Tavsiye Motorlarını önerir misiniz?

İş dünyasında, samanlıkta iğne sorunu sürekli bir zorluktur. Öneri Motorları, bu zorluğun üstesinden gelmeye yardımcı olmak için burada. 

E-ticaret ve perakendede yüzlerce hatta binlerce ürün sunuyorsunuz. Müşterileriniz için doğru ürün hangisi?

Satış ve pazarlamada, boru hattınızda çok sayıda potansiyel müşteri var. Yine de, günde sadece çok saatiniz var. Dolayısıyla, çabanızı tam olarak nereye odaklayacağınıza karar verme zorluğuyla karşı karşıya kalırsınız.

Yapay zeka ve Büyük Veri tarafından desteklenen, bu zorlukların yönetilmesini çok daha kolay hale getiren özel bir teknoloji olan öneri motorları var.

Tavsiye sistemleri nelerdir?

En basit ifadeyle, bir öneri motoru birçok öğeyi sıralar ve kullanıcıyla en alakalı seçimi tahmin eder. Tüketiciler için Amazon'un ürün tavsiye motoru tanıdık bir örnektir. Eğlence dünyasında Netflix, motorunu geliştirmek için çok çalıştı. Netflix'in tavsiye motoru, önemli avantajlar sağladı:

"[Netflix'in] gelişmiş öneri sistemi ve kişiselleştirilmiş kullanıcı deneyimi, hizmet iptallerinden yılda 1 milyar dolar tasarruf etmelerini sağladı." – Pazarlama için öneri motorlarının yatırım getirisi

Son kullanıcının bakış açısından, öneri motorlarının nasıl çalıştığı genellikle belirsizdir. Perdeyi geri çekeceğiz ve ana bileşen olan verilerden başlayarak nasıl çalıştıklarını açıklayacağız.

Öneri Motorları: Hangi verileri kullanıyorlar?

The veri Bir öneri motoruna ihtiyacınız, hedefinize bağlıdır. Hedefinizin bir e-ticaret şirketinde satışları artırmak olduğunu varsayalım. Bu durumda, gereken minimum veri iki kategoriye ayrılır: bir ürün veritabanı ve son kullanıcı davranışı. Bunun nasıl çalıştığını göstermek için bu basit örneğe bakın.

• Şirket: USB Accessories, Inc. Şirket, tüketicilere ve işletmelere USB aksesuarları ve kablolar, parmak sürücüler ve hub'lar gibi ürünlerin satışında uzmanlaşmıştır.
• Ürün bilgileri. İlk öneri motorunu basit tutmak için şirket onu 100 ürünle sınırlandırıyor.
• Kullanıcı bilgisi. Bir çevrimiçi mağaza söz konusu olduğunda, kullanıcı verileri web sitesi analiz bilgilerini, e-posta pazarlamasını ve diğer kaynakları içerecektir. Örneğin, harici bir sabit sürücü satın alan müşterilerin %50'sinin USB kabloları da satın aldığını görebilirsiniz.
• Öneri Çıktısı. Bu durumda, öneri motorunuz, sabit disk alıcılarını USB kablosu satın almaya teşvik etmek için bir öneri (veya indirim kodu) oluşturabilir.

Uygulamada, en iyi öneri motorları çok daha fazla veri kullanır. Genel bir kural olarak, öneri motorları, kullanılacak büyük miktarda veriye sahip olduklarında daha iyi iş sonuçları üretir.

Öneri motorları verilerinizi nasıl kullanır?

Birçok öneri motoru, verilerinizi işlemek için bir avuç teknik kullanır.

İçerik tabanlı filtreleme

Bu tür öneri algoritması, kullanıcı tercihlerini birleştirir ve benzer öğeleri önermeye çalışır. Bu durumda, motor ürüne odaklanır ve ilgili öğeleri vurgular. Bu tür bir öneri motorunun oluşturulması nispeten basittir. Sınırlı veriye sahip şirketler için iyi bir başlangıç ​​noktasıdır.

Ortak filtreleme

Bir satın alma işlemi yapmadan önce başka birinden tavsiye istediniz mi? Veya satın alma sürecinizde çevrimiçi incelemeleri düşündünüz mü? Öyleyse, işbirlikçi filtrelemeyi deneyimlediniz. Daha gelişmiş öneri motorları, alakalı öneriler üretmek için kullanıcı incelemelerini, derecelendirmeleri ve diğer kullanıcı tarafından oluşturulan içeriği analiz eder. Bu tür bir tavsiye motoru stratejisi, sosyal kanıttan yararlandığı için güçlüdür.

Hibrit tavsiyeciler

Hibrit öneri motorları, daha iyi sonuçlar elde etmek için iki veya daha fazla öneri yöntemini birleştirir. Yukarıda özetlenen e-ticaret örneğine dönersek, diyelim ki geçen yıl kullanıcı incelemeleri ve derecelendirmeler (ör. 1 ila 5 yıldız) aldınız. Artık, öneriler sunmak için hem içerik tabanlı filtrelemeyi hem de işbirliğine dayalı filtrelemeyi kullanabilirsiniz. Birden çok öneri motorunu veya algoritmayı başarılı bir şekilde birleştirmek genellikle deneme gerektirir. Bu nedenle, nispeten gelişmiş bir strateji olarak kabul edilir.

Bir öneri motoru, yalnızca onu yüksek kaliteli verilerle beslerseniz başarılı olur. Şirket veritabanınızda hatalar veya güncel olmayan bilgiler varsa da etkin bir şekilde çalışamaz. Bu nedenle, veri kalitesine sürekli olarak kaynak ayırmanız gerekir.

Durum çalışmaları: 

Otomatik İşe Alım: Aday Puanlaması

Jobvite araştırmasına göre, iş ilanı başına ortalama 50'den fazla başvuran var. İnsan kaynakları departmanları ve yöneticileri için bu başvuru hacmi muazzam miktarda iş yaratır. Blue Orange, süreci basitleştirmek için bir servet 500 koruma fonu için bir öneri motoru uyguladı. Bu İK otomasyon projesi şirketin adayları standart bir şekilde sıralamasına yardımcı oldu. Şirket, on yıllık başvuru verilerini ve özgeçmişleri kullanarak artık iyi uyum sağlayan adayları bulmak için gelişmiş bir puanlama modeline sahip.

New York City'deki bir Hedge Fonu'nun tutarsız özgeçmişleri ayrıştırması gerekiyordu ve OCR'nin işe alım süreçlerini iyileştirmesini gerektiriyordu. En iyi OCR ayrıştırması bile sizi karmaşık ve yapılandırılmamış verilerle baş başa bırakır. Daha sonra aday başvuru sürecinde ilerledikçe insanlar da devreye giriyor. Başvuru sahibinin serbest biçimli metin incelemelerini ve hem dilsel hem de kişisel önyargıları veri setine ekleyin. Ek olarak, her veri kaynağı sınırlı analitik fırsat sağlayacak şekilde silolara ayrılmıştır.

Yaklaşım: Birden fazla şirketin işe alım süreçlerini değerlendirdikten sonra, NLP makine öğrenimini kullanarak işe alım sonuçlarını sistematik olarak iyileştirmek için üç tutarlı fırsat bulduk. Sorunlu alanlar şunlardır: Aday özgeçmiş verilerinin doğru şekilde yapılandırılması, işe uygunluğun değerlendirilmesi ve işe alım önyargısının azaltılması. Temizlenmiş ve yapılandırılmış bir veri seti ile, insan değerlendirmesinde aday önyargısını azaltmak için hem metin üzerinde duygu analizi hem de öznellik tespiti gerçekleştirebildik.

Sonuçlar: Anahtar kelime algılama sınıflandırıcıları, optik karakter tanıma ve bulut tabanlı NLP motorları kullanarak, dize metnini temizleyebildik ve onu ilişkisel verilere dönüştürebildik. Yapılandırılmış verilerle, AWS QuickSight'ta hızlı, etkileşimli ve aranabilir bir İş Analitiği panosu sağladık.

E-Ticaret: Zageno Medikal Malzemeler

Gerçek dünyada uygulanan tavsiye motorlarının bir başka örneği de Zageno'dan geliyor. Zageno, Amazon'un geri kalanımız için yaptığını laboratuvar bilimcileri için yapan bir e-ticaret şirketidir. Uyarı, laboratuvar bilimcilerinin ihtiyaçlarının kesin olmasıdır, bu nedenle araştırmaları için tedarik edilen malzemelerin de aynı olması gerekir. Aşağıdaki alıntılar, Zageno ile yaptığımız röportajdan alınmıştır ve laboratuvar bilim insanlarına en doğru malzemeleri sağlamak için öneri motorlarını nasıl kullandıklarını vurgulamaktadır. 

Soru-Cevap: Blue Orange Digital, Zageno ile röportaj yapıyor

Soru:
Şirketiniz bir öneri motorunu nasıl kullandı ve ne tür sonuçlar gördünüz?

Cevap:

ZAGENO'nun bilimsel müşterileri için kullandığı öneri motorlarının iki örneği vardır. Bunları açıklamak için madde işaretleriyle göstermenin en iyisi olduğunu düşündük.

• ZAGENO'nun Bilimsel Puanı:
  • ZAGENO'nun Bilimsel Puanı, araştırma ürünlerini değerlendirmek için özel olarak geliştirilmiş kapsamlı bir ürün derecelendirme sistemidir. Bilim adamlarını doğru satın alma kararları vermeleri için sofistike ve tarafsız bir ürün derecelendirmesi ile donatmak için birden çok kaynaktan gelen ürün verilerinin çeşitli yönlerini birleştirir.
  • Milyonlarca ürünü doğru bir şekilde eşleştirmek, gruplandırmak ve kategorize etmek için gelişmiş makine öğrenimi algoritmaları uyguluyoruz. Bilimsel Puan, her bir ürünün puanı aynı kategorideki ürünlere göre hesaplandığından, bu sınıflandırmaları açıklar. Sonuç, bilim adamlarının güvenebileceği, hem ürün uygulamasına hem de ürün tipine özgü bir derecelendirme sistemidir.
  • Standart ürün derecelendirmeleri, ürünleri hızlı bir şekilde değerlendirmek için yararlıdır, ancak bilinmeyen incelemelere veya tek bir metriğe (ör. yayınlar) dayanmaları nedeniyle genellikle önyargılı ve güvenilmezdir. Ayrıca deneysel bağlam veya uygulama hakkında çok az ayrıntı sağlarlar. Scientific Score, araştırma ürünlerini nesnel ve kapsamlı bir şekilde değerlendirmek için bilimsel bir metodoloji kullanır. Müşterilerimizin uygulamaları için hangi ürünü satın alacaklarına ve kullanacaklarına karar vermelerine yardımcı olmak için gerekli ve ilgili tüm ürün bilgilerini tek bir 0-10 derecelendirmesinde birleştirir - saatler süren ürün araştırmasından tasarruf sağlar.
  • Tek bir faktörün baskın olmamasını sağlamak için kesme noktaları ekler ve son katkılara daha fazla ağırlık veririz. Hesaba kattığımız çok sayıda faktör, herhangi bir manipülasyon olasılığını neredeyse ortadan kaldırır. Sonuç olarak puanımız, müşterilerimizin satın alma kararlarını destekleyen mevcut ürün bilgilerinin nitelik ve niceliğinin objektif bir ölçüsüdür.
• Alternatif Ürünler:
  • Alternatif ürünler, temel özellikler için aynı değerlerle tanımlanır; belirli ürün özelliklerini hesaba katmak için her kategori için temel özellikler tanımlanır.
  • Önerileri iyileştirmek için temel verileri ve öznitelikleri artırma ve algoritmayı iyileştirme üzerinde çalışıyoruz.
  • Alternatif ürün önerileri, hem bilim insanına hem de satın almaya potansiyel ürünleri dikkate alma ve değerlendirme konusunda yardımcı olmayı amaçlamaktadır, aksini düşünmemiş/bilmemiş olabilirler.
  • Alternatif ürünler, yalnızca ürün özelliklerine göre tanımlanır ve tedarikçilerden, markadan veya diğer ticari verilerden bağımsızdır.

Tavsiye sistemlerini önerir misiniz? 

"Evet, ancak tavsiyenizi hem nitelik hem de nicelik açısından gerçek kullanıcı beklentilerini yansıtan doğru verileri kullanarak temellendirdiğinizden emin olun. Şeffaflık yaratın çünkü hiç kimse, özellikle de bilim insanları, bir kara kutuya güvenmez veya güvenmez. Hangi bilgilerin kullanıldığını, nasıl değerlendirildiğini kullanıcılarınızla paylaşın ve sürekli gelişmek için öğrenmeye devam edin. Son olarak, topladığınız kullanıcı geri bildirimlerini alıp sisteme geri getirerek döngüyü tamamlayın." – Zageno

Tavsiye motorlarının gücü hiç bu kadar büyük olmamıştı. Amazon ve Netflix gibi devlerin gösterdiği gibi, gelir ve müşteriyi elde tutma oranlarındaki artışlardan doğrudan danışmanlar sorumlu olabilir. Zageno gibi şirketler, tavsiye verenlerin gücünden yararlanmak için çok büyük bir şirket olmanıza gerek olmadığını gösteriyor. Öneri motorlarının faydaları, e-ticaretten insan kaynaklarına kadar pek çok sektörü kapsar. 

Tavsiye Motorlarını Şirketinize Getirmenin Hızlı Yolu

Bir öneri motoru geliştirmek veri uzmanlığı gerektirir. Dahili BT ekibiniz bunu geliştirme kapasitesine sahip olmayabilir. Tavsiye motorlarının müşteriyi elde tutma ve verimlilik avantajlarından yararlanmak istiyorsanız, BT'nin daha az meşgul olmasını beklemek zorunda değilsiniz. Bize bir satır bırakın ve bize bildirin. bu Mavi Turuncu Dijital veri bilimi ekibi, tavsiyecilerin de sizin yararınıza çalışmasını sağlamaktan mutluluk duyar!

ana resim kaynağı: Canva