추천 엔진을 추천하십니까?

비즈니스에서 건초 더미의 바늘 문제는 끊임없는 도전입니다. 추천 엔진은 이러한 문제를 해결하는 데 도움이 됩니다. 

전자 상거래 및 소매업에서는 수백 또는 수천 개의 제품을 제공합니다. 고객에게 적합한 제품은 무엇입니까?

영업 및 마케팅에서는 파이프라인에 많은 잠재 고객이 있습니다. 그러나 하루에 너무 많은 시간 밖에 없습니다. 따라서 정확히 어디에 노력을 집중해야 하는지 결정해야 하는 문제에 직면하게 됩니다.

AI와 빅데이터를 기반으로 하는 전문 기술이 있어 이러한 문제를 훨씬 쉽게 관리할 수 있는 추천 엔진이 있습니다.

추천 시스템이란 무엇입니까?

가장 간단한 용어로 추천 엔진은 많은 항목을 정렬하고 사용자와 가장 관련성이 높은 선택 항목을 예측합니다. 소비자에게 아마존의 상품 추천 엔진은 친숙한 예입니다. 엔터테인먼트 세계에서 Netflix는 엔진을 개발하기 위해 열심히 노력했습니다. Netflix의 추천 엔진은 다음과 같은 수익을 제공했습니다.

"[Netflix의] 정교한 추천 시스템과 개인화된 사용자 경험 덕분에 서비스 취소로 인해 연간 1억 달러를 절약할 수 있었습니다." – 마케팅을 위한 추천 엔진의 ROI

최종 사용자의 관점에서 추천 엔진의 작동 방식이 명확하지 않은 경우가 많습니다. 우리는 커튼을 뒤로 젖히고 핵심 요소인 데이터부터 시작하여 작동 방식을 설명할 것입니다.

추천 엔진: 어떤 데이터를 사용합니까?

The 데이터 추천 엔진에 필요한 것은 목표에 따라 다릅니다. 귀하의 목표가 전자 상거래 회사의 판매를 늘리는 것이라고 가정합니다. 이 경우 최소한의 필수 데이터는 제품 데이터베이스와 최종 사용자 행동이라는 두 가지 범주로 분류됩니다. 이것이 어떻게 작동하는지 설명하려면 이 간단한 예를 살펴보십시오.

• 회사: USB Accessories, Inc. 이 회사는 USB 액세서리 및 케이블, USB 드라이브, 허브와 같은 제품을 소비자와 기업에 판매하는 것을 전문으로 합니다.
• 제품 데이터. 초기 추천 엔진을 단순하게 유지하기 위해 회사는 제품을 100개로 제한합니다.
• 사용자 데이터. 온라인 상점의 경우 사용자 데이터에는 웹 사이트 분석 정보, 이메일 마케팅 및 기타 소스가 포함됩니다. 예를 들어 외장 하드 드라이브를 구입하는 고객의 50%가 USB 케이블도 구입한다는 것을 알 수 있습니다.
• 추천 출력. 이 경우 추천 엔진은 하드 드라이브 구매자에게 추천(또는 할인 코드)을 생성하여 USB 케이블 구매를 장려할 수 있습니다.

실제로 최고의 추천 엔진은 훨씬 더 많은 데이터를 사용합니다. 일반적으로 추천 엔진은 사용할 데이터가 많을 때 더 나은 비즈니스 결과를 생성합니다.

추천 엔진은 데이터를 어떻게 사용합니까?

많은 추천 엔진은 소수의 기술을 사용하여 데이터를 처리합니다.

콘텐츠 기반 필터링

이러한 유형의 추천 알고리즘은 사용자 선호도를 결합하여 유사한 항목을 추천하려고 시도합니다. 이 경우 엔진은 제품에 초점을 맞추고 관련 항목을 강조 표시합니다. 이러한 유형의 추천 엔진은 구축이 비교적 간단합니다. 제한된 데이터를 가진 회사에 좋은 출발점입니다.

협업 필터링

구매하기 전에 다른 사람에게 추천을 요청한 적이 있습니까? 아니면 구매 과정에서 온라인 리뷰를 고려하시나요? 그렇다면 협업 필터링을 경험한 것입니다. 고급 추천 엔진은 사용자 리뷰, 평가 및 기타 사용자 생성 콘텐츠를 분석하여 관련 제안을 생성합니다. 이러한 유형의 추천 엔진 전략은 사회적 증거를 활용하기 때문에 강력합니다.

하이브리드 추천자

하이브리드 추천 엔진은 두 개 이상의 추천 방법을 결합하여 더 나은 결과를 생성합니다. 위에서 설명한 전자 상거래 사례로 돌아가서 작년에 사용자 리뷰와 평가(예: 별 1~5개)를 획득했다고 가정해 보겠습니다. 이제 콘텐츠 기반 필터링과 협업 필터링을 모두 사용하여 권장 사항을 제시할 수 있습니다. 여러 추천 엔진 또는 알고리즘을 성공적으로 결합하려면 일반적으로 실험이 필요합니다. 이러한 이유로 비교적 진보된 전략으로 간주되는 것이 가장 좋습니다.

추천 엔진은 고품질 데이터를 제공하는 경우에만 성공합니다. 또한 회사 데이터베이스에 오류가 있거나 오래된 정보가 있는 경우 효과적으로 수행할 수 없습니다. 그렇기 때문에 지속적으로 데이터 품질에 리소스를 투자해야 합니다.

사례 연구: 

자동화된 채용: 후보자 점수 매기기

Jobvite 조사에 따르면 채용 공고당 평균 50명 이상의 지원자가 있습니다. 인적 자원 부서와 관리자에게 그 지원자 수는 엄청난 양의 작업을 생성합니다. 프로세스를 단순화하기 위해 Blue Orange는 Fortune 500 헤지 펀드에 대한 추천 엔진을 구현했습니다. 이것 HR 자동화 프로젝트 회사가 표준화된 방식으로 후보자 순위를 매기는 데 도움이 되었습니다. 이 회사는 10년간의 지원자 데이터와 이력서를 활용해 적합한 지원자를 찾는 정교한 평가 모델을 구축했습니다.

뉴욕시의 한 헤지 펀드는 일관되지 않은 이력서를 분석하고 채용 프로세스를 개선하기 위해 OCR이 필요했습니다. 최고의 OCR 구문 분석을 수행하더라도 지저분하고 구조화되지 않은 데이터가 남게 됩니다. 그런 다음 후보자가 지원 프로세스를 진행하면서 인간이 참여하게 됩니다. 지원자의 자유 형식 텍스트 리뷰와 언어적, 개인적 편견을 데이터 세트에 추가합니다. 또한 각 데이터 소스는 격리되어 있어 분석 기회가 제한되어 있습니다.

접근: 여러 회사의 채용 프로세스를 평가한 후 우리는 NLP 기계 학습을 사용하여 채용 결과를 체계적으로 개선할 수 있는 세 가지 일관된 기회를 발견했습니다. 문제 영역은 후보자 이력서 데이터를 올바르게 구성하고, 직무 적합성을 평가하고, 채용 편견을 줄이는 것입니다. 정리되고 구조화된 데이터 세트를 사용하여 텍스트에 대한 감정 분석과 주관성 탐지를 모두 수행하여 인간 평가에서 후보자 편견을 줄일 수 있었습니다.

결과 : 키워드 감지 분류기, 광학 문자 인식 및 클라우드 기반 NLP 엔진을 사용하여 문자열 텍스트를 스크러빙하여 관계형 데이터로 전환할 수 있었습니다. 구조화된 데이터를 사용하여 AWS QuickSight에서 빠르고 대화형이며 검색 가능한 Business Analytics 대시보드를 제공했습니다.

전자상거래: Zageno 의료용품

현실 세계에서 구현되는 추천 엔진의 또 다른 예는 Zageno에서 나옵니다. Zageno는 Amazon이 우리를 위해 하는 일을 실험실 과학자를 위해 하는 전자 상거래 회사입니다. 주의할 점은 연구실 과학자의 요구 사항이 정확하기 때문에 연구를 위해 조달되는 공급품도 정확해야 한다는 것입니다. 아래 인용문은 Zageno와의 인터뷰에서 인용한 것으로 권장 엔진을 사용하여 실험실 과학자에게 가장 정확한 공급품을 제공하는 방법을 강조합니다. 

Q&A: Blue Orange Digital 인터뷰 Zageno

질문 :
회사에서 추천 엔진을 어떻게 사용했으며 어떤 종류의 결과를 보았습니까?

답변 :

ZAGENO가 과학적 고객을 위해 사용하는 추천 엔진에는 두 가지 예가 있습니다. 이것을 설명하기 위해 우리는 그것들을 강조 표시하는 것이 가장 좋다고 느꼈습니다.

• ZAGENO의 과학적 점수:
  • ZAGENO의 Scientific Score는 연구 제품 평가를 위해 특별히 개발된 포괄적인 제품 평가 시스템입니다. 여러 소스에서 가져온 제품 데이터의 여러 측면을 통합하여 과학자들이 정확한 구매 결정을 내릴 수 있도록 정교하고 편향되지 않은 제품 평가를 제공합니다.
  • 정교한 기계 학습 알고리즘을 적용하여 수백만 개의 제품을 정확하게 일치, 그룹화 및 분류합니다. Scientific Score는 각 제품의 점수가 동일한 범주에 있는 제품을 기준으로 계산되므로 이러한 범주화를 설명합니다. 그 결과 과학자들이 신뢰할 수 있는 등급 시스템이 탄생했습니다. 이 시스템은 제품 적용 분야와 제품 유형 모두에 고유한 시스템입니다.
  • 표준 제품 등급은 제품을 신속하게 평가하는 데 유용하지만 알 수 없는 리뷰 또는 단일 지표(예: 출판물)에 의존하기 때문에 편향되고 신뢰할 수 없는 경우가 많습니다. 또한 실험적 맥락이나 적용에 대한 세부 정보를 거의 제공하지 않습니다. Scientific Score는 과학적인 방법론을 활용하여 연구 제품을 객관적이고 포괄적으로 평가합니다. 필요한 모든 관련 제품 정보를 하나의 0-10 등급으로 결합하여 고객이 어떤 제품을 구매하고 애플리케이션에 사용할지 결정할 수 있도록 지원하여 제품 조사 시간을 절약합니다.
  • 단일 요소가 지배적이지 않도록 컷오프 포인트를 추가하고 최근 기여에 더 많은 가중치를 부여합니다. 우리가 고려하는 수많은 요소는 조작의 기회를 사실상 제거합니다. 결과적으로 우리 점수는 고객의 구매 결정을 지원하는 사용 가능한 제품 정보의 품질과 양에 대한 객관적인 척도입니다.
• 대체 제품:
  • 대체 제품은 주요 속성에 대해 동일한 값으로 정의됩니다. 주요 속성은 특정 제품 특성을 설명하기 위해 각 범주에 대해 정의됩니다.
  • 제안을 개선하기 위해 기본 데이터 및 속성을 늘리고 알고리즘을 개선하기 위해 노력하고 있습니다.
  • 대안 제품 제안은 과학자와 조달 모두가 잠재적인 제품을 고려하고 평가하는 데 도움을 주기 위한 것입니다. 그렇지 않으면 고려/알지 못했을 수 있습니다.
  • 대체 제품은 제품 특성에 의해서만 정의되며 공급업체, 브랜드 또는 기타 상업적 데이터와 무관합니다.

추천 시스템을 추천합니까? 

네, 하지만 실제 사용자 기대치를 반영하는 질과 양 모두에 기반하여 올바른 데이터를 사용하여 추천을 해야 합니다. 투명성을 확보해야 합니다. 특히 과학자들은 블랙박스를 신뢰하거나 의존하지 않을 것입니다. 어떤 정보가 사용되고 어떻게 가중치를 부여하는지 사용자와 공유하고, 지속적으로 학습하여 개선해 나가세요. 마지막으로, 수집한 사용자 피드백을 시스템에 다시 반영하여 이 순환을 완료하세요. – 자게노

추천 엔진의 힘은 그 어느 때보다 강력합니다. Amazon 및 Netflix와 같은 거대 기업에서 알 수 있듯이 추천자는 수익 및 고객 유지율 증가에 직접적인 책임이 있습니다. Zageno와 같은 회사는 추천인의 힘을 활용하기 위해 대규모 회사가 될 필요가 없음을 보여줍니다. 추천 엔진의 이점은 전자 상거래에서 인적 자원과 같은 많은 산업에 걸쳐 있습니다. 

회사에 추천 엔진을 가져 오는 가장 빠른 방법

추천 엔진을 개발하려면 데이터 전문 지식이 필요합니다. 내부 IT 팀이이를 구축 할 능력이 없을 수 있습니다. 추천 엔진의 고객 유지 및 효율성 이점을 얻으려면 IT가 덜 바쁠 때까지 기다릴 필요가 없습니다. 우리에게 전화를 걸어 알려주십시오. 그만큼 블루 오렌지 디지털 데이터 과학 팀은 추천자가 귀하의 이익을 위해 일하게 되어 기쁩니다!

메인 이미지 출처: Canva