Ne sevdiğini biliyoruz! İş dünyasında öneri sistemlerinin avantajları

İnsanlar alışveriş yaparken beğendikleri veya başkalarının kendilerine önerdiği ürünleri onların fikirlerine güvendikleri için satın alırlar. Günümüzün dijital çağında, çevrimiçi mağazalar müşterilerine yüz binlerce ürün sunmaktadır. Bu ürünleri aramalarına ve en uygun olanı satın almalarına yardımcı olmak için çevrimiçi mağazalar öneri sistemlerini kullanır.

Ayrıca içerik sağlayıcılar (örn. müzik, filmler) ve sosyal ağ hizmetleri, içeriği yönetmek ve kullanıcılar için etkili öneriler oluşturmak için öneri sistemlerini kullanır.

Basitçe söylemek gerekirse, öneri sistemleri, yalnızca istediğiniz ürünü göstermekle kalmayıp, aynı zamanda bir şekilde alakalı veya beğenebileceğiniz ürünleri de gösteren otomatik bir müşteri asistanı biçimi olarak hareket eder. Müşteriler için içeriği kişiselleştirmek için iş dünyasında kullanılan en popüler makine öğrenimi teknolojileri arasındadırlar.

Öneri Sistemlerinin faydaları nelerdir?

Bir öneri sisteminin en belirgin amacı, kullanıcıya ilgili ürünleri tavsiye etmektir . Steve Jobs şunları söyledi: “Çoğu zaman insanlar siz onlara gösterene kadar ne istediklerini bilmiyorlar” [1]. Job'un sözlerinden hareketle, bir öneri sisteminin ikincil amaçlarından birinin kullanıcılara geçmişte görmedikleri ve beğenebilecekleri ürünleri göstermek olduğunu söyleyebiliriz. Önerileri iyi bir şekilde eşleştirmek, genel kullanıcı memnuniyetini artırmaya yardımcı olabilir, bu da tüketicinin web sitesini veya uygulamayı tekrar kullanma olasılığını artırır.

Tavsiye sistemlerinin en tanınmış kullanıcılarından ve öncülerinden biri Amazon.com'dur. Amazon, her müşteri için çevrimiçi mağazayı kişiselleştirmek için öneriler kullanır ve bu da Amazon'un gelirinin %35'ini sağlar [2].

Tavsiye sisteminin bir başka ünlü örneği, Netflix'in kullandığı algoritmadır. McKinsey'e göre, kullanıcıların Netflix'te izlediklerinin %75'i film tavsiyelerinden geliyor [3]. Netflix yöneticileri (Carlos A. Gomez-Uribe ve Neil Hunt) tarafından yazılan “ The Netflix Recommender System: Algorithms, Business Value and Innovation ” [4] makalesinde yazarlar, öneri sisteminin şirkete her yıl yaklaşık 1 milyar dolar tasarruf sağladığını belirtiyor.

Spotify'a göre, yeni öneri algoritmasının uygulanması, aylık kullanıcı sayısını 75 milyondan 100 milyona çıkarmaya yardımcı oldu [5].

Öneri Sistemleri ne tür veriler kullanır?

Bir Tavsiye Sistemi oluşturmanın en önemli unsuru verilerdir. Üç tür veri vardır: açık veri, örtük veri ve ürün açıklaması.

Açık veriler genellikle bir kullanıcı tarafından bir ürüne verilen bir sayı (örneğin 5 yıldızlı derecelendirme) biçimindedir. Açık verilere örnek olarak, müşteriler tarafından Amazon'da verilen ürün puanları veya Udemy öğrenme platformundaki kullanıcılar tarafından verilen kurs puanları verilebilir. Bu tür verilerin toplanması zordur çünkü kullanıcılardan ek girdi gerektirirler, bu nedenle kullanışlı bir Makine Öğrenimi modeli oluşturmaya yetecek kadar geniş bir derecelendirme havuzu elde etmek daha fazla zaman alır.

Örtük verilerin toplanması kolaydır. Kullanıcının mevcut ürünler/içerik ile nasıl etkileşime girdiğine odaklanan herhangi bir veridir. Bu tür verilerle ilgili temel sorun, kullanıcı davranışının kullanıcı tercihlerine nasıl dönüştürüleceğidir. Ama bunu yapmanın etkili yolları var. Bir şarkının Spotify'da çalınma sayısı, ürün bağlantılarına yapılan tıklama sayısı veya Amazon'daki satın alma geçmişi örtük verilere örnek olarak verilebilir.

Son veri türü ürün açıklaması . Bu tür veriler genellikle yapılandırılmamış olduğundan (örneğin bir serbest metin biçimine sahiptir), ilgili bilgileri çıkarmak ve yapılandırılmış bir forma koymak için bazı ek ön işlemler uygulamamız gerekir. Ürün açıklamalarına örnek olarak Netflix'teki bir filmin oyuncu kadrosu, Spotify'daki bir şarkı yazarı veya Amazon'daki ürün açıklaması verilebilir.

Ne tür Öneri Sistemleri vardır?

Veriler toplandıktan sonra bir Tavsiye Sistemi oluşturmaya başlayabiliriz. Dört ana tip vardır:

Popülariteye dayalı

En kolay öneri sistemi türü, öğe popülerliğine dayanmaktadır. Bu sistem, açık veya örtük verileri kullanarak ürün puanlarını hesaplar. Aşağıda, bir film sağlayıcısı için popülerliğe dayalı iki öneri sistemi örneği bulabilirsiniz:

• müstehcen veriler kullanma - kullanıcı 5 yıldızlı derecelendirmelerin ortalamasına göre popüler filmler önerir,
• örtük verileri kullanma - popüler filmleri, kullanıcıların onları oynama sayısına göre önerir.

Popülerliğe dayalı öneri sistemlerinin en önemli avantajları şunlardır:

• Kullanıcı tarafından soğuk çalıştırmaya karşı dayanıklıdır . Sistem, kullanıcı hakkında herhangi bir bilgi olmadan ürün önerebilir.
• Az sayıda kullanıcıya sahip ortamlarda kullanılabilir.

En önemli dezavantajı:

• Her kullanıcı aynı öneri listesine sahiptir.
• Öğe soğuk başlatma sorunu. Sistem, daha önce hiç seçilmemiş bir öğe veya diğer kullanıcılar tarafından derecelendirme öneremez.  

İçerik tabanlı filtreleme

İçerik tabanlı filtreleme yöntemleri, ürün açıklamalarına ve kullanıcı tercihlerine dayanmaktadır. Bu tür bir sistem, kullanıcının geçmişte beğendiği ürünlere benzer ürünler önerir. Bu tür bir öneri sistemi üç adıma dayanmaktadır:

1. Ürün açıklaması analizörü - bu adımda, orijinal açıklamaları bir öğe vektörüne dönüştürmek için bir özellik çıkarma tekniği kullanılarak ürün açıklamaları analiz edilir. Öğe vektörlerini kullanarak sistem, ürünler arasındaki benzerlikleri hesaplar.
2. Kullanıcı profili analizörü – ikinci adımda, sistem kullanıcı tercihlerini, kullanıcı geçmişi verilerini toplar ve kullanıcı vektörü tarafından temsil edilen kullanıcı profilini oluşturur. Kullanıcı vektöründe açıklanan özellikler, öğe vektörlerindeki özelliklerle aynıdır.
3. Bileşen filtreleme – son adımda sistem, kullanıcı ve öğe vektörlerine dayalı olarak önerileri seçer (örn. kosinüs benzerliğini kullanarak).

İçerik tabanlı filtrelemenin avantajları şunlardır:

• Ürün soğuk başlatma sorunu yok. Sistem, herhangi bir kullanıcı denemeden önce ürünleri önerebilir.
• Uyarlanabilir. Kullanıcıların ilgi alanlarındaki değişiklikleri yakalar .
• Bir kullanıcı için önerilen öğeler diğer kullanıcılara bağlı değildir.
• Popüler olmayan ürünleri önerir .

Bu çözümün dezavantajları şunlardır:

• Ürün bilgisi gereklidir.
• Kullanıcı soğuk başlatma sorunu. Bir kullanıcı profili oluşturmak için yeterli bilgi olmadığında sistem öneriler üretemez.

işbirlikçi filtreleme

İşbirlikçi filtrelemede sistem, neyi sevebileceğinizi tahmin etmek için tüm kullanıcıların tercihleri, davranışları ve etkinlikleri hakkındaki bilgileri analiz eder. Basitçe söylemek gerekirse, sistem benzer zevklere ve davranışlara sahip diğer kullanıcıların beğendiği ürünleri önerir. Bu yöntemin temel varsayımı, geçmişte benzer ürünleri beğenen kişilerin gelecekte de benzer ürünleri beğeneceğidir.

İşbirlikçi filtrelemenin en önemli avantajları şunlardır:

• Ürün içeriğinin ne sistemin yaratıcısı tarafından ne de sistemin kendisi tarafından herhangi bir şekilde anlaşılması veya anlatılması gerekli değildir . Bu, sistemin herhangi bir ürün analizi yapmadan ürünleri önerebileceği anlamına gelir.
• Uyarlanabilir. Sistem, kullanıcıların ilgi alanlarındaki değişiklikleri yakalar .

En önemli dezavantajları şunlardır:

• Kullanıcı soğuk başlatma sorunu. Sistem, henüz etkileşimi olmayan yeni kullanıcılara ürün öneremez.
• Öğe soğuk başlatma sorunu . Sistem, kullanıcıların daha önce hiç seçmediği bir öğeyi de öneremez.

hibrit

Hibrit Öneri Sistemleri , içerik tabanlı ve işbirlikçi yöntemleri birleştirir . Bu çözüm, pratikte iki yöntemin ayrı ayrı herhangi birinden daha etkili olabilir.

Netflix'te film önerilerinin hem benzer kullanıcıların izleme alışkanlıklarını karşılaştırmanın (ortak filtreleme) hem de kullanıcının geçmişte beğendiği filmler gibi benzer özelliklere sahip filmleri bulmanın (içerik tabanlı filtreleme) sonucu olduğu bir Hibrit sistem kullanılır. .

Özet

Günümüzde giderek daha fazla çevrimiçi şirket, sağladıkları hizmetlerle kullanıcı etkileşimini artırmak için Öneri Sistemlerini kullanıyor. Öneri sistemleri, müşteri memnuniyetini ve kullanıcıyı elde tutmayı artırmaya yardımcı olabilecek ve işletme gelirlerinizde önemli bir artışa yol açabilecek verimli makine öğrenimi çözümleridir.

Öneri Sistemleri ile ilgileniyor musunuz?

İş stratejinizde Öneri Sistemleri gibi yapay zeka tabanlı bir çözüm uygulamakla ilgileniyor musunuz? Eğer öyleyse, doğru yere geldiniz. Fikrinizi tartışmak ve 48 saat içinde bir teklif almak için ekibimizle iletişime geçin.

Kaynaklar

[1] Edson, J., 2012. Apple Gibi Tasarım: İnanılmaz Harika Ürünler, Hizmetler ve Deneyimler Yaratmak için Yedi İlke. John Wiley ve Oğulları. s. 47

[2] Jones, SS and Groom, FM eds., 2019. Mühendis Olmayanlar için İşletmeler için Yapay Zeka ve Makine Öğrenimi . CRC Press, s. 86

[3] Alex Castrounis, 2019. İnsanlar ve İşletmeler için Yapay Zeka. Daha İyi İnsan Deneyimleri ve İş Başarısı İçin Bir Çerçeve . (e-kitap)

[4] Gomez-Uribe, CA ve Hunt, N., 2015. netflix öneri sistemi: Algoritmalar, iş değeri ve yenilik . Yönetim Bilgi Sistemlerine İlişkin ACM İşlemleri (TMIS), 6(4), s.1-19.

[5] Leonard, D, 2016. Spotify, Bloomberg Businessweek'te Çalma Listesinin Sanatını Mükemmelleştiriyor