Znalostní systém
Znalostní systémy jsou systémy, kde návrhy jsou založeny na vlivu, o tom, co uživatel potřebuje a na základě stupně odbornosti a znalosti. Jsou definována pravidla, která nastavují kontext pro každé doporučení. To by například mohla být kritéria, která definují, kdy by konkrétní finanční produkt, jako je důvěra, byl pro uživatele prospěšný. Ty ve výchozím nastavení nemusí používat historii interakce uživatele stejným způsobem jako přístup založený na obsahu, ale mohou zahrnovat tyto i zákaznické produkty a atributy služeb, jakož i další odborné informace. Vzhledem k tomu, jak je systém vybudován, lze doporučení snadno vysvětlit. Budování tohoto typu rámce však může být drahé. Má tendenci být vhodnější pro složité domény, kde jsou položky zřídka zakoupeny, nebo proto chybí data. Vzhledem k tomu netrpí stejnými problémy se startem za studena jako ostatní výše.
jaké jsou běžné výzvy, kterým systém doporučení čelí?
- řídkost dat. Datové sady naplněné řádky a řádky hodnot, které obsahují mezery nebo nulové hodnoty. Hledání způsobů, jak používat hustší části datové sady a ty, které mají informace, je tedy kritické.
- latentní asociace. Označování je nedokonalé. Stejné výrobky s odlišným označením mohou být ignorovány nebo nesprávně spotřebovány, což znamená, že informace nejsou správně začleněny.
- škálovatelnost. Tradiční přístup se stal ohromen množstvím produktů a klientů. To se stává výzvou, protože datové sady se rozšiřují a mohou vést ke snížení výkonu.
jak změříte svůj systém doporučení?
poskytování příslušných doporučení je charakteristickým znakem zvukového systému. Konvenční měřicí techniky zahrnují opatření přesnosti nebo opatření pokrytí.
přesnost lze popsat jako zlomek správných doporučení z celkových možných doporučení;
pokrytí měří počet položek nebo uživatelů, pro které je systém skutečně schopen poskytnout doporučení.
například přesnost může být vysoká současně s nízkým pokrytím. K tomu by mohlo dojít, pokud by doporučení pro způsobilou podmnožinu bylo platné a přesné. To se může stát, když doporučení na vhodnou podmnožinu byly platné a přesné, zatímco mnozí byli vyloučeni jako několik uživatelů mělo hodnocené položky.
uživatelská zkušenost je klíčová
obecně platí, že doporučení se zlepšují s více informacemi. Doporučení motory, které zobrazují inteligentní, intuitivní, vizualizační techniky pro jejich výsledky, jsou mnohem pravděpodobnější, aby zajistily opakované návštěvy. Jako takový doporučení motory, které pokračují s vámi, spolu s vaší snaze o více a více informací a produktů, bude shromažďovat více a více základních informací pro pozdější použití.
vytvoření soběstačného neustále se zlepšujícího prostředí pro doporučující motor závisí mnohem více než na přípravě samotného motoru.
běžné případy použití
pojďme zopakovat příklad Netflixu. Motor doporučení je jádrem Netflixu. Více než 80% televizních pořadů, které lidé sledují na platformě, je objeveno prostřednictvím systému doporučení. Na systému je jedinečné, že se nedívá na široké žánry, ale spíše na nuanční vlákna v obsahu. Cílem je pomoci divákům rozbít předsudky a najít pořady, které si mohli původně vybrat.
doporučující motor Netflixu používá pracovní koncept „třínohé stolice“. První etapa je historie toho, co sledovali členové Netflixu. Značky jsou prováděny zaměstnanci Netflixu, kteří chápou vše o obsahu a proprietárních algoritmech strojového učení, které berou všechna data a dávají věci dohromady.
Takové doporučení motory pracovní koncept může sloužit jako inteligentní podporu rozhodování systém, který podporuje prodejní činností, výrobků a služeb pro jiné odvětví. Ty mohou zvýšit efektivitu obchodních zástupců nebo vytvořit automatické rozhodovací procesy pro samotné klienty.
doporučující motory lze také nasadit přímo pro spotřebitele. Například, Kreditní Karma je fintech startup z Kalifornie, která poskytuje volný přístup k kreditní skóre a plné kreditní historii, vydělávat peníze z individuálních doporučení na kreditní karty, úvěry a další produkty svých uživatelů. Jeho doporučení systém spoléhá na miliony údajů o uživatelích‘ kreditní historii a současný stav, navrhnout produkty, které nejen, že uživatel může mít zájem, ale také má vysokou pravděpodobnost na schválení, a proto má dlouhodobý přínos.
Závěrem lze říci, že systémy doporučení se stále více integrují do všech oblastí lidského života a rozhodovacích procesů. Tento fenomenální se neliší v jiných průmyslových odvětvích, zejména ve společnostech orientovaných na spotřebitele, kde přetížení informací, rostoucí očekávání klientů a snížení nákladů řídí stále více případů motorů doporučení. V konečném důsledku slouží jako nástroj pro zlepšení klientského zážitku a maximalizaci efektivity poradců.