Рекомендуем ли мы системы рекомендаций?

В бизнесе проблема поиска иголки в стоге сена является постоянной задачей. Системы рекомендаций здесь, чтобы помочь решить эту задачу.

В электронной коммерции и розничной торговле вы предлагаете сотни или тысячи продуктов. Какой из них является правильным для ваших клиентов?

В продажах и маркетинге у вас есть большое количество потенциальных клиентов в вашем пайплайне. Однако у вас есть только определенное количество часов в день. Поэтому вы сталкиваетесь с задачей определения, где именно сосредоточить свои усилия.

Существует специализированная технология, основанная на ИИ и больших данных, которая делает эти задачи намного проще, – системы рекомендаций.

Что такое системы рекомендаций?

В своей простейшей форме система рекомендаций просматривает множество элементов и предсказывает выбор, наиболее актуальный для пользователя. Для потребителей система рекомендаций Amazon (AMZN ) является знакомым примером. В мире развлечений Netflix (NFLX ) много работал над разработкой своей системы. Система рекомендаций Netflix принесла ощутимые выгоды:

«[Система рекомендаций Netflix] позволила им сэкономить 1 миллиард долларов в год за счет сокращения отмен сервиса» – ROI систем рекомендаций для маркетинга

С точки зрения конечного пользователя, часто неясно, как работают системы рекомендаций. Мы собираемся раскрыть завесу и объяснить, как они работают, начиная с основного ингредиента: данных.

Системы рекомендаций: какие данные они используют?

Данные, необходимые для системы рекомендаций, зависят от вашей цели. Предположим, ваша цель – увеличить продажи в компании электронной коммерции. В этом случае минимальные необходимые данные будут включать две категории: базу данных продуктов и поведение конечных пользователей. Чтобы проиллюстрировать, как это работает, рассмотрим простой пример.

• Компания: USB Accessories, Inc. Компания специализируется на продаже аксессуаров и продуктов USB, таких как кабели, флеш-накопители и концентраторы, потребителям и бизнесу.
• Данные о продуктах. Чтобы сохранить простоту системы рекомендаций, компания ограничивает ее 100 продуктами.
• Данные о пользователях. В случае онлайн-магазина данные о пользователях будут включать информацию о поведении на сайте, электронном маркетинге и других источниках. Например, вы можете обнаружить, что 50% клиентов, которые покупают внешний жесткий диск, также покупают кабели USB.
• Выходные данные рекомендаций. В этом случае ваша система рекомендаций может сгенерировать рекомендацию (или код скидки) покупателям жестких дисков, чтобы побудить их купить кабели USB.

На практике лучшие системы рекомендаций используют гораздо больше данных. Как правило, системы рекомендаций дают лучшие результаты, когда у них есть большой объем данных.

Как системы рекомендаций используют ваши данные?

Многие системы рекомендаций используют несколько методов для обработки ваших данных.

Фильтрация на основе содержания

Этот тип алгоритма рекомендаций объединяет предпочтения пользователей и пытается рекомендовать похожие элементы. В этом случае система сосредоточена на продукте и подчеркивает связанные с ним элементы. Этот тип системы рекомендаций относительно прост в реализации. Это хорошая отправная точка для компаний с ограниченными данными.

Коллаборативная фильтрация

Вы когда-нибудь просили кого-то о рекомендации перед покупкой? Или учитывали онлайн-отзывы в процессе покупки? Если да, то вы уже испытывали коллаборативную фильтрацию. Более продвинутые системы рекомендаций анализируют отзывы пользователей, рейтинги и другое пользовательское содержание, чтобы давать актуальные предложения. Этот тип стратегии рекомендаций мощный, поскольку он использует социальное доказательство.

Гибридные системы рекомендаций

Гибридные системы рекомендаций объединяют два или более методов рекомендаций, чтобы получить лучшие результаты. Вернувшись к примеру электронной коммерции, изложенному выше, предположим, что вы собрали отзывы и рейтинги пользователей (например, 1-5 звезд) за последний год. Теперь вы можете использовать как фильтрацию на основе содержания, так и коллаборативную фильтрацию, чтобы давать рекомендации. Объединение нескольких систем рекомендаций или алгоритмов обычно требует экспериментов. Поэтому это лучше рассматривать как относительно продвинутую стратегию.

Система рекомендаций успешна только тогда, когда ее кормят высококачественными данными. Она также не может работать эффективно, если в вашей базе данных компании есть ошибки или устаревшая информация. Поэтому вам необходимо постоянно инвестировать ресурсы в качество данных.

Кейсы:

Автоматизированный подбор: Оценка кандидатов

Согласно исследованиям Jobvite, на одну вакансию приходится в среднем более 50 заявок. Для отделов кадров и менеджеров это создает огромный объем работы. Чтобы упростить процесс, Blue Orange реализовала систему рекомендаций для фонда хедж-фондов. Этот проект автоматизации кадров помог компании ранжировать кандидатов стандартизированным образом. Используя десятилетние данные о заявителях и резюме, фирма теперь имеет сложную модель оценки, чтобы найти подходящих кандидатов.

Фонду хедж-фондов в Нью-Йорке необходимо было разобрать резюме, которые были несогласованными и требовали OCR, чтобы улучшить процесс найма. Даже лучшая обработка OCR оставляет вас с беспорядочными и неструктурированными данными. Затем, когда кандидат проходит через процесс подачи заявления, люди участвуют. Добавьте к набору данных свободный текст отзывов о заявителе и как лингвистические, так и личные предубеждения. Кроме того, каждый источник данных изолирован, что предоставляет ограниченные аналитические возможности.

Подход: После оценки процессов найма нескольких компаний мы обнаружили три постоянные возможности систематически улучшить результаты найма с помощью NLP и машинного обучения. Проблемные области – это правильная структуризация данных резюме кандидатов, оценка соответствия работы и снижение предубеждений при найме. С очищенным и структурированным набором данных мы смогли выполнить анализ настроений текста и обнаружение субъективности, чтобы снизить предубеждения кандидатов в человеческой оценке.

Результаты: Используя обнаружение ключевых слов, оптическое распознавание символов и облачные движки NLP, мы смогли очистить текстовые данные и превратить их в реляционные данные. С структурированными данными мы предоставили быстрый, интерактивный и поисковый бизнес-аналитический панель в AWS QuickSight.

Электронная коммерция: Zageno Medical Supplies

Другим примером систем рекомендаций в реальном мире является Zageno. Zageno – это компания электронной коммерции, которая делает для ученых-лаборантов то же, что и Amazon для остальных. Однако потребности лаборантов точны, поэтому поставляемые ими материалы для исследований также должны быть точными. Цитаты ниже взяты из нашего интервью с Zageno и подчеркивают, как они используют системы рекомендаций, чтобы доставить самые точные поставки ученым.

Вопрос-ответ: Blue Orange Digital интервью с Zageno

Вопрос:
Как ваша компания использовала систему рекомендаций и какие результаты вы увидели?

Ответ:
Существует два примера систем рекомендаций, которые ZAGENO использует для своих научных клиентов. Чтобы объяснить их, мы решили использовать маркированные списки.

• Научный балл ZAGENO:
  • Научный балл ZAGENO – это комплексная система оценки продуктов, специально разработанная для оценки исследовательских продуктов. Она включает несколько аспектов данных о продуктах из множества источников, чтобы предоставить ученым сложную и беспристрастную оценку продукта для принятия точных решений о покупке.
  • Мы применяем сложные алгоритмы машинного обучения, чтобы точно сопоставить, сгруппировать и категоризировать миллионы продуктов. Научный балл учитывает эти категоризации, поскольку балл каждого продукта рассчитывается относительно продуктов в той же категории. Результатом является система оценки, которой могут доверять ученые – она специфична как для применения продукта, так и для типа продукта.
  • Стандартные рейтинги продуктов полезны для быстрой оценки, но часто предвзяты и ненадежны из-за зависимости от неизвестных отзывов или единой метрики (например, публикаций). Они также предоставляют мало информации о контексте эксперимента или применении. Научный балл использует научную методологию для объективной и комплексной оценки исследовательских продуктов. Он объединяет всю необходимую и актуальную информацию о продукте в едином рейтинге от 0 до 10, чтобы поддержать наших клиентов в решении о покупке и использовании продукта для их применения – экономя часы на поиске продукта.
  • Чтобы обеспечить, чтобы ни один фактор не доминировал, мы добавляем контрольные точки и придаем больше веса недавним вкладам. Чистое количество факторов, которые мы учитываем, практически исключает любую возможность манипуляции. В результате наш балл является объективной мерой качества и количества доступной информации о продукте, которая поддерживает решения наших клиентов о покупке.
• Альтернативные продукты:
  • Альтернативные продукты определяются одинаковыми значениями ключевых атрибутов; ключевые атрибуты определяются для каждой категории, чтобы учесть конкретные характеристики продукта.
  • Мы работаем над увеличением базы данных и атрибутов и улучшением алгоритма, чтобы улучшить предложения
  • Предложения альтернативных продуктов предназначены для того, чтобы помочь как ученым, так и отделам закупок оценить и рассмотреть потенциальные продукты, которые они, возможно, не рассматривали или не знали.
  • Альтернативные продукты определяются исключительно характеристиками продукта и независимо от поставщиков, бренда или других коммерческих данных

Рекомендуем ли мы системы рекомендаций?

«Да, но убедитесь, что вы используете правильные данные, чтобы основать свою рекомендацию как на качестве, так и на количестве, отражая истинные ожидания пользователей. Создайте прозрачность, потому что никто, особенно ученые, не будет доверять или полагаться на черный ящик. Поделитесь с пользователями, какая информация используется, как она взвешена, и продолжайте учиться, чтобы постоянно улучшаться. Наконец, завершите цикл, принимая обратную связь от пользователей, которую вы собрали, и возвращая ее в систему.» – Zageno

Сила систем рекомендаций никогда не была сильнее. Как показали гиганты, такие как Amazon и Netflix, рекомендации могут быть напрямую ответственны за увеличение выручки и показателей удержания клиентов. Компании, такие как Zageno, показывают, что вам не нужно быть огромной компанией, чтобы использовать силу рекомендаций. Преимущества систем рекомендаций распространяются на многие отрасли, от электронной коммерции до кадров.

Быстрый способ внедрить системы рекомендаций в вашу компанию

Разработка системы рекомендаций требует экспертизы в области данных. Ваша внутренняя команда ИТ может не иметь возможности построить это. Если вы хотите получить выгоды от систем рекомендаций в плане удержания клиентов и эффективности, вам не нужно ждать, пока ИТ станет менее занято. Свяжитесь с нами и сообщите нам. Команда Blue Orange Digital счастлива сделать рекомендации работоспособными для вашей выгоды!

Источник главного изображения: Canva