私たちはあなたが好きなものを知っています! ビジネスにおけるレコメンドシステムの特典

公開: 2020-07-28

人々は買い物をするとき、自分の意見を信頼するので、好きな商品や他の人に勧められた商品を購入します。今日のデジタル時代では、オンラインストアは何十万もの商品を顧客に提供しています。 これらの製品を検索して最適な製品を購入できるように、オンラインストアでは推奨システムを使用しています。

さらに、コンテンツプロバイダ (音楽、映画など) やソーシャルネットワーキングサービスは、推奨システムを使用してコンテンツを管理し、ユーザーに効果的な推奨を作成します。

簡単に言えば、レコメンデーションシステムは、顧客が求めた製品を表示するだけでなく、なんらかの関連性がある製品や好みの製品も表示する自動フォームのカスタマーアシスタントとして機能します。これらは、顧客向けにコンテンツをパーソナライズするためにビジネスで使用される最も一般的な機械学習テクノロジの 1 つです。

レコメンデーションシステムの利点は何ですか?

レコメンデーションシステムの最も明白な目標は、関連する製品をユーザーにレコメンドすることです。 Steve Jobs は次のように述べています。ジョブの言葉を参照すると、レコメンデーションシステムの二次的な目標の 1 つは、ユーザーが過去に見たことがなく、気に入るかもしれない製品をユーザーに表示することであると言えます。レコメンデーションを適切に一致させることで、全体的なユーザー満足度が向上し、消費者がウェブサイトやアプリを再び使用する可能性が高くなります。

レコメンデーションシステムの最も有名なユーザーでありパイオニアの 1 つは、Amazon.com です。 Amazon はレコメンデーションを使用して、顧客ごとにオンラインストアをパーソナライズしています。これは、Amazon の収益の 35% をもたらします [2]。

レコメンデーションシステムのもう 1 つの有名な例は、Netflix が使用するアルゴリズムです。 McKinsey によると、ユーザーが Netflix で視聴するものの 75% は映画のおすすめから来ています [3]。 Netflix の幹部 (Carlos A. Gomez-Uribe と Neil Hunt) が執筆した論文「 The Netflix Recommender System: Algorithms, Business Value, and Innovation 」 [4] では、推奨システムによって会社が毎年約 10 億ドル節約できると述べています。

Spotify によると、新しいレコメンデーションアルゴリズムの実装により、月間ユーザー数が 7,500 万から 1 億に増加しました [5]。

レコメンデーションシステムはどのような種類のデータを使用しますか?

レコメンデーションシステムを構築する上で最も重要な要素はデータです。データには、明示的データ、暗黙的データ、製品説明の 3 種類があります。

明示的なデータは通常、ユーザーが製品に付けた数値 (例: 5 つ星評価) の形をしています。明示的なデータの例としては、Amazon での顧客による製品の評価や、Udemy 学習プラットフォームでのユーザーによるコースのコース評価があります。このタイプのデータは、ユーザーからの追加入力が必要なため収集が難しく、有用な機械学習モデルを構築するのに十分な広さの評価プールを取得するには、より多くの時間がかかります。

暗黙的なデータは簡単に収集できます。ユーザーが利用可能な製品/コンテンツとどのようにやり取りするかに焦点を当てたデータです。このタイプのデータの主な問題は、ユーザーの行動をユーザーの好みに変換する方法です。しかし、効率的な方法があります。暗黙的なデータの例としては、Spotify での曲の再生回数、製品リンクのクリック数、Amazon での購入履歴などがあります。

最後のデータ型は 商品説明をご覧ください。このタイプのデータは構造化されていないことが多いため (フリーテキスト形式など)、関連情報を抽出して構造化された形式にするために、追加の前処理を実装する必要があります。商品説明の例としては、Netflix の映画のキャストのリスト、Spotify のソングライター、Amazon の商品説明などがあります。

レコメンデーションシステムにはどのような種類がありますか?

データが収集されたら、レコメンデーションシステムの構築を開始できます。主なタイプは次の 4 つです。

コンテンツベースのフィルタリング

コンテンツベースのフィルタリング方法は、製品の説明とユーザーの好みに基づいています。 このタイプのシステムは、ユーザーが過去に気に入った商品に類似した商品をレコメンドします。このタイプのレコメンデーションシステムは、次の 3 つのステップに基づいています。

製品説明アナライザー– このステップでは、特徴抽出技術を使用して製品説明を分析し、元の説明をアイテムベクトルに変換します。アイテムベクトルを使用して、システムは製品間の類似性を計算します。
ユーザープロファイルアナライザー– 2 番目のステップでは、システムはユーザー設定、ユーザー履歴データを収集し、ユーザーベクトルで表されるユーザープロファイルを構築します。ユーザーベクトルに記述されている機能は、項目ベクトルの機能と同じです。
コンポーネントのフィルタリング– 最後のステップで、システムはユーザーとアイテムのベクトルに基づいて推奨事項を選択します (例: コサイン類似度を使用)。

コンテンツベースのフィルタリングの利点は次のとおりです。

項目のコールドスタートの問題はありません。 システムは、ユーザーが試用する前に製品を推奨できます。
適応性があります。 ユーザーの関心の変化を捉えます。
あるユーザーにおすすめされたアイテムは、他のユーザーに依存しません。
人気のない商品をお勧めします。

このソリューションの欠点は次のとおりです。

商品情報が必要です。
ユーザーのコールドスタートの問題。 ユーザープロファイルを作成するのに十分な情報がない場合、システムは推奨事項を生成できません。

協調フィルタリング

協調フィルタリングでは、システムはすべてのユーザーの好み、行動、および活動に関する情報を分析して、ユーザーが何を好むかを予測します。簡単に言えば、システムは、好みや行動が似ている他のユーザーが気に入ったアイテムをレコメンドします。この方法の主な前提は、過去に同様の製品を気に入った人は、将来も同様の製品を好むということです。

協調フィルタリングの最も重要な利点は次のとおりです。

製品の内容は、システムの作成者またはシステム自体によって理解または記述される必要はありません。これは、システムが製品自体を分析せずに製品を推奨できることを意味します。
適応性があります。 システムは、ユーザーの興味の変化を捉えます。

最も重要な欠点は次のとおりです。

ユーザーのコールドスタートの問題。 システムは、まだインタラクションを行っていない新規ユーザーに製品を推奨することはできません。
アイテムのコールドスタートの問題。また、システムは、ユーザーが以前に選択したことのないアイテムを推奨することもできません。

ハイブリッド

ハイブリッドレコメンデーションシステムは、コンテンツベースの方法と共同作業の方法を組み合わせます。このソリューションは、実際には、2 つの方法を個別に使用するよりも効果的です。

Netflixではハイブリッドシステムが使用されており、映画のレコメンデーションは、同様のユーザーの視聴習慣を比較すること (協調フィルタリング) と、ユーザーが過去に好きだった映画のような類似した特性を持つ映画を見つけること (コンテンツベースのフィルタリング) の両方の結果です。 .

概要

今日、ますます多くのオンライン企業がレコメンデーションシステムを使用して、提供するサービスとのユーザーインタラクションを増やしています。レコメンデーションシステムは効率的な機械学習ソリューションであり、顧客満足度とユーザー維持率の向上に役立ち、ビジネス収益の大幅な増加につながります。

レコメンデーションシステムに興味がありますか?

ビジネス戦略にレコメンデーションシステムなどの AI ベースのソリューションを実装することに関心がありますか? もしそうなら、あなたは正しい場所に来ました。私たちのチームに連絡して、アイデアについて話し合い、48 時間以内に見積もりを取得してください。

ソース

[1] Edson, J.、2012年。 Apple のようなデザイン: 非常に優れた製品、サービス、エクスペリエンスを作成するための 7 つの原則。ジョン・ワイリー＆サンズ. 47ページ

[2] Jones, SS and Groom, FM eds., 2019.非エンジニアのためのビジネスのための人工知能と機械学習. CRCプレス、86ページ

[3] アレックス・カストロニス、2019 年。人とビジネスのための AI。 より良いヒューマンエクスペリエンスとビジネスの成功のためのフレームワーク。 (電子ブック)

[4] Gomez-Uribe, CA and Hunt, N., 2015.ネットフリックスレコメンダーシステム: アルゴリズム、ビジネス価値、イノベーション. ACM Transactions on Management Information Systems (TMIS)、6(4)、pp.1-19。

[5] Leonard, D, 2016. Spotify はブルームバーグビジネスウィークのプレイリストの芸術を完成させる

私たちはあなたが好きなものを知っています! ビジネスにおけるレコメンドシステムの特典

レコメンデーション システムの利点は何ですか?

レコメンデーション システムはどのような種類のデータを使用しますか?

レコメンデーション システムにはどのような種類がありますか?

人気ベース

コンテンツ ベースのフィルタリング