Мы знаем, что вам нравится! Преимущества рекомендательных систем в бизнесе

Когда люди делают покупки, они покупают товары, которые им нравятся или которые им рекомендуют другие, потому что они доверяют их мнению. В сегодняшнюю цифровую эпоху интернет-магазины предлагают своим покупателям сотни тысяч товаров. Чтобы помочь им найти среди этих товаров и приобрести наиболее подходящие из них, интернет-магазины используют системы рекомендаций.

Более того, поставщики контента (например, музыки, фильмов) и службы социальных сетей используют системы рекомендаций для управления контентом и создания эффективных рекомендаций для пользователей.

Проще говоря, системы рекомендаций действуют как автоматизированная форма помощника клиента, который не только показывает продукт, который вы просили, но также показывает продукты, которые каким-то образом связаны или могут вам понравиться. Они являются одними из самых популярных технологий машинного обучения, используемых в бизнесе для персонализации контента для клиентов.

Каковы преимущества рекомендательных систем?

Наиболее очевидная цель рекомендательной системы — порекомендовать пользователю релевантные продукты . Стив Джобс сказал: «Часто люди не знают, чего хотят, пока вы им это не покажете» [1]. Ссылаясь на слова Джоба, можно сказать, что одна из второстепенных целей рекомендательной системы — показать пользователям продукты, которые они не видели раньше и которые могут им понравиться. Правильно подобранные рекомендации могут помочь повысить общую удовлетворенность пользователей , что повысит вероятность того, что потребитель снова воспользуется веб-сайтом или приложением.

Одним из самых известных пользователей и пионеров рекомендательных систем является Amazon.com. Amazon использует рекомендации для персонализации интернет-магазина для каждого клиента, что дает 35% дохода Amazon [2].

Еще одним известным примером системы рекомендаций является алгоритм, который использует Netflix. По данным McKinsey, 75% того, что пользователи смотрят на Netflix, приходится на рекомендации фильмов [3]. В статье « Система рекомендаций Netflix: алгоритмы, ценность для бизнеса и инновации » [4], написанной руководителями Netflix (Карлос А. Гомес-Урибе и Нил Хант), авторы утверждают, что система рекомендаций экономит компании около 1 миллиарда долларов в год.

По данным Spotify, внедрение нового алгоритма рекомендаций помогло увеличить их количество пользователей в месяц с 75 миллионов до 100 миллионов [5].

Какие типы данных используют рекомендательные системы?

Наиболее важным элементом в построении системы рекомендаций являются данные. Существует три типа данных: явные данные, неявные данные и описание продукта.

Явные данные обычно имеют форму числа (например, рейтинг в 5 звезд), которое пользователь присваивает продукту. Примерами явных данных являются рейтинги продуктов, данные клиентами на Amazon, или рейтинги курсов пользователей на обучающей платформе Udemy. Этот тип данных сложно собрать, потому что они требуют дополнительного ввода от пользователей, поэтому требуется больше времени, чтобы получить достаточно широкий пул оценок, чтобы построить полезную модель машинного обучения.

Неявные данные легко собрать. Это любые данные, ориентированные на то, как пользователь взаимодействует с доступными продуктами/контентом. Основная проблема с этим типом данных заключается в том, как преобразовать поведение пользователя в пользовательские предпочтения. Но есть действенные способы. Примерами неявных данных являются количество воспроизведений песни на Spotify, количество кликов по ссылкам на продукты или история покупок на Amazon.

Последний тип данных описание продукта . Поскольку этот тип данных часто неструктурирован (например, имеет форму произвольного текста), нам необходимо реализовать некоторую дополнительную предварительную обработку, чтобы извлечь соответствующую информацию и представить ее в структурированной форме. Примерами описаний продуктов являются список актеров фильма на Netflix, автор песен на Spotify или описание продукта на Amazon.

Какие типы рекомендательных систем существуют?

После сбора данных мы можем приступить к созданию системы рекомендаций. Существует четыре основных типа:

на основе популярности

Самый простой тип системы рекомендаций основан на популярности товара. Эта система вычисляет рейтинги продуктов, используя явные или неявные данные. Ниже вы можете найти два примера систем рекомендаций на основе популярности для поставщика фильмов:

• используя явные данные — предлагает популярные фильмы на основе среднего рейтинга пользователей в 5 звезд,
• с использованием неявных данных — предлагает популярные фильмы на основе того, сколько раз пользователи их смотрели.

Важнейшими преимуществами систем рекомендаций на основе популярности являются:

• Он устойчив к холодному запуску пользователем . Система может предлагать товары без какой-либо информации о пользователе.
• Его можно использовать в средах с небольшим количеством пользователей.

Самый главный минус это:

• У каждого пользователя один и тот же список рекомендаций.
• Проблема с холодным запуском изделия. Система не может предложить элемент, который никогда ранее не выбирался, или оценку другими пользователями.  

Контентная фильтрация

Методы фильтрации на основе контента основаны на описаниях продуктов и предпочтениях пользователей. Этот тип системы рекомендует продукты, похожие на продукты, которые нравились пользователю в прошлом. Этот тип рекомендательной системы основан на трех шагах:

1. Анализатор описания продукта — на этом этапе описания продуктов анализируются с использованием метода извлечения признаков для преобразования исходных описаний в вектор элементов. Используя векторы элементов, система вычисляет сходство между продуктами.
2. Анализатор профиля пользователя — на втором этапе система собирает пользовательские предпочтения, данные истории пользователей и создает профиль пользователя, который представлен вектором пользователя. Функции, описанные в пользовательском векторе, совпадают с функциями в векторах элементов.
3. Фильтрация компонентов — на последнем этапе система выбирает рекомендации на основе векторов пользователей и элементов (например, с помощью косинусного сходства).

Преимущества контентной фильтрации:

• Проблем с холодным пуском нет. Система может рекомендовать продукты до того, как их попробует какой-либо пользователь.
• Он адаптивный. Фиксирует изменения в интересах пользователей .
• Элементы, рекомендуемые для одного пользователя, не зависят от других пользователей.
• Рекомендует непопулярные продукты .

Недостатки этого решения:

• Необходима информация о продукте.
• Проблема с холодным запуском пользователя. Система не может давать рекомендации, когда недостаточно информации для построения профиля пользователя.

Совместная фильтрация

При совместной фильтрации система анализирует информацию о предпочтениях, поведении и действиях всех пользователей, чтобы предсказать, что вам может понравиться. Проще говоря, система рекомендует товары, которые понравились другим пользователям со схожими вкусами и поведением. Основное предположение этого метода заключается в том, что людям, которым нравились подобные товары в прошлом, будут нравиться подобные товары и в будущем.

Наиболее важные преимущества совместной фильтрации:

• Содержание продукта не обязательно должно быть каким-либо образом понято или описано ни создателем системы, ни самой системой . Это означает, что система может рекомендовать продукты без какого-либо анализа самого продукта.
• Он адаптивный. Система фиксирует изменения интересов пользователей .

Наиболее важными недостатками являются:

• Проблема с холодным запуском пользователя. Система не может рекомендовать продукты новым пользователям, с которыми еще не было взаимодействия.
• Проблема с холодным пуском изделия . Система также не может рекомендовать элемент, который пользователи никогда не выбирали ранее.

Гибридный

Гибридные рекомендательные системы сочетают методы, основанные на содержании, и совместные методы . Это решение может быть более эффективным на практике, чем любой из двух методов по отдельности.

В Netflix используется гибридная система, где рекомендации фильмов являются результатом как сравнения привычек просмотра похожих пользователей (совместная фильтрация), так и поиска фильмов, имеющих схожие характеристики с фильмами, которые нравились пользователю в прошлом (фильтрация на основе контента). .

Резюме

Сегодня все больше и больше онлайн-компаний используют системы рекомендаций, чтобы увеличить взаимодействие пользователей с предоставляемыми ими услугами. Системы рекомендаций — это эффективные решения для машинного обучения, которые могут помочь повысить удовлетворенность клиентов и удержание пользователей, а также привести к значительному увеличению доходов вашего бизнеса.

Заинтересованы в рекомендательных системах?

Вы заинтересованы во внедрении решения на основе ИИ, такого как системы рекомендаций, в свою бизнес-стратегию? Если это так, вы пришли в нужное место. Свяжитесь с нашей командой, чтобы обсудить вашу идею и получить предложение в течение 48 часов.

Источники

[1] Эдсон Дж., 2012 г. «Создавайте как Apple: семь принципов создания безумно отличных продуктов, услуг и опыта». Джон Уайли и сыновья. стр. 47

[2] Джонс, С.С. и Грум, ред. FM, 2019. Искусственный интеллект и машинное обучение для бизнеса для не инженеров . CRC Press, стр. 86.

[3] Алекс Каструнис, 2019 г. ИИ для людей и бизнеса. Структура улучшения человеческого опыта и успеха в бизнесе . (электронная книга)

[4] Гомес-Урибе, Калифорния, и Хант, Н., 2015 г. Система рекомендаций netflix: алгоритмы, ценность для бизнеса и инновации . Транзакции ACM в информационных системах управления (TMIS), 6 (4), стр. 1-19.

[5] Леонард Д., 2016 г. Spotify совершенствует искусство составления плейлистов на Bloomberg Businessweek.