Știm ce vă place! Avantajele sistemelor de recomandare în afaceri

Când oamenii cumpără, cumpără produse care le plac sau pe care alții le-o recomandă, pentru că au încredere în opinia lor. În era digitală de astăzi, magazinele online oferă sute de mii de produse clienților lor. Pentru a-i ajuta să caute printre aceste produse și să cumpere pe cel mai potrivit dintre ele, magazinele online folosesc sisteme de recomandare.

În plus, furnizorii de conținut (de exemplu, muzică, filme) și serviciile de rețele sociale folosesc sisteme de recomandare pentru a gestiona conținutul și pentru a crea recomandări eficiente pentru utilizatori.

Mai simplu spus, sistemele de recomandare acționează ca o formă automată a unui asistent pentru clienți care nu numai că arată produsul pe care l-ați solicitat, ci și pe cele care sunt într-un fel înrudite sau v-ar putea plăcea. Acestea sunt printre cele mai populare tehnologii de învățare automată utilizate în afaceri pentru a personaliza conținutul pentru clienți.

Care sunt beneficiile sistemelor de recomandare?

Cel mai evident obiectiv al unui sistem de recomandare este de a recomanda produse relevante utilizatorului . Steve Jobs a spus: „De multe ori, oamenii nu știu ce vor până când le arăți” [1]. Referindu-ne la cuvintele lui Iov, putem spune că unul dintre scopurile secundare ale unui sistem de recomandare este acela de a arăta utilizatorilor produse pe care nu le-au văzut în trecut și care ar putea să le placă. Potrivirea corectă a recomandărilor poate ajuta la îmbunătățirea satisfacției generale a utilizatorilor , ceea ce face ca consumatorul să folosească din nou site-ul web sau aplicația mai probabil.

Unul dintre cei mai cunoscuți utilizatori și pionierii sistemelor de recomandare este Amazon.com. Amazon folosește recomandări pentru a personaliza magazinul online pentru fiecare client, ceea ce duce la 35% din veniturile Amazon [2].

Un alt exemplu celebru de sistem de recomandare este algoritmul pe care Netflix îl folosește. Potrivit lui McKinsey, 75% din ceea ce vizionează utilizatorii pe Netflix provine din recomandări de filme [3]. În lucrarea „ The Netflix Recommender System: Algorithms, Business Value, and Innovation ” [4] scrisă de directorii Netflix (Carlos A. Gomez-Uribe și Neil Hunt), autorii afirmă că sistemul de recomandare economisește compania în jur de 1 miliard de dolari în fiecare an.

Potrivit Spotify, implementarea noului algoritm de recomandare a contribuit la creșterea numărului de utilizatori lunari de la 75 de milioane la 100 de milioane [5].

Ce tip de date folosesc sistemele de recomandare?

Cel mai important element în construirea unui sistem de recomandare sunt datele. Există trei tipuri de date: date explicite, date implicite și descrierea produsului.

Datele explicite au , de obicei, forma unui număr (de exemplu, evaluări de 5 stele) dat de un utilizator unui produs. Exemple de date explicite sunt evaluările produselor oferite de clienți pe Amazon sau evaluările cursurilor de către utilizatori în platforma de învățare Udemy. Acest tip de date este greu de colectat, deoarece necesită o contribuție suplimentară din partea utilizatorilor, așa că este nevoie de mai mult timp pentru a obține un grup de evaluări suficient de larg pentru a construi un model util de învățare automată.

Datele implicite sunt ușor de colectat. Sunt orice date concentrate pe modul în care utilizatorul interacționează cu produsele/conținutul disponibil. Problema principală cu acest tip de date este cum se transformă comportamentul utilizatorului în preferințe ale utilizatorului. Dar există modalități eficiente de a face acest lucru. Exemple de date implicite sunt de câte ori o melodie este redată pe Spotify, numărul de clicuri pe linkurile de produse sau istoricul achizițiilor pe Amazon.

Ultimul tip de date este descrierea produsului . Deoarece acest tip de date este adesea nestructurat (de exemplu, are o formă de text liber), trebuie să implementăm o pre-procesare suplimentară pentru a extrage informațiile relevante și a le pune într-o formă structurată. Exemple de descrieri de produse sunt o listă a unei distribuții a unui film pe Netflix, un compozitor pe Spotify sau descrierea produsului pe Amazon.

Ce tipuri de sisteme de recomandare există?

Odată ce datele au fost colectate, putem începe construirea unui Sistem de Recomandare. Există patru tipuri principale:

Bazat pe popularitate

Cel mai simplu tip de sistem de recomandare se bazează pe popularitatea articolului. Acest sistem calculează evaluările produselor folosind date explicite sau implicite. Mai jos puteți găsi două exemple de sisteme de recomandare bazate pe popularitate pentru un furnizor de filme:

• folosind date explicite – sugerează filme populare pe baza mediei evaluărilor de 5 stele ale utilizatorilor,
• folosind date implicite – sugerează filme populare pe baza numărului de redări ale utilizatorilor.

Cele mai importante avantaje ale sistemelor de recomandare bazate pe popularitate sunt:

• Este rezistent la pornire la rece pentru utilizator . Sistemul poate sugera produse fără nicio informație despre utilizator.
• Poate fi folosit în medii cu un număr mic de utilizatori.

Cel mai important dezavantaj este:

• Fiecare utilizator are aceeași listă de recomandări.
• Problemă cu pornirea la rece a articolului. Sistemul nu poate propune un articol care nu a fost niciodată selectat sau o evaluare de către alți utilizatori înainte.  

Filtrare bazată pe conținut

Metodele de filtrare bazate pe conținut se bazează pe descrierile produselor și pe preferințele utilizatorilor. Acest tip de sistem recomandă produse similare cu produsele pe care utilizatorul i-a plăcut în trecut. Acest tip de sistem de recomandare se bazează pe trei pași:

1. Analizor de descriere a produsului – în acest pas, descrierile produselor sunt analizate folosind o tehnică de extragere a caracteristicilor pentru a transforma descrierile originale într-un vector de articol. Folosind vectori de articole, sistemul calculează asemănările dintre produse.
2. Analizor de profil de utilizator – în a doua etapă, sistemul colectează preferințele utilizatorului, datele din istoricul utilizatorului și construiește profilul utilizatorului care este reprezentat de vectorul utilizatorului. Caracteristicile descrise în vectorul utilizatorului sunt aceleași cu caracteristicile din vectorii articol.
3. Filtrarea componentelor – în ultimul pas, sistemul alege recomandări pe baza vectorilor utilizator și articole (de exemplu, folosind asemănarea cosinus).

Avantajele filtrării bazate pe conținut sunt:

• Nicio problemă la pornirea la rece a articolului. Sistemul poate recomanda produse înainte ca orice utilizator să le încerce.
• Este adaptativ. Captează schimbările în interesele utilizatorilor .
• Elementele recomandate pentru un utilizator nu depind de alți utilizatori.
• Recomanda produse nepopulare .

Dezavantajele acestei soluții sunt:

• Sunt necesare informații despre produs.
• Problemă la pornirea la rece a utilizatorului. Sistemul nu poate produce recomandări atunci când nu există suficiente informații pentru a construi un profil de utilizator.

Filtrare colaborativa

În filtrarea colaborativă, sistemul analizează informații despre preferințele, comportamentul și activitățile tuturor utilizatorilor pentru a prezice ce ți-ar putea plăcea. Mai simplu spus, sistemul recomandă articole care le-au plăcut altor utilizatori cu gusturi și comportamente similare. Principala ipoteză a acestei metode este că oamenilor cărora le-au plăcut produse similare în trecut le vor plăcea și produse similare în viitor.

Cele mai importante avantaje ale filtrării colaborative sunt:

• Conținutul produsului nu trebuie să fie în niciun fel înțeles sau descris nici de către creatorul sistemului, nici de sistemul însuși . Aceasta înseamnă că sistemul poate recomanda produse fără nicio analiză a produsului în sine.
• Este adaptativ. Sistemul surprinde schimbările în interesele utilizatorilor .

Cele mai importante dezavantaje sunt:

• Problemă la pornirea la rece a utilizatorului. Sistemul nu poate recomanda produse utilizatorilor noi care nu au avut încă nicio interacțiune.
• Problemă la pornirea la rece a articolului . De asemenea, sistemul nu poate recomanda un articol pe care utilizatorii nu l-au selectat niciodată înainte.

Hibrid

Sistemele hibride de recomandare combină metode bazate pe conținut și metode colaborative . Această soluție poate fi mai eficientă în practică decât oricare dintre cele două metode separat.

Pe Netflix este utilizat un sistem hibrid, unde recomandările de filme sunt rezultatul atât a comparării obiceiurilor de vizionare ale utilizatorilor similari (filtrare colaborativă), cât și a găsirii de filme care au caracteristici similare precum filmele pe care utilizatorul le-a plăcut în trecut (filtrare bazată pe conținut) .

rezumat

Astăzi, tot mai multe companii online folosesc sisteme de recomandare pentru a crește interacțiunea utilizatorilor cu serviciile pe care le oferă. Sistemele de recomandare sunt soluții eficiente de învățare automată care pot ajuta la creșterea satisfacției clienților și a reținerii utilizatorilor și pot duce la o creștere semnificativă a veniturilor afacerii dvs.

Vă interesează sistemele de recomandare?

Ești interesat să implementezi o soluție bazată pe inteligență artificială – cum ar fi sistemele de recomandare – în strategia ta de afaceri? Dacă da, ați ajuns la locul potrivit. Contactați echipa noastră pentru a discuta despre ideea dvs. și pentru a obține o ofertă în 48 de ore.

Surse

[1] Edson, J., 2012. Design Like Apple: Seven Principles for Creating Insanely Great Products, Services, and Experiences. John Wiley & Sons. p. 47

[2] Jones, SS și Groom, FM eds., 2019. Inteligență artificială și învățare automată pentru afaceri pentru non-ingineri . CRC Press, p. 86

[3] Alex Castrounis, 2019. AI pentru oameni și afaceri. Un cadru pentru experiențe umane mai bune și succes în afaceri . (carte electronică)

[4] Gomez-Uribe, CA și Hunt, N., 2015. Sistemul de recomandare netflix: algoritmi, valoare de afaceri și inovație . ACM Transactions on Management Information Systems (TMIS), 6(4), pp.1-19.

[5] Leonard, D, 2016. Spotify perfecționează arta listei de redare pe Bloomberg Businessweek