Чи рекомендуете Ви системи рекомендацій?

У бізнесі проблема голки в копиці є постійним викликом. Системи рекомендацій тут, щоб допомогти подолати цей виклик.

У електронній комерції та рітейлі Ви пропонуєте сотні або тисячі товарів. Який з них правильний для Вашого клієнта?

У продажах та маркетингу у Вас є велика кількість потенційних клієнтів у Вашій трубопровідній системі. 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,システムи рекомендацій.

Що таке системи рекомендацій?

У своїй найпростішій формі система рекомендацій сортує велику кількість предметів та передбачає вибір, найбільш відповідний користувачу. Для споживачів система рекомендацій товарів Amazon є знайомим прикладом. У світі розваг Netflix працювала над розробкою своєї системи. Система рекомендацій Netflix принесла вигоду для дна лінії:

“[Система рекомендацій Netflix] та персоналізований досвід користувача дозволили їм заощадити 1 мільярд доларів на рік за рахунок зниження кількості скасувань сервісу.” – ROI систем рекомендацій для маркетингу

З точки зору кінцевого користувача, часто незрозуміло, як працюють системи рекомендацій. Ми знімеємо завісу та пояснимо, як вони працюють, починаючи з основного інгредієнта: даних.

Системи рекомендацій: Які дані вони використовують?

Дані, необхідні для системи рекомендацій, залежать від Вашої мети. Припустимо, що您的 мета полягає у збільшенні продажів в електронній комерції. У цьому випадку мінімально необхідні дані будуть належати до двох категорій: база даних товарів та поведінка кінцевих користувачів. Щоб проілюструвати, як це працює, розгляньте цей простий приклад.

• Компанія: USB Аксесуари, Інк. Компанія спеціалізується на продажу аксесуарів USB та товарів, таких як кабелі, флеш-накопичувачі та хаби споживачам та підприємствам.
• Дані про товари. Щоб giữ систему рекомендацій простою, компанія обмежує її 100 товарами.
• Дані про користувача. У випадку з онлайн-магазином дані про користувача будуть включати інформацію про аналіз веб-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 системи рекомендацій. У цьому випадку система рекомендацій може генерувати рекомендацію (або код знижки) для покупців жорстких дисків, щоб заохотити їх купувати кабелі USB.

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

Як системи рекомендацій використовують Ваші дані?

Багато систем рекомендацій використовують кілька технік для обробки Ваших даних.

Фільтрація на основі вмісту

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

Колаборативна фільтрація

Чи запитували Ви у когось іншого рекомендацію перед покупкою? Чи розглядали Ви онлайн-відгуки під час процесу покупки? Якщо так, то Ви мали досвід колаборативної фільтрації. Більш просунуті системи рекомендацій аналізують відгуки користувачів, рейтинги та інші дані, створені користувачем, щоб зробити відповідні пропозиції. Ця стратегія системи рекомендацій потужна, оскільки вона використовує соціальне підтвердження.

Гібридні системи рекомендацій

Гібридні системи рекомендацій поєднують два або більше методів рекомендацій, щоб одержати кращі результати. Повернувшись до прикладу електронної комерції, описаного вище, припустимо, що Ви отримали відгуки користувачів та рейтинги (наприклад, 1-5 зірок) за останні рік. Тепер Ви можете використовувати як фільтрацію на основі вмісту, так і колаборативну фільтрацію, щоб представити рекомендації. Поєднання декількох систем рекомендацій або алгоритмів зазвичай вимагає експериментів. Через це це найкраще вважається відносно просунутою стратегією.

Система рекомендацій 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 Ви повинні інвестувати ресурси у якість даних безперервно.

Студії випадків:

Автоматизація прийому: Оцінка кандидатів

Існує понад 50 заявок у середньому на одну вакансію, згідно з дослідженням Jobvite. Для відділів кадрів та менеджерів така кількість заявок створює величезну кількість роботи. Щоб спростити процес, Blue Orange реалізувала систему рекомендацій для фонду хедж-фондів. Цей автоматизований проєкт з кадрів допоміг компанії ранжувати кандидатів стандартним способом. Використовуючи десять років даних про заявників та резюме, фірма тепер має складну модель оцінки, щоб знайти кандидатів, які добре підходять.

Фонд хедж-фондів у Нью-Йорку потребував розбору резюме, які були несумісними та вимагали OCR для поліпшення процесу прийому. Навіть найкращий OCR-парсинг залишає Вас з брудними та неструктурованими даними. Потім, коли кандидат проходить процес申请, люди включаються. Додайте до набору даних вільний текст відгуків про заявника та лінгвістичні та особисті упередження. Крім того, кожне джерело даних ізольовано, що забезпечує обмежені аналітичні можливості.

Підхід: Після оцінки процесів прийому декількох компаній ми знайшли три постійні можливості систематично покращити результати прийому за допомогою NLP-машинного навчання. Області проблем: правильна структуризація даних про резюме кандидата, оцінка відповідності роботи та зниження упередженості прийому людей. З очищеним та структурованим набором даних ми могли провести аналіз настрою та виявлення суб’єктивності, щоб знизити упередженість кандидата при оцінці людиною.

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

Електронна комерція: Загальні медичні постачання Zageno

Іншим прикладом реалізації систем рекомендацій у реальному світі є Zageno. Zageno – це компанія електронної комерції, яка робить для вчених те, що Amazon робить для інших. Зауваження полягає в тому, що потреби вчених точні, тому постачання, придбані для їхніх досліджень, повинні бути точними. Цитати нижче походять з нашого інтерв’ю з Zageno та підкреслюють, як вони використовують системи рекомендацій, щоб доставляти найбільш точні товари вченим.

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

Питання:
Як Вашої компанії використовує систему рекомендацій та який результат Ви побачили?

Відповідь:

Існує два приклади систем рекомендацій, які ZAGENO використовує для своїх наукових клієнтів. Щоб пояснити ці приклади, ми вважали за краще використати маркування.

• Науковий бал ZAGENO:
  • Науковий бал ZAGENO – це комплексна система оцінки товарів, спеціально розроблена для оцінки товарів для досліджень. Він включає кілька аспектів даних про товари з декількох джерел, щоб забезпечити вченим складну та необ’єктивну оцінку товарів для прийняття точних рішень про покупку.
  • Ми застосовуємо складні алгоритми машинного навчання, щоб точно зіставити, згрупувати та категоризувати мільйони товарів. Науковий бал враховує ці категоризації, оскільки бал кожного товару обчислюється відносно тих же категорій. Результатом є система оцінювання, якій вчені можуть довіряти – вона специфічна як для застосування товару, так і для типу товару.
  • Стандартні оцінки товарів корисні для швидкої оцінки товарів, але часто є упередженими та ненадійними через свою залежність від невідомих відгуків або одного метрики (наприклад, публікацій). Вони також забезпечують мало інформації про контекст експерименту або застосування. Науковий бал використовує наукову методологію для об’єктивної та комплексної оцінки товарів для досліджень. Він поєднує всю необхідну та актуальну інформацію про товар у один бал з 0-10, щоб підтримати наших клієнтів у прийнятті рішень про те, який товар купувати та використовувати для свого застосування – зберігаючи години дослідження товарів.
  • Щоб уникнути того, щоб один фактор домінував, ми додаємо точки відсічення та надаємо більше ваги недавнім внескам. Сама кількість факторів, які ми враховуємо, практично виключає будь-яку можливість маніпулювання. Таким чином, наш бал є об’єктивною мірою якості та кількості доступної інформації про товар, яка підтримує рішення наших клієнтів про покупку.
• Альтернативні товари:
  • Альтернативні товари визначаються одними й тими ж значеннями ключових атрибутів; ключові атрибути визначаються для кожної категорії, щоб врахувати конкретні характеристики товарів.
  • Ми працюємо над збільшенням даних та атрибутів та покращенням алгоритму, щоб покращити пропозиції
  • Альтернативні товари призначені для того, щоб допомогти вченим та відділу закупівель розглянути та оцінити потенційні товари, про які вони інакше не знали б
  • Альтернативні товари визначаються виключно характеристиками товарів та незалежно від постачальників, бренду чи інших комерційних даних

Чи рекомендуете Ви системи рекомендацій?

“Так, але переконайтеся, що Ви використовуєте правильні дані для рекомендацій якісних та кількісних даних, які відображають справжні очікування користувача. Створіть прозорість, оскільки ніхто, особливо вчені, не довірятиме чи не покладеться на чорний ящик. Поділіться з користувачами, яку інформацію Ви використовуєте, як вона вагомить та продовжуйте навчатися, щоб безперервно покращувати. Нарешті, завершіть цикл, повернувши відгуки користувача, які Ви зібрали, назад у систему.” – Zageno

Потужність систем рекомендацій ніколи не була більшою. Як показали гіганти, такі як Amazon та Netflix, системи рекомендацій можуть бути безпосередньо відповідальними за збільшення доходу та показників утримання клієнтів. Компанії, такі як Zageno, показують, що Ви не повинні бути величезною компанією, щоб використовувати потужність систем рекомендацій. Переваги систем рекомендацій охоплюють багато галузей, від електронної комерції до кадрів.

Швидкий спосіб впровадження систем рекомендацій у Вашу компанію

Розробка системи рекомендацій вимагає експертизи у сфері даних. Ваша внутрішня команда ІТ може не мати можливості побудувати це. Якщо Ви хочете отримати вигоду від систем рекомендацій для утримання клієнтів та підвищення ефективності, Ви не повинні чекати, поки ІТ стане менш зайнятим. Напишіть нам, і ми дізнаємося. Команда даних Blue Orange Digital щаслива зробити рекомендації працювати на Вашу користь!

джерело головної зображення: Canva