추천 엔진을 추천합니까?

사업에서 바늘을 찾는 문제는 끊임없는 도전입니다. 추천 엔진이 도와줄 수 있습니다.

전자상거래와 소매에서 수백 또는 수천 개의 제품을 제공합니다. 고객에게 적합한 제품은 무엇일까요?

판매와 마케팅에서 파이프라인에 많은 잠재 고객이 있습니다. 그러나 하루에는 시간이 제한되어 있습니다. 따라서 노력을 어디에 집중할지 결정하는 것이 도전입니다.

인공 지능과 빅데이터를 기반으로 하는 전문 기술인 추천 엔진이 이러한 도전을 관리하기 쉽게 만듭니다.

추천 시스템이란?

간단히 말해, 추천 엔진은 많은 항목을 검색하여 사용자에게 가장 관련된 항목을 예측합니다. 소비자에게는 아마존의 제품 추천 엔진이 친숙한 예입니다. 엔터테인먼트 세계에서는 넷플릭스가 엔진을 개발하기 위해 노력했습니다. 넷플릭스의 추천 엔진은 다음과 같은 이점을 제공했습니다:

“[넷플릭스의] 복잡한 추천 시스템과 개인화된 사용자 경험으로 인해 서비스 취소로 인한 연간 10억 달러의 비용을 절약할 수 있었습니다.” – 마케팅을 위한 추천 엔진의 ROI

사용자 관점에서 추천 엔진이 어떻게 작동하는지는 종종 불분명합니다. 추천 엔진이 작동하는 방식을 설명하기 위해 커튼을 열어보겠습니다. 먼저 핵심 요소인 데이터부터 시작하겠습니다.

추천 엔진: 어떤 데이터를 사용합니까?

추천 엔진에 필요한 데이터는 목표에 따라 다릅니다. 전자상거래 회사에서 판매를 증가시키는 것을 목표로 가정해 보겠습니다. 이 경우 필요한 최소 데이터는 두 가지 범주로 분류됩니다: 제품 데이터베이스와 최종 사용자 행동입니다. 이를 설명하기 위해 간단한 예를 살펴보겠습니다.

• 회사: USB 액세사리 회사입니다. 이 회사는 소비자와 기업에 USB 케이블, 썸 드라이브, 허브 등 USB 액세사리와 제품을 판매합니다.
• 제품 데이터. 초기 추천 엔진을 단순하게 유지하기 위해 회사는 100개 제품으로 제한합니다.
• 사용자 데이터. 온라인 상점의 경우 사용자 데이터에는 웹사이트 분석 정보, 이메일 마케팅 및 기타 소스가 포함됩니다. 예를 들어, 외부 하드 드라이브를 구매하는 고객의 50%가 또한 USB 케이블을 구매하는 것을 발견할 수 있습니다.
• 추천 출력. 이 경우 추천 엔진은 하드 드라이브 구매자에게 USB 케이블을 구매하도록 권장하는 추천(또는 할인 코드)을 생성할 수 있습니다.

실제로 추천 엔진은 훨씬 더 많은 데이터를 사용합니다. 일반적으로 추천 엔진은 많은 데이터를 사용할수록 더好的 비즈니스 결과를 생성합니다.

추천 엔진은 데이터를 어떻게 사용합니까?

많은 추천 엔진이 데이터를 처리하기 위해 몇 가지 기술을 사용합니다.

콘텐츠 기반 필터링

이 유형의 추천 알고리즘은 사용자 선호도와 관련된 항목을 추천하려고 합니다. 이 경우 엔진은 제품에 초점을 맞추고 관련된 항목을 강조합니다. 이 유형의 추천 엔진은 상대적으로 쉽게 구축할 수 있습니다. 데이터가 제한된 회사에게 좋은 출발점입니다.

협업 필터링

구매하기 전에 다른 사람에게 추천을 요청한 적이 있나요? 또는 구매 과정에서 온라인 리뷰를 고려한 적이 있나요? 그렇다면 협업 필터링을 경험했습니다. 더 고급 추천 엔진은 사용자 리뷰, 평가 및 기타 사용자 생성 콘텐츠를 분석하여 관련된 제안을 생성합니다. 이 유형의 추천 엔진 전략은 사회적 증거를 활용하기 때문에 강력합니다.

하이브리드 추천

하이브리드 추천 엔진은 두 가지 이상의 추천 방법을 결합하여 더好的 결과를 생성합니다. 위에서 설명한 전자상거래 예로 돌아가 보겠습니다. 지난 1년 동안 사용자 리뷰와 평점(예: 1~5성)을 수집했다고 가정합니다. 이제 콘텐츠 기반 필터링과 협업 필터링을 모두 사용하여 추천을 제공할 수 있습니다. 여러 추천 엔진이나 알고리즘을 성공적으로 결합하는 것은 일반적으로 실험을 필요로 합니다. 따라서 상대적으로 고급 전략으로 간주됩니다.

추천 엔진이 성공하려면 높은 품질의 데이터를 제공해야 합니다. 또한 데이터베이스에 오류 또는 오래된 정보가 있는 경우 효과적으로 작동할 수 없습니다. 따라서 데이터 품질에 지속적으로 투자해야 합니다.

사례 연구:

자동화된 채용: 후보자 평가

채용 공고당 평균 50명의 지원자가 있습니다. 인사 부서와 관리자에게 이는 엄청난 양의 일이 됩니다. 이 과정을 간소화하기 위해 블루 오렌지 디지털은 포춘 500 헤지 펀드에 추천 엔진을 구현했습니다. 이 인사 자동화 프로젝트는 회사에 표준화된 방법으로 후보자를 평가하도록 도왔습니다. 10년간의 지원자 데이터와 이력서를 사용하여 회사에는 이제 적합한 후보자를 찾기 위한 정교한 평가 모델이 있습니다.

뉴욕시의 헤지 펀드에서는 채용 과정을 개선하기 위해 이력서를 파싱해야 했습니다. 그러나 최고의 OCR 파싱조차도 메시지와 구조화되지 않은 데이터를 남깁니다. 또한 후보자가 지원 과정에서 진행함에 따라 인간이 관여하게 됩니다. 또한 데이터 소스는 시일오와 언어적 편향이 포함된 자유 형식의 텍스트 평가를 추가합니다. 또한 각 데이터 소스는 분석 기회가 제한된 실로에 있습니다.

접근 방식: 여러 회사의 채용 과정을 평가한 결과, 인사 결과를 체계적으로 개선하기 위한 세 가지 기회를 발견했습니다. 문제 영역은 다음과 같습니다: 후보자 이력서 데이터를 올바르게 구조화하는 것, 직무 적합성을 평가하는 것, 인사에서 인간의 편향을 줄이는 것입니다. 정리되고 구조화된 데이터 세트를 사용하면 자유 형식 텍스트에 대한 감성 분석과 주관성 감지를 수행하여 후보자 평가에서 인간의 편향을 줄일 수 있습니다.

결과: 키워드 감지 분류기, 광학 문자 인식 및 클라우드 기반 NLP 엔진을 사용하여 문자열 텍스트를 관계형 데이터로 변환했습니다. 구조화된 데이터를 사용하여 AWS QuickSight에서 빠르고 상호 작용이 가능하며 검색 가능한 비즈니스 분석 대시보드를 제공했습니다.

전자상거래: 자제노 의료 공급

추천 엔진이 실제로 구현되는 또 다른 예는 자제노에서 나옵니다. 자제노는 연구 과학자를 위해 아마존이 일반 대중을 위해 하는 것과 같은 것을 하는 전자상거래 회사입니다. 그러나 연구 과학자의 요구는 정확해야 하므로 연구를 위해 조달하는 공급도 정확해야 합니다. 아래의 인용문은 자제노와의 인터뷰에서 가져온 것으로, 추천 엔진을 통해 연구 과학자에게 가장 정확한 공급을 제공하는 방법을 강조합니다.

Q&A: 블루 오렌지 디지털이 자제노와 인터뷰합니다

질문:
회사가 추천 엔진을 어떻게 사용했는지, 어떤 결과를 보았는지 설명해 주십시오.

답변:

자제노가 사용하는 두 가지 추천 엔진의 예가 있습니다. 이를 설명하기 위해 가리키는 것으로 가장 좋습니다.

• 자제노의 과학적 점수:
  • 자제노의 과학적 점수는 연구 제품을 평가하기 위해 특별히 개발된 포괄적인 제품 평가 시스템입니다. 여러 소스의 제품 데이터의 여러 측면을 통합하여 과학자에게 편향되지 않고 정교한 제품 평가를 제공합니다.
  • 우리는 제품을 정확하게 일치시키고, 그룹화하고, 분류하기 위해 고급 기계 학습 알고리즘을 적용합니다. 과학적 점수는 이러한 분류를 고려하며, 각 제품의 점수는 동일한 범주에 있는 제품과 관련하여 계산됩니다. 결과는 제품 유형과 제품 응용 프로그램에 모두 특정한 신뢰할 수 있는 평가 시스템입니다.
  • 표준 제품 평가는 제품을 빠르게 평가하는 데 유용하지만, 종종 불완전하고 신뢰할 수 없으며, 알려지지 않은 리뷰 또는 단일 지표(예: 출판물)에 의존하기 때문입니다. 또한 실험 컨텍스트 또는 응용 프로그램에 대한 자세한 정보를 제공하지 않습니다. 과학적 점수는 과학적 방법론을 사용하여 연구 제품을 객관적이고 포괄적으로 평가합니다. 모든 필요한 제품 정보를 0-10의 단일 평가로 결합하여 고객이 어떤 제품을 구매하고 사용할지 결정하는 데 도움이 됩니다.
  • 편향을 방지하기 위해 절단 점을 추가하고 최근 기여에 더 많은 가중치를 부여합니다. 고려하는 요소의 양으로 인해 조작의 기회는 사실상 제거됩니다. 결과적으로 점수는 제품 정보의 품질과 양의 객관적인 척도이며, 고객의 구매 결정을 지원합니다.
• 대체 제품:
  • 대체 제품은 주요 속성에 대한 동일한 값을 갖는 것으로 정의됩니다. 주요 속성은 각 범주에 대한 특정 제품 특성을 고려하기 위해 정의됩니다.
  • 기초 데이터와 속성을 늘리고 알고리즘을 개선하여 제안을 개선하는 중입니다.
  • 대체 제품 제안은 과학자와 조달 담당자가 다른 제품을 고려하고 평가하도록 도와줍니다.
  • 대체 제품은 공급자, 브랜드 또는 상업적 데이터와 무관하게 제품 특성에 따라 정의됩니다.

추천 시스템을 추천합니까?

“예, 하지만 추천을 기반으로 하는 데이터가 품질과 양이 실제 사용자 기대와 일치하는지 확인하십시오. 투명성을 생성하십시오. 특히 과학자와 같은 사용자는 블랙박스를 신뢰하거나 의존하지 않을 것입니다. 사용자에게 사용된 정보, 가중치 및 지속적으로 개선하기 위해 학습하는 방법을 공유하십시오. 마지막으로 사용자로부터 수집한 피드백을 시스템으로 가져와서 사이클을 완성하십시오.” – 자제노

추천 엔진의 힘은 이전에 없던 수준에 도달했습니다. 아마존과 넷플릭스와 같은 거대한 회사에서 보여주었듯이, 추천자는 수익과 고객 유지율 증가에 직접적으로 책임을 질 수 있습니다. 자제노와 같은 회사는 추천자를 활용하여 큰 회사일 필요는 없음을 보여줍니다. 추천 엔진의 이점은 전자상거래에서 인사까지 다양한 산업에 걸쳐 있습니다.

회사에 추천 엔진을 빠르게 도입하는 방법

추천 엔진을 개발하려면 데이터 전문 지식이 필요합니다. 내부 IT 팀이 구축할 수 있는 여유가 없을 수 있습니다. 고객 유지와 효율성의 이점을 얻으려면 IT 팀이 덜忙해질 때까지 기다릴 필요는 없습니다. 문의해 주시면 블루 오렌지 디지털 데이터 과학 팀도 추천 엔진을 통해 귀하의 이익을 위해 일할 수 있습니다!

대표 이미지 출처: 카바