Co to jest silnik rekomendacji? Jak działają osoby polecające

Silniki rekomendacji to zaawansowane systemy filtrowania danych, które przewidują, jakie treści, produkty lub usługi klient prawdopodobnie będzie korzystał lub z których korzystał. Nie trzeba daleko szukać, żeby zobaczyć, jak działa. Za każdym razem, gdy ktoś wybiera program telewizyjny korzystający z funkcji Netflix „Możesz też polubić…” lub kupuje produkt zalecany przez Amazon, korzysta z potężnych silników rekomendacji.

Silniki rekomendacji (czasami nazywane rekomendatorami ) to funkcje korzystne zarówno dla klientów, jak i firm, które je wdrażają. Klienci korzystają z poziomu personalizacji i pomocy zapewnianej przez dobrze dostrojony silnik rekomendacji. Firmy budują je, ponieważ podsycają zaangażowanie i zachęcają do sprzedaży.

Dokładne rekomendacje nie pojawiają się znikąd. Firmy muszą inwestować w rozwiązania danych umożliwiające analizę dużej ilości produktów i identyfikowanie wzorców zachowań klientów. Tylko wtedy mogą odblokować prawdziwą wartość danych swoich klientów i przedstawić rekomendacje, które pozytywnie wpłyną na przychody.

Kluczowe dania na wynos

• Silniki rekomendacji to zaawansowane systemy filtrowania danych, które wykorzystują dane behawioralne, uczenie komputerowe i modelowanie statystyczne do przewidywania treści, produktów lub usług, które spodobają się klientom.
• Klientów przyciągają firmy, które oferują spersonalizowane doświadczenia.
• Trzy główne typy silników rekomendacji obejmują filtrowanie grupowe , filtrowanie oparte na treści i filtrowanie hybrydowe .
• Osoby polecające zwiększają przychody, zachęcając do sprzedaży krzyżowej, sugerując alternatywy produktów i zwracając uwagę na przedmioty porzucone w cyfrowym koszyku na zakupy.

Czym jest silnik rekomendacji?

Silniki rekomendacji to narzędzia, które wykorzystują analizy predykcyjne, aby pomóc firmom przewidywać potrzeby i potrzeby klientów. Silniki wykorzystują uczenie maszynowe i modelowanie statystyczne do tworzenia zaawansowanych algorytmów na podstawie unikalnych danych historycznych i behawioralnych firmy. Wynikające z tego zalecenia są oparte na kombinacji:

• Przeszłe zachowania i historia klienta
• Ranking produktu przez konsumentów
• Zachowania i historia podobnej kohorty

Rekomendacje są najdokładniejsze, gdy firma dysponuje dużą ilością danych. Im więcej aktywnych użytkowników ma produkt, tym więcej jest danych do porównywania zachowań i preferencji w różnych grupach demograficznych.

Jednak nie wszystkie zebrane dane będą istotne, a nawet wiarygodne. Tworzenie rekomendacji na podstawie złych danych powoduje, że rekomendacje są niedokładne i nieprzydatne. Pierwszym krokiem w tworzeniu działającego silnika rekomendacji jest przyjęcie odpowiedniej strategii zarządzania danymi i stosu analitycznego, który zbiera i weryfikuje dane przed ich użyciem.

Rodzaje silników rekomendacji i sposób ich działania

Nie każdy silnik rekomendacji używa tej samej metodologii do tworzenia prognoz. Osoby polecające zazwyczaj uzyskują wyniki, korzystając z jednego z trzech typów filtrowania danych: filtrowania opartego na treści, filtrowania zespołowego lub kombinacji tych dwóch.

Filtrowanie oparte na treści

Ten rodzaj filtrowania jest używany w rekomendacjach typu „Podobne elementy obejmują…”. Filtrowanie oparte na treści tworzy prognozy dotyczące rzeczywistej jakości oferowanych produktów i usług. Produktom w tym systemie przypisywane są atrybuty, które można bezpośrednio porównać z innymi produktami. Firmy wybierają typy atrybutów wykorzystywanych przez silnik na podstawie rodzaju konsumowanych produktów.

Na przykład witryna e-commerce, która specjalizuje się w sprzedaży artykułów spożywczych, może oznaczyć swoje produkty następującymi atrybutami:

• Rodzaj żywności (np. „owoce” lub „zboża”)
• Uznany smak (np. „gorzki” lub „słodki”)
• Pojemnik (np. „pudełko” lub „puszka”)
• Marka

Rekomendujący porównuje następnie przedmioty kupione w przeszłości przez użytkownika lub znajdujące się obecnie w jego koszyku z innymi podobnymi lub powiązanymi przedmiotami. Atrybuty są ważone liczbą pozycji w bazie danych, które mają wspólny tag z bardziej powszechnymi tagami, które otrzymują wyższą pozycję w rankingu niż nietypowe. Ta waga określa, które pozycje pojawiają się jako pierwsze na liście zaleceń.

Filtrowanie oparte na treści nie wymaga wkładu innych klientów do przewidywania. Opiera swoje przewidywania na podobieństwach w obrębie własnego profilu behawioralnego i historycznego klienta. Dobrze zaprojektowany silnik filtrujący oparty na treści zidentyfikuje określone dziwactwa i zainteresowania, które mogą nie być atrakcyjne dla innych klientów.

Główną wadą tego typu silnika rekomendacji jest to, że wymaga on wielu czynności konserwacyjnych. Atrybuty muszą być stale dodawane i aktualizowane, aby rekomendacje były dokładne — to trudne zadanie dla firm o dużej liczbie produktów. Ponadto same atrybuty muszą być dokładne. Oznaczenie jabłka Honeycrisp „czerwonym” jest łatwe, ale bardziej złożona treść może wymagać dedykowanego zespołu ekspertów w danej dziedzinie, aby prawidłowo oznakować każdy produkt z osobna.

Filtrowanie zespołowe

Ta metoda filtrowania jest używana w typach polecających „Osoby, które oglądały ten program, oglądały też…”. Filtrowanie zespołowe wykorzystuje dane behawioralne w celu określenia, co dana osoba będzie lubiła na podstawie porównania jej preferencji z innymi użytkownikami. Podczas gdy filtrowanie oparte na treści koncentruje się na łączeniu produktów z innymi produktami, filtrowanie zespołowe buduje prognozy, łącząc podobne profile klientów.

Na przykład wyobraź sobie, że korzystasz z platformy do strumieniowego przesyłania wideo, która korzysta z filtrowania zespołowego. Szukając filmu, tworzysz dane na podstawie szeregu zachowań, w tym:

• Filmy, które oglądasz
• Tytuły, które wybierasz, ale ostatecznie nie oglądasz
• Selekcje, nad którymi najedziesz kursorem
• Wyszukiwania, których dokonujesz
• Rankingi, które dajesz filmom

Rekomendujący następnie skutecznie tworzy dla Ciebie profil użytkownika na podstawie tego zestawu danych. Następnie porównuje Twój profil z kohortą użytkowników, którzy zachowują się podobnie. Wynikające z tego prognozy są oparte na filmach, które ta kohorta obejrzała i które lubiły, w porównaniu z rzeczywistą zawartością każdego filmu.

Filtrowanie zespołowe nie wymaga informacji o cechach produktu. Dzięki temu konserwacja jest mniej czasochłonna niż w przypadku silnika opartego na treści. Jednak poleganie na zachowaniach innych klientów może powodować luki w danych. Załóżmy, że nikt nie wchodzi w interakcję z Twoim ulubionym filmem w serwisie streamingowym. Film idealnie dopasowany do Twoich zainteresowań nie będzie polecany, ponieważ silnik rekomendacji nie będzie zawierał żadnych danych behawioralnych, na podstawie których można by sformułować prognozę.

Filtrowanie hybrydowe

Filtrowanie hybrydowe próbuje rozwiązać wady zarówno filtrowania opartego na treści, jak i filtrowania grupowego, łącząc te dwie metody. W związku z tym jest to najskuteczniejszy z trzech rodzajów systemów rekomendacji.

Filtrowanie oparte na treści dobrze sprawdza się w przypadku sugestii, które odpowiadają aktualnym zainteresowaniom użytkownika. Nie są jednak w stanie dokładnie przewidzieć, co użytkownicy mogą polubić poza ich udokumentowanymi preferencjami. W hybrydowym systemie filtrowania ten deficyt jest pokrywany przez filtrowanie współpracujące. Filtrowanie zespołowe może sugerować powiązane treści, które wykraczają poza ustalony profil użytkownika, na podstawie rekomendacji na podstawie preferencji i zachowań podobnej kohorty. Alternatywnie filtrowanie oparte na treści pomaga wypełnić luki utworzone przez systemy współpracy. Jeśli nie istnieją żadne dane porównawcze dla podobnych kohort, rekomendujący domyślnie szuka dopasowania na podstawie tagów atrybutów, aby znaleźć odpowiedni wynik.

Jak wykorzystywane są silniki rekomendacji

Silniki rekomendacji nie tylko poprawiają jakość obsługi produktu przez klientów. Szacuje się, że w 2021 r. 39% firm każdej wielkości angażowało się w analizy predykcyjne w celu usprawnienia operacji — 11% wzrost w porównaniu z 2018 r. Więcej firm niż kiedykolwiek wcześniej stosuje zalecenia, ponieważ klienci coraz częściej preferują spersonalizowane doświadczenia. Ankieta przeprowadzona przez firmę Epsilon wykazała, że ​​80% konsumentów chętniej kupuje od firm oferujących spersonalizowane doświadczenia.

Prawidłowo skonstruowany rekomendator daje również firmom możliwość skierowania do klientów produktów, którymi wyrazili zainteresowanie lub które z dużym prawdopodobieństwem będą im się podobać. Osoby polecające pomagają firmom wykorzystać prognozy za pomocą następujących metod:

Zapewnienie możliwości sprzedaży krzyżowej

Silnik rekomendacji może przyciągnąć klientów produktami, które są komplementarne, ale niekoniecznie podobne. Czapka zimowa i rękawiczki to dwa kompletnie różne elementy garderoby, a jednak ktoś zamawiający jeden może bardzo łatwo znaleźć zastosowanie dla drugiego. Rekomendujący identyfikuje te relacje i przedstawia oparte na danych sugestie, które pomagają zwiększyć wartość poszczególnych zamówień.

Rozwiązanie problemu porzucania koszyka

Przedmioty porzucone w cyfrowych koszykach to doskonała okazja do rekomendacji. Klienci byli wystarczająco zainteresowani produktem, aby umieścić go w swoim koszyku. Ich niepełna sprzedaż może być zmianą zdania lub zewnętrznym zakłóceniem zakupów.

Ponowne zasugerowanie produktów klientowi w późniejszym czasie może popchnąć je do mety. Klient mógł chwilowo wyperswadować sobie zakup każdego Whama! piosenka w katalogu. Jednak delikatne przypomnienie, że „Wake Me Up Before You Go-Go” zbiera pajęczyny w swoim koszyku, może wystarczyć, aby zmienić zdanie. Przypomnienia te mogą być wyświetlane zarówno w samym produkcie, jak i w wiadomości e-mail po pierwszej sesji.

Oferowanie alternatyw

Silniki rekomendacji dostarczają sugestii „kopii zapasowych” w przypadkach, w których opcja określona przez algorytm jako „najbardziej prawdopodobna” nie jest tym, czego chce klient. Twój polecający może być doskonały, ale zawsze jest to kaprys ludzkiego mózgu. Na przykład silnik rekomendacji nie może wiedzieć, że klient miał złą interakcję z określoną marką w 1987 roku.

Maszyny nie mają również możliwości zrozumienia subtelniejszych aspektów ludzkich intencji. Widz może chcieć jak na ironię cieszyć się niesławnym filmem „Pokój” z 2003 roku, ale zamiast tego jego wyszukiwanie może zwrócić wyniki dla uznanego przez krytyków zdobywcy Oscara z 2015 roku „Pokój”. Polecane alternatywy pomagają dotrzeć klientom tam, gdzie chcą, zamiast szukać tego, czego faktycznie chcieli w frustracji.

Przykłady silników rekomendacji w akcji

Silniki rekomendacji stały się szczególnie popularne w świecie e-commerce ze względu na ich zastosowanie w sugerowaniu powiązanych produktów. Wiele innych branż stworzyło produkty cyfrowe, które albo zawierają wiele funkcji, albo są oparte na rekomendacjach. Wybitne przykłady obejmują:

Amazonka

Amazon jest ojczyzną jednej z najsłynniejszych wyszukiwarek rekomendacji na świecie. Gigant handlu elektronicznego sprzedaje dziesiątki milionów unikalnych produktów, a każdy z nich jest skatalogowany do użytku przez polecającego. W rzeczywistości Amazon był jedną z pierwszych dużych firm e-commerce, która była pionierem w zakresie filtrowania opartego na treści i już w 2001 roku złożyła patent na swój system. Dwie dekady później rekomendacje Amazona stanowią aż 35% ich całkowitej sprzedaży.

Chik-fil-A

Chik-fil-A może słynąć ze swojego dobrego, staromodnego smażonego kurczaka, ale ich doświadczenie w zamawianiu online korzysta z zastosowania nowoczesnego polecającego. Kupujący online mogą stwierdzić, że menu Chik-fil-A nie zawsze wyświetla te same produkty na górze menu przy każdej wizycie. Zamiast tego zespół zbudował silnik rekomendacji przy użyciu polecenia Amplitude Recommend, który sugeruje nowe lub popularne przedmioty w dużej mierze na podstawie podobnych wcześniejszych zamówień.

Poszukiwane

Wantable opisuje siebie jako sprzedawcę internetowego „wypróbuj, zanim kupisz”. Nowy klient wypełnia osobistą ankietę opartą na jego preferencjach stylistycznych i pomiarach. Osoba polecająca korzysta z tych informacji, aby przewidzieć, które artykuły odzieżowe najlepiej pasują do profilu klienta. Odzież jest następnie wysyłana do klienta, gdzie przegląda, przymierza i decyduje, czy chce zatrzymać każdy artykuł, czy go zwrócić. Sukces Wantable jest całkowicie zależny od dokładności zarówno ich rekomendacji, jak i tagów atrybutów wymaganych do ich utworzenia.

Wprowadź moc rekomendacji do swojej firmy

Teraz, gdy znasz już podstawy silników rekomendacji, nadszedł czas, aby zbadać, w jaki sposób te taktyki mogą poprawić wskaźniki konwersji i utrzymania w Twojej firmie. Pobierz poradnik Mastering Retention już dziś lub wybierz się na wycieczkę po Amplitude, aby kontynuować naukę o spersonalizowanych doświadczeniach cyfrowych.

Bibliografia

Dresner Advisory Services, raport z badania rynku Data Science i uczenia maszynowego w 2021 r.

Epsilon, Moc Mnie

GlobeNewswire, Dresner Advisory Services ogłasza badanie rynku 2018 Advanced and Predictive Analytics

McKinsey, Jak detaliści mogą nadążyć za konsumentami

SiliconANGLE, Amplitude wykorzystuje personalizację, aby zaspokoić apetyt Chik-fil-A na sukces