Wiemy, co lubisz! Zalety systemów rekomendacji w biznesie

Kiedy ludzie robią zakupy, kupują produkty, które im się podobają lub które polecają im inni, ponieważ ufają ich opinii. W dzisiejszej erze cyfrowej sklepy internetowe oferują swoim klientom setki tysięcy produktów. Aby ułatwić im wyszukiwanie tych produktów i zakup najodpowiedniejszego z nich, sklepy internetowe korzystają z systemów rekomendacji.

Ponadto dostawcy treści (np. muzyki, filmów) i serwisy społecznościowe wykorzystują systemy rekomendacji do zarządzania treścią i tworzenia skutecznych rekomendacji dla użytkowników.

Mówiąc najprościej, systemy rekomendacji działają jak zautomatyzowana forma asystenta klienta, który nie tylko pokazuje produkt, o który prosiłeś, ale także pokazuje te, które są w jakiś sposób powiązane lub które mogą Ci się spodobać. Są to jedne z najpopularniejszych technologii uczenia maszynowego wykorzystywanych w biznesie do personalizacji treści dla klientów.

Jakie są zalety Systemów Rekomendacji?

Najbardziej oczywistym celem systemu rekomendacji jest zarekomendowanie użytkownikowi odpowiednich produktów . Steve Jobs powiedział: „Wiele razy ludzie nie wiedzą, czego chcą, dopóki im tego nie pokażesz” [1]. Odwołując się do słów Joba, można powiedzieć, że jednym z drugorzędnych celów systemu rekomendacji jest pokazywanie użytkownikom produktów, których nie widzieli w przeszłości, a które mogą im się spodobać. Dobre dopasowanie rekomendacji może pomóc w zwiększeniu ogólnej satysfakcji użytkowników , co zwiększa prawdopodobieństwo ponownego skorzystania z witryny lub aplikacji.

Jednym z najbardziej znanych użytkowników i pionierów systemów rekomendacji jest Amazon.com. Amazon wykorzystuje rekomendacje do personalizacji sklepu internetowego dla każdego klienta, co przekłada się na 35% przychodów Amazona [2].

Innym znanym przykładem systemu rekomendacji jest algorytm używany przez Netflix. Według McKinsey 75% tego, co użytkownicy oglądają w serwisie Netflix, pochodzi z rekomendacji filmów [3]. W artykule „ The Netflix Recommender System: Algorithms, Business Value, and Innovation ” [4] napisanym przez kadrę kierowniczą Netflix (Carlos A. Gomez-Uribe i Neil Hunt) autorzy stwierdzają, że system rekomendacji oszczędza firmie około 1 miliarda dolarów rocznie.

Według Spotify wdrożenie nowego algorytmu rekomendacji pomogło zwiększyć ich liczbę miesięcznych użytkowników z 75 mln do 100 mln [5].

Jakiego typu dane używają Systemy Rekomendacji?

Najważniejszym elementem w budowaniu Systemu Rekomendacji są dane. Istnieją trzy typy danych: dane jawne, dane niejawne i opis produktu.

Dane jawne mają zwykle postać liczby (np. oceny 5 gwiazdek) nadanej produktowi przez użytkownika. Przykładami danych jawnych są oceny produktów wystawiane przez klientów na Amazon lub oceny kursów przez użytkowników platformy edukacyjnej Udemy. Tego typu dane są trudne do zebrania, ponieważ wymagają dodatkowych danych wejściowych od użytkowników, więc uzyskanie wystarczająco szerokiej puli ocen zajmuje więcej czasu, aby zbudować przydatny model uczenia maszynowego.

Dane niejawne są łatwe do zebrania. Są to wszelkie dane skoncentrowane na tym, jak użytkownik wchodzi w interakcję z dostępnymi produktami/treściami. Głównym problemem z tego typu danymi jest to, jak przekonwertować zachowanie użytkownika na preferencje użytkownika. Ale są na to skuteczne sposoby. Przykładami danych ukrytych są liczba odtworzeń utworu w Spotify, liczba kliknięć linków do produktów lub historia zakupów na Amazon.

Ostatni typ danych to opis produktu . Ponieważ tego typu dane są często nieustrukturyzowane (np. mają postać dowolnego tekstu), musimy zaimplementować dodatkowe przetwarzanie wstępne, aby wyodrębnić odpowiednie informacje i umieścić je w formie ustrukturyzowanej. Przykładowe opisy produktów to lista obsady filmu na Netflix, autora piosenek na Spotify lub opis produktu na Amazon.

Jakie są rodzaje Systemów Rekomendacji?

Po zebraniu danych możemy rozpocząć budowę Systemu Rekomendacji. Istnieją cztery główne typy:

Na podstawie popularności

Najprostszy system rekomendacji opiera się na popularności przedmiotu. Ten system oblicza oceny produktów na podstawie jawnych lub niejawnych danych. Poniżej znajdziesz dwa przykłady systemów rekomendacji opartych na popularności dla dostawcy filmów:

• korzystanie z danych jawnych – sugeruje popularne filmy na podstawie średniej ocen użytkownika na 5 gwiazdek,
• wykorzystanie danych niejawnych – sugeruje popularne filmy na podstawie tego, ile razy użytkownicy je obejrzeli.

Najważniejsze zalety systemów rekomendacji opartych na popularności to:

• Jest odporny na zimny start użytkownika . System może sugerować produkty bez żadnych informacji o użytkowniku.
• Może być używany w środowiskach z niewielką liczbą użytkowników.

Najważniejszą wadą jest:

• Każdy użytkownik ma tę samą listę rekomendacji.
• Problem z zimnym startem przedmiotu. System nie może zaproponować pozycji, która nigdy nie była wybrana ani oceny przez innych użytkowników.  

Filtrowanie oparte na treści

Metody filtrowania treści oparte są na opisach produktów i preferencjach użytkownika. Ten typ systemu poleca produkty podobne do produktów, które użytkownik lubił w przeszłości. Ten rodzaj systemu rekomendacji opiera się na trzech krokach:

1. Analizator opisów produktów – na tym etapie opisy produktów są analizowane przy użyciu techniki wyodrębniania cech w celu przekształcenia oryginalnych opisów w wektor przedmiotów. Korzystając z wektorów przedmiotów, system oblicza podobieństwa między produktami.
2. Analizator profilu użytkownika – w drugim kroku system zbiera preferencje użytkownika, dane historii użytkownika i konstruuje profil użytkownika, który jest reprezentowany przez wektor użytkownika. Cechy opisane w wektorze użytkownika są takie same jak cechy w wektorach pozycji.
3. Filtrowanie komponentów – w ostatnim kroku system wybiera rekomendacje na podstawie wektorów użytkownika i elementów (np. za pomocą podobieństwa cosinusów).

Zalety filtrowania opartego na treści to:

• Brak problemu z zimnym startem. System może polecić produkty, zanim jakikolwiek użytkownik je wypróbuje.
• Jest adaptacyjny. Rejestruje zmiany w zainteresowaniach użytkowników .
• Pozycje zalecane dla jednego użytkownika nie zależą od innych użytkowników.
• Poleca niepopularne produkty .

Wady tego rozwiązania to:

• Informacje o produkcie są niezbędne.
• Problem z zimnym startem użytkownika. System nie może generować rekomendacji, gdy nie ma wystarczającej ilości informacji do zbudowania profilu użytkownika.

Filtrowanie zespołowe

W filtrowaniu grupowym system analizuje informacje o preferencjach, zachowaniu i działaniach wszystkich użytkowników, aby przewidzieć, co może Ci się spodobać. Mówiąc najprościej, system rekomenduje przedmioty, które podobają się innym użytkownikom o podobnych gustach i zachowaniu. Głównym założeniem tej metody jest to, że osoby, które w przeszłości lubiły podobne produkty, polubią podobne produkty w przyszłości.

Najważniejsze zalety filtrowania zespołowego to:

• Zawartość produktu nie musi być w żaden sposób zrozumiana ani opisana ani przez twórcę systemu, ani przez sam system . Oznacza to, że system może rekomendować produkty bez jakiejkolwiek analizy samego produktu.
• Jest adaptacyjny. System wychwytuje zmiany w zainteresowaniach użytkowników .

Najważniejsze wady to:

• Problem z zimnym startem użytkownika. System nie może polecać produktów nowym użytkownikom, którzy nie weszli jeszcze w interakcję.
• Problem z zimnym startem przedmiotu . System nie może również polecić pozycji, której użytkownicy nigdy wcześniej nie wybrali.

Hybrydowy

Hybrydowe Systemy Rekomendacji łączą metody oparte na treści i współpracy . To rozwiązanie może być w praktyce bardziej efektywne niż każda z dwóch metod oddzielnie.

W serwisie Netflix stosowany jest system hybrydowy, w którym rekomendacje filmów są wynikiem zarówno porównania zwyczajów oglądania podobnych użytkowników (filtrowanie zespołowe), jak i znalezienia filmów o podobnych cechach, takich jak filmy, które użytkownik lubił w przeszłości (filtrowanie na podstawie treści). .

Streszczenie

Obecnie coraz więcej firm internetowych korzysta z Systemów Rekomendacji, aby zwiększyć interakcję użytkowników z oferowanymi przez nich usługami. Systemy rekomendacji to wydajne rozwiązania do uczenia maszynowego, które mogą pomóc w zwiększeniu satysfakcji klientów i retencji użytkowników, a także doprowadzić do znacznego wzrostu przychodów Twojej firmy.

Interesują Cię systemy rekomendacji?

Czy jesteś zainteresowany wdrożeniem rozwiązania opartego na sztucznej inteligencji – takiego jak Systemy Rekomendacji – w swojej strategii biznesowej? Jeśli tak, to dobrze trafiłeś. Skontaktuj się z naszym zespołem, aby omówić swój pomysł i otrzymać wycenę w ciągu 48 godzin.

Źródła

[1] Edson, J., 2012. Design Like Apple: Siedem zasad tworzenia niesamowicie wspaniałych produktów, usług i doświadczeń. John Wiley & Synowie. s. 47

[2] Jones, SS and Groom, wyd. FM, 2019. Sztuczna inteligencja i uczenie maszynowe dla biznesu dla nieinżynierów . CRC Press, s. 86

[3] Alex Castrounis, 2019. Sztuczna inteligencja dla ludzi i biznesu. Ramy dla lepszych ludzkich doświadczeń i sukcesu w biznesie . (e-book)

[4] Gomez-Uribe, CA i Hunt, N., 2015. System rekomendacji Netflix: algorytmy, wartość biznesowa i innowacje . Transakcje ACM w systemach informacji zarządczej (TMIS), 6(4), s.1-19.

[5] Leonard, D, 2016. Spotify udoskonala sztukę listy odtwarzania w Bloomberg Businessweek