Как работают службы рекомендаций?

Покупки – это необходимость каждого человека, и когда мы делаем покупки, это определенно либо продукт, который нам нравится, либо нравится нашим друзьям. Мы склонны покупать продукты, рекомендованные людьми, потому что доверяем этому человеку. А сегодня, в эпоху цифровых технологий, любой интернет-магазин, который вы посещаете, использует своего рода механизм рекомендаций.

Какая рекомендация по продукту?

А при правильной настройке и настройке он может значительно повысить доходы, CTR, конверсии и другие важные показатели. Более того, они также могут иметь положительное влияние на пользовательский опыт, что выражается в показателях, которые труднее измерить, но, тем не менее, очень важны для онлайн-бизнеса, таких как удовлетворенность и удержание клиентов.

Все это возможно только с двигателем рекомендаций.

Механизмы рекомендаций в основном представляют собой инструменты фильтрации данных, которые используют алгоритмы и данные, чтобы рекомендовать наиболее важные элементы конкретному пользователю. Или, проще говоря, они не что иное, как автоматизированная форма «торговца прилавком». Вы просите у него товар. Он показывает не только этот товар, но и сопутствующие товары, которые можно было купить. Они хорошо обучены кросс-продажам и дополнительным продажам.

В связи с растущим объемом информации в Интернете и значительным увеличением числа пользователей для компаний становится все более важным искать, отображать и предоставлять им соответствующий фрагмент информации в соответствии с их предпочтениями и вкусами.

Давайте рассмотрим пример, чтобы лучше понять концепцию механизма рекомендаций. Если я не ошибаюсь, почти все вы, должно быть, использовали Amazon для покупок. И вы знаете, что 35% дохода Amazon.com генерируется его механизмом рекомендаций. Так какова их стратегия?

Amazon использует рекомендации в качестве целевого маркетингового инструмента как в кампаниях по электронной почте, так и на большинстве страниц своих веб-сайтов. Amazon будет рекомендовать множество продуктов из разных категорий в зависимости от того, что вы просматриваете, и предлагать те продукты, которые вы, вероятно, купите. Например, вариант «часто покупают вместе», который находится внизу страницы продукта, чтобы соблазнить вас купить комбинацию. Эта рекомендация преследует одну главную цель: увеличить среднюю стоимость заказа, т. Е. Повысить продажи и перекрестные продажи клиентов, предлагая продукты, основанные на товарах в их корзине покупок или на товарах, которые они сейчас просматривают на сайте.

Amazon использует историю просмотров пользователя, чтобы всегда держать эти продукты в поле зрения покупателя. Он использует рейтинги и отзывы клиентов, чтобы отображать продукты с более высоким средним значением в рекомендованном и наиболее продаваемом варианте. Amazon хочет заставить вас покупать пакет, а не один продукт.

Допустим, вы купили телефон, и он порекомендует вам купить чехол или защитную пленку для экрана. В дальнейшем он будет использовать рекомендации движка для рассылки по электронной почте и держать вас в курсе текущей тенденции продукта / категории.

Какие бывают типы рекомендаций?

Существует три основных типа рекомендательных систем:

Совместная фильтрация
Контентная фильтрация
Гибридные рекомендательные системы

Совместная фильтрация

Этот метод фильтрации обычно основан на сборе и анализе информации о поведении пользователей, их действиях или предпочтениях и прогнозировании того, что им понравится, на основе сходства с другими пользователями. Ключевым преимуществом подхода совместной фильтрации является то, что он не полагается на контент, анализируемый машиной, и, таким образом, он может точно рекомендовать сложные элементы, такие как фильмы, без необходимости «понимания» самого элемента. Совместная фильтрация основана на предположении, что люди, которые соглашались в прошлом, согласятся в будущем и что им понравятся предметы того же типа, что и в прошлом. Например, если человеку А нравятся пункты 1, 2, 3 и Б, как 2,3,4, то у них схожие интересы, и А должен понравиться пункт 4, а Б должен понравиться пункт 1.

Кроме того, существует несколько типов алгоритмов совместной фильтрации:

Совместная фильтрация пользователей и пользователей: здесь мы пытаемся искать похожих клиентов и предлагать продукты на основе того, что выбрал его / ее двойник. Этот алгоритм очень эффективен, но требует много времени и ресурсов. Этот тип фильтрации требует вычисления информации о каждой паре клиентов, что требует времени. Таким образом, для больших базовых платформ этот алгоритм сложно внедрить.
Совместная фильтрация предметов и предметов: он очень похож на предыдущий алгоритм, но вместо того, чтобы находить похожих клиентов, мы пытаемся найти похожие предметы. Когда у нас есть матрица похожих товаров, мы можем легко рекомендовать похожие товары покупателю, который приобрел любой товар в магазине. Этот алгоритм требует гораздо меньше ресурсов, чем совместная фильтрация пользователь-пользователь. Следовательно, для нового клиента алгоритм занимает гораздо меньше времени, чем взаимодействие между пользователем и пользователем, поскольку нам не нужны все оценки сходства между клиентами. Amazon использует этот подход в своей системе рекомендаций, чтобы показать сопутствующие товары, которые увеличивают продажи.
Другие более простые алгоритмы. Существуют и другие подходы, такие как анализ рыночной корзины, которые обычно не обладают высокой предсказательной силой, чем описанные выше алгоритмы.

Контентная фильтрация

Эти методы фильтрации основаны на описании элемента и профиле предпочтительного выбора пользователя. В системе рекомендаций, основанной на содержании, ключевые слова используются для описания элементов; Кроме того, в профиле пользователя указывается тип элемента, который ему нравится. Другими словами, алгоритмы пытаются рекомендовать продукты, похожие на те, которые нравились пользователю в прошлом. Идея фильтрации на основе содержимого заключается в том, что если вам нравится элемент, вам также понравится «похожий» элемент.

Например, когда мы рекомендуем такой же товар, как рекомендация фильма или песни. Этот подход уходит корнями в поиск информации и исследования фильтрации информации.

Основная проблема с фильтрацией на основе содержимого заключается в том, может ли система узнать предпочтения пользователя на основе действий пользователей с одним источником содержимого и воспроизвести их для других различных типов содержимого. Когда система ограничена рекомендацией контента того же типа, который уже использует пользователь, значение из системы рекомендаций значительно меньше, когда можно рекомендовать другие типы контента из других служб. Например, рекомендовать новостные статьи на основе просмотра новостей полезно, но разве это не было бы намного полезнее, если бы музыка, видео из разных сервисов можно было рекомендовать на основе просмотра новостей.

Гибридные рекомендательные системы

Недавние исследования показывают, что сочетание совместной работы и рекомендаций на основе содержания может быть более эффективным. Гибридные подходы могут быть реализованы путем раздельного прогнозирования на основе контента и на основе совместной работы с последующим их объединением. Кроме того, добавляя возможности, основанные на содержании, к подходу на основе совместной работы и наоборот; или объединив подходы в одну модель.

Несколько исследований были посвящены сравнению производительности гибрида с чистыми методами совместной работы и методами, основанными на содержании, и продемонстрировали, что гибридные методы могут дать более точные рекомендации, чем чистые подходы. Такие методы можно использовать для преодоления общих проблем в рекомендательных системах, таких как холодный старт и проблема нехватки данных.

Netflix – хороший пример использования гибридных рекомендательных систем. Веб-сайт дает рекомендации, сравнивая привычки просмотра и поиска похожих пользователей (например, совместная фильтрация), а также предлагая фильмы, которые имеют общие характеристики с фильмами, получившими высокую оценку пользователя (фильтрация на основе контента).

Как работает механизм рекомендаций?

Согласно статье «Использование машинного обучения в Compute Engine для выработки рекомендаций по продукту», типичный механизм рекомендаций обрабатывает данные на следующих четырех этапах, а именно: сбор, хранение, анализ и фильтрация.

Сбор данных

Первый шаг в создании механизма рекомендаций – это сбор данных. Данные могут быть явными или неявными. Явные данные будут состоять из данных, введенных пользователями, таких как оценки и комментарии к продуктам. А неявные данные – это история заказов / история возврата, события корзины, просмотры страниц, переход по ссылкам и журнал поиска. Этот набор данных будет создан для каждого пользователя, посещающего сайт.

Данные о поведении легко собирать, потому что вы можете вести журнал действий пользователей на своем сайте. Сбор этих данных также прост, поскольку не требует дополнительных действий со стороны пользователя; они уже используют приложение. Обратной стороной этого подхода является сложность анализа данных. Например, фильтрация необходимых журналов из менее необходимых может быть сложной задачей.

Поскольку каждый пользователь обязательно имеет разные симпатии или антипатии к продукту, их наборы данных будут разными. Со временем, по мере того как вы «скармливаете» движку больше данных, он становится все умнее и умнее с его рекомендациями, так что ваши подписчики электронной почты и клиенты с большей вероятностью будут взаимодействовать, нажимать и покупать. Точно так же, как механизм рекомендаций Amazon работает с вкладками «Часто покупают вместе» и «Рекомендуется для вас».

Хранение данных

Чем больше данных вы можете предоставить своим алгоритмам, тем точнее будут рекомендации. Это означает, что любой проект рекомендаций может быстро превратиться в проект больших данных.

Тип данных, которые вы используете для создания рекомендаций, может помочь вам решить, какой тип хранилища вам следует использовать. Вы можете использовать базу данных NoSQL, стандартную базу данных SQL или даже какое-то хранилище объектов. Каждый из этих вариантов жизнеспособен в зависимости от того, фиксируете ли вы ввод или поведение пользователя, а также от таких факторов, как простота реализации, объем данных, которыми может управлять хранилище, интеграция с остальной средой и переносимость.

При сохранении оценок или комментариев пользователей масштабируемая и управляемая база данных сводит к минимуму количество необходимых задач и помогает сосредоточиться на рекомендации. Cloud SQL удовлетворяет обе эти потребности, а также упрощает загрузку данных непосредственно из Spark.

Анализируя данные

Как найти товары с похожими данными о взаимодействии с пользователем? Для этого мы фильтруем данные, используя различные методы анализа. Если вы хотите предоставлять пользователям немедленные рекомендации, когда они просматривают продукт, вам понадобится более гибкий тип анализа. Вот некоторые из способов анализа данных:

Системы реального времени могут обрабатывать данные по мере их создания. Этот тип системы обычно включает инструменты, которые могут обрабатывать и анализировать потоки событий. Потребуется система в режиме реального времени, чтобы давать оперативные рекомендации.
Пакетный анализ требует периодической обработки данных. Этот подход подразумевает, что необходимо создать достаточно данных, чтобы сделать анализ актуальным, например, ежедневный объем продаж. Пакетная система может нормально работать, чтобы отправить электронное письмо позже.
Анализ почти в реальном времени позволяет быстро собирать данные, чтобы вы могли обновлять аналитику каждые несколько минут или секунд. Система, работающая почти в реальном времени, лучше всего подходит для предоставления рекомендаций во время одного и того же сеанса просмотра.

Фильтрация данных

Следующим шагом будет фильтрация данных для получения релевантных данных, необходимых для предоставления рекомендаций пользователю. Мы должны выбрать алгоритм, который лучше подходит для механизма рекомендаций из списка алгоритмов, описанных выше. подобно

На основе содержания: популярный, рекомендуемый продукт имеет характеристики, аналогичные тем, которые просматривает или любит пользователь.
Кластер : рекомендуемые продукты хорошо сочетаются друг с другом, независимо от того, что сделали другие пользователи.
Совместная работа : другим пользователям, которым нравятся те же продукты, что и другие пользователи, которым они нравятся, также понравится рекомендованный продукт.

Совместная фильтрация позволяет делать атрибуты продукта теоретическими и делать прогнозы на основе вкусов пользователей. Результат этой фильтрации основан на предположении, что двум пользователям, которым нравились одни и те же продукты в прошлом, вероятно, понравятся одни и те же сейчас или в будущем.

Вы можете представить данные о рейтингах или взаимодействиях в виде набора матриц, а продукты и пользователей – в виде измерений. Предположим, что следующие две матрицы похожи, но затем мы вычитаем вторую из первой, заменяя существующие оценки на число один и отсутствующие оценки на число ноль. Результирующая матрица представляет собой таблицу истинности, в которой число один представляет взаимодействие пользователей с продуктом.

Мы используем алгоритм K-Nearest, коэффициент Жаккара, алгоритм Дейкстры, косинусное сходство, чтобы лучше связать наборы данных людей для рекомендации на основе рейтинга или продукта.

На приведенном выше графике показано, как работает кластерная фильтрация алгоритма k-ближайшего. Затем, наконец, результат, полученный после фильтрации и использования алгоритма, выдаются пользователю с учетом своевременности типа рекомендации. Будь то рекомендация в реальном времени или отправка электронного письма позже, через некоторое время.

Как ваша организация может внедрить механизм рекомендаций по продуктам?

Поскольку механизм рекомендаций по продуктам в основном работает на данных. У вашей компании может не хватить места для хранения такого огромного количества данных о посетителях вашего сайта. Вы можете использовать онлайн-фреймворки, такие как Hadoop, Spark, которые позволяют хранить данные на нескольких устройствах, чтобы снизить надежность одного компьютера. Hadoop использует HDFS для разделения файлов на большие блоки и распределения их по узлам в кластере. Это позволяет обрабатывать набор данных быстрее и эффективнее, чем это было бы в более традиционной архитектуре суперкомпьютера, основанной на параллельной файловой системе, где вычисления и данные распределяются через высокоскоростную сеть.

Наконец, мы обрабатываем большие наборы данных с помощью модели программирования MapReduce. Благодаря этому мы можем одновременно запустить алгоритм в распределенной файловой системе и выбрать наиболее похожий кластер. Таким образом, любая организация может разработать свою собственную архитектуру механизма рекомендаций с использованием инструментов с открытым исходным кодом, и мы можем помочь им во внедрении механизма, используя наши технические знания.

Преимущества системы рекомендаций по продуктам

Вам не нужно проводить маркетинговые исследования, чтобы выяснить, готов ли покупатель покупать в магазине, где он получает максимальную помощь в поиске нужного продукта. Они также с гораздо большей вероятностью вернутся в такой магазин в будущем. Чтобы получить представление о коммерческой ценности рекомендательных систем: несколько месяцев назад Netflix подсчитал, что его рекомендательный механизм стоит 1 миллиард долларов в год.

Использование механизма рекомендаций дает два основных преимущества: доход и удовлетворенность клиентов.

Выручка. Благодаря многолетним исследованиям, экспериментам и исполнению, которые в первую очередь осуществляла Amazon, сегодня онлайн-клиентам не только меньше времени на обучение. Было исследовано, реализовано и доказано, что множество различных алгоритмов обеспечивают высокий коэффициент конверсии по сравнению с неперсонализированными рекомендациями по продуктам.

Удовлетворенность клиентов. Зачастую клиенты смотрят на свои рекомендации по продукту после последнего просмотра. В основном потому, что они думают, что найдут лучшие возможности для хороших продуктов. Когда они покидают сайт и возвращаются позже; было бы полезно, если бы были доступны их данные просмотра из предыдущего сеанса. Это могло бы еще больше помочь и направить их деятельность в области электронной коммерции, подобно опытным помощникам в магазинах Brick and Mortar. Удовлетворенность клиентов такого рода приводит к их удержанию.

Персонализация. Мы часто принимаем рекомендации друзей и родственников, потому что доверяем их мнению. Они знают, что нам нравится, лучше, чем кто-либо другой. Это единственная причина, по которой они умеют что-то рекомендовать, и то, что системы рекомендаций пытаются моделировать. Вы можете использовать косвенно накопленные данные для улучшения общих услуг вашего веб-сайта и обеспечения их соответствия предпочтениям пользователя. В свою очередь, у пользователя будет лучшее настроение для покупки ваших товаров или услуг.

Открытие. Например, функция «Рекомендации гения» в iTunes, «Часто покупаются вместе» на Amazon.com дает удивительные рекомендации, похожие на те, что нам уже нравятся. Люди обычно хотят, чтобы им рекомендовали то, что они хотели бы, и когда они используют сайт, который может идеально соответствовать его / ее выбору, он / она обязательно посетит этот сайт снова.

Предоставлять отчеты – это неотъемлемая часть системы персонализации. Предоставляя клиенту точную и актуальную информацию, отчеты позволяют ему принимать твердые решения относительно своего сайта и направления кампании. На основе этих отчетов клиенты могут создавать предложения для медленно распространяемых продуктов, чтобы стимулировать продажи.

Заключение

Конечно, онлайн-продажа – это удовлетворение, но что, если бы вы могли заработать немного больше? Организация электронной коммерции может использовать различные типы фильтрации (совместная, контентная и гибридная) для создания эффективного механизма рекомендаций. Очевидно, что Amazon преуспевает в этом принципе. Всякий раз, когда вы покупаете фигурку, вам будут рекомендовать больше вещей в зависимости от самого контента. Например, мультсериал на DVD, основанный на фигурке, которую вы только что купили. Amazon на самом деле делает шаг вперед, создавая собственный пакет, связанный с продуктом, который вы смотрите.

Первый шаг к получению отличных рекомендаций по продукту для ваших клиентов – это просто набраться смелости, чтобы повысить конверсию. И помните – единственный способ по-настоящему взаимодействовать с клиентами – это общаться с каждым в отдельности.

Существует более продвинутый и нетрадиционный метод для поддержки процесса рекомендаций. Эти методы, а именно глубокое обучение, социальное обучение и тензорная факторизация, основаны на машинном обучении и нейронных сетях. Такие методы когнитивных вычислений могут поднять качество ваших рекомендаций на новый уровень. Можно с уверенностью сказать, что механизмы рекомендаций по продуктам улучшатся с использованием машинного обучения. И создать гораздо лучший процесс для удовлетворения и удержания клиентов.