„S-ar putea sa va placa acest articol.” Poate ca aceasta fraza va suna cunoscuta. Intr-adevar, sistemele de recomandare au crescut in importanta in ultimii ani, pana la punctul de a reprezenta astazi o mare oportunitate pentru comertul digital, mai ales in ceea ce priveste big data. Cu ajutorul unor algoritmi sofisticati si bazandu-se pe aceasta voluminoasa baza de date de utilizatori, sistemele de recomandare sunt speranta sectorului, care spera sa creasca in acest fel conversiile.
Cine nu cunoaste afirmatii precum „Oamenii care au cumparat acest articol, au cumparat si.. ” sau „Te-ar putea interesa si asta”, pe care le intalnim de obicei cand facem cumparaturi online? Adaptate in mod ideal la preferintele individuale ale cumparatorului, aceste sfaturi sunt rezultatul unei puteri de calcul considerabile si al unor algoritmi complexi. Daca sistemele de recomandare sunt deja ferm inradacinate in domeniul comertului electronic, si alte sectoare beneficiaza de o tehnologie care nu face decat sa se imbunatateasca.
Sistemele de recomandare explicate pe scurt
Sistemele de recomandare sunt, practic, un sistem software care filtreaza informatiile de interes pentru utilizator pentru a propune produsul care se potriveste cel mai bine nevoilor acestuia cat mai exact posibil. Pe baza comportamentelor anterioare, cum ar fi achizitiile dintr-un anumit magazin, aceste sisteme evalueaza gradul de interes al acestui utilizator fata de anumite produse si cauta automat produse similare cu o mare probabilitate de a le atrage atentia .
Recomandarile personalizate isi gasesc aplicatie in diverse domenii si se regasesc de obicei in toate acele servicii web (magazine web, servicii de transmisie audiovizuala online, publicatii) care ofera un numar mare de obiecte, fie ca sunt carti, haine sau filme, din care doar o parte ar putea . fi interesant pentru utilizator. Recomandarile ar fi o modalitate de a ajuta utilizatorul sa gaseasca acele piese pe placul sau printre toate cele care compun catalogul global de articole, deoarece fac o preselectie bazata, de exemplu, pe cautarile anterioare ale utilizatorului.
Cum ne avantajeaza sistemele de recomandare?
Infatisate astfel, aceste propuneri automatizate sunt, fara indoiala, o usurare pentru consumatori, deoarece, in loc sa fie nevoiti sa treaca printr-o lista nesfarsita de oferte de putina relevanta pana cand gasesc ceea ce cauta, ii ajuta, teoretic, pentru a dezlega cele mai interesante cele mai putin interesante. Proprietarii de site-uri, la randul lor, se asteapta ca acest efect pozitiv sa se reflecte in cresterea traficului sau a vanzarilor . In comertul electronic, recomandarile bune conduc intotdeauna la cosuri de cumparaturi pline care maresc marjele de profit.
Cu toate acestea, cealalta fata a monedei simplu de calcul din algoritmi matematici se regaseste in lipsa componentei umane . Chiar si cele mai rafinate calcule esueaza in comportamentul uman foarte elementar, ceea ce inseamna ca, uneori, propunerile primite nu sunt tocmai ceea ce se astepta consumatorul sau chiar ii fac sa dispere.
Algoritmii te cunosc: asa functioneaza software-ul de recomandare
Pentru ca un sistem de recomandare sa functioneze, are nevoie de o anumita cantitate de informatii de la care sa poata porni. In functie de natura acestor informatii, este posibil sa se faca diferenta intre diferite tipuri de algoritmi de filtrare, inclusiv cei bazati pe continut (bazat pe continut), colaborativ (colaborativ), sensibil la context si cei care tin cont si de factorul timp. sau date demografice.
Sisteme de filtrare bazate pe continut
Acest tip de software filtreaza obiecte sau continut similar celor pe care consumatorul le-a cautat deja, le-a vazut, le-a cumparat sau le-a apreciat pozitiv. Pentru a stabili o asemanare intre obiecte , sistemul efectueaza o analiza de continut. De exemplu, pe platformele de streaming de muzica online, software-ul evalueaza piesele muzicale analizand structura lor interna pentru a gasi piese similare care ar putea avea o linie de bas similara.
Sisteme de filtrare colaborative
In metodele de filtrare colaborativa, recomandarea se bazeaza pe utilizatorii care au facut evaluari similare . Daca acestea au dezvaluit in trecut un mare interes pentru un anumit produs, sistemul il recomanda altor utilizatori. Informatiile despre articol in sine nu sunt atat de necesare aici. Este sistemul pe care Amazon il foloseste, de exemplu (filtrare colaborativa articol cu articol).
Predictie bazata pe memorie sau pe model
Sistemele colaborative folosesc diferite metode de invatare, dintre care cele mai frecvent utilizate sunt bazate pe memorie si pe model. Primul calculeaza asemanarea dintre utilizatori sau obiecte din volumul total de evaluari stocate. Rezultatul constituie baza pe care pot fi prezise combinatii utilizator-obiect neevaluate inca. Metodele bazate pe modele, pe de alta parte, functioneaza conform principiilor invatarii automate. Avand ca referinta datele, sistemul genereaza un model matematic cu ajutorul caruia se poate prezice interesul unui utilizator pentru un anumit produs.
Sisteme de recomandare in practica: cateva exemple
Sistemele de filtrare isi gasesc aplicatie astazi in multe teritorii. Cele mai mari trei sectoare sunt serviciile de streaming audiovizual online ( Spotify, Netflix ), magazinele electronice mai vechi, cum ar fi Amazon , si sistemele de publicitate bazate pe continut .
De ce Netflix si Spotify stiu aproape intotdeauna ce va place cel mai mult?
De la inceputul anului 2016, populara platforma video online nord-americana Netflix a integrat un nou sistem de recomandare care a imbunatatit algoritmul care ofera fiecarui utilizator filme si seriale in concordanta cu gusturile personale. Algoritmii de personalizare ai Netflix nu iau in considerare aspecte demografice precum varsta sau sexul, ci doar datele pe care platforma in sine le colecteaza. Deja in momentul crearii contului, utilizatorul trebuie sa dezvaluie filmele si serialele preferate si, pe masura ce consuma material audiovizual pe platforma, profilul sau este definit. Comparand utilizatorii pe baza preferintelor lor, platforma poate emite apoi recomandari mai mult sau mai putin precise ..
Pana acum, pornirea Netflix intr-o alta tara a creat probleme in acest sens deoarece ii lipsea o baza de date din care sa calculeze propunerile. Noul algoritm lansat in 2016 functioneaza cu grupuri transnationale de consumatori , desi continua sa tina cont de tendintele regionale si nationale si cauta sa se adapteze la preferintele culturale si lingvistice.
Spotify , platforma de ascultare a muzicii online, foloseste recomandari personalizate de cel mai mult timp. In fiecare saptamana, algoritmii creeaza o lista de melodii (Mixtape sau Daily Mix) care se potriveste cu gusturile utilizatorului, pe baza a ceea ce a ascultat deja sau a marcat ca favorite.
Punctul de plecare al acestor filtre sunt, pe de o parte, listele (listele de redare) ale altor utilizatori si, pe de alta parte, un profil precis al gusturilor pe care Spotify il creeaza pentru fiecare utilizator. Pentru a face acest lucru, acest popular serviciu de streaming functioneaza cu definitii foarte stranse ale genurilor muzicale, la care se adauga propriul software care analizeaza articole si texte din bloguri si reviste pentru a clasifica artistii cat mai exact posibil. Sistemul de recomandare Spotify poate recunoaste chiar acei artisti atipici care uneori sunt ascultati, dar nu se inscriu la profil, desi nu ii include in lista personalizata de melodii.
In business-ul digital, sistemele de filtrare reprezinta practic cea mai clasica vanzare incrucisata, in care articolele complementare sau similare sunt prezentate consumatorilor. Un pionier in acest tip de recomandari este magazinul Amazon, care, in calitate de lider in sectorul eCommerce, are un depozit urias de date generate de utilizatori. Destul de curand, gigantul digital a descoperit ca cosurile de cumparaturi ale clientilor s-au umplut mai repede cu ofertele potrivite . Astazi, pe tot parcursul procesului de cumparare, utilizatorul gaseste diferite tipuri de recomandari:
- „Clientii care au cumparat acest produs au cumparat si ei”
- „Ce alte produse cumpara clientii dupa ce vad acest produs?”
- „Produse vizionate recent si recomandari prezentate. Inspirat de istoricul dvs. de navigare”
- „Clientii au vazut si aceste produse disponibile”
In general, tendinta in comertul electronic este catre sisteme de recomandare din ce in ce mai personalizate . Din ce in ce mai multe companii mizeaza pe o personalizare care depaseste recomandarea „cel mai popular articol” si care este rezultatul imbinarii diverselor strategii care tin cont de interesele, cele mai populare articole si alti factori precum disponibilitatea acestora. si modificari de pret.
Publicitate recomandata
Ceea ce functioneaza pe Netflix cu filme si seriale si pe Amazon cu camere digitale si carti este, de asemenea, un principiu foarte profitabil in sectorul nativ de publicitate. Cine citeste astazi reviste online cunoaste expresii precum „Te poate interesa si asta” sau „Articole recomandate”, urmate de o lista de continut din pagini externe. Tehnologia de recomandare este aici la slujba strategiilor native de publicitate . Cei mai cunoscuti furnizori de publicitate nativa sunt Outbrain si, intr-o masura mai mica, germanul Plista.
Platformele de publicitate contextuala functioneaza datorita setului de date voluminosgenerate atat de utilizatori, cat si de editori. In fiecare zi, serverul Plista inregistreaza milioane de solicitari care sunt echivalente cu numarul de ori cand un utilizator deschide o pagina cu widgetul Plista instalat. In aceasta actiune, atribute precum browserul, sistemul de operare, dispozitivul, data si ora sau informatii semantice despre continutul care este citit merg la un depozit de date care este procesat in combinatie cu datele tehnice pana cand in final algoritmul le optimizeaza. . In acest proces se reunesc diverse tehnologii, printre altele, tintirea comportamentala, filtrarea colaborativa si segmentarea semantica, rezultand o directionare exhaustiva care permite publicarea de recomandari de continut individualizate pe baza datelor.
Software pentru sisteme de recomandare
Dupa cum am vazut, sistemele de recomandare au o importanta capitala in domeniul comertului electronic deoarece, prin emiterea propunerilor corespunzatoare, reprezinta o oportunitate de crestere a ratei de conversie si, odata cu aceasta, a vanzarilor. Multe sisteme pentru magazine online au cateva functii standard de recomandare incorporate , care, desi permit o analiza bine informata, nu depasesc utilizarea unei solutii software speciale .
Diversi furnizori ofera companiilor solutii SaaS (Software as a Service) cu care sa integreze recomandari personalizate in proiectul lor comercial.
Majoritatea acestor furnizori promit solutii software de auto-invatare bazate pe tehnologii de personalizare proprietare (metode bazate pe modele). Marele sau avantaj, pe langa faptul ca are o functionalitate foarte larga, este ca reduce considerabil dificultatea implementarii sale, deoarece nu este necesar sa se investeasca in hardware sau software.
Aceste solutii se ocupa, printre altele, de trei etape fundamentale: baza de date de urmarire, asa-numita inginerie a caracteristicilor si, in final, procesarea si analiza datelor.
Urmarirea bazelor de date
Pentru a analiza datele, este logic sa le colectam mai intai. Prin monitorizarea clasica , software-ul colecteaza informatii centrale despre locatia geografica, cosul de cumparaturi, ora din zi, obiceiuri si, in general, intreaga calatorie a clientilor, pe care programul le salveaza intr-o baza de date.
Ingineria factorilor
Din aceste informatii continute in baza de date trebuie filtrate asa-numitele caracteristici , care ar putea fi traduse ca caracteristici sau factori. Acestea pot fi diferite si variaza de la momentul vizitei si durata acesteia pana la perioadele de timp dintre actiuni, desi doar cativa factori sunt necesari pentru proiectarea prognozei. Provocarea acestui sistem consta tocmai in identificarea acestor aspecte deosebit de relevante, care sunt cele care au o influenta semnificativa asupra comportamentului de cumparare si, in cele din urma, asupra deciziilor finale. Selectia individuala a caracteristicilor variaza de la magazin la magazin, asa ca este necesara o analiza inteligenta. Este pasul anterior la elaborarea modelelor de predictie.
Prelucrarea si analiza datelor
Pe baza acestor aspecte si caracteristici cele mai relevante, definite individual pentru magazinul online, sistemul isi face previziunile. Crearea acestor modele de prognoza necesita o mare putere de calcul si poate dura pana la cateva ore. Sistemul stocheaza modelele, care vor servi drept baza pentru calcularea recomandarilor. Asa se face ca fiecare vizita in magazin primeste sfaturi si recomandari personalizate.
Personalizare in comertul electronic: valoare in crestere
Comertul digital tinde spre personalizare cu instrumente din ce in ce mai rafinate. Acest lucru se datoreaza nu numai faptului ca companiile sunt supuse unei presiuni mari si incearca in mod constant sa se diferentieze de rivalii lor, ci si din cauza schimbarilor in perceptia utilizatorilor. Publicitatea este identificata ca atare mult mai repede decat inainte si chiar este ignorata (orbirea bannerului). Daca, in ciuda tuturor, este posibila trezirea interesului consumatorului cu informatii individuale si relevante pentru el si segmentare corespunzatoare, sansele unei conversii cresc. Acelasi lucru se poate spune despre sistemele de recomandare, care sunt din ce in ce mai sensibile si mai precise. Gasirea celei mai adecvate strategii si atingerea potentialului client are o influenta pozitiva asupra vanzarilor si, in cele din urma,
