Öneri Motorlarını Önerir misiniz?

İş dünyasında, iğnenin çuha içinde aranması problemi sürekli bir zorluk teşkil eder. Öneri Motorları bu zorluğu aşmak için burada.

Perakende ve e-ticarette, yüzlerce veya binlerce ürün sunarsınız. Müşterileriniz için doğru ürün hangisidir?

Satış ve pazarlamada, pipenizin içinde çok sayıda potansiyel müşteri vardır. Ancak, gün içinde sadece belirli bir sayıda müşteriyle ilgilenebilirsiniz. Bu nedenle, hangi müşterilere odaklanacağınızı belirlemek zor bir sorun haline gelir.

Bu zorlukları yönetmek için, yapay zeka ve büyük veri tarafından güçlendirilen özel bir teknoloji vardır, öneri motorları.

Öneri Sistemleri Nedir?

En basit haliyle, bir öneri motoru birçok öğeyi tarar ve kullanıcıya en ilgili seçimi öngörür. Tüketiciler için, Amazon’ (AMZN ) un ürün öneri motoru bir örnek teşkil eder. Eğlence dünyasında, Netflix (NFLX ) öneri motorunu geliştirmek için çok çalışmıştır. Netflix’in öneri motoru, şirketin gelirlerinde olumlu etkiler yaratmıştır:

“[Netflix’in] gelişmiş öneri sistemi ve kişiselleştirilmiş kullanıcı deneyimi, hizmet iptallerinden kaynaklanan 1 milyar dolarlık yıllık tasarruf sağlamıştır.” – Öneri Motorlarının Pazarlama için Getirdiği Geri Dönüş

Kullanıcıların bakış açısına göre, öneri motorlarının nasıl çalıştığı genellikle belirsizdir. Perdeyi aralayarak, öneri motorlarının nasıl çalıştığını açıklamaya başlayacağız, başlangıç noktası olarak veri ile.

Öneri Motorları: Hangi Verileri Kullanırlar?

Öneri motoru için gerekli veri, amacınıza bağlıdır. E-ticaret şirketinde satışları artırmak istediğinizi varsayalım. Bu durumda, minimum gereksinim iki kategoriye ayrılır: ürün veritabanı ve kullanıcı davranışı. Bunu açıklamak için basit bir örnek verelim.

• Şirket: USB Aksesuarları, Inc. Şirket, tüketici ve işletmelere USB aksesuarları ve ürünleri satmak üzere uzmanlaşmıştır.
• Ürün Verisi. Öneri motorunu basit tutmak için, şirket ürün sayısını 100 ile sınırlar.
• Kullanıcı Verisi. Online mağazada, kullanıcı verisi web analizi bilgileri, e-posta pazarlaması ve diğer kaynakları içerir. Örneğin, external hard disk alan müşterilerin %50’si aynı zamanda USB kablosu da satın alır.
• Öneri Çıktısı. Bu durumda, öneri motoru external hard disk alan müşterilere USB kablosu satın almalarını teşvik eden bir öneri veya indirim kodu üretebilir.

Pratikte, en iyi öneri motorları çok daha fazla veri kullanır. Genel olarak, öneri motorları daha fazla veriye sahip olduğunda daha iyi iş sonuçları üretir.

Öneri Motorları Verilerinizi Nasıl Kullanırlar?

Çok sayıda öneri motoru, verilerinizi işlemek için birkaç teknik kullanır.

İçerik Tabanlı Filtreleme

Bu tür öneri algoritması, kullanıcı tercihlerini birleştirir ve benzer öğeleri önerir. Bu durumda, motor ürün odaklıdır ve ilgili öğeleri vurgular. Bu tür öneri motoru, sınırlı veri olan şirketler için iyi bir başlangıç noktasıdır.

İşbirliği Filtreleme

Bir satın alma yapmadan önce başka birinin önerisini sordunuz mu? veya online yorumları satın alma sürecinizde dikkate aldınız mı? Eğer öyleyse, işbirliği filtrelemesini deneyimlediniz. Daha gelişmiş öneri motorları, kullanıcı yorumları, puanları ve diğer kullanıcı tarafından oluşturulan içeriği analiz ederek ilgili öneriler üretir. Bu tür öneri motoru stratejisi, sosyal kanıtları kullanması nedeniyle güçlüdür.

Hibrit Önericiler

Hibrit öneri motorları, birden fazla öneri yöntemini birleştirerek daha iyi sonuçlar üretir. Yukarıda belirtilen e-ticaret örneğine dönecek olursak, son bir yıl içinde kullanıcı yorumları ve puanları (örneğin, 1 ila 5 yıldız) edindiğinizi varsayalım. Şimdi, hem içerik tabanlı filtreleme hem de işbirliği filtrelemesini kullanarak öneriler sunabilirsiniz. Birden fazla öneri motorunu veya algoritmasını başarılı bir şekilde birleştirmek genellikle deneme yanılma gerektirir. Bu nedenle, bu strateji relatively gelişmiş olarak kabul edilir.

Öneri motoru, sadece yüksek kaliteli veri ile beslendiğinde başarılı olur. Ayrıca, şirket veritabanında hatalar veya güncel olmayan bilgiler varsa, öneri motoru etkili bir şekilde çalışamaz. Bu nedenle, sürekli olarak veri kalitesine yatırım yapmanız gerekir.

Vaka Çalışmaları:

Otomatik İK: Aday Puanlama

Her iş ilanına ortalama 50 aday vardır, Jobvite araştırmasına göre. İnsan kaynakları bölümleri ve yöneticiler için, bu aday hacmi büyük bir iş yükü oluşturur. Süreci basitleştirmek için, Blue Orange bir Fortune 500 hedge fonu için bir öneri motoru uyguladı. Bu İK otomasyon projesi, şirketin adayları standardize bir şekilde sıralamasına yardımcı oldu. On yılın verisi ve özgeçmişlerini kullanarak, şirket şimdi iyi bir uyum sağlayan adayları bulmak için gelişmiş bir puanlama modeline sahiptir.

New York’ta bulunan bir hedge fon, işe alım sürecini iyileştirmek için özgeçmişleri ayrıştırmak zorunda kaldı. En iyi OCR ayrıştırması bile düzensiz ve yapılandırılmamış veri bırakır. Ardından, aday başvuru sürecine ilerledikçe, insanlar dahil olur. Veri setine serbest metin incelemeleri ekleyin ve hem dilbilimsel hem de kişisel önyargılar oluşur. Ayrıca, her veri kaynağı siloludur ve sınırlı analitik fırsatlar sunar.

Yaklaşım: Birden fazla şirketin işe alım süreçlerini değerlendirdikten sonra, işe alım sonuçlarını sistemli olarak iyileştirmek için üç fırsat alanı belirledik. Sorun alanları, aday özgeçmiş verilerini doğru bir şekilde yapılandırmak, iş uygunluğunu değerlendirmek ve insan işe alım önyargısını azaltmaktır. Temiz ve yapılandırılmış bir veri setiyle, metin üzerinde duygu analizi ve öznelik algılama yapabilir ve insan değerlendirmesinde aday önyargısını azaltabiliriz.

Sonuçlar: Anahtar kelime dedektörü sınıflandırıcıları, optik karakter tanıma ve bulut tabanlı NLP motorlarını kullanarak, dize metnini relaciónel veriye dönüştürebildik. Yapılandırılmış verilerle, AWS QuickSight’da hızlı, etkileşimli ve aranabilir bir İş Zekası panosu sağladık.

E-Ticaret: Zageno Medikal Tedarik

Gerçek dünyada öneri motorlarının uygulanmasıyla ilgili bir başka örnek, Zageno’dan gelir. Zageno, laboratuvar bilimciler için Amazon’un yaptığı şeyi yapan bir e-ticaret şirketidir. Ancak, laboratuvar bilimcilerin ihtiyaçları kesin olduğu için, araştırmaları için satın aldıkları tedariklerin de kesin olması gerekir. Aşağıdaki alıntılar, Zageno ile yapılan röportajdan alınmıştır ve öneri motorlarını nasıl kullandıklarını vurgular.

Q&A: Blue Orange Digital Zageno ile Görüştü

Soru:
Şirketiniz bir öneri motoru kullanmış ve hangi sonuçları görmüştür?

Cevap:

ZAGENO’nun bilimsel müşterileri için kullandığı iki öneri motoru örneği vardır. Bunları açıklamak için maddeleyerek listeleyelim.

• ZAGENO’nun Bilimsel Puanı:
  • ZAGENO’nun Bilimsel Puanı, araştırma ürünlerini değerlendirmek için geliştirilen kapsamlı bir ürün puanlama sistemidir. Birden fazla kaynaktan alınan ürün verilerini birleştirir ve bilim insanlarına doğru satın alma kararları almaları için sofistike ve önyargsız bir ürün puanlama sistemi sağlar.
  • Gelişmiş makine öğrenimi algoritmalarını kullanarak, milyonlarca ürünü doğru bir şekilde eşleştirebilir, gruplayabilir ve kategorize edebiliriz. Bilimsel Puan, bu kategorileştirmeleri hesaba katar ve her ürünün puanını aynı kategorideki diğer ürünlerle karşılaştırarak hesaplar. Sonuç, bilim insanlarının güvenebileceği, ürün uygulamasına ve ürün türüne özgü bir puanlama sistemidir.
  • Standart ürün puanlamaları, ürünleri hızlı bir şekilde değerlendirmek için faydalıdır, ancak genellikle önyargılı ve güvensizdir, çünkü bilinmeyen incelemelere veya tek bir metriğe (örneğin, yayınlara) dayanır. Ayrıca, deneysel bağlam veya uygulama hakkında fazla bilgi vermez. Bilimsel Puan, bilimsel bir metodoloji kullanarak araştırma ürünlerini nesnel ve kapsamlı bir şekilde değerlendirmek için kullanılır. Tüm gerekli ve ilgili ürün bilgilerini tek bir 0-10 puanına indirger ve müşterilerin hangi ürünü satın alacağına karar vermelerine yardımcı olur, böylece ürün araştırması saatlerini kazanır.
  • Tek bir faktörün hakim olmaması için, kesme noktaları ekler ve daha recent katkıları daha fazla ağırlık veririz. Değerlendirdiğimiz faktörlerin sayısı, herhangi bir manipülasyon olasılığını pratikte ortadan kaldırır. Sonuç olarak, puanımız, mevcut ürün bilgilerinin kalitesi ve miktarının nesnel bir ölçüsüdür ve müşterilerin satın alma kararlarını destekler.
• Alternatif Ürünler:
  • Alternatif ürünler, aynı ana özniteliklere sahip ürünlerdir; ana öznitelikler her kategori için spesifik ürün özelliklerini hesaba katmak için belirlenir.
  • Altta yatan verileri ve öznitelikleri artırmaya ve algoritmayı geliştirmeye çalışıyoruz, böylece önerileri iyileştirebiliriz
  • Alternatif ürün önerileri, bilim insanlarına ve satın alma birimlerine, muhtemelen dikkate almadıkları veya bilmedikleri ürünleri değerlendirmelerine yardımcı olmak için tasarlanmıştır
  • Alternatif ürün önerileri, yalnızca ürün özelliklerine dayalı olarak belirlenir ve tedarikçi, marka veya diğer ticari veriden bağımsızdır

Öneri Sistemlerini Önerir misiniz?

“Evet, ancak önerilerinizi dayandırdığınız verilerin kalitesi ve miktarının gerçek kullanıcı beklentilerini yansıttığından emin olun. Şeffaflık yaratın, çünkü özellikle bilim insanları, bir kara kutuya güvenmez veya güvenmez. Kullanıcılarınızla hangi bilginin kullanıldığını, nasıl ağırlıklandırıldığını paylaşın ve sürekli öğrenerek sistemi iyileştirin. Son olarak, topladığınız kullanıcı geri bildirimini sistemi geri beslemek için kullanın.” – Zageno

Öneri motorlarının gücü hiç bu kadar büyük olmamıştır. Amazon ve Netflix gibi devler tarafından gösterildiği gibi, önericiler doğrudan gelir ve müşteri tutma oranlarında artışa neden olabilir. Zageno gibi şirketler, büyük bir şirket olmanıza gerek olmadığını gösteriyor. Öneri motorlarının faydaları, e-ticaretten insan kaynaklarına kadar birçok endüstriye yayılır.

Şirketinize Öneri Motorlarını Getirmenin Hızlı Yolu

Öneri motoru geliştirmek, veri uzmanlığı gerektirir. İç IT ekibiniz bunu inşa edecek kapasiteye sahip olmayabilir. Müşteri tutma ve verimlilik faydalarını elde etmek istiyorsanız, IT’nin daha az meşgul olmasını beklemenize gerek yok. Bize ulaşın ve haber verin. Blue Orange Digital veri bilimcisi ekibi, önericilerin sizin için de çalışmasını sağlamak için mutlu olacaktır!

Ana görüntü kaynağı: Canva