人工智能
您推荐推荐引擎吗？
在商业领域，大海捞针是一个持续存在的挑战。 推荐引擎可以帮助应对这一挑战。
在电子商务和零售领域，您提供数百或数千种产品。 哪种产品适合您的客户？
在销售和营销领域，您的渠道中有大量潜在客户。 然而，你一天只有这么多时间。 因此，您面临的挑战是决定将精力集中在哪里。
有一种由人工智能和大数据支持的专业技术，即推荐引擎，可以使这些挑战更容易管理。
什么是推荐系统？
用最简单的术语来说，推荐引擎对许多项目进行排序并预测与用户最相关的选择。 对于消费者来说，亚马逊的产品推荐引擎是一个熟悉的例子。 在娱乐界，Netflix 一直在努力开发他们的引擎。 Netflix 的推荐引擎带来了底线效益：
“[Netflix] 先进的推荐系统和个性化的用户体验，使他们每年能够从服务取消中节省 1 亿美元。” – 营销推荐引擎的投资回报率
从最终用户的角度来看，通常不清楚推荐引擎是如何工作的。 我们将拉开帷幕并解释它们是如何工作的，从关键要素开始：数据。
推荐引擎：它们使用哪些数据？
这个 data 您需要一个推荐引擎取决于您的目标。 假设您的目标是增加电子商务公司的销售额。 在这种情况下，所需的最低数据将分为两类：产品数据库和最终用户行为。 为了说明其工作原理，请看这个简单的示例。
- 公司： USB Accessories, Inc. 该公司专门向消费者和企业销售 USB 配件和产品，例如电缆、拇指驱动器和集线器。
- 产品数据。 为了保持初始推荐引擎的简单性，该公司将其限制为 100 种产品。
- 用户数据。 对于在线商店，用户数据将包括网站分析信息、电子邮件营销和其他来源。 例如，您可能会发现 50% 购买外置硬盘的客户也会购买 USB 电缆。
- 推荐输出。 在这种情况下，您的推荐引擎可能会向硬盘买家生成推荐（或折扣代码），以鼓励他们购买 USB 电缆。
在实践中，最好的推荐引擎使用更多的数据。 一般来说，推荐引擎在有大量数据可供使用时会产生更好的业务结果。
推荐引擎如何使用您的数据？
许多推荐引擎使用多种技术来处理数据。
基于内容的过滤
此类推荐算法结合用户偏好并尝试推荐相似的项目。 在这种情况下，引擎专注于产品并突出显示相关项目。 这种类型的推荐引擎构建起来相对简单。 对于数据有限的公司来说，这是一个很好的起点。
协同过滤
您在购买之前是否询问过其他人的推荐？ 或者在您的购买过程中考虑过在线评论？ 如果是这样，您已经体验过协同过滤。 更先进的推荐引擎会分析用户评论、评级和其他用户生成的内容以产生相关建议。 这种类型的推荐引擎策略非常强大，因为它利用了社会证据。
混合推荐器
混合推荐引擎结合两种或多种推荐方法以产生更好的结果。 回到上面概述的电子商务示例，假设您在过去一年中获得了用户评论和评级（例如，1 到 5 颗星）。 现在，您可以使用基于内容的过滤和协作过滤来呈现推荐。 成功组合多个推荐引擎或算法通常需要进行实验。 因此，最好将其视为相对高级的策略。
只有为推荐引擎提供高质量的数据，推荐引擎才会成功。 如果您的公司数据库中有错误或过时的信息，它也无法有效执行。 这就是为什么您需要持续在数据质量方面投入资源。
实例探究：
招聘自动化：候选人评分
根据 Jobvite 研究，平均每张招聘信息有超过 50 名申请人。 对于人力资源部门和经理来说，申请者的数量创造了巨大的工作量。 为了简化流程，Blue Orange 为财富 500 强对冲基金实施了推荐引擎。 这 人力资源自动化项目 帮助公司以标准化的方式对候选人进行排名。 利用十年来的申请人数据和简历，该公司现在拥有一个复杂的评分模型来寻找合适的候选人。
纽约市的一家对冲基金需要解析不一致的简历，并需要 OCR 来改进其招聘流程。即使是最好的 OCR 解析也会给您留下混乱且非结构化的数据。然后，当候选人完成申请流程时，人类就会参与其中。将申请人的自由形式文本评论以及语言和个人偏见添加到数据集中。此外，每个数据源都是孤立的，提供有限的分析机会。
做法： 在评估多家公司的招聘流程后，我们发现了三个一致的机会，可以使用 NLP 机器学习系统地改善招聘结果。问题领域包括：正确构建候选人简历数据、评估工作契合度以及减少人为招聘偏见。通过清理和结构化的数据集，我们能够对文本进行情感分析和主观性检测，以减少人类评估中的候选人偏见。
结果： 使用关键字检测分类器、光学字符识别和基于云的 NLP 引擎，我们能够清理字符串文本并将其转换为关系数据。 借助结构化数据，我们在 AWS QuickSight 中提供了快速、交互式且可搜索的业务分析仪表板。
电子商务：Zageno 医疗用品
在现实世界中实施推荐引擎的另一个例子来自 Zageno。 Zageno 是一家电子商务公司，它为实验室科学家提供的服务就像亚马逊为我们其他人提供的服务一样。 需要注意的是，实验室科学家的需求是准确的，因此为他们的研究采购的物资也必须是准确的。 以下引述摘自我们对 Zageno 的采访，重点介绍了他们如何使用推荐引擎向实验室科学家提供最准确的物资。
问答：Blue Orange Digital 采访 Zageno
问题：
贵公司如何使用推荐引擎？您看到了什么样的结果？
答：
ZAGENO 为其科学客户采用的推荐引擎有两个示例。 为了解释这些，我们认为最好对它们进行要点说明。
- ZAGENO的科学分数:
- ZAGENO 的科学评分是一个综合的产品评级系统，专门为评估研究产品而开发。 它整合了来自多个来源的产品数据的多个方面，为科学家提供复杂且公正的产品评级，以做出准确的购买决策。
- 我们应用复杂的机器学习算法来准确匹配、分组和分类数百万种产品。 科学分数考虑了这些类别，因为每个产品的分数是相对于同一类别中的产品计算的。 其结果是形成了一个科学家可以信赖的评级系统——一个针对产品应用和产品类型的评级系统。
- 标准产品评级对于快速评估产品很有用，但由于它们依赖于未知的评论或单一指标（例如出版物），因此通常存在偏见且不可靠。 他们还提供了有关实验背景或应用的很少细节。 科学评分利用科学的方法对研究产品进行客观、全面的评价。 它将所有必要的相关产品信息组合成一个 0-10 评级，以支持我们的客户决定购买和使用哪种产品用于其应用，从而节省产品研究时间。
- 为了确保没有单一因素占主导地位，我们添加了截止点并更加重视最近的贡献。 我们考虑的因素数量之多，实际上消除了任何操纵的机会。 因此，我们的分数是对可用产品信息的质量和数量的客观衡量，它支持客户的购买决策。
- 替代产品：
- 替代产品由相同的关键属性值定义； 为每个类别定义关键属性，以考虑特定的产品特性。
- 我们正在努力增加底层数据和属性并改进算法以改进建议
- 替代产品建议旨在帮助科学家和采购人员考虑和评估潜在产品，否则他们可能没有考虑/知道
- 替代产品仅由产品特性定义，独立于供应商、品牌或其他商业数据
您推荐推荐系统吗？
是的，但请确保使用正确的数据，以便根据反映用户真实期望的质量和数量提出建议。保持透明度，因为没有人，尤其是科学家，会相信或依赖黑匣子。与用户分享所使用的信息及其权重，并持续学习以不断改进。最后，将收集到的用户反馈反馈回系统，完成整个流程。 – 扎格诺
推荐引擎的力量从未如此强大。 正如亚马逊和 Netflix 等巨头所表明的那样，推荐系统可以直接负责收入和客户保留率的增加。 Zageno 等公司表明，您无需成为一家大型公司即可利用推荐系统的力量。 推荐引擎的优势遍及许多行业，例如电子商务和人力资源。
将推荐引擎带入公司的快速方法
开发推荐引擎需要数据专业知识。 您的内部IT团队可能没有能力进行扩展。 如果您希望获得推荐引擎的客户保留率和效率优势，则无需等待IT部门变得不那么忙碌。 请给我们留言并告知我们。 这 蓝橙色数码 数据科学团队也很高兴让推荐器为您的利益服务！
主要图片来源：Canva
