Bạn có đề xuất Công cụ đề xuất không?

Trong kinh doanh, mò kim đáy bể là một thách thức thường trực. Công cụ Đề xuất ở đây để giúp giải quyết thách thức đó. 

Trong thương mại điện tử và bán lẻ, bạn cung cấp hàng trăm hoặc hàng nghìn sản phẩm. Đâu là sản phẩm phù hợp với khách hàng của bạn?

Trong bán hàng và tiếp thị, bạn có một số lượng lớn khách hàng tiềm năng trong hệ thống của mình. Tuy nhiên, bạn chỉ có rất nhiều giờ trong ngày. Vì vậy, bạn phải đối mặt với thách thức trong việc quyết định chính xác nơi cần tập trung nỗ lực của mình.

Có một công nghệ chuyên dụng được hỗ trợ bởi AI và Dữ liệu lớn, giúp những thách thức này trở nên dễ dàng hơn nhiều để quản lý, các công cụ đề xuất.

Hệ thống gợi ý là gì?

Nói một cách đơn giản nhất, một công cụ đề xuất sẽ sắp xếp nhiều mục và dự đoán lựa chọn phù hợp nhất với người dùng. Đối với người tiêu dùng, công cụ giới thiệu sản phẩm của Amazon là một ví dụ quen thuộc. Trong thế giới giải trí, Netflix đã làm việc chăm chỉ để phát triển động cơ của họ. Công cụ đề xuất của Netflix đã mang lại những lợi ích cơ bản:

“Hệ thống đề xuất tinh vi của [Netflix] và trải nghiệm người dùng được cá nhân hóa đã cho phép họ tiết kiệm 1 tỷ đô la mỗi năm từ việc hủy dịch vụ.” – ROI của các công cụ đề xuất cho tiếp thị

Từ quan điểm của người dùng cuối, thường không rõ các công cụ đề xuất hoạt động như thế nào. Chúng tôi sẽ kéo bức màn lại và giải thích cách chúng hoạt động, bắt đầu với thành phần chính: dữ liệu.

Công cụ khuyến nghị: Họ sử dụng dữ liệu gì?

dữ liệu bạn cần cho một công cụ đề xuất tùy thuộc vào mục tiêu của bạn. Giả sử mục tiêu của bạn là tăng doanh số bán hàng trong một công ty thương mại điện tử. Trong trường hợp đó, dữ liệu bắt buộc tối thiểu sẽ thuộc hai loại: cơ sở dữ liệu sản phẩm và hành vi của người dùng cuối. Để minh họa cách thức hoạt động của nó, hãy xem ví dụ đơn giản này.

• Công ty vi: Phụ kiện USB, Inc. Công ty này chuyên bán các phụ kiện và sản phẩm USB như dây cáp, ổ USB và trung tâm cho người tiêu dùng và doanh nghiệp.
• Dữ liệu sản phẩm. Để giữ cho công cụ đề xuất ban đầu đơn giản, công ty giới hạn nó ở 100 sản phẩm.
• Dữ liệu người dùng. Trong trường hợp cửa hàng trực tuyến, dữ liệu người dùng sẽ bao gồm thông tin phân tích trang web, tiếp thị qua email và các nguồn khác. Chẳng hạn, bạn có thể thấy rằng 50% khách hàng mua ổ cứng ngoài cũng mua cáp USB.
• Đầu ra khuyến nghị. Trong trường hợp này, công cụ đề xuất của bạn có thể tạo đề xuất (hoặc mã giảm giá) cho người mua ổ cứng để khuyến khích họ mua cáp USB.

Trong thực tế, các công cụ đề xuất tốt nhất sử dụng nhiều dữ liệu hơn. Theo nguyên tắc chung, các công cụ đề xuất tạo ra kết quả kinh doanh tốt hơn khi chúng có khối lượng dữ liệu lớn để sử dụng.

Các công cụ đề xuất sử dụng dữ liệu của bạn như thế nào?

Nhiều công cụ đề xuất sử dụng một số kỹ thuật để xử lý dữ liệu của bạn.

Lọc dựa trên nội dung

Loại thuật toán đề xuất này kết hợp sở thích của người dùng và cố gắng đề xuất các mặt hàng tương tự. Trong trường hợp này, động cơ tập trung vào sản phẩm và làm nổi bật các mặt hàng liên quan. Loại công cụ đề xuất này tương đối đơn giản để xây dựng. Đó là một điểm khởi đầu tốt cho các công ty có dữ liệu hạn chế.

Lọc cộng tác

Bạn đã từng nhờ người khác giới thiệu trước khi mua hàng chưa? Hoặc xem xét đánh giá trực tuyến trong quá trình mua hàng của bạn? Nếu vậy, bạn đã trải qua quá trình lọc cộng tác. Các công cụ đề xuất nâng cao hơn sẽ phân tích đánh giá, xếp hạng của người dùng và nội dung khác do người dùng tạo để đưa ra các đề xuất có liên quan. Loại chiến lược công cụ đề xuất này rất hiệu quả vì nó tận dụng bằng chứng xã hội.

Khuyến nghị lai

Các công cụ đề xuất kết hợp kết hợp hai hoặc nhiều phương pháp đề xuất để tạo ra kết quả tốt hơn. Quay trở lại ví dụ thương mại điện tử nêu trên, giả sử bạn đã nhận được đánh giá và xếp hạng của người dùng (ví dụ: 1 đến 5 sao) trong năm qua. Giờ đây, bạn có thể sử dụng cả tính năng lọc dựa trên nội dung và tính năng lọc cộng tác để đưa ra các đề xuất. Việc kết hợp thành công nhiều công cụ đề xuất hoặc thuật toán thường cần thử nghiệm. Vì lý do đó, nó được coi là một chiến lược tương đối tiên tiến.

Công cụ đề xuất chỉ thành công nếu bạn cung cấp cho nó dữ liệu chất lượng cao. Nó cũng không thể hoạt động hiệu quả nếu bạn có lỗi hoặc thông tin lỗi thời trong cơ sở dữ liệu công ty của bạn. Đó là lý do tại sao bạn cần liên tục đầu tư nguồn lực vào chất lượng dữ liệu.

Nghiên cứu điển hình: 

Tuyển dụng tự động: Chấm điểm ứng viên

Theo nghiên cứu của Jobvite, trung bình có hơn 50 ứng viên cho mỗi tin tuyển dụng. Đối với các bộ phận nhân sự và các nhà quản lý, số lượng ứng viên đó tạo ra một khối lượng công việc khổng lồ. Để đơn giản hóa quy trình, Blue Orange đã triển khai một công cụ đề xuất cho quỹ phòng hộ 500 tài sản. Cái này đồ án tự động hóa nhân sự đã giúp công ty xếp hạng ứng viên một cách chuẩn hóa. Sử dụng dữ liệu ứng viên và sơ yếu lý lịch trong mười năm, công ty hiện có một mô hình chấm điểm tinh vi để tìm ra những ứng viên phù hợp.

Quỹ phòng hộ ở Thành phố New York cần phân tích các hồ sơ không nhất quán và yêu cầu OCR cải thiện quy trình tuyển dụng của họ. Ngay cả khả năng phân tích cú pháp OCR tốt nhất cũng để lại cho bạn dữ liệu lộn xộn và không có cấu trúc. Sau đó, khi một ứng viên trải qua quá trình nộp đơn, con người sẽ tham gia. Thêm vào bộ dữ liệu các bài đánh giá văn bản ở dạng tự do về người nộp đơn cũng như những thành kiến ​​về cả ngôn ngữ và cá nhân. Ngoài ra, mỗi nguồn dữ liệu đều được giữ kín, mang lại cơ hội phân tích hạn chế.

Tiếp cận: Sau khi đánh giá quy trình tuyển dụng của nhiều công ty, chúng tôi đã tìm thấy ba cơ hội nhất quán để cải thiện một cách có hệ thống kết quả tuyển dụng bằng cách sử dụng máy học NLP. Các lĩnh vực có vấn đề là: cấu trúc chính xác dữ liệu sơ yếu lý lịch của ứng viên, đánh giá mức độ phù hợp với công việc và giảm sự thiên vị trong tuyển dụng con người. Với tập dữ liệu có cấu trúc và rõ ràng, chúng tôi có thể thực hiện cả phân tích cảm xúc trên văn bản và phát hiện tính chủ quan để giảm sự thiên vị của ứng viên trong đánh giá con người.

Kết quả: Bằng cách sử dụng bộ phân loại phát hiện từ khóa, nhận dạng ký tự quang học và công cụ NLP dựa trên đám mây, chúng tôi có thể lọc văn bản chuỗi và biến nó thành dữ liệu quan hệ. Với dữ liệu có cấu trúc, chúng tôi đã cung cấp bảng điều khiển Phân tích nghiệp vụ nhanh, tương tác và có thể tìm kiếm trong AWS QuickSight.

Thương mại điện tử: Vật tư y tế Zageno

Một ví dụ khác về các công cụ đề xuất đang được triển khai trong thế giới thực đến từ Zageno. Zageno là một công ty thương mại điện tử làm cho các nhà khoa học trong phòng thí nghiệm những gì Amazon làm cho phần còn lại của chúng tôi. Thông báo trước là nhu cầu của các nhà khoa học trong phòng thí nghiệm là chính xác nên nguồn cung cấp được mua cho nghiên cứu của họ cũng phải như vậy. Các trích dẫn dưới đây là từ cuộc phỏng vấn của chúng tôi với Zageno và nêu bật cách họ sử dụng các công cụ đề xuất để cung cấp nguồn cung cấp chính xác nhất cho các nhà khoa học trong phòng thí nghiệm. 

Q&A: Blue Orange Digital phỏng vấn Zageno

Câu hỏi:
Công ty của bạn đã sử dụng công cụ đề xuất như thế nào và bạn đã thấy loại kết quả nào?

Câu trả lời:

Có hai ví dụ về các công cụ đề xuất mà ZAGENO sử dụng cho các khách hàng khoa học của mình. Để giải thích những điều này, chúng tôi cảm thấy tốt nhất là gạch đầu dòng chúng.

• Điểm khoa học của ZAGENO:
  • Điểm khoa học của ZAGENO là một hệ thống đánh giá sản phẩm toàn diện, được phát triển đặc biệt để đánh giá các sản phẩm nghiên cứu. Nó kết hợp một số khía cạnh của dữ liệu sản phẩm, từ nhiều nguồn, để trang bị cho các nhà khoa học đánh giá sản phẩm phức tạp và không thiên vị nhằm đưa ra quyết định mua hàng chính xác.
  • Chúng tôi áp dụng các thuật toán máy học phức tạp để khớp, nhóm và phân loại chính xác hàng triệu sản phẩm. Điểm Khoa học giải thích cho các phân loại này, vì điểm của mỗi sản phẩm được tính tương đối so với các điểm trong cùng loại. Kết quả là một hệ thống đánh giá mà các nhà khoa học có thể tin tưởng — một hệ thống dành riêng cho cả ứng dụng sản phẩm và loại sản phẩm.
  • Xếp hạng sản phẩm tiêu chuẩn rất hữu ích để đánh giá sản phẩm một cách nhanh chóng, nhưng thường sai lệch và không đáng tin cậy do chúng phụ thuộc vào các bài đánh giá không xác định hoặc một số liệu duy nhất (ví dụ: ấn phẩm). Họ cũng cung cấp ít chi tiết về bối cảnh hoặc ứng dụng thử nghiệm. Điểm khoa học sử dụng phương pháp luận khoa học để đánh giá một cách khách quan và toàn diện các sản phẩm nghiên cứu. Nó kết hợp tất cả thông tin sản phẩm cần thiết và có liên quan thành một xếp hạng 0—10 duy nhất để hỗ trợ khách hàng của chúng tôi trong việc quyết định mua và sử dụng sản phẩm nào cho ứng dụng của họ — tiết kiệm hàng giờ nghiên cứu sản phẩm.
  • Để đảm bảo không có yếu tố đơn lẻ nào chiếm ưu thế, chúng tôi thêm các điểm giới hạn và tăng thêm trọng số cho các đóng góp gần đây. Số lượng lớn các yếu tố mà chúng tôi tính đến hầu như loại bỏ mọi cơ hội thao túng. Do đó, điểm số của chúng tôi là thước đo khách quan về chất lượng và số lượng thông tin sản phẩm có sẵn, hỗ trợ quyết định mua hàng của khách hàng.
• Sản phẩm thay thế:
  • Các sản phẩm thay thế được xác định bởi cùng một giá trị cho các thuộc tính chính; các thuộc tính chính được xác định cho từng loại để tính đến các đặc tính sản phẩm cụ thể.
  • Chúng tôi đang làm việc để tăng dữ liệu và thuộc tính cơ bản, đồng thời cải thiện thuật toán để cải thiện các đề xuất
  • Các đề xuất sản phẩm thay thế nhằm mục đích giúp cả nhà khoa học và nhà thầu xem xét và đánh giá các sản phẩm tiềm năng mà họ có thể chưa xem xét/biết đến nếu không
  • Các sản phẩm thay thế chỉ được xác định bởi các đặc tính của sản phẩm và không phụ thuộc vào nhà cung cấp, thương hiệu hoặc dữ liệu thương mại khác

Bạn có đề xuất các hệ thống khuyến nghị không? 

“Đúng vậy, nhưng hãy đảm bảo bạn đang sử dụng đúng dữ liệu để đưa ra khuyến nghị dựa trên cả chất lượng và số lượng, phản ánh đúng kỳ vọng của người dùng. Hãy tạo sự minh bạch vì không ai, đặc biệt là các nhà khoa học, sẽ tin tưởng hoặc dựa dẫm vào một hộp đen. Hãy chia sẻ với người dùng thông tin nào đang được sử dụng, cách thức đánh giá và tiếp tục học hỏi để liên tục cải thiện. Cuối cùng, hãy hoàn tất chu trình bằng cách tiếp nhận phản hồi từ người dùng mà bạn đã thu thập và đưa chúng trở lại hệ thống.” – Zageno

Sức mạnh của các công cụ đề xuất chưa bao giờ lớn hơn thế. Như những người khổng lồ như Amazon và Netflix đã chỉ ra, những người giới thiệu có thể chịu trách nhiệm trực tiếp về việc tăng doanh thu và tỷ lệ giữ chân khách hàng. Các công ty như Zageno cho thấy rằng bạn không cần phải là một công ty lớn để tận dụng sức mạnh của những người giới thiệu. Lợi ích của các công cụ đề xuất trải rộng trên nhiều ngành như thương mại điện tử đến nguồn nhân lực. 

Cách nhanh chóng để mang công cụ đề xuất đến công ty của bạn

Việc phát triển một công cụ đề xuất cần có kiến ​​thức chuyên môn về dữ liệu. Nhóm CNTT nội bộ của bạn có thể không có khả năng xây dựng điều này. Nếu bạn muốn nhận được các lợi ích về hiệu quả và giữ chân khách hàng của các công cụ đề xuất, bạn không cần phải đợi CNTT bớt bận rộn hơn. Thả chúng tôi một dòng và cho chúng tôi biết. Các Màu xanh da cam kỹ thuật số nhóm khoa học dữ liệu rất vui khi làm cho những người giới thiệu cũng làm việc vì lợi ích của bạn!

nguồn hình ảnh chính: Canva