Raccomandi i motori di raccomandazione?
Negli affari, il problema dell’ago in un pagliaio è una sfida costante. I motori di raccomandazione sono qui per aiutare ad affrontare questa sfida.
Nell’e-commerce e nella vendita al dettaglio, offri centinaia o migliaia di prodotti. Qual è il prodotto giusto per i tuoi clienti?
Nelle vendite e nel marketing, hai un gran numero di potenziali clienti nella tua pipeline. Tuttavia, hai solo così tante ore al giorno. Quindi, devi affrontare la sfida di decidere dove concentrare esattamente i tuoi sforzi.
Esiste una tecnologia specializzata basata su AI e Big Data , che rende queste sfide molto più facili da gestire, motori di raccomandazione.
Cosa sono i sistemi di raccomandazione?
In termini più semplici, un motore di raccomandazione ordina molti elementi e prevede la selezione più pertinente per l’utente. Per i consumatori, il motore di raccomandazione del prodotto di Amazon è un esempio familiare. Nel mondo dell’intrattenimento, Netflix ha lavorato duramente per sviluppare il proprio motore. Il motore di raccomandazione di Netflix ha prodotto vantaggi di fondo:
“Il sofisticato sistema di consigli di [Netflix] e l’esperienza utente personalizzata, ha permesso loro di risparmiare $ 1 miliardo all’anno dalle cancellazioni del servizio.” – Il ROI dei motori di raccomandazione per il marketing
Dal punto di vista dell’utente finale, spesso non è chiaro come funzionano i motori di raccomandazione. Apriremo il sipario e spiegheremo come funzionano, a partire dall’ingrediente chiave: i dati.
Motori di raccomandazione: quali dati utilizzano?
I dati necessari per un motore di suggerimenti dipendono dal tuo obiettivo. Supponi che il tuo obiettivo sia aumentare le vendite in una società di e-commerce. In tal caso, i dati minimi necessari rientrerebbero in due categorie: un database del prodotto e il comportamento dell’utente finale. Per illustrare come funziona, guarda questo semplice esempio.
Azienda: USB Accessories, Inc. L’azienda è specializzata nella vendita di accessori e prodotti USB come cavi, chiavette USB e hub a consumatori e aziende.
Informazioni prodotto. Per mantenere semplice il motore di raccomandazione iniziale, l’azienda lo limita a 100 prodotti.
Dati utente. Nel caso di un negozio online, i dati dell’utente includeranno informazioni di analisi del sito web, email marketing e altre fonti. Ad esempio, potresti scoprire che il 50% dei clienti che acquista un disco rigido esterno acquista anche cavi USB.
Risultato della raccomandazione. In questo caso, il tuo motore di raccomandazione potrebbe generare una raccomandazione (o un codice sconto) per gli acquirenti di dischi rigidi per incoraggiarli ad acquistare cavi USB.
In pratica, i migliori motori di raccomandazione utilizzano molti più dati. Come regola generale, i motori di raccomandazione producono risultati aziendali migliori quando hanno un grande volume di dati da utilizzare.
In che modo i motori di raccomandazione utilizzano i tuoi dati?
Molti motori di raccomandazione utilizzano una manciata di tecniche per elaborare i dati.
Filtraggio basato sui contenuti
Questo tipo di algoritmo di raccomandazione combina le preferenze dell’utente e i tentativi di consigliare articoli simili. In questo caso, il motore si concentra sul prodotto e sull’evidenziazione degli elementi correlati. Questo tipo di motore di raccomandazione è relativamente semplice da costruire. È un buon punto di partenza per le aziende con dati limitati.
Filtraggio collaborativo
Hai chiesto a qualcun altro un consiglio prima di effettuare un acquisto? O hai considerato recensioni online nel tuo processo di acquisto? In tal caso, hai sperimentato il filtraggio collaborativo. Motori di raccomandazione più avanzati analizzano le recensioni degli utenti, le valutazioni e altri contenuti generati dagli utenti per produrre suggerimenti pertinenti. Questo tipo di strategia del motore di raccomandazione è potente perché sfrutta la prova sociale.
Raccomandatori ibridi
I motori di raccomandazione ibridi combinano due o più metodi di raccomandazione per produrre risultati migliori. Tornando all’esempio di e-commerce delineato sopra, supponiamo che tu abbia acquisito recensioni e valutazioni degli utenti (ad es. Da 1 a 5 stelle) nell’ultimo anno. Ora puoi utilizzare sia il filtro basato sui contenuti che il filtro collaborativo per presentare consigli. La combinazione di più motori di raccomandazione o algoritmi con successo di solito richiede la sperimentazione. Per questo motivo, è meglio considerare una strategia relativamente avanzata.
Un motore di raccomandazione ha successo solo se lo inserisci con dati di alta qualità. Inoltre, non può funzionare in modo efficace se nel database della società sono presenti errori o informazioni non aggiornate. Ecco perché è necessario investire continuamente risorse nella qualità dei dati.
Casi studio:
Assunzione automatizzata: punteggio candidato
Secondo la ricerca di Jobvite, in media ci sono più di 50 candidati per annuncio di lavoro. Per i reparti e i manager delle risorse umane, quel volume di candidati crea un’enorme quantità di lavoro. Per semplificare il processo, Blue Orange ha implementato un motore di raccomandazione per un hedge fund Fortune 500. Questo progetto di automazione delle risorse umane ha aiutato l’azienda a classificare i candidati in modo standardizzato. Utilizzando dieci anni di dati sui candidati e curriculum, l’azienda dispone ora di un sofisticato modello di punteggio per trovare candidati idonei.
Un fondo speculativo a New York City aveva bisogno di analizzare curriculum che erano incoerenti e richiedeva l’OCR per migliorare il processo di assunzione. Anche la migliore analisi OCR ti lascia con dati disordinati e non strutturati . Quindi, mentre un candidato si muove attraverso il processo di candidatura, gli umani vengono coinvolti. Aggiungere al set di dati le revisioni testuali in formato libero del richiedente e le distorsioni linguistiche e personali. Inoltre, ogni origine dati è suddivisa in silos fornendo opportunità analitiche limitate.
Approccio: dopo aver valutato i processi di assunzione di più aziende, abbiamo trovato tre opportunità coerenti per migliorare sistematicamente i risultati delle assunzioni utilizzando l’apprendimento automatico della PNL . Le aree problematiche sono: strutturare correttamente i dati del curriculum del candidato, valutare l’idoneità al lavoro e ridurre i pregiudizi nelle assunzioni umane. Con un set di dati pulito e strutturato , siamo stati in grado di eseguire sia l’analisi del sentiment sul testo che il rilevamento della soggettività per ridurre il bias del candidato nella valutazione umana.
Risultati: utilizzando classificatori di rilevamento di parole chiave, riconoscimento ottico dei caratteri e motori NLP basati su cloud, siamo stati in grado di pulire il testo della stringa e trasformarlo in dati relazionali. Con i dati strutturati, abbiamo fornito un dashboard di analisi aziendale veloce, interattivo e ricercabile in AWS QuickSight.
E-commerce: Zageno Medical Supplies
Un altro esempio di motori di raccomandazione implementati nel mondo reale viene da Zageno. Zageno è una società di e-commerce che fa per gli scienziati di laboratorio ciò che Amazon fa per il resto di noi. L’avvertenza è che le esigenze degli scienziati di laboratorio sono esatte, quindi lo devono essere anche le forniture procurate per la loro ricerca. Le citazioni seguenti dalla nostra intervista con Zageno mettono in evidenza come utilizzano i motori di raccomandazione per fornire le forniture più accurate agli scienziati di laboratorio.
In che modo la tua azienda ha utilizzato un motore di raccomandazione e che tipo di risultati hai visto? Esempi: prodotti suggeriti, contenuti, gruppi di mercato target e pubblicità tempestiva.
Ci sono due esempi di motori di raccomandazione che ZAGENO impiega per i suoi clienti scientifici. Per spiegarli, abbiamo ritenuto opportuno indicarli.
Punteggio scientifico di ZAGENO :
Il punteggio scientifico di ZAGENO è un sistema completo di valutazione dei prodotti, sviluppato specificamente per valutare i prodotti di ricerca. Incorpora diversi aspetti dei dati di prodotto, da più fonti, per fornire agli scienziati una valutazione del prodotto sofisticata e imparziale per prendere decisioni di acquisto accurate.
Applichiamo sofisticati algoritmi di apprendimento automatico per abbinare, raggruppare e classificare accuratamente milioni di prodotti. Il punteggio scientifico tiene conto di queste categorizzazioni, poiché il punteggio di ogni prodotto viene calcolato rispetto a quelli della stessa categoria. Il risultato è un sistema di valutazione di cui gli scienziati possono fidarsi, uno specifico sia per l’applicazione del prodotto che per il tipo di prodotto.
Le classificazioni standard dei prodotti sono utili per valutare rapidamente i prodotti, ma sono spesso distorte e inaffidabili, a causa della loro dipendenza da revisioni sconosciute o da una singola metrica (ad esempio pubblicazioni). Forniscono anche pochi dettagli sul contesto o sull’applicazione sperimentale. Lo Scientific Score utilizza una metodologia scientifica per valutare in modo obiettivo e completo i prodotti della ricerca. Combina tutte le informazioni sul prodotto necessarie e pertinenti in un’unica valutazione da 0 a 10 per supportare i nostri clienti nella decisione di quale prodotto acquistare e utilizzare per la loro applicazione, risparmiando ore di ricerca del prodotto.
Per garantire che nessun singolo fattore domini, aggiungiamo punti di interruzione e attribuiamo più peso ai contributi recenti. L’enorme numero di fattori che prendiamo in considerazione elimina virtualmente qualsiasi opportunità di manipolazione. Di conseguenza, il nostro punteggio è una misura oggettiva della qualità e della quantità delle informazioni disponibili sul prodotto, che supporta le decisioni di acquisto dei nostri clienti.
Prodotti alternativi:
I prodotti alternativi sono definiti dagli stessi valori per gli attributi chiave; gli attributi chiave sono definiti per ciascuna categoria per tenere conto delle caratteristiche specifiche del prodotto.
Stiamo lavorando per aumentare i dati e gli attributi sottostanti e migliorare l’algoritmo per migliorare i suggerimenti
I suggerimenti di prodotti alternativi hanno lo scopo di aiutare sia lo scienziato che l’approvvigionamento a considerare e valutare potenziali prodotti, altrimenti non avrebbero considerato / conosciuto
I prodotti alternativi sono definiti esclusivamente dalle caratteristiche del prodotto e indipendenti da fornitori, marchio o altri dati commerciali
Raccomanda sistemi di raccomandazione?
“Sì, ma assicurati di utilizzare i dati corretti per basare la tua raccomandazione sia sulla qualità che sulla quantità che riflettono le reali aspettative degli utenti. Creare trasparenza perché nessuno, in particolare gli scienziati, si fiderà o farà affidamento su una scatola nera. Condividi con i tuoi utenti quali informazioni vengono utilizzate, come sono ponderate e continua ad apprendere in modo da migliorare continuamente. Infine, completa il ciclo prendendo il feedback degli utenti che hai raccolto e riportandolo nel sistema “.
- Zageno
La potenza dei motori di raccomandazione non è mai stata così grande. Come dimostrato da giganti come Amazon e Netflix, i consiglieri possono essere direttamente responsabili dell’aumento delle entrate e dei tassi di fidelizzazione dei clienti. Aziende come Zageno dimostrano che non è necessario essere una grande azienda per sfruttare il potere dei consiglieri. I vantaggi dei motori di raccomandazione abbracciano molti settori, come l’e-commerce per le risorse umane.
Il modo più veloce per portare i motori di raccomandazione alla tua azienda
Lo sviluppo di un motore di raccomandazione richiede esperienza nei dati. Il tuo team IT interno potrebbe non essere in grado di svilupparlo. Se vuoi ottenere la fidelizzazione dei clienti e i vantaggi in termini di efficienza dei motori di raccomandazione, non devi aspettare che l’IT diventi meno occupato. Mandaci un messaggio e facci sapere. Il team di data science di Blue Orange Digital è lieto di fare in modo che i consiglieri lavorino anche a tuo vantaggio!
