เรารู้ว่าคุณชอบอะไร! ข้อดีของระบบการแนะนำในธุรกิจ

เมื่อผู้คนซื้อของ พวกเขาซื้อสินค้าที่พวกเขาชอบหรือที่คนอื่นแนะนำให้พวกเขาเพราะพวกเขาเชื่อในความคิดเห็นของพวกเขา ในยุคดิจิทัลในปัจจุบัน ร้านค้าออนไลน์นำเสนอผลิตภัณฑ์หลายแสนรายการให้กับลูกค้า เพื่อช่วยให้พวกเขาค้นหาผลิตภัณฑ์เหล่านี้และซื้อผลิตภัณฑ์ที่เหมาะสมที่สุด ร้านค้าออนไลน์ใช้ระบบคำแนะนำ

นอกจากนี้ ผู้ให้บริการเนื้อหา (เช่น เพลง ภาพยนตร์) และบริการเครือข่ายสังคมยังใช้ระบบแนะนำเพื่อจัดการเนื้อหาและสร้างคำแนะนำที่มีประสิทธิภาพสำหรับผู้ใช้

พูดง่ายๆ ระบบแนะนำทำหน้าที่เป็นรูปแบบอัตโนมัติของผู้ช่วยลูกค้า ซึ่งไม่เพียงแต่แสดงผลิตภัณฑ์ที่คุณขอ แต่ยังแสดงผลิตภัณฑ์ที่เกี่ยวข้องหรือคุณอาจชอบด้วย เป็นเทคโนโลยีแมชชีนเลิร์นนิงที่นิยมใช้ในธุรกิจเพื่อปรับแต่งเนื้อหาสำหรับลูกค้า

ระบบการแนะนำมีประโยชน์อย่างไร?

เป้าหมายที่ชัดเจนที่สุดของระบบการแนะนำคือการแนะนำผลิตภัณฑ์ที่เกี่ยวข้องให้กับผู้ใช้ สตีฟ จ็อบส์กล่าวว่า “หลายครั้งที่ผู้คนไม่รู้ว่าพวกเขาต้องการอะไร จนกว่าคุณจะแสดงให้พวกเขาเห็น” [1] อ้างอิงจากคำพูดของจ็อบ เราสามารถพูดได้ว่าหนึ่งในเป้าหมายรองของระบบการแนะนำคือการแสดงผลิตภัณฑ์ให้ผู้ใช้เห็นว่าพวกเขาไม่เคยเห็นมาก่อนและอาจชอบ คำแนะนำที่ตรงกันสามารถช่วย ปรับปรุงความพึงพอใจโดยรวมของผู้ใช้ ซึ่งทำให้ผู้บริโภคมีโอกาสใช้เว็บไซต์หรือแอปอีกครั้ง

หนึ่งในผู้ใช้ที่มีชื่อเสียงที่สุดและผู้บุกเบิกระบบการแนะนำคือ Amazon.com Amazon ใช้คำแนะนำเพื่อปรับแต่งร้านค้าออนไลน์สำหรับลูกค้าแต่ละราย ซึ่งส่งผลให้รายได้ของ Amazon ถึง 35% [2]

อีกตัวอย่างหนึ่งที่มีชื่อเสียงของระบบการแนะนำคืออัลกอริทึมที่ Netflix ใช้ จากข้อมูลของ McKinsey 75% ของสิ่งที่ผู้ใช้รับชมบน Netflix มาจากการแนะนำภาพยนตร์ [3] ในบทความเรื่อง “ The Netflix Recommender System: Algorithms, Business Value, and Innovation ” [4] เขียนโดยผู้บริหารของ Netflix (Carlos A. Gomez-Uribe และ Neil Hunt) ระบุว่าระบบการแนะนำช่วยบริษัทประหยัดเงินได้ประมาณ 1 พันล้านดอลลาร์ในแต่ละปี

ตาม Spotify การนำอัลกอริธึมการแนะนำใหม่มาใช้ได้ช่วยเพิ่มจำนวนผู้ใช้รายเดือนจาก 75 ล้านเป็น 100 ล้าน [5]

ระบบการแนะนำใช้ข้อมูลประเภทใด

องค์ประกอบที่สำคัญที่สุดในการสร้างระบบคำแนะนำคือข้อมูล ข้อมูลมีสามประเภท: ข้อมูลที่ชัดเจน ข้อมูลโดยนัย และรายละเอียดผลิตภัณฑ์

ข้อมูลที่ชัดเจน มักมีรูปแบบตัวเลข (เช่น การให้คะแนนระดับ 5 ดาว) ที่ผู้ใช้มอบให้กับผลิตภัณฑ์ ตัวอย่างของข้อมูลที่ชัดเจน ได้แก่ การให้คะแนนของผลิตภัณฑ์ที่ลูกค้ามอบให้ใน Amazon หรือการให้คะแนนหลักสูตรของหลักสูตรโดยผู้ใช้ในแพลตฟอร์มการเรียนรู้ของ Udemy ข้อมูลประเภทนี้รวบรวมได้ยากเนื่องจากต้องการข้อมูลเพิ่มเติมจากผู้ใช้ ดังนั้นจึงต้องใช้เวลามากขึ้นในการรับกลุ่มการให้คะแนนที่กว้างพอที่จะสร้างโมเดล Machine Learning ที่มีประโยชน์

ข้อมูลโดยนัย นั้นง่ายต่อการรวบรวม เป็นข้อมูลใดๆ ที่เน้นไปที่วิธีที่ผู้ใช้โต้ตอบกับผลิตภัณฑ์/เนื้อหาที่มี ปัญหาหลักของข้อมูลประเภทนี้คือการแปลงพฤติกรรมของผู้ใช้ให้เป็นค่ากำหนดของผู้ใช้ แต่มีวิธีที่มีประสิทธิภาพในการทำ ตัวอย่างของข้อมูลโดยนัย ได้แก่ จำนวนครั้งที่เล่นเพลงบน Spotify จำนวนคลิกบนลิงก์ผลิตภัณฑ์ หรือประวัติการซื้อบน Amazon

ข้อมูลประเภทสุดท้ายคือ รายละเอียดสินค้า . เนื่องจากข้อมูลประเภทนี้มักไม่มีโครงสร้าง (เช่น มีรูปแบบข้อความอิสระ) เราจึงจำเป็นต้องดำเนินการประมวลผลล่วงหน้าเพิ่มเติมเพื่อดึงข้อมูลที่เกี่ยวข้องและจัดวางในรูปแบบที่มีโครงสร้าง ตัวอย่างคำอธิบายผลิตภัณฑ์ ได้แก่ รายชื่อนักแสดงภาพยนตร์ใน Netflix นักแต่งเพลงใน Spotify หรือคำอธิบายผลิตภัณฑ์ใน Amazon

มีระบบคำแนะนำประเภทใดบ้าง?

เมื่อรวบรวมข้อมูลแล้ว เราสามารถเริ่มสร้างระบบคำแนะนำได้ มีสี่ประเภทหลัก:

ตามความนิยม

ระบบการแนะนำที่ง่ายที่สุดขึ้นอยู่กับความนิยมของสินค้า ระบบนี้คำนวณการให้คะแนนผลิตภัณฑ์โดยใช้ข้อมูลที่ชัดเจนหรือโดยนัย ด้านล่างนี้ คุณจะพบตัวอย่างระบบแนะนำตามความนิยมสองตัวอย่างสำหรับผู้ให้บริการภาพยนตร์:

• ใช้ข้อมูลที่ชัดเจน – แนะนำภาพยนตร์ยอดนิยมโดยอิงจากคะแนนเฉลี่ย 5 ดาวของผู้ใช้
• ใช้ข้อมูลโดยนัย – แนะนำภาพยนตร์ยอดนิยมโดยพิจารณาจากจำนวนครั้งที่ผู้ใช้เล่น

ข้อได้เปรียบที่สำคัญที่สุดของระบบการแนะนำตามความนิยมคือ:

• ผู้ใช้ทนต่อการสตาร์ทเย็น ระบบสามารถแนะนำสินค้าได้โดยไม่มีข้อมูลเกี่ยวกับผู้ใช้
• สามารถใช้ในสภาพแวดล้อมที่มีผู้ใช้จำนวนน้อย

ข้อเสียที่สำคัญที่สุดคือ:

• ผู้ใช้ทุกคนมีรายการคำแนะนำที่เหมือนกัน
• ปัญหาการสตาร์ทเครื่องเย็น ระบบไม่สามารถเสนอรายการที่ไม่เคยถูกเลือกหรือให้คะแนนโดยผู้ใช้รายอื่นมาก่อน  

การกรองตามเนื้อหา

วิธีการกรองตามเนื้อหาจะ ขึ้นอยู่กับคำอธิบายผลิตภัณฑ์และความชอบของผู้ใช้ ระบบประเภทนี้แนะนำผลิตภัณฑ์ที่คล้ายกับผลิตภัณฑ์ที่ผู้ใช้เคยชอบในอดีต ระบบการแนะนำประเภทนี้ขึ้นอยู่กับสามขั้นตอน:

1. เครื่องวิเคราะห์รายละเอียดผลิตภัณฑ์ – ในขั้นตอนนี้ คำอธิบายผลิตภัณฑ์จะได้รับการวิเคราะห์โดยใช้เทคนิคการแยกคุณลักษณะเพื่อเปลี่ยนคำอธิบายดั้งเดิมให้เป็นเวกเตอร์ของรายการ การใช้เวกเตอร์รายการ ระบบจะคำนวณความคล้ายคลึงกันระหว่างผลิตภัณฑ์ต่างๆ
2. ตัววิเคราะห์โปรไฟล์ผู้ใช้ – ในขั้นตอนที่สอง ระบบจะรวบรวมการตั้งค่าผู้ใช้ ข้อมูลประวัติผู้ใช้ และสร้างโปรไฟล์ผู้ใช้ซึ่งแสดงโดยเวกเตอร์ผู้ใช้ คุณลักษณะที่อธิบายไว้ในเวกเตอร์ผู้ใช้จะเหมือนกับคุณลักษณะในเวกเตอร์ของรายการ
3. การ กรองส่วนประกอบ – ในขั้นตอนสุดท้าย ระบบจะเลือกคำแนะนำตามเวกเตอร์ผู้ใช้และรายการ (เช่น การใช้ความคล้ายคลึงของโคไซน์)

ข้อดีของการกรองตามเนื้อหาคือ:

• ไม่มีปัญหาการสตาร์ทเครื่องเย็น ระบบสามารถแนะนำผลิตภัณฑ์ก่อนที่ผู้ใช้จะลองใช้
• มันคือการปรับตัว บันทึกการเปลี่ยนแปลงในความสนใจ ของ ผู้ใช้
• รายการที่แนะนำสำหรับผู้ใช้รายหนึ่งไม่ได้ขึ้นอยู่กับผู้ใช้รายอื่น
• แนะนำผลิตภัณฑ์ที่ไม่เป็นที่นิยม

ข้อเสียของการแก้ปัญหานี้คือ:

• ข้อมูลผลิตภัณฑ์เป็นสิ่งที่จำเป็น
• ปัญหาการสตาร์ทเครื่องเย็น ระบบไม่สามารถสร้างคำแนะนำเมื่อมีข้อมูลไม่เพียงพอที่จะสร้างโปรไฟล์ผู้ใช้

การกรองการทำงานร่วมกัน

ในการกรองการทำงานร่วมกัน ระบบจะวิเคราะห์ ข้อมูลเกี่ยวกับการตั้งค่า พฤติกรรม และกิจกรรม ของผู้ใช้ทั้งหมดเพื่อคาดการณ์สิ่งที่คุณอาจชอบ พูดง่ายๆ คือ ระบบแนะนำรายการที่ผู้ใช้รายอื่นที่มีรสนิยมและพฤติกรรมคล้ายคลึงกันชอบ สมมติฐานหลักของวิธีนี้คือคนที่ชอบผลิตภัณฑ์ที่คล้ายคลึงกันในอดีตจะชอบผลิตภัณฑ์ที่คล้ายคลึงกันในอนาคตเช่นกัน

ข้อดีที่สำคัญที่สุดของการกรองการทำงานร่วมกันคือ:

• เนื้อหาของผลิตภัณฑ์ไม่จำเป็นต้องเข้าใจหรืออธิบายไม่ว่าโดยผู้สร้างระบบหรือตัวระบบเอง ซึ่งหมายความว่าระบบสามารถแนะนำผลิตภัณฑ์โดยไม่ต้องวิเคราะห์ตัวผลิตภัณฑ์เอง
• มันคือการปรับตัว ระบบจะบันทึกการเปลี่ยนแปลงในความสนใจ ของ ผู้ใช้

ข้อเสียที่สำคัญที่สุดคือ:

• ปัญหาการสตาร์ทเครื่องเย็น ระบบไม่สามารถแนะนำผลิตภัณฑ์ให้กับผู้ใช้ใหม่ที่ยังไม่เคยโต้ตอบได้
• ปัญหาการสตาร์ทเครื่องเย็น ระบบไม่สามารถแนะนำรายการที่ผู้ใช้ไม่เคยเลือกมาก่อนได้

ไฮบริด

ระบบคำแนะนำแบบ ผสมผสานผสมผสานวิธีการที่ใช้เนื้อหาและการทำงานร่วมกัน วิธีแก้ปัญหานี้สามารถมีประสิทธิภาพในทางปฏิบัติมากกว่าวิธีใดวิธีหนึ่งจากสองวิธีแยกกัน

ระบบไฮบริดใช้ใน Netflix โดยที่การแนะนำภาพยนตร์เป็นผลมาจากทั้งการเปรียบเทียบพฤติกรรมการรับชมของผู้ใช้ที่คล้ายคลึงกัน (collaborative filtering) และการค้นหาภาพยนตร์ที่มีลักษณะคล้ายคลึงกันเช่นภาพยนตร์ที่ผู้ใช้เคยชอบในอดีต (การกรองตามเนื้อหา) .

สรุป

ทุกวันนี้ บริษัทออนไลน์จำนวนมากขึ้นเรื่อยๆ ใช้ระบบการแนะนำเพื่อเพิ่มการโต้ตอบกับผู้ใช้กับบริการที่พวกเขาให้ ระบบคำแนะนำคือโซลูชันแมชชีนเลิร์นนิงที่มีประสิทธิภาพซึ่งสามารถช่วยเพิ่มความพึงพอใจของลูกค้าและการรักษาผู้ใช้ และนำไปสู่รายได้ทางธุรกิจที่เพิ่มขึ้นอย่างมาก

สนใจระบบการแนะนำ?

คุณสนใจที่จะใช้โซลูชันที่ใช้ AI เช่น ระบบคำแนะนำ ในกลยุทธ์ทางธุรกิจของคุณหรือไม่? ถ้าใช่ คุณมาถูกที่แล้ว ติดต่อทีมงานของเราเพื่อหารือเกี่ยวกับแนวคิดของคุณและขอใบเสนอราคาภายใน 48 ชั่วโมง

แหล่งที่มา

[1] Edson, J., 2012. Design Like Apple: Sevenหลักการสำหรับการสร้างผลิตภัณฑ์ บริการ และประสบการณ์ที่ยอดเยี่ยมอย่างบ้าคลั่ง จอห์น ไวลีย์ แอนด์ ซันส์. น. 47

[2] Jones, SS and Groom, FM eds., 2019. ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องสำหรับธุรกิจสำหรับผู้ที่ไม่ใช่วิศวกร CRC Press, น. 86

[3] Alex Castrounis, 2019. AI สำหรับผู้คนและธุรกิจ กรอบการทำงานเพื่อประสบการณ์ของมนุษย์ที่ดีขึ้นและความสำเร็จทางธุรกิจ (อีบุ๊ค)

[4] Gomez-Uribe, CA and Hunt, N., 2015. ระบบแนะนำ netflix: อัลกอริทึม มูลค่าทางธุรกิจ และนวัตกรรม ธุรกรรม ACM ในระบบข้อมูลการจัดการ (TMIS), 6(4), หน้า 1-19

[5] Leonard, D, 2016. Spotify ทำให้ศิลปะของเพลย์ลิสต์สมบูรณ์แบบ บน Bloomberg Businessweek