Você recomenda Mecanismos de Recomendação?

Nos negócios, o problema da agulha no palheiro é um desafio constante. Os mecanismos de recomendação estão aqui para ajudar a enfrentar esse desafio. 

No comércio eletrônico e no varejo, você oferece centenas ou milhares de produtos. Qual é o produto certo para seus clientes?

Em vendas e marketing, você tem um grande número de clientes em potencial em seu pipeline. No entanto, você só tem tantas horas no dia. Assim, você enfrenta o desafio de decidir exatamente onde concentrar seu esforço.

Existe uma tecnologia especializada alimentada por IA e Big Data, que torna esses desafios muito mais fáceis de gerenciar, motores de recomendação.

O que são sistemas de recomendação?

Em seus termos mais simples, um mecanismo de recomendação classifica vários itens e prevê a seleção mais relevante para o usuário. Para os consumidores, o mecanismo de recomendação de produtos da Amazon é um exemplo familiar. No mundo do entretenimento, a Netflix trabalhou muito para desenvolver seu mecanismo. O mecanismo de recomendação da Netflix forneceu benefícios finais:

“O sofisticado sistema de recomendação [da Netflix] e a experiência personalizada do usuário permitiram que eles economizassem US$ 1 bilhão por ano com cancelamentos de serviços.” – O ROI dos mecanismos de recomendação para marketing

Do ponto de vista do usuário final, muitas vezes não está claro como os mecanismos de recomendação funcionam. Vamos abrir a cortina e explicar como eles funcionam, começando com o ingrediente principal: dados.

Mecanismos de recomendação: quais dados eles usam?

O dados, que você precisa para um mecanismo de recomendação depende do seu objetivo. Suponha que seu objetivo seja aumentar as vendas em uma empresa de comércio eletrônico. Nesse caso, os dados mínimos necessários cairiam em duas categorias: um banco de dados do produto e o comportamento do usuário final. Para ilustrar como isso funciona, veja este exemplo simples.

• Empresa: USB Accessories, Inc. A empresa é especializada na venda de acessórios e produtos USB como cabos, pen drives e hubs para consumidores e empresas.
• Informações do produto. Para manter o mecanismo de recomendação inicial simples, a empresa o limita a 100 produtos.
• Dados do usuário. No caso de uma loja online, os dados do usuário incluirão informações de análise do site, email marketing e outras fontes. Por exemplo, você pode descobrir que 50% dos clientes que compram um disco rígido externo também compram cabos USB.
• Saída de Recomendação. Nesse caso, seu mecanismo de recomendação pode gerar uma recomendação (ou um código de desconto) para compradores de discos rígidos para incentivá-los a comprar cabos USB.

Na prática, os melhores mecanismos de recomendação usam muito mais dados. Como regra geral, os mecanismos de recomendação produzem melhores resultados de negócios quando possuem um grande volume de dados para usar.

Como os mecanismos de recomendação usam seus dados?

Muitos mecanismos de recomendação usam várias técnicas para processar seus dados.

Filtragem baseada em conteúdo

Esse tipo de algoritmo de recomendação combina as preferências do usuário e tenta recomendar itens semelhantes. Nesse caso, o mecanismo está focado no produto e destacando itens relacionados. Esse tipo de mecanismo de recomendação é relativamente simples de construir. É um bom ponto de partida para empresas com dados limitados.

Filtragem colaborativa

Você pediu uma recomendação a outra pessoa antes de fazer uma compra? Ou considerou avaliações online em seu processo de compra? Em caso afirmativo, você experimentou a filtragem colaborativa. Mecanismos de recomendação mais avançados analisam avaliações, classificações e outros conteúdos gerados por usuários para produzir sugestões relevantes. Esse tipo de estratégia de mecanismo de recomendação é poderoso porque aproveita a prova social.

Recomendadores híbridos

Os mecanismos de recomendação híbridos combinam dois ou mais métodos de recomendação para produzir melhores resultados. Voltando ao exemplo de comércio eletrônico descrito acima, digamos que você tenha adquirido avaliações e classificações de usuários (por exemplo, 1 a 5 estrelas) no ano passado. Agora, você pode usar a filtragem baseada em conteúdo e a filtragem colaborativa para apresentar recomendações. A combinação de vários mecanismos ou algoritmos de recomendação com sucesso geralmente exige experimentação. Por esse motivo, é melhor considerá-la uma estratégia relativamente avançada.

Um mecanismo de recomendação só é bem-sucedido se você alimentá-lo com dados de alta qualidade. Ele também não pode funcionar de forma eficaz se você tiver erros ou informações desatualizadas no banco de dados da empresa. É por isso que você precisa investir recursos em qualidade de dados continuamente.

Estudos de caso: 

Contratação automatizada: pontuação do candidato

Há mais de 50 candidatos em média por anúncio de emprego, de acordo com a pesquisa da Jobvite. Para departamentos e gerentes de recursos humanos, esse volume de candidatos cria uma quantidade enorme de trabalho. Para simplificar o processo, a Blue Orange implementou um mecanismo de recomendação para um fundo de hedge da Fortune 500. Esse Projeto de automação de RH ajudou a empresa a classificar os candidatos de maneira padronizada. Usando dez anos de dados de candidatos e currículos, a empresa agora tem um modelo de pontuação sofisticado para encontrar candidatos adequados.

Um fundo de hedge na cidade de Nova York precisava analisar currículos inconsistentes e exigia OCR para melhorar seu processo de contratação. Mesmo a melhor análise de OCR deixa você com dados confusos e desestruturados. Então, à medida que o candidato avança no processo de inscrição, os humanos se envolvem. Adicione ao conjunto de dados análises de texto em formato livre do candidato e preconceitos linguísticos e pessoais. Além disso, cada fonte de dados é isolada, proporcionando oportunidades analíticas limitadas.

Abordagem: Depois de avaliar os processos de contratação de várias empresas, encontramos três oportunidades consistentes para melhorar sistematicamente os resultados das contratações usando o aprendizado de máquina da PNL. As áreas problemáticas são: estruturar corretamente os dados do currículo dos candidatos, avaliar a adequação ao cargo e reduzir o preconceito de contratação humana. Com um conjunto de dados limpo e estruturado, conseguimos realizar análises de sentimento no texto e detecção de subjetividade para reduzir o preconceito do candidato na avaliação humana.

Resultados: Usando classificadores de detecção de palavras-chave, reconhecimento ótico de caracteres e mecanismos NLP baseados em nuvem, conseguimos depurar o texto da string e transformá-lo em dados relacionais. Com dados estruturados, fornecemos um painel de Business Analytics rápido, interativo e pesquisável no AWS QuickSight.

E-commerce: Zageno Suprimentos Médicos

Outro exemplo de mecanismos de recomendação implementados no mundo real vem da Zageno. A Zageno é uma empresa de comércio eletrônico que faz pelos cientistas de laboratório o que a Amazon faz pelo resto de nós. A ressalva é que as necessidades dos cientistas de laboratório são exatas, então os suprimentos adquiridos para suas pesquisas também devem ser. As citações abaixo são de nossa entrevista com Zageno e destacam como eles usam os mecanismos de recomendação para fornecer os suprimentos mais precisos aos cientistas de laboratório. 

Q&A: Blue Orange Digital entrevista Zageno

Questão:
Como sua empresa usou um mecanismo de recomendação e que tipo de resultados você viu?

Responda:

Existem dois exemplos de mecanismos de recomendação que a ZAGENO emprega para seus clientes científicos. Para explicá-los, achamos melhor apontá-los.

• Pontuação Científica do ZAGENO:
  • O Scientific Score da ZAGENO é um sistema abrangente de classificação de produtos, desenvolvido especificamente para avaliar produtos de pesquisa. Ele incorpora vários aspectos dos dados do produto, de várias fontes, para equipar os cientistas com uma classificação de produto sofisticada e imparcial para tomar decisões de compra precisas.
  • Aplicamos algoritmos sofisticados de aprendizado de máquina para corresponder, agrupar e categorizar com precisão milhões de produtos. A pontuação científica é responsável por essas categorizações, pois a pontuação de cada produto é calculada em relação aos produtos da mesma categoria. O resultado é um sistema de classificação no qual os cientistas podem confiar — um que seja específico tanto para a aplicação quanto para o tipo de produto.
  • As classificações de produtos padrão são úteis para avaliar produtos rapidamente, mas geralmente são tendenciosas e não confiáveis, devido à sua dependência de análises desconhecidas ou de uma única métrica (por exemplo, publicações). Eles também fornecem poucos detalhes sobre o contexto ou aplicação experimental. O Scientific Score utiliza uma metodologia científica para avaliar produtos de pesquisa de forma objetiva e abrangente. Ele combina todas as informações necessárias e relevantes do produto em uma única classificação de 0 a 10 para ajudar nossos clientes a decidir qual produto comprar e usar para sua aplicação, economizando horas de pesquisa de produtos.
  • Para garantir que nenhum fator único domine, adicionamos pontos de corte e damos mais peso às contribuições recentes. O grande número de fatores que levamos em consideração praticamente elimina qualquer oportunidade de manipulação. Como resultado, nossa pontuação é uma medida objetiva da qualidade e quantidade de informações disponíveis sobre o produto, o que dá suporte às decisões de compra de nossos clientes.
• Produtos alternativos:
  • Produtos alternativos são definidos pelos mesmos valores para atributos-chave; atributos-chave são definidos para cada categoria para contabilizar as características específicas do produto.
  • Estamos trabalhando para aumentar os dados e atributos subjacentes e melhorar o algoritmo para melhorar as sugestões
  • Sugestões de produtos alternativos destinam-se a ajudar cientistas e compradores a considerar e avaliar produtos em potencial, eles podem não ter considerado/conhecido de outra forma
  • Os produtos alternativos são definidos exclusivamente pelas características do produto e independentemente de fornecedores, marca ou outros dados comerciais

Você recomenda sistemas de recomendação? 

Sim, mas certifique-se de usar os dados corretos para fundamentar sua recomendação, tanto em qualidade quanto em quantidade, refletindo as verdadeiras expectativas do usuário. Crie transparência, pois ninguém, especialmente cientistas, confiará ou dependerá de uma caixa-preta. Compartilhe com seus usuários quais informações são usadas, como são ponderadas e continue aprendendo para melhorar continuamente. Por fim, complete o ciclo, coletando o feedback do usuário e inserindo-o no sistema. –Zageno

O poder dos mecanismos de recomendação nunca foi tão grande. Conforme mostrado por gigantes como Amazon e Netflix, os recomendadores podem ser diretamente responsáveis ​​por aumentos nas taxas de receita e retenção de clientes. Empresas como a Zageno mostram que você não precisa ser uma grande empresa para alavancar o poder dos recomendadores. Os benefícios dos mecanismos de recomendação abrangem muitos setores, como comércio eletrônico e recursos humanos. 

A maneira mais rápida de trazer mecanismos de recomendação para sua empresa

O desenvolvimento de um mecanismo de recomendação requer conhecimento de dados. Sua equipe de TI interna pode não ter capacidade para criar isso. Se você deseja obter os benefícios de retenção e eficiência de clientes dos mecanismos de recomendação, não precisa esperar que a TI fique menos ocupada. Deixe-nos cair uma linha e deixe-nos saber. O Azul Laranja Digital A equipe de ciência de dados tem o prazer de fazer os recomendadores trabalharem para seu benefício também!

fonte da imagem principal: Canva