Чи рекомендують рекомендаційні системи?

У бізнесі проблема голки в копиці є постійним викликом. Рекомендаційні системи прийшли на допомогу, щоб подолати цей виклик.

У електронній комерції та роздрібній торгівлі ви пропонуєте сотні або тисячі продуктів. Який продукт є правильним для ваших клієнтів?

У продажах і маркетингу у вас є велика кількість потенційних клієнтів у вашому пайплайні. Однак у вас є лише певна кількість годин на день. Тому ви стикаєтесь з викликом визначення того, де саме зосередити свої зусилля.

Існує спеціалізована технологія, що працює на основі штучного інтелекту та великих даних, яка робить ці виклики значно легшими для управління, рекомендаційні системи.

Що таке рекомендаційні системи?

У своїй найпростішій формі рекомендаційна система сортує велику кількість товарів і передбачає вибір, який є найбільш актуальним для користувача. Для споживачів рекомендаційна система продуктів Amazon (AMZN ) є знайомим прикладом. У сфері розваг Netflix (NFLX ) працював над розробкою своєї системи рекомендацій. Система рекомендацій Netflix принесла вигоду компанії:

«[Система рекомендацій Netflix] дозволила компанії заощадити 1 мільярд доларів на рік завдяки скороченню кількості скарг.» – ROI рекомендаційних систем для маркетингу

З точки зору кінцевого користувача, часто не зрозуміло, як працюють рекомендаційні системи. Ми збираємось відкрити завісу і пояснити, як вони працюють, починаючи з ключового інгредієнта: даних.

Рекомендаційні системи: які дані вони використовують?

Дані, необхідні для рекомендаційної системи, залежать від вашої мети. Припустимо, ваша мета полягає в тому, щоб збільшити продажі в компанії електронної комерції. У цьому випадку мінімально необхідні дані будуть розділені на дві категорії: базу даних продуктів і поведінку кінцевих користувачів. Щоб проілюструвати, як це працює, розгляньте цей простий приклад.

• Компанія: USB Accessories, Inc. Компанія спеціалізується на продажу аксесуарів USB і продукції, таких як кабелі, флеш-накопичувачі та хаби, споживачам і підприємствам.
• Дані про продукти. Щоб giữ рекомендаційну систему простою, компанія обмежує її 100 продуктами.
• Дані про користувачів. У випадку з онлайн-магазином дані про користувачів будуть включати інформацію про аналіз сайту, маркетинг по електронній пошті та інші джерела. Наприклад, ви можете виявити, що 50% клієнтів, які купують зовнішній жорсткий диск, також купують кабелі USB.
• Вихід рекомендаційної системи. У цьому випадку ваша рекомендаційна система може згенерувати рекомендацію (або код знижки) для покупців жорстких дисків, щоб заохотити їх купувати кабелі USB.

На практиці найкращі рекомендаційні системи використовують значно більше даних. Як правило, рекомендаційні системи дають кращі результати для бізнесу, коли вони мають великий обсяг даних для використання.

Як рекомендаційні системи використовують ваші дані?

Багато рекомендаційних систем використовують кілька технік для обробки ваших даних.

Фільтрація на основі вмісту

Цей тип алгоритму рекомендацій поєднує вподобання користувача і намагається рекомендувати подібні товари. У цьому випадку система зосереджена на продукті і підкреслює пов’язані товари. Цей тип рекомендаційної системи відносно простий для побудови. Це хороший початок для компаній з обмеженими даними.

Колаборативна фільтрація

Чи запитували ви у когось поради перед покупкою? Чи розглядали ви онлайн-відгуки під час процесу покупки? Якщо так, то ви вже мали досвід колаборативної фільтрації. Більш просунуті рекомендаційні системи аналізують відгуки користувачів, рейтинги та інші дані, створені користувачами, щоб надати актуальні пропозиції. Цей тип стратегії рекомендаційної системи потужний, оскільки він використовує соціальне підтвердження.

Гібридні рекомендаційні системи

Гібридні рекомендаційні системи поєднують дві або більше методів рекомендацій, щоб отримати кращі результати. Повернувшись до прикладу електронної комерції, описаного вище, припустимо, що ви отримали відгуки та рейтинги користувачів (наприклад, 1-5 зірок) за останні рік. Тепер ви можете використовувати як фільтрацію на основі вмісту, так і колаборативну фільтрацію, щоб надати рекомендації. Поєднання декількох рекомендаційних систем або алгоритмів зазвичай вимагає експериментів. Тому це найкраще розглядати як відносно просунуту стратегію.

Рекомендаційна система успішна лише тоді, коли ви годуєте її високоякісними даними. Вона також не може працювати ефективно, якщо у вашій компанії є помилки або застарілі дані. Тому вам потрібно постійно інвестувати ресурси в якість даних.

Кейси:

Автоматизація прийому: оцінка кандидатів

За даними дослідження Jobvite, на одну вакансію в середньому претендує понад 50 кандидатів. Для відділів кадрів і менеджерів така кількість кандидатів створює величезну кількість роботи. Щоб спростити процес, Blue Orange реалізувала рекомендаційну систему для компанії з числа Fortune 500. Цей проєкт з автоматизації кадрів допоміг компанії стандартизувати оцінювання кандидатів. Використовуючи дані про кандидатів і резюме за десять років, компанія тепер має просунуту модель оцінювання, щоб знайти кандидатів, які добре підходять.

Фонд у Нью-Йорку потребував розбору резюме, які були неоднорідними і вимагали OCR для поліпшення процесу прийому. Навіть найкращий парсинг OCR залишається з брудними і неструктурованими даними. Потім, коли кандидат проходить процес подання заявки, люди включаються в процес. Додайте до даних вільний текстовий огляд кандидата та лінгвістичні і особистісні упередження. Крім того, кожне джерело даних ізольоване, що надає обмежені аналітичні можливості.

Підхід: Після оцінки процесів прийому в декількох компаніях ми виявили три постійні можливості для систематичного поліпшення результатів прийому за допомогою машинного навчання з використанням NLP. Проблемні області включають правильну структуризацію даних про резюме кандидатів, оцінку відповідності вакансії та зниження упередженості під час прийому. З очищеним і структурованим набором даних ми змогли провести аналіз настрою на тексті та виявлення суб’єктивності, щоб зменшити упередженість кандидатів під час оцінювання людьми.

Результати: Використовуючи класифікатори виявлення ключових слів, оптичне розпізнавання символів і хмарні двигуни NLP, ми змогли очистити текстові дані і перетворити їх у реляційні дані. З структурованими даними ми надали швидку, інтерактивну і пошукову панель бізнес-аналітики в AWS QuickSight.

Електронна комерція: Zageno Medical Supplies

Іншим прикладом реалізації рекомендаційних систем у реальному світі є Zageno. Zageno – це компанія електронної комерції, яка робить для вчених-лаборантів те саме, що Amazon робить для інших. Відмінність полягає в тому, що потреби вчених-лаборантів точні, тому постачання, придбані для їхніх досліджень, також повинні бути точними. Цитати нижче походять з нашого інтерв’ю з Zageno і підкреслюють, як вони використовують рекомендаційні системи для доставки найбільш точних постачань вченим-лаборантам.

Q&A: Blue Orange Digital інтерв’ю з Zageno

Питання:
Як ваша компанія використала рекомендаційну систему і які результати ви побачили?

Відповідь:

Є два приклади рекомендаційних систем, які ZAGENO використовує для своїх наукових клієнтів. Щоб пояснити ці приклади, ми вирішили використати маркування.

• Науковий бал ZAGENO:
  • Науковий бал ZAGENO – це комплексна система оцінювання продуктів, спеціально розроблена для оцінки продуктів для досліджень. Він включає кілька аспектів даних про продукти з кількох джерел, щоб забезпечити вченим просунуту і необ’єктивну оцінку продукту для прийняття точних рішень про покупку.
  • Ми застосовуємо просунуті алгоритми машинного навчання, щоб точно зіставляти, групувати і категоризувати мільйони продуктів. Науковий бал враховує ці категоризації, оскільки бал кожного продукту обчислюється відносно продуктів у тій же категорії. Результатом є система оцінювання, яку вчені можуть довіряти – одна, яка є специфічною як для застосування продукту, так і для типу продукту.
  • Стандартні оцінки продуктів корисні для швидкої оцінки, але часто є упередженими і ненадійними через залежність від невідомих відгуків або одного метрика (наприклад, публікацій). Вони також надають мало інформації про контекст експерименту або застосування. Науковий бал використовує науковий метод для об’єктивної і комплексної оцінки продуктів для досліджень. Він поєднує всю необхідну і актуальну інформацію про продукт у єдиний бал з 0 до 10, щоб підтримати клієнтів у прийнятті рішень про покупку і використання продукту для їхньої програми – економія годин на дослідження продукту.
  • Щоб уникнути домінування одного фактора, ми додаємо контрольні точки і надаємо більший ваги недавнім внескам. Велика кількість факторів, які ми враховуємо, практично виключає можливість маніпулювання. В результаті наш бал є об’єктивною мірою якості і кількості доступної інформації про продукт, яка підтримує рішення клієнтів про покупку.
• Альтернативні продукти:
  • Альтернативні продукти визначаються одними і тими ж значеннями ключових атрибутів; ключові атрибути визначаються для кожної категорії, щоб враховувати конкретні характеристики продукту.
  • Ми працюємо над збільшенням кількості даних і атрибутів та покращенням алгоритму для поліпшення пропозицій
  • Альтернативні продукти призначені для того, щоб допомогти вченим і працівникам з закупівель підтримати і оцінити потенційні продукти, про які вони могли б не знати.
  • Альтернативні продукти визначаються виключно характеристиками продукту і незалежно від постачальників, бренду або інших комерційних даних

Чи рекомендуєте ви рекомендаційні системи?

“Так, але переконайтеся, що ви використовуєте правильні дані для рекомендацій, якісні і кількісні, які відображають справжні очікування користувачів. Створіть прозорість, оскільки ніхто, особливо вчені, не довірятимуть або не будуть покладатися на чорний ящик. Поділіться з користувачами інформацією, яку ви використовуєте, як вона вагомить і продовжуйте навчатися, щоб постійно покращувати. Нарешті, завершіть цикл, повернувши зібрану користувачів відгуки назад у систему.” – Zageno

Потужність рекомендаційних систем ніколи не була більшою. Як показали гіганти, такі як Amazon і Netflix, рекомендаційні системи можуть бути безпосередньо відповідальними за збільшення доходів і показників утримання клієнтів. Компанії, такі як Zageno, показують, що вам не потрібно бути величезною компанією, щоб використати потужність рекомендаційних систем. Переваги рекомендаційних систем охоплюють багато галузей, від електронної комерції до кадрового менеджменту.

Швидкий спосіб впровадження рекомендаційних систем у вашу компанію

Розробка рекомендаційної системи вимагає експертизи у сфері даних. Ваша внутрішня команда ІТ може не мати можливості побудувати це. Якщо ви хочете отримати переваги рекомендаційних систем у сфері утримання клієнтів і ефективності, вам не потрібно чекати, поки ІТ стане менше зайнятим. Напишіть нам, і ми дізнаємося. Команда Blue Orange Digital з задоволенням допоможе зробити рекомендаційні системи працювати на вашу користь!

Джерело головної зображення: Canva