Kami tahu apa yang Anda suka! Keuntungan dari sistem rekomendasi dalam bisnis

Ketika orang berbelanja, mereka membeli produk yang mereka sukai atau yang direkomendasikan orang lain kepada mereka, karena mereka mempercayai pendapat mereka. Di era digital saat ini, toko online menawarkan ratusan ribu produk kepada pelanggannya. Untuk membantu mereka menelusuri produk ini dan membeli yang paling cocok, toko online menggunakan sistem rekomendasi.

Selain itu, penyedia konten (misalnya musik, film) dan layanan jejaring sosial menggunakan sistem rekomendasi untuk mengelola konten dan membuat rekomendasi yang efektif bagi pengguna.

Sederhananya, sistem rekomendasi bertindak sebagai bentuk otomatis dari asisten pelanggan yang tidak hanya menunjukkan produk yang Anda minta tetapi juga menunjukkan produk yang entah bagaimana terkait atau mungkin juga Anda sukai. Mereka adalah salah satu teknologi pembelajaran mesin paling populer yang digunakan dalam bisnis untuk mempersonalisasi konten bagi pelanggan.

Apa manfaat dari Sistem Rekomendasi?

Tujuan yang paling jelas dari sistem rekomendasi adalah untuk merekomendasikan produk yang relevan kepada pengguna . Steve Jobs berkata: "Sering kali, orang tidak tahu apa yang mereka inginkan sampai Anda menunjukkannya kepada mereka" [1]. Mengacu pada kata-kata Ayub, kita dapat mengatakan bahwa salah satu tujuan sekunder dari sistem rekomendasi adalah untuk menunjukkan kepada pengguna produk yang belum pernah mereka lihat di masa lalu dan mungkin mereka sukai. Mencocokkan rekomendasi dengan baik dapat membantu meningkatkan kepuasan pengguna secara keseluruhan , yang membuatnya lebih mungkin bagi konsumen untuk menggunakan situs web atau aplikasi lagi.

Salah satu pengguna dan pelopor sistem rekomendasi yang paling terkenal adalah Amazon.com. Amazon menggunakan rekomendasi untuk mempersonalisasi toko online untuk setiap pelanggan, yang menghasilkan 35% dari pendapatan Amazon [2].

Contoh terkenal lainnya dari sistem rekomendasi adalah algoritma yang digunakan Netflix. Menurut McKinsey, 75% dari apa yang ditonton pengguna di Netflix berasal dari rekomendasi film [3]. Dalam makalah “ The Netflix Recommender System: Algorithms, Business Value, and Innovation ” [4] yang ditulis oleh eksekutif Netflix (Carlos A. Gomez-Uribe dan Neil Hunt) penulis menyatakan bahwa sistem rekomendasi menghemat perusahaan sekitar $ 1 miliar setiap tahun.

Menurut Spotify, penerapan algoritme rekomendasi baru telah membantu meningkatkan jumlah pengguna bulanan mereka dari 75 juta menjadi 100 juta [5].

Jenis data apa yang digunakan Sistem Rekomendasi?

Elemen terpenting dalam membangun Sistem Rekomendasi adalah data. Ada tiga jenis data: data eksplisit, data implisit, dan deskripsi produk.

Data eksplisit biasanya berbentuk angka (misalnya peringkat bintang 5) yang diberikan oleh pengguna kepada suatu produk. Contoh data eksplisit adalah peringkat produk yang diberikan oleh pelanggan di Amazon atau peringkat kursus kursus oleh pengguna di platform pembelajaran Udemy. Jenis data ini sulit dikumpulkan karena memerlukan masukan tambahan dari pengguna, sehingga perlu lebih banyak waktu untuk mendapatkan kumpulan peringkat yang cukup luas untuk membangun model Pembelajaran Mesin yang berguna.

Data implisit mudah dikumpulkan. Ini adalah data apa pun yang berfokus pada bagaimana pengguna berinteraksi dengan produk/konten yang tersedia. Masalah utama dengan jenis data ini adalah bagaimana mengubah perilaku pengguna menjadi preferensi pengguna. Tetapi ada cara yang efisien untuk melakukannya. Contoh data implisit adalah berapa kali lagu diputar di Spotify, jumlah klik pada tautan produk, atau riwayat pembelian di Amazon.

Jenis data yang terakhir adalah deskripsi produk . Karena jenis data ini sering tidak terstruktur (misalnya memiliki bentuk teks bebas), kita perlu menerapkan beberapa pra-pemrosesan tambahan untuk mengekstrak informasi yang relevan dan memasukkannya ke dalam bentuk terstruktur. Contoh deskripsi produk adalah daftar pemeran film di Netflix, penulis lagu di Spotify, atau deskripsi produk di Amazon.

Apa jenis Sistem Rekomendasi yang ada?

Setelah data terkumpul, kita dapat mulai membangun Sistem Rekomendasi. Ada empat jenis utama:

Berbasis popularitas

Jenis sistem rekomendasi yang paling mudah didasarkan pada popularitas item. Sistem ini menghitung peringkat produk menggunakan data eksplisit atau implisit. Di bawah ini Anda dapat menemukan dua contoh sistem rekomendasi berdasarkan popularitas untuk penyedia film:

• menggunakan data eksplisit – menyarankan film populer berdasarkan rata-rata peringkat bintang 5 pengguna,
• menggunakan data implisit – menyarankan film populer berdasarkan berapa kali pengguna memutarnya.

Keuntungan paling penting dari sistem rekomendasi berbasis popularitas adalah:

• Ini tahan dingin-start pengguna . Sistem dapat menyarankan produk tanpa informasi tentang pengguna.
• Ini dapat digunakan di lingkungan dengan sejumlah kecil pengguna.

Kerugian yang paling penting adalah:

• Setiap pengguna memiliki daftar rekomendasi yang sama.
• Masalah start dingin barang. Sistem tidak dapat mengusulkan item yang belum pernah dipilih atau dinilai oleh pengguna lain sebelumnya.  

Pemfilteran berbasis konten

Metode penyaringan berbasis konten didasarkan pada deskripsi produk dan preferensi pengguna. Jenis sistem ini merekomendasikan produk yang mirip dengan produk yang disukai pengguna di masa lalu. Jenis sistem rekomendasi ini didasarkan pada tiga langkah:

1. Penganalisis deskripsi produk – pada langkah ini, deskripsi produk dianalisis menggunakan teknik ekstraksi fitur untuk mengubah deskripsi asli menjadi vektor item. Menggunakan vektor item, sistem menghitung kesamaan antara produk.
2. Penganalisis profil pengguna – pada langkah kedua, sistem mengumpulkan preferensi pengguna, data riwayat pengguna, dan membangun profil pengguna yang diwakili oleh vektor pengguna. Fitur yang dijelaskan dalam vektor pengguna sama dengan fitur dalam vektor item.
3. Pemfilteran komponen – pada langkah terakhir, sistem memilih rekomendasi berdasarkan vektor pengguna dan item (misalnya menggunakan kesamaan kosinus).

Keuntungan dari pemfilteran berbasis konten adalah:

• Tidak ada item masalah mulai dingin. Sistem dapat merekomendasikan produk sebelum pengguna mencobanya.
• Ini adaptif. Menangkap perubahan minat pengguna .
• Item yang direkomendasikan untuk satu pengguna tidak bergantung pada pengguna lain.
• Merekomendasikan produk yang tidak populer .

Kekurangan dari solusi ini adalah:

• Informasi produk diperlukan.
• Masalah mulai dingin pengguna. Sistem tidak dapat menghasilkan rekomendasi ketika tidak ada informasi yang cukup untuk membangun profil pengguna.

Penyaringan kolaboratif

Dalam pemfilteran kolaboratif, sistem menganalisis informasi tentang preferensi, perilaku, dan aktivitas semua pengguna untuk memprediksi apa yang mungkin Anda sukai. Sederhananya, sistem merekomendasikan item yang disukai pengguna lain dengan selera dan perilaku yang sama. Asumsi utama dari metode ini adalah bahwa orang yang menyukai produk serupa di masa lalu juga akan menyukai produk serupa di masa depan.

Keuntungan terpenting dari penyaringan kolaboratif adalah:

• Konten produk tidak perlu dipahami atau dijelaskan dengan cara apa pun baik oleh pembuat sistem maupun sistem itu sendiri . Ini berarti bahwa sistem dapat merekomendasikan produk tanpa analisis produk itu sendiri.
• Ini adaptif. Sistem menangkap perubahan minat pengguna .

Kerugian yang paling penting adalah:

• Masalah mulai dingin pengguna. Sistem tidak dapat merekomendasikan produk kepada pengguna baru yang belum pernah berinteraksi.
• Masalah mulai dingin item . Sistem juga tidak dapat merekomendasikan item yang belum pernah dipilih pengguna sebelumnya.

Hibrida

Sistem Rekomendasi Hybrid menggabungkan metode berbasis konten dan kolaboratif . Solusi ini bisa lebih efektif dalam praktiknya daripada salah satu dari dua metode secara terpisah.

Sistem Hybrid digunakan di Netflix , di mana rekomendasi film adalah hasil dari membandingkan kebiasaan menonton pengguna yang sama (pemfilteran kolaboratif) dan menemukan film yang memiliki karakteristik serupa seperti film yang disukai pengguna di masa lalu (pemfilteran berbasis konten) .

Ringkasan

Saat ini, semakin banyak perusahaan online menggunakan Sistem Rekomendasi untuk meningkatkan interaksi pengguna dengan layanan yang mereka berikan. Sistem rekomendasi adalah solusi pembelajaran mesin yang efisien yang dapat membantu meningkatkan kepuasan pelanggan dan retensi pengguna, serta menghasilkan peningkatan pendapatan bisnis Anda yang signifikan.

Tertarik dengan Sistem Rekomendasi?

Apakah Anda tertarik untuk menerapkan solusi berbasis AI – seperti Sistem Rekomendasi – dalam strategi bisnis Anda? Jika demikian, Anda telah datang ke tempat yang tepat. Hubungi tim kami untuk mendiskusikan ide Anda dan dapatkan penawaran dalam 48 jam.

Sumber

[1] Edson, J., 2012. Desain Seperti Apple: Tujuh Prinsip untuk Menciptakan Produk, Layanan, dan Pengalaman yang Luar Biasa Hebat. John Wiley & Sons. hal.47

[2] Jones, SS and Groom, FM eds., 2019. Kecerdasan Buatan dan Pembelajaran Mesin untuk Bisnis untuk Non-Insinyur . CRC Press, hlm. 86

[3] Alex Castrounis, 2019. AI untuk Orang dan Bisnis. Kerangka Kerja untuk Pengalaman Manusia yang Lebih Baik dan Kesuksesan Bisnis . (buku elektronik)

[4] Gomez-Uribe, CA and Hunt, N., 2015. Sistem rekomendasi netflix: Algoritma, nilai bisnis, dan inovasi . Transaksi ACM pada Sistem Informasi Manajemen (TMIS), 6(4), hlm.1-19.

[5] Leonard, D, 2016. Spotify Menyempurnakan Seni Daftar Putar di Bloomberg Businessweek