우리는 당신이 무엇을 좋아하는지 알고 있습니다! 비즈니스 추천 시스템의 장점

게시 됨: 2020-07-28

사람들은 쇼핑을 할 때 자신의 의견을 신뢰하기 때문에 자신이 좋아하거나 다른 사람이 추천하는 제품을 구입합니다. 오늘날의 디지털 시대에 온라인 상점은 수십만 개의 제품을 고객에게 제공합니다. 이러한 제품을 검색하고 가장 적합한 구매를 돕기 위해 온라인 상점에서는 추천 시스템을 사용합니다.

더욱이, 콘텐츠 제공자(예: 음악, 영화) 및 소셜 네트워킹 서비스는 추천 시스템을 사용하여 콘텐츠를 관리하고 사용자를 위한 효과적인 추천을 생성합니다.

간단히 말해서 추천 시스템은 고객이 요청한 제품을 보여줄 뿐만 아니라 어떻게든 관련이 있거나 좋아할 수 있는 제품을 보여주는 자동화된 형태의 고객 도우미 역할을 합니다. 비즈니스에서 고객을 위해 콘텐츠를 개인화하는 데 사용되는 가장 인기 있는 기계 학습 기술 중 하나입니다.

추천 시스템의 이점은 무엇입니까?

추천 시스템의 가장 분명한 목표는 사용자에게 관련 제품을 추천하는 것 입니다. 스티브 잡스는 “많은 경우 사람들은 당신이 그들에게 보여줄 때까지 그들이 원하는 것이 무엇인지 모릅니다”[1]라고 말했습니다. Job의 말을 참고하면 추천 시스템의 2차 목표 중 하나는 사용자가 이전에 본 적이 없고 좋아할 만한 제품을 보여주는 것입니다. 추천 항목을 잘 일치시키면 전반적인 사용자 만족도를 높이는 데 도움이 될 수 있으며, 이는 소비자가 웹사이트나 앱을 다시 사용할 가능성을 높입니다.

추천 시스템의 가장 잘 알려진 사용자이자 개척자 중 하나는 Amazon.com입니다. Amazon은 권장 사항을 사용하여 각 고객에 대한 온라인 상점을 개인화하여 Amazon 매출의 35%를 차지합니다[2].

추천 시스템의 또 다른 유명한 예는 Netflix가 사용하는 알고리즘입니다. McKinsey에 따르면 Netflix에서 사용자가 시청하는 콘텐츠의 75%는 추천 영화에서 비롯됩니다[3]. Netflix 임원(Carlos A. Gomez-Uribe 및 Neil Hunt)이 작성한 " The Netflix Recommender System: Algorithms, Business Value, and Innovation "[4] 논문에서 저자는 추천 시스템으로 회사가 매년 약 10억 달러를 절약할 수 있다고 밝혔습니다.

Spotify에 따르면 새로운 추천 알고리즘의 구현으로 월간 사용자 수가 7,500만 명에서 1억 명으로 증가했습니다[5].

추천 시스템은 어떤 유형의 데이터를 사용합니까?

추천 시스템 구축에서 가장 중요한 요소는 데이터입니다. 데이터에는 명시적 데이터, 암시적 데이터 및 제품 설명의 세 가지 유형이 있습니다.

명시적 데이터 는 일반적으로 사용자가 제품에 부여한 숫자(예: 별 5개 등급)의 형식을 갖습니다. 명시적 데이터의 예로는 Amazon에서 고객이 제공한 제품의 평가 또는 Udemy 학습 플랫폼의 사용자가 코스의 코스 평가를 들 수 있습니다. 이러한 유형의 데이터는 사용자의 추가 입력이 필요하기 때문에 수집하기 어렵습니다. 따라서 유용한 기계 학습 모델을 구축할 수 있을 만큼 광범위한 등급 풀을 얻는 데 더 많은 시간이 걸립니다.

암시적 데이터 는 수집하기 쉽습니다. 사용자가 사용 가능한 제품/콘텐츠와 상호 작용하는 방식에 초점을 맞춘 모든 데이터입니다. 이러한 유형의 데이터의 주요 문제는 사용자 행동을 사용자 기본 설정으로 변환하는 방법입니다. 하지만 효율적인 방법이 있습니다. 암시적 데이터의 예로는 Spotify에서 노래가 재생된 횟수, 제품 링크를 클릭한 횟수 또는 Amazon의 구매 내역이 있습니다.

마지막 데이터 유형은 제품 설명 . 이러한 유형의 데이터는 구조화되지 않은 경우가 많기 때문에(예: 자유 텍스트 형식을 가짐) 관련 정보를 추출하고 구조화된 형식으로 저장하기 위해 몇 가지 추가 전처리를 구현해야 합니다. 제품 설명의 예로는 Netflix의 영화 배우 목록, Spotify의 작곡가 또는 Amazon의 제품 설명이 있습니다.

어떤 유형의 추천 시스템이 있습니까?

데이터가 수집되면 추천 시스템 구축을 시작할 수 있습니다. 네 가지 주요 유형이 있습니다.

콘텐츠 기반 필터링

콘텐츠 기반 필터링 방법은 제품 설명과 사용자 선호도를 기반으로 합니다. 이 시스템은 사용자가 과거에 좋아했던 제품과 유사한 제품을 추천합니다. 이러한 유형의 추천 시스템은 세 단계를 기반으로 합니다.

제품 설명 분석기 – 이 단계에서는 원래 설명을 항목 벡터로 변환하는 기능 추출 기술을 사용하여 제품 설명을 분석합니다. 항목 벡터를 사용하여 시스템은 제품 간의 유사성을 계산합니다.
사용자 프로필 분석기 – 두 번째 단계에서 시스템은 사용자 선호도, 사용자 기록 데이터를 수집하고 사용자 벡터로 표시되는 사용자 프로필을 구성합니다. 사용자 벡터에 설명된 기능은 항목 벡터의 기능과 동일합니다.
구성 요소 필터링 – 마지막 단계에서 시스템은 사용자 및 항목 벡터(예: 코사인 유사도 사용)를 기반으로 권장 사항을 선택합니다.

콘텐츠 기반 필터링의 장점은 다음과 같습니다.

항목 콜드 스타트 문제가 없습니다. 시스템은 사용자가 제품을 사용하기 전에 제품을 추천할 수 있습니다.
적응형입니다. 사용자 관심의 변화를 포착 합니다.
한 사용자에게 권장되는 항목은 다른 사용자에게 의존하지 않습니다.
인기 없는 제품을 추천합니다 .

이 솔루션의 단점은 다음과 같습니다.

상품정보가 필요합니다.
사용자 콜드 스타트 문제. 사용자 프로필을 작성하기에 정보가 충분하지 않으면 시스템에서 권장 사항을 생성할 수 없습니다.

협업 필터링

협업 필터링에서 시스템은 모든 사용자의 선호도, 행동 및 활동에 대한 정보를 분석하여 원하는 것을 예측합니다. 간단히 말해서, 시스템은 비슷한 취향과 행동을 가진 다른 사용자가 좋아하는 항목을 추천합니다. 이 방법의 주요 가정은 과거에 유사한 제품을 좋아했던 사람들이 미래에도 유사한 제품을 좋아할 것이라는 것입니다.

협업 필터링의 가장 중요한 이점은 다음과 같습니다.

제품의 내용은 시스템 작성자나 시스템 자체에 의해 이해되거나 설명될 필요가 없습니다 . 이는 시스템이 제품 자체에 대한 분석 없이도 제품을 추천할 수 있음을 의미합니다.
적응형입니다. 시스템은 사용자의 관심 변화를 포착합니다 .

가장 중요한 단점은 다음과 같습니다.

사용자 콜드 스타트 문제. 시스템은 아직 상호 작용이 없는 신규 사용자에게 제품을 추천할 수 없습니다.
항목 콜드 스타트 문제 . 시스템은 사용자가 이전에 선택한 적이 없는 항목도 추천할 수 없습니다.

잡종

하이브리드 추천 시스템 은 콘텐츠 기반 및 협업 방법을 결합합니다 . 이 솔루션은 두 가지 방법을 별도로 사용하는 것보다 실제로 더 효과적일 수 있습니다.

넷플릭스 는 영화 추천이 유사한 이용자들의 시청 습관을 비교(공동 필터링)하고 과거에 이용자가 좋아했던 영화와 유사한 특성을 가진 영화를 찾는(콘텐츠 기반 필터링) 하이브리드 시스템을 사용한다. .

요약

오늘날 점점 더 많은 온라인 회사에서 추천 시스템을 사용하여 제공하는 서비스에 대한 사용자 상호 작용을 증가시키고 있습니다. 추천 시스템은 고객 만족도와 사용자 유지율을 높이고 비즈니스 수익을 크게 높일 수 있는 효율적인 기계 학습 솔루션입니다.