Anbefaler du anbefalingsmotorer?

I forretningslivet er problemet med å finne nålen i høystaken en konstant utfordring. Anbefalingsmotorer er her for å hjelpe med å løse denne utfordringen.

I e-handel og detaljhandel tilbyr du hundredvis eller tusenvis av produkter. Hvilket produkt er rett for dine kunder?

I salg og markedsføring har du en stor mengde potensielle kunder i din pipeline. Likevel har du bare så mange timer i døgnet. Derfor står du overfor utfordringen med å bestemme hvor du skal fokusere din innsats.

Det finnes en spesialisert teknologi som er drevet av AI og stor data, som gjør disse utfordringene mye enklere å håndtere, nemlig anbefalingsmotorer.

Hva er anbefalingsmotorer?

På sitt enkleste er en anbefalingsmotor en motor som sorterer gjennom mange elementer og forutsier det valget som er mest relevant for brukeren. For forbrukere er Amazons produktanbefalingsmotor et kjent eksempel. I underholdningsverdenen har Netflix (NFLX ) arbeidet hardt for å utvikle sin motor. Netflix’ anbefalingsmotor har gitt resultater som har ført til:

“[Netflix’] sofistikerte anbefalingssystem og personlig brukeropplevelse, har gjort det mulig for dem å spare 1 milliard dollar per år fra avbestillinger.” – Avkastning på anbefalingsmotorer for markedsføring

Fra slutbrukerens perspektiv er det ofte uklart hvordan anbefalingsmotorer fungerer. Vi skal nå trekke tilbake sløret og forklare hvordan de fungerer, med utgangspunkt i den viktigste ingrediensen: data.

Anbefalingsmotorer: Hva slags data bruker de?

Dataene du trenger for en anbefalingsmotor avhenger av ditt mål. Anta at ditt mål er å øke salget i en e-handelsbedrift. I så fall vil de minimale dataene som trengs, falle inn i to kategorier: produktdatabase og slutbrukeratferd. For å illustrere hvordan dette fungerer, se på dette enkle eksempelet.

• Selskap: USB-tilbehør AS. Selskapet spesialiserer seg på salg av USB-tilbehør og produkter som kabler, minnepinner og hubber til forbrukere og bedrifter.
• Produktdata. For å holde den innledende anbefalingsmotoren enkel, begrenser selskapet den til 100 produkter.
• Brukerdata. I tilfelle en nettbutikk, vil brukerdata inkludere nettanalyseinformasjon, e-postmarkedsføring og andre kilder. For eksempel kan du finne at 50 % av kundene som kjøper en ekstern harddisk også kjøper USB-kabler.
• Anbefalingens utgang. I dette tilfellet kan din anbefalingsmotor generere en anbefaling (eller en rabattkode) til kjøpere av harddisk for å oppmuntre dem til å kjøpe USB-kabler.

I praksis bruker de beste anbefalingsmotorene mye mer data. Som en generell regel produserer anbefalingsmotorer bedre forretningsresultater når de har en stor mengde data å bruke.

Hvordan bruker anbefalingsmotorer dine data?

Mange anbefalingsmotorer bruker en håndfull tekniker for å prosessere dine data.

Innholdsbasert filtrering

Denne typen anbefalingsalgoritme kombinerer brukerpreferanser og forsøker 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.

Samarbeidsbasert filtrering

Har du noen gang bedt noen andre om en anbefaling før du gjorde et kjøp? Eller vurdert nettanmeldelser i din kjøpsprosess? Hvis så, har du opplevd samarbeidsbasert filtrering. Mer avanserte anbefalingsmotorer analyserer brukeranmeldelser, vurderinger og annen brukergenerert innhold for å produsere relevante forslag. Denne typen anbefalingsmotor-strategi er kraftfull fordi den utnytter sosial bevis.

Hybrid-anbefalingsmotorer

Hybrid-anbefalingsmotorer kombinerer to eller flere anbefalingsmetoder for å produsere bedre resultater. La oss gå tilbake til e-handels-eksempelet ovenfor. Anta at du har samlet inn brukeranmeldelser og vurderinger (for eksempel 1 til 5 stjerner) over det siste året. Nå kan du bruke både innholdsbasert filtrering og samarbeidsbasert filtrering for å presentere anbefalinger. Å kombinere flere anbefalingsmotorer eller algoritmer med hell, krever vanligvis eksperimentering. Derfor er det best å vurdere det som en relativt avansert strategi.

En anbefalingsmotor er bare suksessfull hvis du mater den med høykvalitetsdata. Den kan heller ikke fungere effektivt hvis du har feil eller utdatert informasjon i din bedriftsdatabase. Derfor må du investere ressurser i datakvalitet kontinuerlig.

Kasusstudier:

Hiring Automated: Kandidatvurdering

Det er mer enn 50 søkere i gjennomsnitt per stillingsannonse, ifølge Jobvite-forskning. For HR-avdelinger og ledere, skaper denne søker-mengden en enorm arbeidsmengde. For å forenkle prosessen, implementerte Blue Orange en anbefalingsmotor for en Fortune 500-hedgefond. Dette HR-automatiseringsprosjektet hjalp selskapet til å rangere kandidater på en standardisert måte. Ved å bruke ti års verdens søke- og CV-data, har firmaet nå en sofistisert vurderingsmodell for å finne kandidater som passer.

Et hedgefond i New York City trengte å parsere CV-er som var ukoordinerte og krevde OCR for å forbedre rekrutteringsprosessen. Selv den beste OCR-parsingen lar deg med ustrukturert data. Deretter, når en kandidat går gjennom søknadsprosessen, blir mennesker involvert. Legg til datamengden fritekst-anmeldelser av kandidaten og både lingvistiske og personlige fordommer. I tillegg er hver datakilde isolert og gir begrenset analytisk mulighet.

Tilnærming: Etter å ha vurdert flere selskapers rekrutteringsprosesser, har vi funnet tre konsistente muligheter til å systematisk forbedre rekrutteringsresultatene ved hjelp av NLP-maskinlæring. Problemområdene er: korrekt strukturering av kandidat-CV-data, vurdering av jobb-tilpasning og reduksjon av menneskelig rekrutteringsforbud. Med en renset og strukturert datamengde, kunne vi utføre både stemningsanalyse på teksten og subjektivitetsdeteksjon for å redusere kandidat-forbud i menneskelig vurdering.

Resultater: Ved hjelp av nøkkelord-deteksjonsklassifikatorer, optisk tegngjenkjenning og sky-baserte NLP-motorer, kunne vi rense tekst og omdanne den til relasjonsdata. Med strukturert data, kunne vi levere en rask, interaktiv og søkbar forretningsanalyse-dashbord i AWS QuickSight.

E-handel: Zageno Medisinske Forsyninger

Et annet eksempel på anbefalingsmotorer som implementeres i virkeligheten, kommer fra Zageno. Zageno er en e-handelsbedrift som gjør for lab-forskere hva Amazon (AMZN ) gjør for resten av oss. Forskjellen er at lab-forskeres behov er nøyaktige, så forsyningene som kjøpes for deres forskning, må også være det. Sitatene nedenfor er fra vårt intervju med Zageno og fremhever hvordan de bruker anbefalingsmotorer for å levere de mest nøyaktige forsyningene til lab-forskere.

Q&A: Blue Orange Digital intervjuer Zageno

Spørsmål:
Hvordan har ditt selskap brukt en anbefalingsmotor og hva slags resultater så du?

Svar:

Det finnes to eksempler på anbefalingsmotorer som ZAGENO bruker for sine vitenskapelige kunder. For å forklare disse, følte vi det beste å punktliste dem.

• ZAGENO’s Vitenskapelige Score:
  • ZAGENO’s Vitenskapelige Score er et omfattende produktvurderingssystem, spesifikt utviklet for å evaluere forskningsprodukter. Det inkluderer flere aspekter av produktdata fra multiple kilder, for å utruste forskere med en sofistisert og upartisk produktvurdering for å gjøre nøyaktige kjøpsbeslutninger.
  • Vi anvender sofistikerte maskinlæringsalgoritmer for å nøyaktig matche, gruppere og kategorisere millioner av produkter. Vitenskapelige Score tar hensyn til disse kategoriseringene, da hver produkts score beregnes relativt til de i samme kategorien. Resultatet er et vurderingssystem som forskere kan stole på — ett som er spesifikt for både produktapplikasjon og produkttype.
  • Standard produktvurderinger er nyttige for å vurdere produkter raskt, men er ofte forvrengt og ugyldige, på grunn av deres avhengighet av ukjente anmeldelser eller en enkelt metode (for eksempel publikasjoner). De gir også liten detalj om eksperimentell kontekst eller anvendelse. Vitenskapelige Score anvender en vitenskapelig metode for å objektivt og omfattende evaluere forskningsprodukter. Det kombinerer all nødvendig og relevant produktinformasjon i en enkelt 0—10-vurdering for å støtte våre kunder i å bestemme hvilket produkt å kjøpe og bruke for deres anvendelse — og sparere timer med produktforskning.
  • For å sikre at ingen enkelt faktor dominerer, legger vi til grenseverdier og gir mer vekt til nyere bidrag. Den enorme mengden faktorer vi tar hensyn til, eliminerer i praksis enhver mulighet for manipulering. Som resultat er vår score en objektiv måling av kvaliteten og mengden tilgjengelig produktinformasjon, som støtter våre kunders kjøpsbeslutninger.
• Alternative Produkter:
  • Alternative produkter defineres av samme verdier for nøkkelattributter; nøkkelattributter defineres for hver kategori for å ta hensyn til spesifikke produktkarakteristika.
  • Vi arbeider med å øke underliggende data og attributter og forbedre algoritmen for å forbedre forslagene
  • Alternativt produktsuggester er ment å hjelpe både forskere og innkjøpere til å vurdere og evaluere potensielle produkter, de kanskje ikke har vurdert/kjent til før.
  • Alternative produkter defineres utelukkende av produktkarakteristika og uavhengig av leverandører, merke eller andre kommersielle data

Anbefaler du anbefalingsmotorer?

“Ja, men sikre deg at du bruker riktige data til å basere din anbefaling på både kvalitet og kvantitet som reflekterer sanne brukerforventninger. Skape gjennomsiktighet fordi ingen, spesielt forskere, vil stole på eller stole på en svart boks. Del med dine brukere hvilken informasjon som brukes, hvordan den vektlegges og fortsett å lære for å kontinuerlig forbedre. Til slutt, fullfør syklusen ved å ta brukerfeedback som du har samlet inn og bringe det tilbake til systemet.” – Zageno

Kraften av anbefalingsmotorer har aldri vært større. Som vist av gigantene Amazon og Netflix, kan anbefalingsmotorer være direkte ansvarlige for økning i omsetning og kundetrening. Selskaper som Zageno viser at du ikke trenger å være et stort selskap for å utnytte kraften av anbefalingsmotorer. Fordelene med anbefalingsmotorer omfatter mange bransjer, fra e-handel til personalavdelingen.

Den raske måten å bringe anbefalingsmotorer til ditt selskap

Utvikling av en anbefalingsmotor krever data-ekspertise. Ditt interne IT-team kan ikke ha kapasiteten til å bygge dette ut. Hvis du ønsker å få kundetrening og effisiensfordelene av anbefalingsmotorer, trenger du ikke å vente til IT blir mindre opptatt. Ta kontakt med oss og la oss vite. Blue Orange Digitals data-vitenskapsteam er glad for å gjøre anbefalingsmotorer arbeide for din fordel også!

Hovedbildekilde: Canva