Recomandați sistemele de recomandare?

În afaceri, problema acului într-o grămadă de fân este o provocare constantă. Sistemele de recomandare sunt aici pentru a ajuta la abordarea acestei provocări.

În comerțul electronic și retail, oferiți sute sau mii de produse. Care este produsul potrivit pentru clienții dvs.?

În vânzări și marketing, aveți un număr mare de prospecte în pipeline-ul dvs. Cu toate acestea, aveți doar atâtea ore într-o zi. Prin urmare, faceți față provocării de a decide exact unde să vă concentrați efortul.

Există o tehnologie specializată, alimentată de IA și Big Data, care face aceste provocări mult mai ușor de gestionat, și anume sistemele de recomandare.

Ce sunt sistemele de recomandare?

În termeni simpli, un motor de recomandare sortează prin multe articole și prezice selecția cea mai relevantă pentru utilizator. Pentru consumatori, motorul de recomandare de produse al Amazonului este un exemplu familiar. În lumea divertismentului, Netflix (NFLX ) a lucrat din greu pentru a-și dezvolta motorul. Motorul de recomandare al Netflix a adus beneficii la nivel de bază:

“[Motorul de recomandare sofisticat al Netflix și experiența utilizatorului personalizată] i-a permis să economisească 1 miliard de dolari pe an din anulări de servicii.” – Rentabilitatea investiției în motoarele de recomandare pentru marketing

Din perspectiva utilizatorului final, este adesea neclar cum funcționează sistemele de recomandare. Vom trage cortina și vom explica cum funcționează, începând cu ingredientul cheie: datele.

Motoarele de recomandare: Ce date utilizează?

Datele necesare pentru un motor de recomandare depind de obiectivul dvs. Presupunem că obiectivul dvs. este să creșteți vânzările într-o companie de comerț electronic. În acest caz, datele minime necesare ar cădea în două categorii: o bază de date cu produse și comportamentul utilizatorilor finali. Pentru a ilustra cum funcționează acest lucru, aruncați o privire la acest exemplu simplu.

• Companie: Accesorii USB, Inc. Compania se specializează în vânzarea de accesorii și produse USB, cum ar fi cabluri, unități flash și hub-uri, către consumatori și întreprinderi.
• Date despre produse. Pentru a păstra motorul de recomandare inițial simplu, compania limitează la 100 de produse.
• Date despre utilizatori. În cazul unui magazin online, datele despre utilizatori vor include informații despre analiza site-ului, marketingul prin e-mail și alte surse. De exemplu, puteți descoperi că 50% dintre clienții care cumpără un disc dur extern cumpără și cabluri USB.
• Rezultatul recomandării. În acest caz, motorul dvs. de recomandare poate genera o recomandare (sau un cod de reducere) pentru cumpărătorii de discuri dure pentru a-i încuraja să cumpere cabluri USB.

În practică, cele mai bune motoare de recomandare utilizează mult mai multe date. Ca regulă generală, motoarele de recomandare produc rezultate comerciale mai bune atunci când au la dispoziție o cantitate mare de date.

Cum utilizează motoarele de recomandare datele dvs.?

Multe motoare de recomandare utilizează o serie de tehnici pentru a procesa datele dvs.

Filtrarea bazată pe conținut

Acest tip de algoritm de recomandare combină preferințele utilizatorilor și încearcă să recomande articole similare. În acest caz, motorul se concentrează asupra produsului și evidențiază articolele conexe. Acest tip de motor de recomandare este relativ simplu de construit. Este un punct de plecare bun pentru companiile cu date limitate.

Filtrarea colaborativă

Ați cerut vreodată cuiva altcuiva o recomandare înainte de a face o achiziție? Sau ați luat în considerare recenziile online în procesul de cumpărare? Dacă da, ați experimentat filtrarea colaborativă. Motoarele de recomandare mai avansate analizează recenziile utilizatorilor, ratingurile și alte conținuturi generate de utilizatori pentru a produce sugestii relevante. Acest tip de strategie de motor de recomandare este puternică, deoarece utilizează dovezi sociale.

Recomandări hibride

Motoarele de recomandare hibride combină două sau mai multe metode de recomandare pentru a produce rezultate mai bune. Revenind la exemplul de comerț electronic prezentat mai sus, să presupunem că ați obținut recenziile și ratingurile utilizatorilor (de exemplu, 1 până la 5 stele) în ultimul an. Acum, puteți utiliza atât filtrarea bazată pe conținut, cât și filtrarea colaborativă pentru a prezenta recomandări. Combinarea cu succes a mai multor motoare de recomandare sau algoritmi de obicei necesită experimentare. Din acest motiv, este cel mai bine considerată o strategie relativ avansată.

Un motor de recomandare este de succes doar dacă îl alimentați cu date de înaltă calitate. De asemenea, nu poate funcționa eficient dacă aveți erori sau informații învechite în baza de date a companiei dvs. De aceea, trebuie să investiți resurse în calitatea datelor în mod continuu.

Studii de caz:

Hiring Automated: Evaluarea candidaților

Există peste 50 de solicitanți în medie pentru fiecare anunț de job, conform cercetărilor Jobvite. Pentru departamentele de resurse umane și manageri, acest volum de solicitanți creează o cantitate imensă de muncă. Pentru a simplifica procesul, Blue Orange a implementat un motor de recomandare pentru un fond de investiții de tip 500. Acest proiect de automatizare a resurselor umane a ajutat compania să clasifice candidații într-un mod standardizat. Utilizând date de zece ani despre solicitanți și CV-uri, firma are acum un model de evaluare sofisticat pentru a găsi candidați potriviți.

Un fond de investiții din New York a trebuit să analizeze CV-uri care erau inconstante și necesitau OCR pentru a-și îmbunătăți procesul de angajare. Chiar și cel mai bun parsing OCR vă lasă cu date nestructurate și haotice. Apoi, pe măsură ce un candidat trece prin procesul de aplicare, oamenii se implică. Adăugați la setul de date textul liber din recenziile aplicantului și atât prejudecățile lingvistice, cât și cele personale. În plus, fiecare sursă de date este izolată, oferind oportunități analitice limitate.

Abordare: După evaluarea proceselor de angajare ale mai multor companii, am descoperit trei oportunități consistente de a îmbunătăți sistematic rezultatele angajării utilizând NLP și învățarea automată. Zonele problematice sunt: structurarea corectă a datelor despre CV-urile candidaților, evaluarea potrivirii pentru post și reducerea prejudecăților umane în procesul de angajare. Cu un set de date curățat și structurat, am putut efectua atât analiza sentimentului textului, cât și detectarea subiectivității pentru a reduce prejudecățile candidaților în evaluarea umană.

Rezultate: Utilizând detectarea cheilor de cuvinte, recunoașterea optică a caracterelor și motoarele de NLP bazate pe cloud, am putut curăța textul și transforma-l în date relaționale. Cu date structurate, am oferit un tablou de bord analitic de afaceri rapid, interactiv și căutabil în AWS QuickSight.

Comerț electronic: Zageno Medical Supplies

Un alt exemplu de implementare a motoarelor de recomandare în lumea reală provine de la Zageno. Zageno este o companie de comerț electronic care face pentru oamenii de știință din laboratoare ceea ce face Amazon (AMZN ) pentru restul lumii. Însă, nevoile oamenilor de știință din laboratoare sunt exacte, astfel încât materialele procurate pentru cercetările lor trebuie să fie, de asemenea, exacte. Citatele de mai jos sunt din interviul nostru cu Zageno și subliniază modul în care utilizează motoarele de recomandare pentru a livra cele mai precise materiale oamenilor de știință din laboratoare.

Întrebări și răspunsuri: Blue Orange Digital intervievează Zageno

Întrebare:
Cum a utilizat compania dvs. un motor de recomandare și ce rezultate ați obținut?

Răspuns:

Există două exemple de motoare de recomandare pe care ZAGENO le utilizează pentru clienții săi științifici. Pentru a explica acestea, am simțit că este mai bine să le prezentăm în puncte.

• Scorul științific ZAGENO:
  • Scorul științific ZAGENO este un sistem de evaluare a produselor, dezvoltat special pentru evaluarea produselor de cercetare. Acesta integrează mai multe aspecte ale datelor despre produse, din multiple surse, pentru a dota oamenii de știință cu o evaluare a produsului sofisticată și imparțială pentru luarea deciziilor de cumpărare precise.
  • Aplicăm algoritmi de învățare automată sofisticați pentru a corela, grupa și categorisi milioane de produse. Scorul științific ia în considerare aceste categorisiri, deoarece scorul fiecărui produs este calculat în raport cu cele din aceeași categorie. Rezultatul este un sistem de evaluare a ratingului în care oamenii de știință pot avea încredere – unul care este specific atât pentru tipul, cât și pentru aplicarea produsului.
  • Evaluările standard ale produselor sunt utile pentru a evalua rapid produsele, dar adesea sunt biasate și neverosimile, din cauza dependenței lor de recenzii necunoscute sau de o singură metrică (de exemplu, publicații). De asemenea, acestea oferă puține detalii despre contextul experimental sau aplicarea lor. Scorul științific utilizează o metodologie științifică pentru a evalua obiectiv și cuprinzător produsele de cercetare. Acesta combină toate informațiile necesare și relevante despre produs într-un singur rating de la 0 la 10 pentru a sprijini clienții noștri în decizia de a cumpăra și utiliza un anumit produs pentru aplicația lor – economisind ore de cercetare a produsului.
  • Pentru a preveni ca un singur factor să domine, adăugăm puncte de tăiere și acordăm mai multă greutate contribuțiilor recente. Numărul imens de factori pe care îi luăm în considerare elimină virtual orice oportunitate de manipulare. Ca rezultat, scorul nostru este o măsură obiectivă a calității și cantității informațiilor disponibile despre produs, care sprijină deciziile de cumpărare ale clienților noștri.
• Produse alternative:
  • Produsele alternative sunt definite de aceleași valori pentru atributele cheie; atributele cheie sunt definite pentru fiecare categorie pentru a ține cont de caracteristicile specifice ale produsului.
  • Lucrăm la creșterea datelor și atributelor subiacente și la îmbunătățirea algoritmului pentru a îmbunătăți sugestiile.
  • Sugestiile de produse alternative sunt menite să ajute atât oamenii de știință, cât și departamentul de achiziții să ia în considerare și să evalueze produsele potențiale pe care altfel nu le-ar fi cunoscut.
  • Produsele alternative sunt definite exclusiv prin caracteristicile produsului și sunt independente de furnizori, mărci sau alte date comerciale.

Recomandați sistemele de recomandare?

“Da, dar asigurați-vă că utilizați datele potrivite pentru a vă baza recomandarea atât pe calitate, cât și pe cantitate, reflectând așteptările reale ale utilizatorilor. Creați transparență, deoarece nimeni, în special oamenii de știință, nu vor avea încredere sau nu se vor baza pe o cutie neagră. Comunicați utilizatorilor dvs. ce informații sunt utilizate, cum sunt ponderate și continuați să învățați pentru a îmbunătăți în mod constant. În cele din urmă, finalizați ciclul prin a colecta feedback-ul utilizatorilor pe care l-ați strâns și aduceți-l înapoi în sistem.” – Zageno

Puterea motoarelor de recomandare nu a fost niciodată mai mare. Așa cum au demonstrat giganții precum Amazon și Netflix, sistemele de recomandare pot fi direct responsabile pentru creșterea veniturilor și a ratelor de retenție a clienților. Companii precum Zageno arată că nu trebuie să fiți o companie masivă pentru a valorifica puterea sistemelor de recomandare. Beneficiile motoarelor de recomandare se extind în multe industrii, de la comerțul electronic la resursele umane.

Modalitatea rapidă de a aduce sistemele de recomandare în compania dvs.

Dezvoltarea unui motor de recomandare necesită expertiză în date. Echipa dvs. internă de IT poate să nu aibă capacitatea de a construi acest lucru. Dacă doriți să obțineți beneficiile de retenție a clienților și de eficiență ale motoarelor de recomandare, nu trebuie să așteptați până când IT devine mai puțin ocupat. Trimiteți-ne un mesaj și spuneți-ne. Echipa de știință a datelor Blue Orange Digital este bucuroasă să facă sistemele de recomandare să funcționeze în beneficiul dvs.

Sursa imaginii principale: Canva