Rekommenderar du Rekommendationssystem?

I affärer är problemet med att hitta nålen i en höstack en ständig utmaning. Rekommendationssystem är här för att hjälpa till att tackla den utmaningen.

I e-handel och detaljhandel erbjuder du hundratals eller tusentals produkter. Vilken är den rätta produkten för dina kunder?

I försäljning och marknadsföring har du ett stort antal potentiella kunder i din pipeline. Men du har bara så många timmar på dygnet. Så du står inför utmaningen att bestämma var du ska fokusera din ansträngning.

Det finns en specialiserad teknik som drivs av AI och Big Data, som gör dessa utmaningar mycket lättare att hantera, rekommendationssystem.

Vad är rekommendationssystem?

På sitt enklaste sätt sorterar en rekommendationsmotor genom många artiklar och förutsäger valet som är mest relevant för användaren. För konsumenter är Amazons produktrekommendationsmotor ett välkänt exempel. I underhållningsvärlden har Netflix (NFLX ) arbetat hårt för att utveckla sin motor. Netflix rekommendationsmotor har gett bättre resultat:

“[Netflix] sofistikerade rekommendationssystem och personanpassad användarupplevelse, har tillåtit dem att spara 1 miljard dollar per år från tjänsteavslutningar.” – Avkastning på investering i rekommendationssystem för marknadsföring

Från slutanvändarens perspektiv är det ofta oklart hur rekommendationssystem fungerar. Vi ska dra tillbaka ridån och förklara hur de fungerar, med start från den viktigaste ingrediensen: data.

Rekommendationssystem: Vilken data använder de?

Den data du behöver för ett rekommendationssystem beror på ditt mål. Anta att ditt mål är att öka försäljningen i ett e-handelsföretag. I det fallet är den minimala datan som krävs indelad i två kategorier: en produkt databas och slutanvändar beteende. För att illustrera hur detta fungerar, titta på det här enkla exemplet.

• Företag: USB-tilbehör AB. Företaget specialiserar sig på att sälja USB-tilbehör och produkter som kablar, minnespinnar och nav till konsumenter och företag.
• Produktdata. För att hålla det initiala rekommendationssystemet enkelt, begränsar företaget det till 100 produkter.
• Användardata. I fallet med en onlinebutik, kommer användardata att inkludera webbanalysinformation, e-postmarknadsföring och andra källor. Till exempel kan du upptäcka att 50% av kunder som köper en extern hårddisk också köper USB-kablar.
• Rekommendationsutdata. I det här fallet kan ditt rekommendationssystem generera en rekommendation (eller en rabattkod) till hårddiskköpare för att uppmuntra dem att köpa USB-kablar.

I praktiken använder de bästa rekommendationssystemen mycket mer data. Som en allmän regel, producerar rekommendationssystem bättre affärsresultat när de har en stor mängd data att använda.

Hur använder rekommendationssystem din data?

Många rekommendationssystem använder en handfull tekniker för att bearbeta din data.

Innehållsbaserad filtrering

Denna typ av rekommendationsalgoritm kombinerar användarpreferenser och försöker rekommendera liknande artiklar. I det här fallet är motorn fokuserad på produkten och lyfter fram relaterade artiklar. Denna typ av rekommendationssystem är relativt enkelt att bygga. Det är en bra utgångspunkt för företag med begränsad data.

Samarbetsfiltrering

Har du någonsin bett någon annan om en rekommendation innan du gjorde ett köp? Eller övervägt online-recensioner i din köpprocess? Om så är fallet, har du upplevt samarbetsfiltrering. Mer avancerade rekommendationssystem analyserar användarrecensioner, betyg och annan användargenererad innehåll för att producera relevanta förslag. Denna typ av rekommendationssystemstrategi är kraftfull eftersom den utnyttjar social bevis.

Hybridrekommendationer

Hybridrekommendationssystem kombinerar två eller flera rekommendationsmetoder för att producera bättre resultat. Återgå till e-handelsexemplet ovan, låt säga att du har samlat in användarrecensioner och betyg (t.ex. 1 till 5 stjärnor) under det senaste året. Nu kan du använda både innehållsbaserad filtrering och samarbetsfiltrering för att presentera rekommendationer. Att kombinera flera rekommendationssystem eller algoritmer framgångsrikt kräver vanligtvis experiment. Av den anledningen är det bäst att betrakta det som en relativt avancerad strategi.

Ett rekommendationssystem är endast framgångsrikt om du matar det med högkvalitativ data. Det kan inte heller fungera effektivt om du har fel eller föråldrad information i ditt företagsdatabas. Därför måste du investera resurser i datakvalitet kontinuerligt.

Fallstudier:

Hiring Automated: Kandidatbetyg

Det finns mer än 50 sökande i genomsnitt per jobbannons, enligt Jobvite-forskning. För HR-avdelningar och chefer skapar den volymen av sökande ett enormt arbete. För att förenkla processen implementerade Blue Orange ett rekommendationssystem för ett företag i Fortune 500. Detta HR-automationsprojekt hjälpte företaget att ranka kandidater på ett standardiserat sätt. Med hjälp av tio års värd av sökandadata och cv, har företaget nu ett sofistikerat poängsystem för att hitta lämpliga kandidater.

Ett hedgefond i New York City behövde parsea cv som var inkonsekventa och krävde OCR för att förbättra sin rekryteringsprocess. Även den bästa OCR-parsing lämnar dig med smutsig och ostrukturerad data. Sedan, när en kandidat flyttar genom ansökningsprocessen, blir människor inblandade. Lägg till datamängden fria textrecensioner av kandidaten och både lingvistiska och personliga fördomar. Dessutom är varje datakälla isolerad och ger begränsade analytiska möjligheter.

Tillvägagångssätt: Efter att ha utvärderat flera företags rekryteringsprocesser, har vi funnit tre konsekventa möjligheter att systematiskt förbättra rekryteringsresultat med hjälp av NLP-maskinlärning. Problemen är: korrekt strukturera kandidatens cv-data, bedöma jobbpassning och minska mänsklig rekryteringsfördom. Med en ren och strukturerad datamängd kunde vi utföra både sentimentanalys på texten och subjektivitetsdetektering för att minska kandidatfördom i mänsklig bedömning.

Resultat: Med hjälp av nyckelordsdetekteringsklassificerare, optisk teckenigenkänning och molnbaserade NLP-motorer, kunde vi rensa textsträngar och omvandla dem till relationsdata. Med strukturerad data kunde vi tillhandahålla en snabb, interaktiv och sökbar Business Analytics-instrumentpanel i AWS QuickSight.

E-handel: Zageno Medical Supplies

Ett annat exempel på rekommendationssystem som implementeras i verkligheten kommer från Zageno. Zageno är ett e-handelsföretag som gör för labbforskare vad Amazon (AMZN ) gör för resten av oss. Förbehållet är att labbforskarnas behov är exakta, så förnödenheterna som köps för deras forskning måste också vara det. Citaten nedan är från vår intervju med Zageno och belyser hur de använder rekommendationssystem för att leverera de mest exakta förnödenheterna till labbforskare.

Q&A: Blue Orange Digital intervjuar Zageno

Fråga:
Hur har ditt företag använt ett rekommendationssystem och vilka resultat såg du?

Svar:

Det finns två exempel på rekommendationssystem som ZAGENO använder för sina vetenskapliga kunder. För att förklara dessa kände vi att det var bäst att punktlista dem.

• ZAGENO’s Scientific Score:
  • ZAGENO’s Scientific Score är ett omfattande produktratingssystem, särskilt utvecklat för att utvärdera forskningsprodukter. Det omfattar flera aspekter av produktdatan, från flera källor, för att utrusta forskare med en sofistikerad och opartisk produktrating för att fatta exakta inköpsbeslut.
  • Vi tillämpar avancerade maskinlärningsalgoritmer för att exakt matcha, gruppera och kategorisera miljontals produkter. Scientific Score tar hänsyn till dessa kategoriseringar, eftersom varje produkts poäng beräknas i förhållande till de i samma kategori. Resultatet är ett ratingssystem som forskare kan lita på – ett som är specifikt för både produktansökan och produkttyp.
  • Standardproduktrating är användbara för att snabbt bedöma produkter, men är ofta fördomsfulla och opålitliga, på grund av deras beroende av okända recensioner eller en enda parameter (t.ex. publikationer). De ger också lite information om experimentell kontext eller ansökan. Scientific Score använder en vetenskaplig metod för att objektivt och omfattande utvärdera forskningsprodukter. Det kombinerar all nödvändig och relevant produktinformation i en enda 0-10-poäng för att stödja våra kunder i att bestämma vilken produkt att köpa och använda för deras ansökan – och spara timmar av produktforskning.
  • För att säkerställa att ingen enskild faktor dominerar, lägger vi till gränsvärden och ger mer vikt till senaste bidrag. Den rena mängden faktorer vi tar hänsyn till eliminerar i princip alla möjligheter till manipulation. Som ett resultat är vår poäng en objektiv mått på kvaliteten och mängden tillgänglig produktinformation, som stöder våra kunders inköpsbeslut.
• Alternativa produkter:
  • Alternativa produkter definieras av samma värden för nyckelattribut; nyckelattribut definieras för varje kategori för att ta hänsyn till specifika produktkaraktäristika.
  • Vi arbetar på att öka den underliggande datan och attributen och förbättra algoritmen för att förbättra förslagen
  • Alternativa produktsuggestioner är avsedda att hjälpa både forskare och inköpare att överväga och utvärdera potentiella produkter som de kanske inte har övervägt/känt till annars
  • Alternativa produkter definieras uteslutande av produktkaraktäristika och oberoende av leverantörer, varumärken eller annan kommersiell data

Rekommenderar du rekommendationssystem?

“Ja, men se till att du använder rätt data för att basera din rekommendation på både kvalitet och kvantitet som reflekterar verkliga användarförväntningar. Skapa transparens eftersom ingen, särskilt forskare, kommer att lita på eller förlita sig på en svart låda. Dela med dina användare vilken information som används, hur den viktas och fortsätt att lära så att du kan förbättra kontinuerligt. Slutligen, slutför cykeln genom att ta användarfeedback som du har samlat in och ta med den tillbaka in i systemet.” – Zageno

Kraften i rekommendationssystem har aldrig varit större. Som visas av jättar som Amazon och Netflix, kan rekommendationer direkt bidra till ökade intäkter och kundbehållningsnivåer. Företag som Zageno visar att du inte behöver vara ett stort företag för att utnyttja kraften i rekommendationer. Fördelarna med rekommendationssystem sträcker sig över många branscher, från e-handel till personalavdelningar.

Det snabba sättet att införa rekommendationssystem i ditt företag

Att utveckla ett rekommendationssystem kräver datorkompetens. Ditt interna IT-team kanske inte har kapaciteten att bygga detta. Om du vill få kundbehållnings- och effektivitetsfördelarna med rekommendationssystem, behöver du inte vänta tills IT blir mindre upptagen. Skicka ett meddelande och låt oss veta. Blue Orange Digitals datavetenskapsteam är glada att göra rekommendationer som fungerar för din fördel också!

huvudbildkälla: Canva