Ви рекомендуєте Recommendation Engines?

У бізнесі проблема голки в стозі сіна є постійним викликом. Системи рекомендацій тут, щоб допомогти впоратися з цією проблемою. 

В електронній комерції та роздрібній торгівлі ви пропонуєте сотні чи тисячі продуктів. Який продукт підійде вашим клієнтам?

У сфері продажів і маркетингу у вас є багато потенційних клієнтів. Але у вас лише стільки годин на день. Тож перед вами постає завдання вирішити, на чому саме зосередити свої зусилля.

Існує спеціалізована технологія на основі штучного інтелекту та великих даних, яка значно полегшує керування цими проблемами, механізми рекомендацій.

Що таке рекомендаційні системи?

Найпростіше кажучи, механізм рекомендацій сортує багато елементів і передбачає вибір, який найбільше відповідає користувачеві. Для споживачів система рекомендацій продуктів Amazon є знайомим прикладом. У світі розваг Netflix наполегливо працював над розробкою свого двигуна. Система рекомендацій Netflix принесла основні переваги:

«Складна система рекомендацій [Netflix] і персоналізований досвід користувачів дозволили їм заощаджувати 1 мільярд доларів на рік від скасування послуг». – Рентабельність інвестицій механізмів рекомендацій для маркетингу

З точки зору кінцевого користувача часто незрозуміло, як працюють системи рекомендацій. Ми збираємося відсунути завісу та пояснити, як вони працюють, починаючи з ключового інгредієнта: даних.

Механізми рекомендацій: які дані вони використовують?

Команда дані Вам потрібна система рекомендацій, залежить від вашої мети. Припустімо, що ваша мета — збільшити продажі в компанії електронної комерції. У цьому випадку мінімально необхідні дані поділяться на дві категорії: база даних продукту та поведінка кінцевого користувача. Щоб проілюструвати, як це працює, подивіться на цей простий приклад.

• компанія: USB Accessories, Inc. Компанія спеціалізується на продажу USB-аксесуарів і таких продуктів, як кабелі, флеш-накопичувачі та концентратори, споживачам і підприємствам.
• Дані продукту. Щоб система первинних рекомендацій була простою, компанія обмежує її 100 продуктами.
• Дані користувача. У випадку інтернет-магазину дані користувача включатимуть аналітичну інформацію веб-сайту, маркетинг електронною поштою та інші джерела. Наприклад, ви можете виявити, що 50% клієнтів, які купують зовнішній жорсткий диск, також купують кабелі USB.
• Вихід рекомендацій. У цьому випадку ваша система рекомендацій може створити рекомендацію (або код знижки) для покупців жорстких дисків, щоб спонукати їх купувати кабелі USB.

На практиці найкращі системи рекомендацій використовують набагато більше даних. Як правило, механізми рекомендацій дають кращі бізнес-результати, коли вони мають великий обсяг даних для використання.

Як механізми рекомендацій використовують ваші дані?

Багато механізмів рекомендацій використовують кілька методів для обробки ваших даних.

Фільтрація на основі вмісту

Цей тип алгоритму рекомендацій поєднує вподобання користувача та намагається рекомендувати схожі елементи. У цьому випадку двигун зосереджений на продукті та виділенні супутніх елементів. Цей тип механізму рекомендацій відносно простий у створенні. Це гарна відправна точка для компаній з обмеженими даними.

Спільна фільтрація

Чи запитували ви у когось рекомендацію перед покупкою? Або розглядати онлайн-рецензії в процесі покупки? Якщо так, ви мали досвід спільної фільтрації. Досконаліші механізми рекомендацій аналізують відгуки користувачів, рейтинги та інший вміст, створений користувачами, щоб виробити відповідні пропозиції. Цей тип стратегії механізму рекомендацій є потужним, оскільки він використовує соціальні докази.

Гібридні рекомендації

Гібридні механізми рекомендацій поєднують два або більше методів рекомендацій для отримання кращих результатів. Повертаючись до наведеного вище прикладу електронної комерції, припустімо, що за останній рік ви отримали відгуки користувачів і оцінки (наприклад, від 1 до 5 зірок). Тепер ви можете використовувати як фільтрацію на основі вмісту, так і спільну фільтрацію для надання рекомендацій. Успішне поєднання кількох механізмів рекомендацій або алгоритмів зазвичай потребує експериментів. З цієї причини її найкраще вважати відносно просунутою стратегією.

Система рекомендацій буде успішною, лише якщо ви подасте їй високоякісні дані. Він також не може працювати ефективно, якщо у вас є помилки або застаріла інформація в базі даних вашої компанії. Ось чому вам потрібно постійно інвестувати ресурси в якість даних.

Тематичні дослідження: 

Автоматизоване наймання: оцінка кандидатів

За даними дослідження Jobvite, на одну вакансію в середньому припадає понад 50 претендентів. Для відділів кадрів і менеджерів така кількість претендентів створює величезний обсяг роботи. Щоб спростити процес, Blue Orange запровадив механізм рекомендацій для хедж-фонду зі списку Fortune 500. Це Проект автоматизації кадрів допоміг компанії ранжувати кандидатів у стандартизований спосіб. Використовуючи дані про кандидатів і резюме за десять років, компанія тепер має складну модель підрахунку балів для пошуку підходящих кандидатів.

Хедж-фонду в Нью-Йорку потрібно було проаналізувати непослідовні резюме, які вимагали OCR, щоб покращити процес найму. Навіть найкращий розбір OCR залишає вас безладними та неструктурованими даними. Потім, коли кандидат просувається через процес подачі заявки, люди беруть участь. Додайте до набору даних текстові відгуки заявника у вільній формі, а також мовні та особисті упередження. Крім того, кожне джерело даних ізольовано, що забезпечує обмежені аналітичні можливості.

Підхід: Оцінивши процеси найму в кількох компаніях, ми знайшли три послідовні можливості для систематичного покращення результатів найму за допомогою машинного навчання NLP. Проблемними областями є: правильна структура даних резюме кандидата, оцінка відповідності роботі та зменшення упередженості при наймі. Завдяки очищеному та структурованому набору даних ми змогли виконати як аналіз настроїв у тексті, так і виявлення суб’єктивності, щоб зменшити упередженість кандидата в оцінці людини.

результати: Використовуючи класифікатори виявлення ключових слів, оптичне розпізнавання символів і хмарні механізми NLP, ми змогли очистити рядковий текст і перетворити його на реляційні дані. Завдяки структурованим даним ми запропонували швидку інтерактивну інформаційну панель бізнес-аналітики з можливістю пошуку в AWS QuickSight.

Електронна комерція: медичні товари Zageno

Інший приклад механізмів рекомендацій, реалізованих у реальному світі, походить від Zageno. Zageno — це компанія електронної комерції, яка робить для вчених лабораторії те ж саме, що Amazon робить для нас. Застереження полягає в тому, що потреби вчених лабораторії є точними, тому матеріали, закуплені для їхніх досліджень, також повинні бути такими. Наведені нижче цитати взяті з нашого інтерв’ю з Zageno та показують, як вони використовують механізми рекомендацій, щоб надавати найточніші матеріали лабораторним ученим. 

Питання та відповіді: Blue Orange Digital бере інтерв’ю у Zageno

Питання:
Як ваша компанія використовувала механізм рекомендацій і які результати ви побачили?

Відповідь:

Є два приклади механізмів рекомендацій, які ZAGENO використовує для своїх наукових клієнтів. Щоб пояснити це, ми вважали найкращим позначити їх кулями.

• Наукова оцінка ZAGENO:
  • Scientific Score ZAGENO — це комплексна система рейтингу продуктів, спеціально розроблена для оцінки дослідницьких продуктів. Він включає кілька аспектів даних про продукт із багатьох джерел, щоб надати науковцям складний і неупереджений рейтинг продукту для прийняття точних рішень щодо покупки.
  • Ми застосовуємо складні алгоритми машинного навчання, щоб точно зіставляти, групувати та класифікувати мільйони продуктів. Наукова оцінка враховує ці класифікації, оскільки оцінка кожного продукту розраховується відносно результатів тієї самої категорії. Результатом є система оцінювання, якій науковці можуть довіряти, яка стосується як застосування продукту, так і типу продукту.
  • Стандартні рейтинги продуктів корисні для швидкої оцінки продуктів, але часто є упередженими та ненадійними через їхню залежність від невідомих відгуків або одного показника (наприклад, публікацій). Вони також надають мало деталей щодо експериментального контексту чи застосування. Scientific Score використовує наукову методологію для об’єктивної та всебічної оцінки продуктів дослідження. Він об’єднує всю необхідну та релевантну інформацію про продукт в єдину оцінку 0–10, щоб допомогти нашим клієнтам вирішити, який продукт купити та використати для свого застосування, заощаджуючи години дослідження продукту.
  • Щоб переконатися, що жоден фактор не домінує, ми додаємо граничні точки та надаємо більшої ваги нещодавнім внескам. Велика кількість факторів, які ми враховуємо, практично виключає будь-яку можливість для маніпуляцій. Як наслідок, наша оцінка є об’єктивним показником якості та кількості доступної інформації про продукт, яка підтримує рішення наших клієнтів щодо покупки.
• Альтернативні продукти:
  • Альтернативні продукти визначаються однаковими значеннями ключових атрибутів; ключові атрибути визначені для кожної категорії, щоб врахувати конкретні характеристики продукту.
  • Ми працюємо над збільшенням базових даних і атрибутів і вдосконаленням алгоритму, щоб покращити пропозиції
  • Пропозиції щодо альтернативних продуктів призначені для того, щоб допомогти вченим і спеціалістам із закупівель розглянути й оцінити потенційні продукти, інакше вони могли б не розглядати/не знати
  • Альтернативні продукти визначаються виключно характеристиками продукту та не залежать від постачальників, бренду чи інших комерційних даних

Чи рекомендуєте ви системи рекомендацій? 

«Так, але переконайтеся, що ви використовуєте правильні дані, щоб базувати свої рекомендації як на якості, так і на кількості, що відображає справжні очікування користувачів. Створіть прозорість, тому що ніхто, зокрема науковці, не довірятиме чорній скриньці чи покладатиметься на неї. Поділіться зі своїми користувачами, яка інформація використовується, як вона зважена, і продовжуйте навчатися, щоб постійно вдосконалюватися. Нарешті завершіть цикл, взявши відгуки користувачів, які ви зібрали, і повернувши їх у систему». – Загено

Потужність механізмів рекомендацій ще ніколи не була більшою. Як показали такі гіганти, як Amazon і Netflix, ті, хто рекомендує, можуть бути безпосередньо відповідальними за збільшення доходів і показників утримання клієнтів. Такі компанії, як Zageno, демонструють, що вам не обов’язково бути великою компанією, щоб використовувати владу рекомендувачів. Переваги механізмів рекомендацій охоплюють багато галузей, наприклад електронну комерцію та людські ресурси. 

Швидкий спосіб запровадити механізми рекомендацій у вашій компанії

Розробка механізму рекомендацій потребує досвіду даних. Ваша внутрішня ІТ-команда може не мати спроможності створити це. Якщо ви хочете отримати переваги механізмів рекомендацій щодо утримання клієнтів і ефективності, вам не потрібно чекати, поки ІТ-спеціалісти стануть менш зайнятими. Напишіть нам і дайте нам знати. The Синьо-помаранчевий цифровий Команда Data Science з радістю змусить тих, хто рекомендує, працювати на вашу користь!

Основне джерело зображення: Canva