Bevelen wij aanbevelingssystemen aan?

In het bedrijfsleven is het vinden van de speld in de hooiberg een constante uitdaging. Aanbevelingssystemen zijn hier om die uitdaging aan te pakken.

In e-commerce en retail biedt u honderden of duizenden producten aan. Welk product is het juiste voor uw klanten?

In verkoop en marketing heeft u een groot aantal potentiële klanten in uw pijplijn. U heeft echter maar een beperkt aantal uren per dag. U staat dus voor de uitdaging om te beslissen waar u uw inspanningen precies moet richten.

Er is een gespecialiseerde technologie die door AI en Big Data wordt aangedreven, waardoor deze uitdagingen veel gemakkelijker te beheersen zijn, aanbevelingssystemen.

Wat zijn aanbevelingssystemen?

In zijn eenvoudigste vorm sorteert een aanbevelingssysteem door veel items en voorspelt de selectie die het meest relevant is voor de gebruiker. Voor consumenten is de productaanbeveling van Amazon (AMZN ) een bekend voorbeeld. In de entertainmentwereld heeft Netflix (NFLX ) hard gewerkt om hun systeem te ontwikkelen. Het aanbevelingssysteem van Netflix heeft bottom-line voordelen opgeleverd:

“[Netflix’s] geavanceerd aanbevelingssysteem en gepersonaliseerde gebruikerservaring, heeft het hen in staat gesteld om $1 miljard per jaar te besparen op annuleringen van diensten.” – De ROI van aanbevelingssystemen voor marketing

Vanuit het perspectief van de eindgebruiker is het vaak onduidelijk hoe aanbevelingssystemen werken. We gaan de sluier oplichten en uitleggen hoe ze werken, beginnend met het belangrijkste ingrediënt: data.

Aanbevelingssystemen: Welke data gebruiken ze?

De data die u nodig heeft voor een aanbevelingssysteem, hangt af van uw doel. Stel dat uw doel is om de verkoop te verhogen in een e-commercebedrijf. In dat geval zou de minimale vereiste data in twee categorieën vallen: een productdatabase en eindgebruikersgedrag. Om te laten zien hoe dit werkt, kijken we naar een eenvoudig voorbeeld.

• Bedrijf: USB-accessoires, Inc. Het bedrijf specialiseert zich in het verkopen van USB-accessoires en producten zoals kabels, thumbdrives en hubs aan consumenten en bedrijven.
• Productgegevens. Om het aanbevelingssysteem eenvoudig te houden, beperkt het bedrijf het tot 100 producten.
• Gebruikersgegevens. In het geval van een online winkel, omvatten gebruikersgegevens website-analysegegevens, e-mailmarketing en andere bronnen. U kunt bijvoorbeeld ontdekken dat 50% van de klanten die een externe harde schijf kopen, ook USB-kabels kopen.
• Aanbevelinguitvoer. In dit geval kan het aanbevelingssysteem een aanbeveling (of een kortingcode) genereren voor kopers van harde schijven om hen aan te moedigen USB-kabels te kopen.

In de praktijk gebruiken de beste aanbevelingssystemen veel meer data. Als algemene regel produceren aanbevelingssystemen betere bedrijfsresultaten wanneer ze een grote hoeveelheid data hebben om te gebruiken.

Hoe gebruiken aanbevelingssystemen uw gegevens?

Veel aanbevelingssystemen gebruiken een handvol technieken om uw gegevens te verwerken.

Inhoudsgebaseerde filtering

Dit type aanbevelingsalgoritme combineert gebruikersvoorkeuren en probeert soortgelijke items aan te bevelen. In dit geval is de motor gericht op het product en benadrukt het gerelateerde items. Dit type aanbevelingssysteem is relatief eenvoudig te bouwen. Het is een goed startpunt voor bedrijven met beperkte gegevens.

Samenwerkende filtering

Hebt u ooit iemand anders om een aanbeveling gevraagd voordat u een aankoop deed? Of hebt u online beoordelingen in uw beslissingsproces meegenomen? Als dat zo is, hebt u samenwerkende filtering ervaren. Geavanceerdere aanbevelingssystemen analyseren gebruikersbeoordelingen, beoordelingen en andere door de gebruiker gegenereerde inhoud om relevante suggesties te produceren. Deze aanbevelingssysteemstrategie is krachtig omdat het sociale bewijs benut.

Hybride aanbevelingssystemen

Hybride aanbevelingssystemen combineren twee of meer aanbevelingsmethoden om betere resultaten te produceren. Terugkerend naar het e-commercevoorbeeld dat hierboven is uitgelegd, laten we zeggen dat u gebruikersbeoordelingen en -beoordelingen (bijv. 1 tot 5 sterren) heeft verzameld in de afgelopen jaar. Nu kunt u zowel inhoudsgebaseerde filtering als samenwerkende filtering gebruiken om aanbevelingen te doen. Het combineren van meerdere aanbevelingssystemen of algoritmen is meestal succesvol na experimenteren. Om die reden is het het beste om het als een relatief geavanceerde strategie te beschouwen.

Een aanbevelingssysteem is alleen succesvol als u het voedt met hoge kwaliteit gegevens. Het kan ook niet effectief functioneren als u fouten of verouderde informatie in uw bedrijfsdatabase heeft. Daarom moet u continu middelen investeren in gegevenskwaliteit.

Case Studies:

Hiring Automated: Kandidaatbeoordeling

Er zijn gemiddeld meer dan 50 sollicitanten per vacature, volgens onderzoek van Jobvite. Voor HR-afdelingen en managers creëert die sollicitantenvolume een enorme hoeveelheid werk. Om het proces te vereenvoudigen, heeft Blue Orange een aanbevelingssysteem geïmplementeerd voor een Fortune 500-hedgefonds. Dit HR-automatiseringsproject hielp het bedrijf om kandidaten op een gestandaardiseerde manier te rangschikken. Met tien jaar aan sollicitantengegevens en cv’s, heeft het bedrijf nu een geavanceerd scoresmodel om geschikte kandidaten te vinden.

Een hedgefonds in New York City moest cv’s die onconsistent en OCR nodig hadden om het wervingsproces te verbeteren, parseren. Zelfs de beste OCR-parsing laat u met rommelige en ongestructureerde gegevens achter. Vervolgens, als een kandidaat door het sollicitatieproces gaat, worden er mensen bij betrokken. Voeg daaraan toe vrije tekstbeoordelingen van de kandidaat en zowel linguïstische als persoonlijke vooroordelen. Bovendien is elke gegevensbron geïsoleerd, waardoor er beperkte analytische mogelijkheden zijn.

Aanpak: Na het evalueren van meerdere bedrijven, hebben we drie consistente kansen gevonden om het wervingsproces systematisch te verbeteren met behulp van NLP-machine learning. De probleemgebieden zijn: het correct structureren van kandidaat-cv-gegevens, het beoordelen van de geschiktheid voor de functie en het verminderen van menselijke vooroordelen bij de werving. Met een schoongemaakte en gestructureerde dataset konden we zowel sentimentanalyse op de tekst als subjectiviteitsdetectie uitvoeren om kandidaatvooroordeel in menselijke beoordeling te verminderen.

Resultaten: Met behulp van trefwoordenclassificatoren, optische tekenherkenning en cloudgebaseerde NLP-motoren konden we tekst scrubben en omzetten in relationele gegevens. Met gestructureerde gegevens konden we een snelle, interactieve en doorzoekbare Business Analytics-dashboard in AWS QuickSight bieden.

E-commerce: Zageno Medical Supplies

Een ander voorbeeld van het implementeren van aanbevelingssystemen in de echte wereld komt van Zageno. Zageno is een e-commercebedrijf dat voor laboratoriumwetenschappers doet wat Amazon voor de rest van ons doet. De kanttekening is dat de behoeften van laboratoriumwetenschappers exact zijn, dus de benodigde materialen voor hun onderzoek moeten eveneens exact zijn. De citaten hieronder zijn uit ons interview met Zageno en benadrukken hoe ze aanbevelingssystemen gebruiken om de meest nauwkeurige materialen aan laboratoriumwetenschappers te leveren.

Q&A: Blue Orange Digital interviews Zageno

Vraag:
Hoe heeft uw bedrijf een aanbevelingssysteem gebruikt en welke resultaten zag u?

Antwoord:

Er zijn twee voorbeelden van aanbevelingssystemen die ZAGENO voor zijn wetenschappelijke klanten gebruikt. Om deze uit te leggen, vonden we het beste om ze op te sommen.

• ZAGENO’s Scientific Score:
  • ZAGENO’s Scientific Score is een uitgebreid productbeoordelingssysteem, speciaal ontwikkeld voor het evalueren van onderzoeksproducten. Het omvat meerdere aspecten van productgegevens van meerdere bronnen, om wetenschappers te voorzien van een geavanceerd en onbevooroordeeld productbeoordelingssysteem voor het nemen van nauwkeurige aankoopbeslissingen.
  • We passen geavanceerde machine learning-algoritmen toe om miljoenen producten nauwkeurig te matchen, groeperen en categoriseren. De Scientific Score houdt rekening met deze categorisaties, aangezien elke productscore wordt berekend ten opzichte van die in dezelfde categorie. Het resultaat is een beoordelingssysteem dat wetenschappers kunnen vertrouwen — een dat specifiek is voor zowel producttoepassing als producttype.
  • Standaardproductbeoordelingen zijn nuttig om producten snel te beoordelen, maar zijn vaak bevooroordeeld en onbetrouwbaar vanwege hun afhankelijkheid van onbekende beoordelingen of één metriek (bijv. publicaties). Ze bieden ook weinig details over experimentele context of toepassing. De Scientific Score gebruikt een wetenschappelijke methode om onderzoeksproducten objectief en uitgebreid te evalueren. Het combineert alle noodzakelijke en relevante productinformatie in één beoordeling van 0 tot 10 om onze klanten te ondersteunen bij het beslissen welk product te kopen en te gebruiken voor hun toepassing — waardoor uren aan productonderzoek worden bespaard.
  • Om te voorkomen dat één factor de overhand krijgt, voegen we drempelwaarden toe en geven we meer gewicht aan recente bijdragen. Het grote aantal factoren dat we meenemen, elimineert vrijwel elk mogelijkheid tot manipulatie. Als resultaat is onze score een objectieve maatstaf voor de kwaliteit en kwantiteit van de beschikbare productinformatie, die onze klanten ondersteunt bij hun aankoopbeslissingen.
• Alternatieve producten:
  • Alternatieve producten worden gedefinieerd door dezelfde waarden voor sleutelkenmerken; sleutelkenmerken worden gedefinieerd voor elke categorie om specifieke productkenmerken te verantwoorden.
  • We werken aan het vergroten van de onderliggende gegevens en kenmerken en het verbeteren van het algoritme om de suggesties te verbeteren
  • Alternatieve productensuggesties zijn bedoeld om zowel wetenschappers als inkoopmanagers te helpen om potentiële producten te overwegen en te evalueren die ze anders niet zouden hebben overwogen / gekend
  • Alternatieve producten worden uitsluitend gedefinieerd door productkenmerken en zijn onafhankelijk van leveranciers, merken of andere commerciële gegevens

Bevelen wij aanbevelingssystemen aan?

“Ja, maar zorg ervoor dat u de juiste gegevens gebruikt om uw aanbeveling op te baseren, zowel in kwaliteit als in kwantiteit, om aan de verwachtingen van de gebruiker te voldoen. Creëer transparantie, omdat niemand, vooral wetenschappers, een black box zal vertrouwen of gebruiken. Deel met uw gebruikers welke informatie wordt gebruikt, hoe deze wordt gewogen en blijf leren om het systeem voortdurend te verbeteren. Ten slotte, voltooi de cyclus door de gebruikersfeedback die u hebt verzameld terug te brengen in het systeem.” – Zageno

De kracht van aanbevelingssystemen is nog nooit groter geweest. Zoals wordt aangetoond door giganten als Amazon en Netflix, kunnen aanbevelingssystemen rechtstreeks verantwoordelijk zijn voor verhogingen in omzet en klantbehoud. Bedrijven zoals Zageno laten zien dat u niet per se een groot bedrijf hoeft te zijn om de kracht van aanbevelingssystemen te benutten. De voordelen van aanbevelingssystemen zijn van toepassing op veel branches, van e-commerce tot human resources.

De snelle manier om aanbevelingssystemen naar uw bedrijf te brengen

Het ontwikkelen van een aanbevelingssysteem vereist gegevensdeskundigheid. Uw interne IT-team kan mogelijk niet de capaciteit hebben om dit te bouwen. Als u de voordelen van klantbehoud en efficiëntie van aanbevelingssystemen wilt behalen, hoeft u niet te wachten tot IT minder druk heeft. Neem contact met ons op en laat ons weten. Het Blue Orange Digital data science team is blij om aanbevelingssystemen voor uw voordeel te laten werken!

Hoofdafbeeldingbron: Canva