Anbefaler du anbefalte motorer?

I næringslivet er nålen i en høystakk-problemet en konstant utfordring. Anbefalingsmotorer er her for å hjelpe til med å takle den utfordringen. 

I e-handel og detaljhandel tilbyr du hundrevis eller tusenvis av produkter. Hvilket produkt er riktig for kundene dine?

Innen salg og markedsføring har du et stort antall prospekter i pipelinen. Likevel har du bare så mange timer i døgnet. Så du står overfor utfordringen med å bestemme nøyaktig hvor du skal fokusere innsatsen.

Det er en spesialisert teknologi drevet av AI og Big Data, som gjør disse utfordringene mye enklere å administrere, anbefalingsmotorer.

Hva er anbefalingssystemer?

I sine enkleste termer sorterer en anbefalingsmotor gjennom mange elementer og forutsier utvalget som er mest relevant for brukeren. For forbrukere er Amazons produktanbefalingsmotor et kjent eksempel. I underholdningsverdenen har Netflix jobbet hardt for å utvikle motoren deres. Netflixs anbefalingsmotor har levert bunnlinjefordeler:

"[Netflixs] sofistikerte anbefalingssystem og personlig tilpassede brukeropplevelse har gjort det mulig for dem å spare 1 milliard dollar per år fra tjenestekanselleringer." – Avkastningen av anbefalingsmotorer for markedsføring

Fra sluttbrukerens perspektiv er det ofte uklart hvordan anbefalingsmotorer fungerer. Vi skal trekke gardinen tilbake og forklare hvordan de fungerer, og starter med nøkkelingrediensen: data.

Anbefalingsmotorer: Hvilke data bruker de?

Ocuco dato du trenger en anbefalingsmotor avhenger av målet ditt. Anta at målet ditt er å øke salget i et e-handelsselskap. I så fall vil minimumskravene til data falle inn i to kategorier: en produktdatabase og sluttbrukeratferd. For å illustrere hvordan dette fungerer, se på dette enkle eksemplet.

• Firma: USB Accessories, Inc. Selskapet spesialiserer seg på å selge USB-tilbehør og produkter som kabler, minnepinner og huber til forbrukere og bedrifter.
• Produktdata. For å holde den første anbefalingsmotoren enkel, begrenser selskapet den til 100 produkter.
• Brukerdata. Når det gjelder en nettbutikk, vil brukerdata inkludere nettstedsanalyseinformasjon, e-postmarkedsføring og andre kilder. For eksempel kan du oppleve at 50 % av kundene som kjøper en ekstern harddisk også kjøper USB-kabler.
• Anbefaling Utgang. I dette tilfellet kan anbefalingsmotoren din generere en anbefaling (eller en rabattkode) til harddiskkjøpere for å oppmuntre dem til å kjøpe USB-kabler.

I praksis bruker de beste anbefalingsmotorene mye mer data. Som en generell regel gir anbefalingsmotorer bedre forretningsresultater når de har et stort datavolum å bruke.

Hvordan bruker anbefalingsmotorer dataene dine?

Mange anbefalingsmotorer bruker en håndfull teknikker for å behandle dataene dine.

Innholdsbasert filtrering

Denne typen anbefalingsalgoritmer kombinerer brukerpreferanser og forsøk på å anbefale lignende elementer. I dette tilfellet er motoren fokusert på produktet og fremhever relaterte elementer. Denne typen anbefalingsmotor er relativt enkel å bygge. Det er et godt utgangspunkt for selskaper med begrenset data.

Samarbeidsfiltrering

Har du spurt noen andre om en anbefaling før du foretar et kjøp? Eller vurdert online anmeldelser i kjøpsprosessen? I så fall har du opplevd samarbeidsfiltrering. Mer avanserte anbefalingsmotorer analyserer brukeranmeldelser, vurderinger og annet brukergenerert innhold for å produsere relevante forslag. Denne typen anbefalingsmotorstrategi er kraftig fordi den utnytter sosial bevis.

Hybrid-anbefalere

Hybride anbefalingsmotorer kombinerer to eller flere anbefalingsmetoder for å gi bedre resultater. For å gå tilbake til e-handelseksemplet som er skissert ovenfor, la oss si at du har fått brukeranmeldelser og vurderinger (f.eks. 1 til 5 stjerner) i løpet av det siste året. Nå kan du bruke både innholdsbasert filtrering og samarbeidsfiltrering for å presentere anbefalinger. Å kombinere flere anbefalingsmotorer eller algoritmer vellykket krever vanligvis eksperimentering. Av den grunn regnes det best som en relativt avansert strategi.

En anbefalingsmotor er bare vellykket hvis du mater den med data av høy kvalitet. Den kan heller ikke fungere effektivt hvis du har feil eller utdatert informasjon i firmadatabasen. Det er derfor du må investere ressurser i datakvalitet kontinuerlig.

Casestudier: 

Automatisert ansettelse: Kandidatscoring

Det er mer enn 50 søkere i gjennomsnitt per stillingsannonse, ifølge Jobvite-undersøkelsen. For personalavdelinger og ledere skaper dette søkervolumet en enorm mengde arbeid. For å forenkle prosessen implementerte Blue Orange en anbefalingsmotor for et formue 500 hedgefond. Dette HR-automasjonsprosjekt hjalp selskapet med å rangere kandidater på en standardisert måte. Ved å bruke ti års søkerdata og CV-er har firmaet nå en sofistikert poengmodell for å finne velegnede kandidater.

Et hedgefond i New York City trengte å analysere CVer som var inkonsekvente og krevde OCR for å forbedre ansettelsesprosessen. Selv den beste OCR-parsingen gir deg rotete og ustrukturerte data. Når en kandidat går gjennom søknadsprosessen, blir mennesker involvert. Legg til datasettet i friform tekstanmeldelser av søkeren og både språklige og personlige skjevheter. I tillegg er hver datakilde siled og gir begrensede analytiske muligheter.

Nærme seg: Etter å ha vurdert flere bedrifters ansettelsesprosesser, har vi funnet tre konsistente muligheter for å systematisk forbedre ansettelsesresultatene ved å bruke NLP maskinlæring. Problemområdene er: riktig strukturering av kandidat-CV-data, vurdering av jobbtilpasning og reduksjon av menneskelig ansettelsesskjevhet. Med et renset og strukturert datasett var vi i stand til å utføre både sentimentanalyse på teksten og subjektivitetsdeteksjon for å redusere kandidatbias i menneskelig vurdering.

resultater: Ved å bruke søkeorddeteksjonsklassifiserere, optisk tegngjenkjenning og skybaserte NLP-motorer, klarte vi å skrubbe tekststreng og gjøre den om til relasjonsdata. Med strukturerte data ga vi et raskt, interaktivt og søkbart Business Analytics-dashbord i AWS QuickSight.

E-handel: Zageno Medical Supplies

Et annet eksempel på anbefalingsmotorer som implementeres i den virkelige verden kommer fra Zageno. Zageno er et e-handelsselskap som gjør for laboratorieforskere det Amazon gjør for resten av oss. Forbeholdet er at behovene til laboratorieforskere er nøyaktige, så forsyningene som er anskaffet til forskningen deres må være det også. Sitatene nedenfor er fra intervjuet vårt med Zageno og fremhever hvordan de bruker anbefalingsmotorer for å levere de mest nøyaktige forsyningene til laboratorieforskere. 

Spørsmål og svar: Blue Orange Digital intervjuer Zageno

Spørsmål:
Hvordan har bedriften din brukt en anbefalingsmotor og hva slags resultater så du?

Svar:

Det er to eksempler på anbefalingsmotorene som ZAGENO bruker for sine vitenskapelige kunder. For å forklare disse følte vi at det var best å peke på dem.

• ZAGENOs vitenskapelige poengsum:
  • ZAGENOs Scientific Score er et omfattende produktvurderingssystem, spesielt utviklet for å evaluere forskningsprodukter. Den inneholder flere aspekter av produktdata, fra flere kilder, for å utstyre forskere med en sofistikert og objektiv produktvurdering for å ta nøyaktige kjøpsbeslutninger.
  • Vi bruker sofistikerte maskinlæringsalgoritmer for nøyaktig å matche, gruppere og kategorisere millioner av produkter. Den vitenskapelige poengsummen står for disse kategoriseringene, ettersom hvert produkts poengsum beregnes i forhold til de i samme kategori. Resultatet er et vurderingssystem som forskere kan stole på - et som er spesifikt for både produktapplikasjon og produkttype.
  • Standard produktvurderinger er nyttige for å vurdere produkter raskt, men er ofte partiske og upålitelige, på grunn av deres avhengighet av ukjente anmeldelser eller en enkelt beregning (f.eks. publikasjoner). De gir også lite detaljer om eksperimentell kontekst eller anvendelse. Scientific Score bruker en vitenskapelig metodikk for å objektivt og omfattende evaluere forskningsprodukter. Den kombinerer all nødvendig og relevant produktinformasjon i en enkelt 0–10-vurdering for å hjelpe kundene våre med å bestemme hvilket produkt de skal kjøpe og bruke for deres applikasjon – noe som sparer timer med produktforskning.
  • For å sikre at ingen enkeltfaktor dominerer, legger vi til grensepunkter og legger større vekt på nylige bidrag. Det store antallet faktorer vi tar i betraktning eliminerer praktisk talt enhver mulighet for manipulasjon. Som et resultat er poengsummen vår et objektivt mål på kvaliteten og kvantiteten av tilgjengelig produktinformasjon, som støtter våre kunders kjøpsbeslutninger.
• Alternative produkter:
  • Alternative produkter er definert av de samme verdiene for nøkkelattributter; nøkkelattributter er definert for hver kategori for å ta hensyn til spesifikke produktegenskaper.
  • Vi jobber med å øke underliggende data og attributter og forbedre algoritmen for å forbedre forslagene
  • Alternative produktforslag er ment å hjelpe både forskere og innkjøpere med å vurdere og vurdere potensielle produkter, de kanskje ikke har vurdert/visst ellers
  • Alternative produkter er utelukkende definert av produktegenskaper og uavhengig av leverandører, merkevare eller andre kommersielle data

Anbefaler du anbefalingssystemer? 

«Ja, men sørg for at du bruker riktige data for å basere anbefalingen din på både kvalitet og kvantitet som gjenspeiler de reelle brukerforventningene. Skap åpenhet fordi ingen, spesielt forskere, vil stole på eller stole på en svart boks. Del med brukerne dine hvilken informasjon som brukes, hvordan den vektes, og fortsett å lære for kontinuerlig å forbedre deg. Til slutt, fullfør syklusen ved å ta brukertilbakemeldingene du har samlet inn og bringe dem tilbake i systemet.» – Zageno

Kraften til anbefalingsmotorer har aldri vært større. Som vist av giganter som Amazon og Netflix, kan anbefalere være direkte ansvarlige for økninger i inntekter og kundeoppbevaring. Selskaper som Zageno viser at du ikke trenger å være et massivt selskap for å utnytte kraften til anbefalere. Fordelene med anbefalingsmotorer spenner over mange bransjer, for eksempel e-handel til menneskelige ressurser. 

Den raske måten å bringe anbefalingsmotorer til bedriften din

Å utvikle en anbefalingsmotor krever dataekspertise. Ditt interne IT-team har kanskje ikke kapasitet til å bygge dette ut. Hvis du ønsker å få kundebevaring og effektivitetsfordelene ved anbefalingsmotorer, trenger du ikke vente på at IT blir mindre travelt. Send oss ​​en linje og gi oss beskjed. De Blå oransje digital datavitenskapsteamet er glade for å få anbefalere til å jobbe til din fordel også!

hovedbildekilde: Canva