちます。
ECサイトや小売業では、数百または数千の商品を提供しています。どの商品が顧客にとって最適なのでしょうか?
セールスとマーケティングでは、パイプラインに多数の見込み客がいます。しかし、1日に利用できる時間は限られています。したがって、効果的に労力を集中する場所を決定する挑戦に直面します。
AIとビッグデータによって動作する専用技術、レコメンデーションエンジンがあります。これらの課題を管理しやすくします。
レコメンデーションシステムとは?
最も単純な形で説明すると、レコメンデーションエンジンは多数のアイテムを検索して、ユーザーにとって最も関連性の高いアイテムを予測します。消費者にとって、アマゾンの商品レコメンデーションエンジンはよく知られた例です。エンターテインメント業界では、Netflixはエンジンの開発に努力を払ってきました。Netflixのレコメンデーションエンジンは、以下のような成果をもたらしています:
「Netflixの高度なレコメンデーションシステムとパーソナライズされたユーザー体験により、年間1億ドルのサービスキャンセルを防ぐことができました。」 – マーケティングのレコメンデーションエンジンのROI
エンドユーザーの視点から見ると、レコメンデーションエンジンの動作は不明です。カーテンを引いて、動作を説明しましょう。まず、重要な要素であるデータから始めます。
レコメンデーションエンジン：どのようなデータを使用しますか?
レコメンデーションエンジンに必要なデータは、目標によって異なります。ECサイトでの売上を増やすことを目標とします。そうすると、最低限必要なデータは2つのカテゴリに分類されます。商品データベースとエンドユーザーの行動です。このしくみを説明するために、以下の簡単な例を見てみましょう。
- 会社： USBアクセサリー株式会社。同社は、消費者と企業向けにUSBアクセサリーと製品（ケーブル、USBメモリ、ハブなど）を販売しています。
- 商品データ。 レコメンデーションエンジンを簡単にするために、同社は商品を100点に制限します。
- ユーザーデータ。 オンラインストアの場合、ユーザーデータにはウェブサイト分析情報、メールマーケティング、他の情報源が含まれます。たとえば、ハードドライブを購入する顧客の50%がUSBケーブルも購入することがわかるかもしれません。
- レコメンデーションの出力。 この場合、レコメンデーションエンジンはハードドライブ購入者にUSBケーブルを購入するよう勧めるレコメンデーション（または割引コード）を生成します。
実際には、最も優れたレコメンデーションエンジンは、より多くのデータを使用します。一般的なルールとして、レコメンデーションエンジンは使用できるデータが多ければ多いほど、優れたビジネス結果を生み出します。
レコメンデーションエンジンはどのようにデータを使用しますか?
多くのレコメンデーションエンジンは、データを処理するためにいくつかのテクニックを使用します。
コンテンツベースのフィルタリング
このタイプのレコメンデーションアルゴリズムは、ユーザーの好みを組み合わせて、関連するアイテムをレコメンドします。この場合、エンジンは商品に焦点を当てて、関連するアイテムを強調しています。このタイプのレコメンデーションエンジンは、比較的簡単に構築できます。データが限られている会社にとっては、良い出発点です。
コラボレーティブフィルタリング
購入する前に、誰かにレコメンデーションを求めたことがありますか? または、購入プロセスでオンラインレビューを考慮したことがありますか? そうであれば、コラボレーティブフィルタリングの経験があります。より高度なレコメンデーションエンジンは、ユーザーのレビュー、評価、他のユーザー生成コンテンツを分析して、関連する提案を生成します。このタイプのレコメンデーションエンジン戦略は、ソーシャルプルーフを活用しているため強力です。
ハイブリッドレコメンダー
ハイブリッドレコメンデーションエンジンは、2つ以上のレコメンデーション方法を組み合わせて、より優れた結果を生み出します。上で説明したECサイトの例に戻りましょう。過去1年間にユーザーのレビューと評価（1～5星）を取得したとします。現在、コンテンツベースのフィルタリングとコラボレーティブフィルタリングの両方を使用してレコメンデーションを提示できます。複数のレコメンデーションエンジンまたはアルゴリズムを組み合わせて成功するには、実験が必要です。そのため、比較的高度な戦略と見なされます。
レコメンデーションエンジンは、高品質のデータで動作する必要があります。また、会社のデータベースにエラーまたは古い情報があると、効果的に動作できません。したがって、データ品質に継続的にリソースを投資する必要があります。
事例研究：
Hiring Automated：候補者スコアリング
ジョブポスティングごとに平均50人の応募者がいるというジョブバイテの調査結果があります。人事部門とマネージャーにとって、応募者の数は大量の作業を生み出します。プロセスを簡素化するために、ブルーオレンジはフォーチュン500のヘッジファンド向けにレコメンデーションエンジンを実装しました。この人事自動化プロジェクトは、候補者を標準化された方法でランク付けするのを支援しました。10年分の応募データと履歴書を使用して、適切な候補者を見つけるための高度なスコアリングモデルが作成されました。
ニューヨーク市にあるヘッジファンドは、不一致な履歴書を解析するためにOCRを必要としました。最も優れたOCRパーシングでも、メッセージと構造化されていないデータが残ります。次に、候補者が応募プロセスを進むにつれて、人間が関与します。データセットに自由形式のテキストレビューを追加し、言語的および個人的な偏見を加えます。また、各データソースはシロ化されており、分析の機会が限られています。
アプローチ： 複数の会社の採用プロセスを評価した結果、採用結果をシステム的に改善するための3つの機会が見つかりました。問題領域は、候補者の履歴書データを正しく構造化すること、ジョブ適合性を評価すること、人間の採用偏見を減らすことです。クリーンで構造化されたデータセットを使用すると、テキストの感情分析と主観性検出を実行して、人間の評価における候補者偏見を減らすことができました。
結果： キーワード検出クラスファイア、光学式文字認識、クラウドベースのNLPエンジンを使用して、文字列テキストをリレーショナルデータに変換しました。構造化されたデータを使用して、AWS QuickSightで高速なインタラクティブなビジネス分析ダッシュボードを提供しました。
ECサイト：Zageno Medical Supplies
レコメンデーションエンジンが実際の世界で実装されているもう1つの例は、Zagenoから来ています。Zagenoは、ラボの科学者にとってアマゾンが一般の人々にとって行っていることを行うECサイトです。ただし、ラボの科学者のニーズは正確であるため、研究に必要な用品も正確でなければなりません。以下の引用は、Zagenoとのインタビューから引用され、レコメンデーションエンジンを使用してラボの科学者に最も正確な用品を提供する方法を強調しています。
Q&A：ブルーオレンジデジタルがZagenoにインタビュー
質問：
あなたの会社はレコメンデーションエンジンをどのように使用しましたか? どのような結果を見ましたか?
答え：
ZAGENOが使用するレコメンデーションエンジンの例は2つあります。これらを説明するために、以下の点を挙げます。
- ZAGENOの科学スコア：
- ZAGENOの科学スコアは、研究製品の評価のための包括的な製品評価システムです。複数の情報源からの製品データのさまざまな側面を組み込んで、科学者が正確な購入決定を行うための洗練されたバイアスがない製品評価を提供します。
- 高度な機械学習アルゴリズムを適用して、数百万の製品を正確に一致させ、グループ化し、カテゴリ化します。科学スコアは、これらのカテゴリ化を考慮し、各製品のスコアは同じカテゴリ内の他の製品と比較して計算されます。結果として、科学者が信頼できる評価システムが得られます。製品の応用と種類に特有のものです。
- 標準的な製品評価は、製品を迅速に評価するのに役立ちますが、しばしば偏っており、信頼性が低いことがあります。これは、不明なレビューまたは単一のメトリック（例：出版物）に依存しているためです。また、実験のコンテキストまたは応用についても詳細が不足しています。科学スコアは、研究製品を客観的にかつ包括的に評価するための科学的方法論を使用します。すべての必要な関連製品情報を0～10の評価にまとめて、顧客がどの製品を購入して使用するかを決定するのを支援します。これにより、製品の研究に数時間を節約できます。
- 1つの要因が支配的にならないように、カットオフポイントを追加し、最近の貢献に重みを付けます。考慮される要因の数は、操作の可能性をほぼ排除します。結果として、スコアは利用可能な製品情報の品質と数量の客観的な尺度となり、顧客の購入決定を支援します。
- 代替製品：
- 代替製品は、重要な属性に対する同じ値によって定義されます。各カテゴリの特定の製品特性を考慮するために、重要な属性が定義されます。
- 基礎となるデータと属性を増やし、アルゴリズムを改善して、提案を改善する作業を行っています。
- 代替製品の提案は、科学者と調達担当者が、考慮または認識していない可能性のある潜在的な製品を評価するのを支援することを目的としています。
- 代替製品は、サプライヤー、ブランド、またはその他の商業データに依存せず、製品特性によってのみ定義されます。
レコメンデーションシステムを推奨しますか?
「はい、しかし、レコメンデーションを基にした真のユーザーの期待を反映する、質と数量の両方で適切なデータを使用していることを確認してください。透明性を生み出してください。特に科学者は、ブラックボックスを信頼したり頼ったりしません。ユーザーに使用される情報を共有し、どのように重み付けされるかを示し、継続的に改善することを学び続けてください。最後に、収集したユーザーのフィードバックをシステムに戻してサイクルを完了してください。」 – Zageno
レコメンデーションエンジンの力は、以前より強力です。アマゾンやNetflixのような巨大企業が示したように、レコメンデーションエンジンは、収益と顧客ロイヤルティの増加に直接貢献する可能性があります。Zagenoのような企業は、大企業でないとレコメンデーションの力を活用できないわけではないことを示しています。レコメンデーションエンジンの利点は、ECサイトから人事まで、多くの業界にわたっています。
レコメンデーションエンジンを会社に導入するための迅速な方法
レコメンデーションエンジンの開発には、データの専門知識が必要です。社内のITチームが構築する能力を持たない場合もあります。レコメンデーションエンジンの顧客ロイヤルティと効率の利点を得るには、ITが忙しくないのを待つ必要はありません。 お気軽にご連絡ください。 ブルーオレンジデジタルのデータサイエンスチームは、レコメンデーションエンジンを活用してあなたの会社のために働くことを嬉しく思います。
メイン画像ソース：Canva
