В бизнесе проблема иголки в стоге сена — постоянная проблема. Механизмы рекомендаций призваны помочь решить эту проблему.

В электронной коммерции и розничной торговле вы предлагаете сотни или тысячи продуктов. Какой продукт подходит вашим клиентам?

В продажах и маркетинге у вас есть большое количество потенциальных клиентов. Тем не менее, у вас есть только так много часов в сутках. Итак, перед вами стоит задача решить, на чем именно сосредоточить свои усилия.

Существует специальная технология, основанная на искусственном интеллекте и больших данных, которая значительно упрощает решение этих задач — механизмы рекомендаций.

Что такое рекомендательные системы?

Проще говоря, механизм рекомендаций сортирует множество элементов и прогнозирует выбор, наиболее подходящий для пользователя. Для потребителей привычным примером является система рекомендаций по продуктам Amazon. В мире развлечений Netflix усердно работал над развитием своего движка. Система рекомендаций Netflix принесла следующие преимущества:

Продуманная система рекомендаций [Netflix] и персонализированный пользовательский опыт позволили им сэкономить 1 миллиард долларов в год на отмене услуг. — ROI рекомендательных систем для маркетинга

С точки зрения конечного пользователя часто неясно, как работают механизмы рекомендаций. Мы собираемся приоткрыть завесу и объяснить, как они работают, начиная с ключевого ингредиента: данных.

Механизмы рекомендаций: какие данные они используют?

Данные, которые вам нужны для механизма рекомендаций, зависят от вашей цели. Предположим, ваша цель — увеличить продажи в компании, занимающейся электронной коммерцией. В этом случае необходимый минимум данных можно разделить на две категории: база данных продуктов и поведение конечных пользователей. Чтобы проиллюстрировать, как это работает, посмотрите на этот простой пример.

  • Компания:USB Accessories, Inc. Компания специализируется на продаже USB-аксессуаров и продуктов, таких как кабели, флэш-накопители и концентраторы, потребителям и предприятиям.
  • Данные о товарах. Чтобы упростить первоначальный механизм рекомендаций, компания ограничивает его 100 продуктами.
  • Пользовательские данные. В случае с интернет-магазином пользовательские данные будут включать аналитическую информацию веб-сайта, маркетинг по электронной почте и другие источники. Например, вы можете обнаружить, что 50% клиентов, которые покупают внешний жесткий диск, также покупают USB-кабели.
  • Вывод рекомендаций. В этом случае система рекомендаций может создать рекомендацию (или код скидки) для покупателей жестких дисков, чтобы побудить их приобрести USB-кабели.

На практике лучшие системы рекомендаций используют гораздо больше данных. Как правило, рекомендательные механизмы дают лучшие бизнес-результаты, когда они используют большой объем данных.

Как системы рекомендаций используют ваши данные?

Многие системы рекомендаций используют несколько методов для обработки ваших данных.

Контентная фильтрация

Этот тип алгоритма рекомендаций сочетает в себе пользовательские предпочтения и попытки рекомендовать похожие элементы. В этом случае движок фокусируется на продукте и выделяет связанные элементы. Этот тип рекомендательного механизма относительно прост в создании. Это хорошая отправная точка для компаний с ограниченными данными.

Совместная фильтрация

Спрашивали ли вы кого-нибудь еще о рекомендации, прежде чем совершить покупку? Или учитывать онлайн-обзоры в процессе покупки? Если это так, вы испытали совместную фильтрацию. Более продвинутые механизмы рекомендаций анализируют отзывы пользователей, рейтинги и другой контент, созданный пользователями, для выдачи соответствующих предложений. Этот тип стратегии механизма рекомендаций является мощным, поскольку он использует социальное доказательство.

Гибридные рекомендатели

Гибридные механизмы рекомендаций объединяют два или более метода рекомендаций для получения лучших результатов. Возвращаясь к описанному выше примеру электронной коммерции, предположим, что за последний год вы получили отзывы пользователей и оценки (например, от 1 до 5 звезд). Теперь вы можете использовать как фильтрацию на основе содержимого, так и совместную фильтрацию для предоставления рекомендаций. Успешное объединение нескольких рекомендательных механизмов или алгоритмов обычно требует экспериментов. По этой причине ее лучше всего рассматривать как относительно продвинутую стратегию.

Механизм рекомендаций работает успешно только в том случае, если вы предоставляете ему высококачественные данные. Он также не может работать эффективно, если в базе данных вашей компании есть ошибки или устаревшая информация. Вот почему вам необходимо постоянно инвестировать ресурсы в качество данных.

Тематические исследования:

Автоматизированный найм: рекомендуемые кандидаты

Согласно исследованию Jobvite, в среднем на одну вакансию приходится более 50 соискателей. Для отделов кадров и менеджеров этот объем кандидатов создает огромный объем работы. Чтобы упростить этот процесс, Blue Orange внедрила механизм рекомендаций для хедж-фонда с состоянием 500. Этот проект автоматизации управления персоналом помог компании стандартизировать ранжирование кандидатов. Используя данные и резюме соискателей за десять лет, фирма теперь имеет сложную модель оценки для поиска подходящих кандидатов.

Хедж-фонду в Нью-Йорке нужно было проанализировать резюме, которые были непоследовательными, и потребовалось OCR для улучшения процесса найма. Даже самый лучший синтаксический анализ OCR оставляет вас с беспорядочными и неструктурированными данными. Затем, когда кандидат проходит через процесс подачи заявки, в него вмешиваются люди. Добавьте к набору данных свободную форму текстовых отзывов о соискателе, а также языковые и личные предубеждения. Кроме того, каждый источник данных изолирован, что обеспечивает ограниченные аналитические возможности.

Подход. Проанализировав процессы найма в нескольких компаниях, мы обнаружили три последовательные возможности для систематического улучшения результатов найма с помощью машинного обучения НЛП. Проблемными областями являются: правильное структурирование данных резюме кандидата, оценка соответствия должности и снижение предвзятости при приеме на работу. С очищенным и структурированным набором данных мы смогли выполнить как анализ настроений в тексте, так и обнаружение субъективности, чтобы уменьшить предвзятость кандидата в оценке человека.

Результаты. Используя классификаторы обнаружения ключевых слов, оптическое распознавание символов и облачные механизмы НЛП, мы смогли очистить строковый текст и превратить его в реляционные данные. Со структурированными данными мы предоставили быструю интерактивную панель управления бизнес-аналитикой с возможностью поиска в AWS QuickSight.

Электронная коммерция: медицинские товары Zageno

Еще один пример рекомендательных механизмов, реализованных в реальном мире, исходит от Zageno. Zageno — это компания электронной коммерции, которая делает для ученых-лаборантов то же, что Amazon делает для всех нас. Предостережение заключается в том, что потребности ученых-лаборантов точны, поэтому и материалы, закупаемые для их исследований, должны быть такими же. Приведенные ниже цитаты из нашего интервью с Zageno показывают, как они используют рекомендательные механизмы для доставки наиболее точных расходных материалов лабораторным ученым.

Вопросы и ответы: Blue Orange Digital берет интервью у Загено

Вопрос:

Как ваша компания использовала систему рекомендаций и какие результаты вы получили?

Ответ:

Есть два примера механизмов рекомендаций, которые ZAGENO использует для своих научных клиентов. Чтобы объяснить это, мы сочли нужным выделить их.

  • Научная оценка ZAGENO:
  • ZAGENO's Scientific Score — это комплексная система оценки продуктов, специально разработанная для оценки исследовательских продуктов. Он включает в себя несколько аспектов данных о продуктах из нескольких источников, чтобы предоставить ученым сложную и беспристрастную оценку продуктов для принятия точных решений о покупке.
  • Мы применяем сложные алгоритмы машинного обучения, чтобы точно сопоставлять, группировать и классифицировать миллионы продуктов. Научная оценка учитывает эти категории, поскольку оценка каждого продукта рассчитывается относительно оценок в той же категории. Результатом стала рейтинговая система, которой ученые могут доверять — система, специфичная как для области применения, так и для типа продукта.
  • Стандартные рейтинги продуктов полезны для быстрой оценки продуктов, но часто бывают предвзятыми и ненадежными из-за их зависимости от неизвестных отзывов или одного показателя (например, публикаций). Они также содержат мало подробностей об экспериментальном контексте или применении. Научная оценка использует научную методологию для объективной и всесторонней оценки результатов исследований. Он объединяет всю необходимую и актуальную информацию о продукте в единый рейтинг от 0 до 10, чтобы помочь нашим клиентам решить, какой продукт купить и использовать для их применения, что экономит часы исследований продукта.
  • Чтобы убедиться, что ни один из факторов не доминирует, мы добавляем пороговые значения и придаем большее значение недавним вкладам. Огромное количество факторов, которые мы принимаем во внимание, практически исключает любую возможность манипулирования. В результате наша оценка является объективной мерой качества и количества доступной информации о продукте, которая поддерживает решения наших клиентов о покупке.
  • Альтернативные продукты:
  • Альтернативные продукты определяются теми же значениями ключевых атрибутов; Ключевые атрибуты определяются для каждой категории с учетом конкретных характеристик продукта.
  • Мы работаем над увеличением базовых данных и атрибутов и улучшением алгоритма, чтобы улучшить предложения.
  • Предложения по альтернативным продуктам предназначены для того, чтобы помочь как ученым, так и специалистам по закупкам рассмотреть и оценить потенциальные продукты, которые они могли бы не рассмотреть/не узнать в противном случае.
  • Альтернативные продукты определяются исключительно характеристиками продукта и не зависят от поставщиков, бренда или других коммерческих данных.

Рекомендуете ли вы системы рекомендаций?

«Да, но убедитесь, что вы используете правильные данные, чтобы основывать свои рекомендации на качестве и количестве, отражающих истинные ожидания пользователей. Создайте прозрачность, потому что никто, особенно ученые, не будут доверять или полагаться на черный ящик. Поделитесь со своими пользователями, какая информация используется, как она взвешивается, и продолжайте учиться, чтобы постоянно совершенствоваться. Наконец, завершите цикл, собрав собранные отзывы пользователей и вернув их в систему».

- Загено

Мощь рекомендательных двигателей никогда не была так велика. Как показали такие гиганты, как Amazon и Netflix, рекомендатели могут нести прямую ответственность за увеличение доходов и коэффициент удержания клиентов. Такие компании, как Zageno, показывают, что вам не нужно быть крупной компанией, чтобы использовать силу рекомендателей. Преимущества механизмов рекомендаций охватывают многие отрасли, от электронной коммерции до управления персоналом.

Быстрый способ внедрить системы рекомендаций в вашу компанию

Для разработки механизма рекомендаций требуется опыт работы с данными. У вашей внутренней ИТ-команды может не быть возможностей для этого. Если вы хотите удерживать клиентов и повышать эффективность рекомендательных систем, вам не нужно ждать, пока ИТ-отдел станет менее загруженным. Напишите нам и дайте нам знать. Команда специалистов по обработке и анализу данных Blue Orange Digital с удовольствием заставит рекомендателей работать на вас!

Чтобы узнать больше об искусственном интеллекте и технологических тенденциях, обратитесь к Джошу Мираманту, генеральному директору Blue Orange Digital, занимающемуся решениями на основе данных для Цепочки поставок, Автоматизация документации в здравоохранении и многое другое.

Подпишитесь на меня в Twitter или LinkedIn. Посетите мой веб-сайт.

Джош Мирамант — генеральный директор и основатель Blue Orange Digital, агентства по обработке данных и машинному обучению с офисами в Нью-Йорке и Вашингтоне. Мирамант — популярный спикер, футурист и советник по стратегическим вопросам бизнеса и технологий для корпоративных компаний и стартапов. Он серийный предприниматель и инженер-программист, который построил и масштабировал 3 стартапа. Он помогает организациям оптимизировать и автоматизировать свой бизнес, внедрять аналитические методы на основе данных и понимать значение новых технологий, таких как искусственный интеллект, большие данные и Интернет вещей.

Включен в рейтинги IBM ThinkLeaders, Dell Technologies и 10 лучших агентств по разработке искусственного интеллекта и заказного программного обеспечения Нью-Йорка по версии Clutch и YahooFinance за его вклад в НЛП, искусственный интеллект и машинное обучение. Специализируется на диагностическом обслуживании, унифицированных озерах данных, оптимизации цепочек поставок/сетей/маркетинга/продаж, обнаружении аномалий, системах рекомендаций и других решениях машинного обучения для множества отраслей.

Посетите BlueOrange.digital для получения дополнительной информации и Примеров из практики.

Источник изображения: Канва

Первоначально опубликовано: Unite.AI