人工智能
推荐引擎是否值得推荐？
在商业中，寻找针栋中的那一根针是一个常见的挑战。推荐引擎可以帮助解决这个挑战。
在电子商务和零售领域，您提供的产品成百上千。哪一个产品最适合您的客户？
在销售和营销中，您的销售线索数量非常多，但您只有有限的时间来处理它们。因此，您面临着决定如何分配时间和精力的挑战。
有一种专门的技术，利用人工智能和大数据，使这些挑战变得更容易管理——推荐引擎。
什么是推荐系统？
从本质上讲，推荐引擎会浏览大量项目，并预测最相关的项目给用户。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。在娱乐领域，Netflix 也努力开发了自己的推荐引擎。Netflix 的推荐引擎带来了直接的经济效益：
“Netflix 的复杂推荐系统和个性化用户体验，使他们每年节省了 10 亿美元的服务取消费用。” – 推荐引擎在营销中的投资回报率
从用户的角度来看，推荐引擎的工作原理通常不明显。我们将揭开推荐引擎的神秘面纱，解释它们的工作原理，首先从关键成分开始：数据。
推荐引擎：它们使用什么数据？
您需要为推荐引擎提供的数据取决于您的目标。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，所需的最基本数据分为两类：产品数据库和用户行为。为了说明这一点，让我们看一个简单的例子。
- 公司：USB 配件公司。该公司专门为消费者和企业销售 USB 配件和产品，如电缆、U盘和集线器。
- 产品数据。为了保持推荐引擎的简单性，公司将其限制为 100 个产品。
- 用户数据。在在线商店中，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% 的购买外部硬盘的客户也会购买 USB 电缆。
- 推荐输出。在这种情况下，推荐引擎可能会为购买外部硬盘的客户生成推荐（或折扣码），以鼓励他们购买 USB 电缆。
实际上，最佳的推荐引擎使用的数据远不止这些。一般来说，推荐引擎的效果取决于数据的数量和质量。
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您的数据。
基于内容的过滤
这种推荐算法将用户偏好与项目相似度结合起来，推荐相似的项目。这种类型的推荐引擎相对简单，适合数据有限的公司。
协同过滤
您是否曾经向别人询问过推荐，然后再进行购买？或者在购买过程中考虑过在线评论？如果是这样，您已经经历过协同过滤。更先进的推荐引擎分析用户评论、评分和其他用户生成的内容，提供相关建议。这种推荐引擎策略很强大，因为它利用了社会证明。
混合推荐
混合推荐引擎将多种推荐方法结合起来，产生更好的结果。回到上述电子商务例子中，假设您已经收集了一年来的用户评论和评分（例如，1 到 5 星）。现在，您可以使用基于内容的过滤和协同过滤来提供推荐。成功地组合多种推荐引擎或算法通常需要实验，因此这被认为是一种相对高级的策略。
推荐引擎只有在使用高质量数据时才会成功。同时，如果公司数据库中存在错误或过时信息，推荐引擎也无法有效地工作。因此，您需要持续投资数据质量。
案例研究：
自动招聘：候选人评分
根据 Jobvite 的研究，每个职位发布平均有 50 多个申请人。对于人力资源部门和经理来说，这个申请量创造了大量的工作。为了简化这个过程，Blue Orange 为一家财富 500 强的对冲基金实施了一个推荐引擎。这个 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评分。使用十年份的申请数据和简历，该公司现在拥有一个复杂的评分模型来找到合适的候选人。
位于纽约市的一家对冲基金需要解析不一致的简历，并使用光学字符识别（OCR）技术来改善他们的招聘过程。即使是最好的 OCR 解析也会留下凌乱和非结构化的数据。当候选人通过申请过程时，人类会参与其中。添加到数据集中的自由文本评论中包含语言和个人偏见。此外，每个数据源都是孤立的，提供有限的分析机会。
方法：在评估了多家公司的招聘过程后，我们发现了三个一致的机会来系统地改善招聘结果，使用自然语言处理（NLP）机器学习。问题领域是：正确地结构化候选人简历数据，评估工作适应度，并减少人类招聘偏见。通过清理和结构化数据集，我们能够对文本进行情感分析和主观性检测，以减少候选人偏见在人类评估中的影响。
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，我们能够清除字符串文本并将其转换为关系数据。通过结构化数据，我们提供了一个快速、交互式和可搜索的商业分析仪表板，在 AWS QuickSight 中。
电子商务：Zageno 医疗用品
另一个推荐引擎在现实世界中的应用例子来自 Zageno。Zageno 是一家为实验室科学家提供服务的电子商务公司，就像亚马逊为其他人提供服务一样。然而，实验室科学家的需求非常具体，因此他们采购的用品也必须非常准确。以下引语来自我们对 Zageno 的采访，强调了他们如何使用推荐引擎为实验室科学家提供最准确的用品。
问答：Blue Orange Digital 采访 Zageno
问题：
您的公司如何使用推荐引擎，您看到什么样的结果？
答案：
ZAGENO 使用两种推荐引擎为其科学客户提供服务。为了解释这些，我们认为最好是用项目符号列出。
- ZAGENO 的科学评分：
- ZAGENO 的科学评分是一种全面性的产品评级系统，专门为评估研究产品而开发。它结合了来自多个来源的产品数据的各个方面，旨在为科学家提供一个复杂而无偏见的产品评级，以便他们做出准确的购买决定。
- 我们应用先进的机器学习算法来准确地匹配、分组和分类数百万个产品。科学评分考虑了这些分类，因为每个产品的评分都是相对于同一类别中的其他产品计算的。结果是一个科学家可以信任的评级系统——一个特定于产品应用和类型的评级系统。
- 标准的产品评级对于快速评估产品很有用，但往往是有偏见和不可靠的，因为它们依赖于未知的评论或单一指标（例如出版物）。它们还提供了很少的关于实验背景或应用的细节。科学评分使用科学方法来客观和全面地评估研究产品。它将所有必要和相关的产品信息综合成一个 0-10 的评分，支持客户在决定购买和使用哪个产品时的决策——节省了数小时的产品研究时间。
- 为了确保没有单一因素占主导地位，我们添加了截止点，并赋予最近的贡献更大的权重。考虑到的因素数量几乎消除了任何操纵的机会。因此，我们的评分是产品信息质量和数量的客观衡量标准，支持客户的购买决策。
- 替代产品：
- 替代产品是根据每个类别中定义的关键属性的相同值来定义的；关键属性用于考虑特定的产品特征。
- 我们正在努力增加底层数据和属性，并改进算法以提高建议的质量。
- 替代产品建议旨在帮助科学家和采购人员考虑和评估他们可能没有考虑或不知道的潜在产品。
- 替代产品仅根据产品特性定义，独立于供应商、品牌或其他商业数据。
您是否推荐推荐系统？
“是的，但请确保您使用正确的数据来为您的推荐提供依据，既要有质量，也要有数量，反映真实的用户期望。要透明，因为没有人，尤其是科学家，会信任或依赖一个黑盒子。与用户分享使用的信息、权重以及不断学习以改进。最后，完成循环，将收集到的用户反馈带回系统。” – Zageno
推荐引擎的力量从未如此强大。正如亚马逊和 Netflix 这些巨头所示，推荐引擎可以直接导致收入和客户留存率的增加。像 Zageno 这样的公司表明，您不需要是一家大公司就能利用推荐引擎的力量。推荐引擎的益处跨越了多个行业，从电子商务到人力资源。
将推荐引擎快速引入您的公司的方法
开发推荐引擎需要数据专业知识。您的内部 IT 团队可能没有能力构建它。如果您想获得推荐引擎的客户留存和效率益处，您不需要等待 IT 变得不那么忙碌。 请联系我们。 Blue Orange Digital 的数据科学团队很乐意让推荐引擎为您带来益处！
主图来源：Canva
