Bạn có khuyên dùng Hệ thống Khuyến nghị không?

Trong kinh doanh, vấn đề kim trong đống rơm là một thách thức liên tục. Hệ thống Khuyến nghị 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. Sản phẩm nào là phù hợp cho khách hàng của bạn?

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

Có một công nghệ chuyên dụng được hỗ trợ bởi Trí tuệ nhân tạo và Dữ liệu lớn, giúp những thách thức này trở nên dễ quản lý hơn, đó là hệ thống khuyến nghị.

Hệ thống khuyến nghị là gì?

Trong thuật ngữ đơn giản nhất, một hệ thống khuyến nghị sắp xếp qua nhiều mục và dự đoán lựa chọn phù hợp nhất với người dùng. Đối với người tiêu dùng, hệ thống khuyến nghị sản phẩm của Amazon (AMZN ) là một ví dụ quen thuộc. Trong thế giới giải trí, Netflix (NFLX ) đã làm việc chăm chỉ để phát triển động cơ của họ. Động cơ khuyến nghị của Netflix đã mang lại lợi ích đáng kể:

“[Hệ thống khuyến nghị tinh vi và trải nghiệm người dùng được cá nhân hóa của Netflix], nó đã cho phép họ tiết kiệm 1 tỷ đô la mỗi năm từ việc hủy dịch vụ.” – Lợi tức đầu tư của hệ thống khuyến nghị cho tiếp thị

Từ góc độ của người dùng cuối, thường không rõ ràng về cách hệ thống khuyến nghị hoạt động. Chúng tôi sẽ kéo rèm che lại và giải thích cách chúng hoạt động, bắt đầu với thành phần chính: dữ liệu.

Hệ thống Khuyến nghị: Dữ liệu nào chúng sử dụng?

Dữ liệu bạn cần cho một hệ thống khuyến nghị phụ thuộc vào mục tiêu của bạn. Giả sử mục tiêu của bạn là tăng doanh số trong một công ty thương mại điện tử. Trong trường hợp đó, dữ liệu tối thiểu yêu cầu sẽ thuộc hai loại: cơ sở dữ liệu sản phẩm và hành vi của người dùng cuối. Để minh họa cách thức hoạt động, hãy xem xét ví dụ đơn giản này.

• Công ty: USB Accessories, Inc. Công ty chuyên bán các phụ kiện và sản phẩm USB như cáp, ổ đĩa flash và hub cho người tiêu dùng và doanh nghiệp.
• Dữ liệu Sản phẩm. Để giữ cho hệ thống khuyến nghị ban đầu đơn giản, công ty giới hạn nó trong 100 sản phẩm.
• Dữ liệu Người dùng. Trong trường hợp của một 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. Ví dụ, bạn có thể phát hiện ra rằng 50% khách hàng mua ổ đĩa cứng ngoài cũng mua cáp USB.
• Đầu ra Khuyến nghị. Trong trường hợp này, hệ thống khuyến nghị của bạn có thể tạo ra một khuyến nghị (hoặc mã giảm giá) cho những người mua ổ đĩa cứng để khuyến khích họ mua cáp USB.

Trong thực tế, các hệ thống khuyến nghị tốt nhất sử dụng nhiều dữ liệu hơn. Như một quy tắc chung, hệ thống khuyến nghị tạo ra kết quả kinh doanh tốt hơn khi chúng có một lượng lớn dữ liệu để sử dụng.

Hệ thống khuyến nghị sử dụng dữ liệu của bạn như thế nào?

Nhiều hệ thống khuyến nghị sử dụng một số kỹ thuật để xử lý dữ liệu của bạn.

Lọc nội dung dựa trên

Loại thuật toán khuyến nghị này kết hợp sở thích của người dùng và cố gắng khuyến nghị các mục tương tự. Trong trường hợp này, động cơ tập trung vào sản phẩm và nhấn mạnh các mục liên quan. Loại hệ thống khuyến nghị này tương đối đơn giản để xây dựng. Nó là một điểm khởi đầu tốt cho các công ty có dữ liệu hạn chế.

Lọc cộng tác

Bạn đã từng hỏi người khác về một khuyến nghị trước khi mua chưa? Hay bạn đã xem xét các đánh giá trực tuyến trong quá trình mua hàng của mình? Nếu vậy, bạn đã trải nghiệm lọc cộng tác. Các hệ thống khuyến nghị tiên tiến hơn phân tích đánh giá, xếp hạng và nội dung do người dùng tạo ra khác để tạo ra các đề xuất liên quan. Loại hệ thống khuyến nghị này mạnh mẽ vì nó tận dụng bằng chứng xã hội.

Hệ thống khuyến nghị hỗn hợp

Hệ thống khuyến nghị hỗn hợp kết hợp hai hoặc nhiều phương pháp khuyến nghị để tạo ra kết quả tốt hơn. Trở lại ví dụ thương mại điện tử được phác thảo ở trên, giả sử bạn đã thu thập được đánh giá và xếp hạng của người dùng (ví dụ: 1 đến 5 sao) trong suốt một năm. Bây giờ, bạn có thể sử dụng cả lọc nội dung dựa trên và lọc cộng tác để trình bày các khuyến nghị. Việc kết hợp thành công nhiều hệ thống khuyến nghị hoặc thuật toán thường đòi hỏi phải thử nghiệm. Vì lý do đó, nó thường được coi là một chiến lược tương đối tiên tiến.

Một hệ thống khuyến nghị 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 của công ty. Đó là lý do tại sao bạn cần đầu tư liên tục vào chất lượng dữ liệu.

Nghiên cứu trường hợp:

Tuyển dụng Tự động: Đánh giá Ứng viên

Có hơn 50 ứng viên trên trung bình cho mỗi bài đăng việc, theo nghiên cứu của Jobvite. Đối với các bộ phận nhân sự và quản lý, số lượng ứng viên đó tạo ra một lượng công việc khổng lồ. Để đơn giản hóa quá trình, Blue Orange đã triển khai một hệ thống khuyến nghị cho một quỹ đầu tư hàng đầu. Dự án tự động hóa nhân sự này đã giúp công ty xếp hạng ứng viên theo cách tiêu chuẩn hóa. Sử dụng dữ liệu ứng viên và hồ sơ trong 10 năm, công ty hiện có một mô hình đánh giá phức tạp để tìm kiếm ứng viên phù hợp.

Một quỹ đầu tư ở Thành phố New York cần phân tích hồ sơ không nhất quán và yêu cầu OCR để cải thiện quá trình tuyển dụng. Ngay cả việc phân tích OCR tốt nhất cũng sẽ để lại cho bạn dữ liệu không cấu trúc và lộn xộn. Sau đó, khi ứng viên di chuyển qua quá trình ứng tuyển, con người sẽ tham gia. Thêm vào tập dữ liệu văn bản miễn phí đánh giá ứng viên và cả偏见 ngôn ngữ và cá nhân. Ngoài ra, mỗi nguồn dữ liệu được lưu trữ riêng biệt, cung cấp cơ hội phân tích hạn chế.

Phương pháp: 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 hệ thống tuyển dụng bằng cách sử dụng NLP và học máy. Các lĩnh vực vấn đề là: cấu trúc dữ liệu hồ sơ ứng viên một cách chính xác, đánh giá sự phù hợp với công việc và giảm偏见 tuyển dụng của con người. Với một tập dữ liệu được làm sạch và cấu trúc, chúng tôi đã có thể thực hiện cả phân tích tình cảm và phát hiện chủ quan để giảm偏见 ứng viên trong đánh giá của con người.

Kết quả: Sử dụng phát hiện từ khóa, nhận dạng ký tự quang học và động cơ NLP dựa trên đám mây, chúng tôi đã có thể làm sạch văn bản và chuyển đổi nó thành dữ liệu quan hệ. Với dữ liệu được cấu trúc, chúng tôi cung cấp một bảng điều khiển phân tích kinh doanh nhanh, tương tác và có thể tìm kiếm trên AWS QuickSight.

Thương mại điện tử: Zageno Medical Supplies

Một ví dụ khác về hệ thống khuyến nghị 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 ta. Điều kiện là nhu cầu của các nhà khoa học trong phòng thí nghiệm rất chính xác, vì vậy các vật tư được mua cho nghiên cứu của họ cũng phải chính xác. Các trích dẫn dưới đây là từ cuộc phỏng vấn của chúng tôi với Zageno và nhấn mạnh cách họ sử dụng hệ thống khuyến nghị để cung cấp các vật tư chính xác nhất cho các nhà khoa học trong phòng thí nghiệm.

Câu hỏi và Đáp án: Blue Orange Digital phỏng vấn Zageno

Câu hỏi:
Công ty của bạn đã sử dụng hệ thống khuyến nghị như thế nào và bạn đã thấy những kết quả gì?

Đáp án:

Có hai ví dụ về hệ thống khuyến nghị mà ZAGENO sử dụng cho khách hàng khoa học của mình. Để giải thích những điều này, chúng tôi cảm thấy tốt nhất nên liệt kê chúng.

• Điểm khoa học của ZAGENO:
  • Điểm khoa học của ZAGENO là một hệ thống xếp hạng sản phẩm toàn diện, được phát triển đặc biệt để đánh giá sản phẩm nghiên cứu. Nó kết hợp nhiều khía cạnh của dữ liệu sản phẩm, từ nhiều nguồn, để trang bị cho các nhà khoa học một xếp hạng sản phẩm tinh vi và không thiên vị để đưa ra quyết định mua hàng chính xác.
  • Chúng tôi áp dụng các thuật toán học máy tinh vi để chính xác匹配, nhóm và phân loại hàng triệu sản phẩm. Điểm khoa học tính toán các phân loại này, vì mỗi điểm sản phẩm được tính toán tương对于 những sản phẩm trong cùng một thể loại. Kết quả là một hệ thống xếp hạng mà các nhà khoa học có thể tin tưởng — một hệ thống cụ thể cho cả ứng dụng sản phẩm và loại sản phẩm.
  • Xếp hạng sản phẩm tiêu chuẩn có ích để đánh giá sản phẩm nhanh chóng, nhưng thường bị thiên vị và không đáng tin cậy, do sự phụ thuộc vào các đánh giá không xác định hoặc một chỉ số duy nhất (ví dụ: ấn phẩm). Chúng cũng cung cấp rất ít chi tiết về ngữ cảnh thực nghiệm hoặc ứng dụng. Điểm khoa học sử dụng một phương pháp khoa học để đánh giá khách quan và toàn diện sản phẩm nghiên cứu. Nó kết hợp tất cả thông tin sản phẩm cần thiết và liên quan vào một xếp hạng duy nhất từ 0 đến 10 để hỗ trợ khách hàng của chúng tôi trong việc quyết định sản phẩm nào để mua và sử dụng cho ứng dụng của họ — tiết kiệm hàng giờ nghiên cứu sản phẩm.
  • Để đảm bảo không có yếu tố nào chiếm ưu thế, chúng tôi thêm các điểm cắt và cho trọng số nhiều hơn cho các đóng góp gần đây. Số lượng yếu tố chúng tôi xem xét gần như loại bỏ mọi cơ hội cho việc thao túng. Kết quả là điểm số của chúng tôi là một thước đo khách quan về chất lượng và lượng thông tin sản phẩm có sẵn, hỗ trợ quyết định mua hàng của khách hàng của chúng tôi.
• Sản phẩm Thay thế:
  • Sản phẩm thay thế được định nghĩa bởi cùng giá trị cho các thuộc tính chính; thuộc tính chính được định nghĩa cho mỗi thể loại để tính đến các đặc điểm sản phẩm cụ thể.
  • Chúng tôi đang làm việc để tăng dữ liệu cơ bản và thuộc tính và cải thiện thuật toán để cải thiện các gợi ý
  • Gợi ý sản phẩm thay thế nhằm giúp cả nhà khoa học và bộ phận mua hàng xem xét và đánh giá các sản phẩm tiềm năng, họ có thể không biết hoặc xem xét.
  • Sản phẩm thay thế được định nghĩa chỉ bởi các đặc điểm sản phẩm và độc lập với nhà cung cấp, thương hiệu hoặc dữ liệu thương mại khác

Bạn có khuyên dùng hệ thống khuyến nghị không?

“Có, nhưng hãy đảm bảo bạn đang sử dụng đúng dữ liệu để dựa vào khuyến nghị của bạn về cả chất lượng và số lượng phản ánh kỳ vọng của người dùng thực sự. Tạo sự minh bạch vì không ai, đặc biệt là các nhà khoa học, sẽ tin tưởng hoặc dựa vào một hộp đen. Chia sẻ với người dùng của bạn thông tin nào được sử dụng, nó được tính trọng như thế nào và hãy tiếp tục học hỏi để liên tục cải thiện. Cuối cùng, hoàn thành chu kỳ bằng cách lấy phản hồi của người dùng mà bạn đã thu thập và đưa nó trở lại vào hệ thống.” – Zageno

Sức mạnh của hệ thống khuyến nghị chưa bao giờ lớn hơn. Như được thể hiện bởi những gã khổng lồ như Amazon và Netflix, hệ thống khuyến nghị có thể trực tiếp chịu trách nhiệm cho việc tăng doanh thu và tỷ lệ giữ chân khách hàng. Các công ty như Zageno cho thấy bạn không cần phải là một công ty lớn để tận dụng sức mạnh của hệ thống khuyến nghị. Lợi ích của hệ thống khuyến nghị mở rộng trên nhiều ngành công nghiệp như thương mại điện tử đến nhân sự.

Cách nhanh chóng để đưa Hệ thống Khuyến nghị vào Công ty của bạn

Phát triển một hệ thống khuyến nghị đòi hỏi chuyên môn về dữ liệu. Đội ngũ CNTT nội bộ của bạn có thể không có khả năng xây dựng điều này. Nếu bạn muốn có được lợi ích về giữ chân khách hàng và hiệu quả của hệ thống khuyến nghị, bạn không cần phải chờ đợi CNTT trở nên ít bận rộn hơn. Hãy cho chúng tôi biết và đội ngũ khoa học dữ liệu của Blue Orange Digital sẵn sàng giúp hệ thống khuyến nghị hoạt động cho lợi ích của bạn!

Nguồn hình ảnh chính: Canva