Öneri Motoru Nedir? Önericiler Nasıl Çalışır?

Öneri motorları, bir müşterinin hangi içerik, ürün veya hizmetleri tüketeceğini veya etkileşime geçeceğini tahmin eden gelişmiş veri filtreleme sistemleridir. Birini çalışırken görmek için çok uzağa bakmaya gerek yok. Biri Netflix'in “Sen de Beğenebilirsin…” özelliğini kullanarak bir TV şovu seçtiğinde veya Amazon'un önerdiği bir ürünü satın aldığında, güçlü öneri motorlarını kullanıyorlar.

Öneri motorları (bazen tavsiyeciler olarak adlandırılır), hem müşteriler hem de bunları dağıtan işletmeler için kazan-kazan özellikleridir. Müşteriler, iyi ayarlanmış bir öneri motorunun sağladığı kişiselleştirme ve yardım düzeyinin keyfini çıkarır. İşletmeler, etkileşimi körükledikleri ve satışları teşvik ettikleri için bunları oluşturur.

Doğru öneriler birdenbire ortaya çıkmaz. İşletmeler, yüksek hacimli ürünleri analiz edebilen ve müşteri davranışındaki kalıpları tanımlayabilen veri çözümlerine yatırım yapmalıdır. Ancak o zaman müşteri verilerinin gerçek değerini ortaya çıkarabilir ve geliri olumlu yönde etkileyen önerilerde bulunabilirler.

Önemli çıkarımlar

• Öneri motorları, müşterilerin beğeneceği içerik, ürün veya hizmetleri tahmin etmek için davranışsal verileri, bilgisayar öğrenimini ve istatistiksel modellemeyi kullanan gelişmiş veri filtreleme sistemleridir.
• Müşteriler, kişiselleştirilmiş deneyimler sunan işletmelere çekilir.
• Üç ana öneri motoru türü, işbirlikçi filtrelemeyi , içerik tabanlı filtrelemeyi ve hibrit filtrelemeyi içerir.
• Önericiler, çapraz satışı teşvik ederek, ürün alternatifleri önererek ve dijital alışveriş sepetinde bırakılan ürünlere dikkat çekerek geliri artırır.

Öneri motoru nedir?

Öneri motorları, şirketlerin müşterilerinin istek ve ihtiyaçlarını tahmin etmelerine yardımcı olmak için tahmine dayalı analitikten yararlanan araçlardır. Motorlar, bir işletmenin benzersiz tarihsel ve davranışsal verilerine dayalı gelişmiş algoritmalar oluşturmak için makine öğrenimi ve istatistiksel modelleme kullanır. Ortaya çıkan öneriler, aşağıdakilerin bazı kombinasyonlarına dayanmaktadır:

• Bir müşterinin geçmiş davranışları ve geçmişi
• Bir ürünün tüketiciler tarafından sıralaması
• Benzer bir grubun davranışları ve geçmişi

Öneriler, bir şirketin emrinde büyük miktarda veri olduğunda en doğrudur. Bir ürün ne kadar aktif kullanıcıya sahipse, demografiler arasında davranışları ve tercihleri ​​karşılaştırmak için o kadar fazla veri olur.

Bununla birlikte, toplanan her veri parçası alakalı ve hatta güvenilir olmayacaktır. Kötü veriler üzerine öneriler oluşturmak, yanlış ve yararsız önerilerle sonuçlanır. Uygulanabilir bir öneri motoru oluşturmanın ilk adımı, kullanıma sunulmadan önce verileri toplayan ve doğrulayan uygun bir veri yönetimi stratejisi ve analitik yığını benimsemektir.

Öneri motorlarının türleri ve nasıl çalıştıkları

Her öneri motoru, tahmin oluşturmak için aynı metodolojiyi kullanmaz. Önericiler genellikle üç tür veri filtrelemeden birini kullanarak sonuçlara ulaşır: içerik tabanlı, ortak filtreleme veya ikisinin birleşimi.

İçerik tabanlı filtreleme

Bu tür filtreleme, "Benzer öğeler şunları içerir..." önerilerinde kullanılır. İçerik tabanlı filtreleme, sunulan ürün ve hizmetlerin gerçek nitelikleri hakkında tahminler oluşturur. Bu sistemdeki ürünlere, diğer ürünlerle doğrudan karşılaştırılabilecek nitelikler atanır. Şirketler, tüketilen ürünlerin türüne göre motor tarafından kullanılan öznitelik türlerini seçer.

Örneğin, yiyecek satışı konusunda uzmanlaşmış bir e-ticaret sitesi, ürünlerini aşağıdaki özelliklerle etiketleyebilir:

• Yiyecek türü (örneğin, "meyve" veya "tahıl")
• Yerleşik tat (örneğin, "acı" veya "tatlı")
• Kap (ör. "kutu" veya "kutu")
• Marka

Tavsiyeci daha sonra, kullanıcı tarafından geçmişte satın alınan veya şu anda alışveriş sepetinde bulunan ürünleri diğer benzer veya bağlantılı ürünlerle karşılaştırır. Nitelikler, veritabanındaki etiketi, yaygın olmayan etiketlerden daha yüksek sıralamalar alan daha yaygın etiketlerle paylaşan öğelerin sayısına göre ağırlıklandırılır. Bu ağırlıklandırma, öneriler listesinde hangi öğelerin ilk sırada görüneceğini belirler.

İçerik tabanlı filtreleme, tahmin yapmak için diğer müşterilerin girdilerini gerektirmez. Tahminlerini müşterinin kendi davranışsal ve tarihsel profilindeki benzerliklere dayandırır. İyi tasarlanmış bir içerik tabanlı filtreleme motoru, diğer müşterilere pek çekici gelmeyebilecek belirli tuhaflıkları ve ilgi alanlarını belirleyecektir.

Bu tür bir öneri motorunun en büyük dezavantajı, çok fazla bakım gerektirmesidir. Önerilerin doğru kalmasını sağlamak için öznitelikler sürekli olarak eklenmeli ve güncellenmelidir; bu, yüksek hacimli ürüne sahip işletmeler için göz korkutucu bir görevdir. Ek olarak, niteliklerin kendileri doğru olmalıdır. Bir Honeycrisp elmasını "kırmızı" olarak etiketlemek kolaydır, ancak daha karmaşık içerik, her bir ürünü tek tek doğru şekilde etiketlemek için özel bir konu uzmanı ekibi gerektirebilir.

işbirlikçi filtreleme

Bu filtreleme yöntemi, “Bu şovu izleyenler de izledi…” tür tavsiyelerde kullanılan yöntemdir. İşbirlikçi filtreleme, bir kişinin tercihlerinin diğer kullanıcılarla karşılaştırmasına dayalı olarak neyi seveceğini belirlemek için davranışsal verileri kullanır. İçerik tabanlı filtreleme, ürünleri diğer ürünlere bağlamaya odaklanırken, işbirlikçi filtreleme, benzer müşteri profillerini birbirine bağlayarak tahminler oluşturur.

Örneğin, işbirliğine dayalı filtreleme kullanan bir video akış platformu kullandığınızı hayal edin. Bir film bulmaya gittiğinizde, aşağıdakiler de dahil olmak üzere bir dizi davranışa dayalı veri oluşturursunuz:

• izlediğiniz filmler
• Seçtiğiniz ancak nihayetinde izlemediğiniz başlıklar
• Üzerine geldiğiniz seçimler
• Yaptığınız aramalar
• Filmlere verdiğiniz sıralamalar

Danışman daha sonra bu veri kümesine dayalı olarak sizin için etkili bir şekilde bir kullanıcı profili oluşturur. Ardından profilinizi benzer şekilde davranan bir grup kullanıcıyla karşılaştırır. Ortaya çıkan tahminler, her bir filmin gerçek içeriğine karşı bu grubun tükettiği ve keyif aldığı filmlere dayanmaktadır.

Ortak filtreleme, ürün özelliği bilgisi gerektirmez. Bu, bakımı içerik tabanlı bir motordan daha az zaman alıcı hale getirir. Ancak, diğer müşterilerin davranışlarına güvenmek veri boşlukları yaratabilir. Bir akış hizmetinde hiç kimsenin en sevdiğiniz filmle etkileşime girmediğini varsayalım. İlgi alanlarınıza mükemmel şekilde uyan bir film önerilmez çünkü öneri motorunda bir tahmin oluşturacak herhangi bir davranış verisi olmayacaktır.

hibrit filtreleme

Karma filtreleme, iki yöntemi birleştirerek hem içerik tabanlı filtrelemenin hem de ortak filtrelemenin eksikliklerini gidermeye çalışır. Bu nedenle, üç tür öneri sisteminden en etkili olanıdır.

İçerik tabanlı filtreleme, kullanıcının mevcut ilgi alanlarına hitap eden öneriler için iyi sonuç verir. Ancak, kullanıcıların belgelenmiş tercihlerinin dışında nelerden hoşlanabileceklerini doğru bir şekilde tahmin edemezler. Bir hibrit filtreleme sisteminde, bu eksiklik işbirlikçi filtreleme ile kapatılır. Ortak filtreleme, önerileri benzer bir grubun tercihlerine ve davranışlarına dayandırarak, kullanıcının yerleşik profilinin dışında kalan ilgili içeriği önerebilir. Alternatif olarak, içerik tabanlı filtreleme, işbirlikçi sistemler tarafından oluşturulan boşlukları doldurmaya yardımcı olur. Benzer kohortlar için karşılaştırmalı veri yoksa, öneri sahibi varsayılan olarak uygun bir sonuç bulmak için öznitelik etiketlerine dayalı bir eşleşme aramaya başlar.

Öneri motorları nasıl kullanılır?

Öneri motorları, müşteriler için ürün deneyimini geliştirmekten fazlasını yapar. 2021'de, her büyüklükteki işletmenin tahmini %39'u operasyonları geliştirmek için tahmine dayalı analitikle uğraşıyor - 2018'e göre %11'lik bir artış. Müşteriler giderek daha fazla kişiselleştirilmiş deneyimleri tercih ederken, her zamankinden daha fazla işletme önerileri benimsiyor. Epsilon tarafından yapılan bir anket, tüketicilerin %80'inin kişiselleştirilmiş deneyimler sunan işletmelerden satın almaya daha istekli olduğunu belirledi.

Düzgün oluşturulmuş bir danışman, şirketlere, ilgilendiklerini ifade ettikleri veya keyif alma olasılıkları yüksek ürünlerle müşterileri hedefleme fırsatı da sağlar. Önericiler, işletmelerin aşağıdaki yöntemlerle tahminlerden yararlanmasına yardımcı olur:

Çapraz satış fırsatları sağlamak

Bir öneri motoru, müşterileri tamamlayıcı ancak mutlaka benzer olmayan ürünlerle ikna edebilir. Bir kışlık şapka ve eldivenler tamamen farklı iki giyim eşyasıdır ve yine de birini sipariş eden biri diğeri için çok kolay bir kullanım bulabilir. Bir danışman bu ilişkileri tanımlar ve bireysel siparişlerin değerini artırmaya yardımcı olan verilere dayalı önerilerde bulunur.

Sepeti terk etme konusunu ele alma

Dijital alışveriş sepetlerinde bırakılan ürünler mükemmel öneri fırsatlarıdır. Müşteriler bir ürünle onu sepete atacak kadar ilgilendiler. Eksik satışları, bir fikir değişikliği veya satın alma deneyiminin harici bir şekilde bozulması olabilir.

Ürünleri daha sonra bir müşteriye tekrar önermek, onları bitiş çizgisine itebilir. Bir müşteri, her Wham'ı satın almaktan geçici olarak vazgeçmiş olabilir! Katalogdaki şarkı. Bununla birlikte, "Gitmeden Önce Beni Uyandır"ın arabalarında örümcek ağları topladığına dair nazik bir hatırlatma, fikirlerini değiştirmek için yeterli olabilir. Bu hatırlatıcılar, hem ürünün içinde hem de ilk oturumdan sonra bir e-posta mesajı olarak görüntülenebilir.

Alternatifler sunmak

Öneri motorları, algoritma tarafından "en olası" olarak belirlenen seçeneğin müşterinin istemediği durumlar için "yedek" öneriler sunar. Danışmanınız mükemmel olabilir, ancak her zaman insan beyninin kaprisindedir. Örneğin, bir öneri motoru, bir müşterinin 1987'de belirli bir markayla kötü bir etkileşimi olduğunu bilemez.

Ayrıca makinelerin insan niyetinin daha ince yönlerini anlamasının bir yolu yoktur. Bir izleyici, ironik bir şekilde, kötü şöhretli 2003 filmi “The Room”un keyfini çıkarmak isteyebilir, ancak aramaları, bunun yerine, eleştirmenlerce beğenilen 2015 Oscar ödüllü “Room” için sonuçlar getirebilir. Önerilen alternatifler, hayal kırıklığı içinde gerçekten istediklerini aramak yerine, müşterilerin gitmek istedikleri yere ulaşmalarına yardımcı olur.

Eylemdeki öneri motorlarına örnekler

Öneri motorları, ilgili ürünleri önermede kullanımları nedeniyle e-ticaret dünyasında özellikle popüler hale geldi. Diğer birçok endüstri, yoğun bir şekilde öne çıkan veya tavsiyeler üzerine kurulu dijital ürünler yarattı. Öne çıkan örnekler şunları içerir:

Amazon

Amazon, gezegendeki en ünlü öneri motorlarından birinin evidir. E-ticaret devi, on milyonlarca benzersiz ürün satıyor ve bunların her biri, danışmanı tarafından kullanılmak üzere kataloglanıyor. Aslında Amazon, içerik tabanlı filtrelemeye öncülük eden ilk büyük e-ticaret şirketlerinden biriydi ve sistemleri için 2001 yılına kadar patent başvurusunda bulundu. Yirmi yıl sonra, Amazon'un önerileri toplam satışlarının %35'ini oluşturuyor.

Chik-fil-A

Chik-fil-A, eski moda kızarmış tavuklarıyla ünlü olabilir, ancak çevrimiçi sipariş deneyimleri, modern bir danışman uygulamasından yararlanır. Çevrimiçi alışveriş yapanlar, Chik-fil-A menüsünün her ziyarette menünün en üstünde her zaman aynı ürünleri göstermediğini görebilir. Bunun yerine ekip, büyük ölçüde benzer geçmiş siparişlere dayalı olarak yeni veya popüler öğeler öneren Amplitude Recommend'i kullanarak bir öneri motoru oluşturdu.

aranabilir

Wantable, kendisini “satın almadan önce deneyin” çevrimiçi perakendecisi olarak tanımlıyor. Yeni bir müşteri, stil tercihlerine ve ölçülerine göre kişisel bir anket doldurur. Danışmanları, müşterinin profiline en uygun giyim eşyalarını tahmin etmek için bu bilgiyi kullanır. Giysiler daha sonra müşteriye gönderilir, burada onlar incelerler, deneyler ve her bir ürünü saklamak mı yoksa iade etmek mi istediklerine karar verirler. Wantable'ın başarısı, tamamen hem tavsiyelerinin doğruluğuna hem de bunları yapmak için gereken öznitelik etiketlerine bağlıdır.

Önerilerin gücünü şirketinize getirin

Öneri motorlarıyla ilgili temel bilgileri öğrendiğinize göre, bu taktiklerin şirketinizde dönüşüm ve elde tutma metriklerini nasıl iyileştirebileceğini keşfetmenin zamanı geldi. Mastering Tutma başucu kitabını bugün indirin veya kişiselleştirilmiş dijital deneyimler hakkında bilgi edinmeye devam etmek için bir Genlik turuna katılın.

Referanslar

Dresner Danışmanlık Hizmetleri, 2021 Veri Bilimi ve Makine Öğrenimi Pazar Çalışması Raporu

Epsilon, Benim Gücüm

GlobeNewswire, Dresner Danışmanlık Hizmetleri 2018 Gelişmiş ve Tahmine Dayalı Analitik Pazar Çalışmasını Duyurdu

McKinsey, Perakendeciler tüketicilere nasıl ayak uydurabilir?

SiliconANGLE, Amplitude, Chik-fil-A'nın başarıya olan iştahını tatmin etmek için kişiselleştirmeyi kullanıyor