Czy polecamy silniki rekomendacji?

W biznesie, problem igły w stogu siana jest stałym wyzwaniem. Silniki rekomendacji są tu, aby pomóc rozwiązać to wyzwanie.

W handlu elektronicznym i detalicznym, oferujesz setki lub tysiące produktów. Który produkt jest odpowiedni dla Twoich klientów?

W sprzedaży i marketingu, masz dużą liczbę potencjalnych klientów w swoim pipeline. Jednak masz tylko tyle godzin w ciągu dnia. Stajesz więc przed wyzwaniem, aby zdecydować, gdzie dokładnie skupić swoje wysiłki.

Istnieje specjalistyczna technologia napędzana przez sztuczną inteligencję i duże dane, która ułatwia te wyzwania, silniki rekomendacji.

Co to są systemy rekomendacji?

W najprostszych słowach, silnik rekomendacji przeszukuje wiele elementów i przewiduje wybór najbardziej istotny dla użytkownika. Dla konsumentów, silnik rekomendacji produktów Amazon (AMZN ) jest znany. W świecie rozrywki, Netflix (NFLX ) pracował ciężko, aby rozwinąć swój silnik. Silnik rekomendacji Netflix przyniósł korzyści finansowe:

„[Silnik rekomendacji Netflix] pozwolił im zaoszczędzić 1 miliard dolarów rocznie dzięki anulowaniu usług.” – ROI silników rekomendacji w marketingu

Z perspektywy użytkownika końcowego, często nie jest jasne, jak silniki rekomendacji działają. Odsłonimy więc kulisy i wyjaśnimy, jak one działają, zaczynając od kluczowego składnika: danych.

Silniki rekomendacji: Jakie dane wykorzystują?

Dane potrzebne do silnika rekomendacji zależą od Twojego celu. Załóżmy, że Twoim celem jest zwiększenie sprzedaży w firmie handlu elektronicznego. W takim przypadku minimalne wymagane dane można podzielić na dwie kategorie: bazę danych produktów i zachowanie użytkowników. Aby zilustrować, jak to działa, spójrzmy na ten prosty przykład.

• Firma: Akcesoria USB, Inc. Firma specjalizuje się w sprzedaży akcesoriów USB i produktów takich jak kable, pendrive i huby do konsumentów i firm.
• Dane produktów. Aby utrzymać prostotę silnika rekomendacji, firma ogranicza go do 100 produktów.
• Dane użytkowników. W przypadku sklepu internetowego, dane użytkowników będą zawierać informacje z analizy strony, marketingu e-mail i innych źródeł. Na przykład, możesz stwierdzić, że 50% klientów, którzy kupują dysk zewnętrzny, również kupują kable USB.
• Wynik rekomendacji. W tym przypadku, Twój silnik rekomendacji może wygenerować rekomendację (lub kod rabatowy) dla kupujących dyski twarde, aby zachęcić ich do kupienia kabli USB.

W praktyce, najlepsze silniki rekomendacji wykorzystują znacznie więcej danych. Ogólną zasadą jest, że silniki rekomendacji przynoszą lepsze wyniki biznesowe, gdy mają duże ilości danych do dyspozycji.

Jak silniki rekomendacji wykorzystują Twoje dane?

Wiele silników rekomendacji wykorzystuje kilka technik do przetwarzania Twoich danych.

Filtrowanie oparte na zawartości

Ten typ algorytmu rekomendacji łączy preferencje użytkowników i próbuje rekomendować podobne elementy. W tym przypadku, silnik jest skoncentrowany na produkcie i podkreśla powiązane elementy. Ten typ silnika rekomendacji jest dość prosty do zbudowania. Jest to dobry punkt wyjścia dla firm z ograniczonymi danymi.

Filtrowanie współpracy

Czy kiedykolwiek poprosiłeś kogoś o rekomendację przed dokonaniem zakupu? Czy brałeś pod uwagę opinie online w swoim procesie zakupowym? Jeśli tak, doświadczyłeś filtrowania współpracy. Bardziej zaawansowane silniki rekomendacji analizują recenzje użytkowników, oceny i inne treści generowane przez użytkowników, aby wyprodukować istotne sugestie. Ta strategia silnika rekomendacji jest potężna, ponieważ wykorzystuje dowody społeczne.

Rekomendacje hybrydowe

Silniki rekomendacji hybrydowe łączą dwie lub więcej metod rekomendacji, aby uzyskać lepsze wyniki. Wracając do przykładu handlu elektronicznego wymienionego powyżej, zakładając, że masz recenzje i oceny użytkowników (np. 1 do 5 gwiazdek) z ostatniego roku. Teraz możesz wykorzystać zarówno filtrowanie oparte na zawartości, jak i filtrowanie współpracy, aby przedstawić rekomendacje. Połączenie kilku silników rekomendacji lub algorytmów zwykle wymaga eksperymentowania. Dlatego jest to strategia raczej zaawansowana.

Silnik rekomendacji jest skuteczny tylko wtedy, gdy jest karmiony wysokiej jakości danymi. Nie może również działać skutecznie, jeśli masz błędy lub nieaktualne informacje w swojej firmowej bazie danych. Dlatego musisz inwestować w jakość danych w sposób ciągły.

Studia przypadków:

Hiring Automated: Ocena kandydatów

Istnieje ponad 50 aplikacji na stanowisko na average, według badań Jobvite. Dla działów HR i menedżerów, ta ilość aplikacji tworzy ogromną ilość pracy. Aby uprościć proces, Blue Orange wdrożył silnik rekomendacji dla firmy z listy Fortune 500. Ten projekt automatyzacji HR pomógł firmie w ocenianiu kandydatów w sposób standaryzowany. Wykorzystując dziesięcioletnie dane aplikacji i CV, firma ma teraz zaawansowany model oceny, aby znaleźć kandydatów o dobrych kwalifikacjach.

Firma z Nowego Jorku potrzebowała przetworzyć CV, które były niejednolite i wymagały OCR, aby poprawić proces rekrutacji. Nawet najlepsze parsowanie OCR pozostawia Cię z brudnymi i nieustrukturyzowanymi danymi. Następnie, gdy kandydat przechodzi przez proces aplikacji, ludzie się angażują. Dodaj do danych wolną formę tekstu recenzji kandydata i zarówno językowe, jak i osobiste uprzedzenia. Ponadto, każde źródło danych jest odizolowane, co daje ograniczone możliwości analityczne.

Podejście: Po ocenieniu procesów rekrutacji kilku firm, znaleźliśmy trzy spójne możliwości systematycznego poprawienia wyników rekrutacji przy użyciu NLP i maszynowego uczenia. Obszary problemowe to: poprawne strukturyzowanie danych CV kandydatów, ocena dopasowania do pracy i redukcja uprzedzeń ludzkich w procesie rekrutacji. Z czystą i ustrukturyzowaną bazą danych, mogliśmy wykonać analizę sentymentu tekstu i wykrywanie subiektywności, aby zmniejszyć uprzedzenia kandydatów w ocenach ludzkich.

Wyniki: Wykorzystując klasyfikatory wykrywania słów kluczowych, optyczne rozpoznawanie znaków i chmurowe silniki NLP, mogliśmy oczyścić tekst i przekształcić go w relacyjne dane. Z ustrukturyzowanymi danymi, dostarczyliśmy szybki, interaktywny i przeszukiwalny panel analityczny w AWS QuickSight.

E-Commerce: Zageno Medical Supplies

Innym przykładem wdrożenia silników rekomendacji w świecie rzeczywistym jest Zageno. Zageno to firma handlu elektronicznego, która robi to, co Amazon, ale dla naukowców laboratoryjnych. Zastrzeżenie polega na tym, że potrzeby naukowców laboratoryjnych są dokładne, więc zaopatrzenie musi być również dokładne. Poniższe cytaty pochodzą z naszego wywiadu z Zageno i podkreślają, jak wykorzystują silniki rekomendacji, aby dostarczyć najbardziej dokładne zaopatrzenie naukowcom laboratoryjnym.

Q&A: Blue Orange Digital wywiad z Zageno

Pytanie:
Jak Twoja firma wykorzystała silnik rekomendacji i jakie wyniki zaobserwowaliście?

Odpowiedź:

Istnieją dwa przykłady silników rekomendacji, które ZAGENO wykorzystuje dla swoich klientów naukowych. Aby wyjaśnić to, postanowiliśmy wymienić je w punktach.

• ZAGENO’s Scientific Score:
  • ZAGENO’s Scientific Score to kompleksowy system oceny produktów, specjalnie opracowany do oceny produktów badawczych. Włącza on wiele aspektów danych produktów z różnych źródeł, aby wyposażyć naukowców w zaawansowaną i bezstronną ocenę produktu, ułatwiającą podejmowanie dokładnych decyzji zakupowych.
  • Stosujemy zaawansowane algorytmy uczenia maszynowego, aby dokładnie dopasować, pogrupować i skategoryzować miliony produktów. Scientific Score uwzględnia te kategoryzacje, ponieważ ocena każdego produktu jest obliczana względem innych w tej samej kategorii. Rezultatem jest system oceny, którym naukowcy mogą zaufać — jeden, który jest specyficzny zarówno dla aplikacji produktu, jak i typu produktu.
  • Standardowe oceny produktów są przydatne do szybkiej oceny, ale często są tendencyjne i niewiarygodne, ze względu na ich zależność od nieznanych recenzji lub jednego wskaźnika (np. publikacji). Nie dostarczają również szczegółowych informacji o kontekście eksperymentalnym lub zastosowaniu. Scientific Score wykorzystuje naukową metodologię, aby obiektywnie i kompleksowo ocenić produkty badawcze. Łączy wszystkie niezbędne i istotne informacje o produkcie w jedną ocenę 0-10, wspierając klientów w decyzjach o tym, jaki produkt kupić i użyć do swojej aplikacji — oszczędzając godziny na badaniach produktów.
  • Aby upewnić się, że żaden pojedynczy czynnik nie dominuje, dodajemy punkty graniczne i przywiązujemy większą wagę do ostatnich wkładów. Ogromna ilość czynników, które bierzemy pod uwagę, praktycznie eliminuje możliwość manipulacji. W rezultacie, nasza ocena jest obiektywną miarą jakości i ilości dostępnych informacji o produkcie, wspierającą decyzje zakupowe klientów.
• Produkty alternatywne:
  • Produkty alternatywne są definiowane przez te same wartości atrybutów kluczowych; atrybuty kluczowe są definiowane dla każdej kategorii, aby uwzględnić specyficzne cechy produktu.
  • Pracujemy nad zwiększaniem podstawowych danych i atrybutów oraz poprawą algorytmu, aby udoskonalić sugestie
  • Sugestie produktów alternatywnych mają na celu pomóc zarówno naukowcom, jak i personelem zakupowemu, aby rozważyć i ocenić potencjalne produkty, które mogli nie wziąć pod uwagę / nie znali wcześniej
  • Produkty alternatywne są definiowane wyłącznie przez cechy produktu i niezależne od dostawców, marki lub innych danych handlowych

Czy polecamy systemy rekomendacji?

„Tak, ale upewnij się, że używasz odpowiednich danych, aby Twoja rekomendacja była oparta na jakości i ilości, odzwierciedlającej prawdziwe oczekiwania użytkowników. Stwórz przejrzystość, ponieważ nikt, szczególnie naukowcy, nie zaufa lub nie polega na czarnej skrzynce. Podziel się z użytkownikami, jakie informacje są używane, jak są ważone i kontynuuj naukę, aby stale udoskonalać. W końcu, zakończ cykl, biorąc zebrane opinie użytkowników i wprowadzając je z powrotem do systemu.” – Zageno

Potęga silników rekomendacji nigdy nie była większa. Jak pokazują giganci tacy jak Amazon i Netflix, rekomendacje mogą być bezpośrednio odpowiedzialne za wzrost przychodu i wskaźników retencji klientów. Firmy takie jak Zageno pokazują, że nie musisz być ogromną firmą, aby wykorzystać potęgę rekomendacji. Korzyści silników rekomendacji rozciągają się na wiele branż, od handlu elektronicznego po zasoby ludzkie.

Szybki sposób, aby wprowadzić silniki rekomendacji do Twojej firmy

Rozwój silnika rekomendacji wymaga ekspertyzy w dziedzinie danych. Twój wewnętrzny zespół IT może nie mieć możliwości, aby to zbudować. Jeśli chcesz uzyskać korzyści z rekomendacji, takie jak retencja klientów i efektywność, nie musisz czekać, aż zespół IT będzie mniej zajęty. Napisz do nas i daj nam znać. Zespół Blue Orange Digital jest zadowolony, aby sprawić, że rekomendacje będą działać na Twoją korzyść również!

Źródło obrazu: Canva