Wissensbasiertes System
Wissensbasierte Systeme sind Systeme, bei denen Vorschläge auf einem Einfluss auf die Bedürfnisse eines Benutzers und auf einem Grad an Fachwissen und Wissen basieren. Es werden Regeln definiert, die den Kontext für jede Empfehlung festlegen. Dies könnten beispielsweise Kriterien sein, die definieren, wann ein bestimmtes Finanzprodukt, wie ein Trust, für den Benutzer von Vorteil wäre. Diese müssen standardmäßig nicht die Interaktionshistorie eines Benutzers auf die gleiche Weise verwenden wie der inhaltsbasierte Ansatz, sondern können diese sowie Kundenprodukte und Serviceattribute sowie andere Experteninformationen enthalten. Angesichts der Art und Weise, wie das System aufgebaut ist, können die Empfehlungen leicht erklärt werden. Der Aufbau eines solchen Rahmens kann jedoch teuer sein. Es ist tendenziell besser für komplexe Domänen geeignet, in denen Artikel selten gekauft werden oder daher Daten fehlen. Angesichts dessen leidet es nicht unter den gleichen Kaltstartproblemen wie andere oben.
Was sind die häufigsten Herausforderungen für Empfehlungssysteme?
- Sparsity von Daten. Datensätze, die mit Zeilen und Zeilen mit Werten gefüllt sind, die Leerzeichen oder Nullwerte enthalten. Daher ist es entscheidend, Wege zu finden, dichtere Teile des Datensatzes und solche mit Informationen zu verwenden.
- Latente Assoziation. Die Etikettierung ist unvollkommen. Gleiche Produkte mit unterschiedlicher Kennzeichnung können ignoriert oder falsch konsumiert werden, was bedeutet, dass die Informationen nicht korrekt aufgenommen werden.
- Skalierbarkeit. Der traditionelle Ansatz ist durch die Vielfalt der Produkte und Kunden überfordert. Dies wird zu einer Herausforderung, da sich die Datensätze erweitern und zu Leistungseinbußen führen können.
Wie messen Sie Ihr Empfehlungssystem?
Die Bereitstellung relevanter Empfehlungen ist das Markenzeichen eines Soundsystems. Herkömmliche Messtechniken umfassen Genauigkeitsmaße oder Abdeckungsmaße.
Genauigkeit kann als der Bruchteil korrekter Empfehlungen aus den insgesamt möglichen Empfehlungen beschrieben werden;
Die Abdeckung misst die Anzahl der Elemente oder Benutzer, für die das System tatsächlich Empfehlungen aussprechen kann.
Beispielsweise kann die Genauigkeit hoch sein, während die Abdeckung niedrig ist. Dies könnte passieren, wenn die Empfehlung für die in Frage kommende Teilmenge gültig und korrekt wäre. Dies könnte passieren, wenn die Empfehlungen für die geeignete Teilmenge gültig und genau wären, während viele ausgeschlossen wurden, da nur wenige Benutzer einen Artikel bewertet hatten.
User Experience ist der SCHLÜSSEL
Im Allgemeinen verbessern sich Empfehlungs-Engines mit mehr Informationen. Empfehlungsmaschinen, die intelligente, intuitive Visualisierungstechniken für ihre Ergebnisse anzeigen, sind viel wahrscheinlicher, wiederholte Besuche zu gewährleisten. Daher werden Empfehlungsmaschinen, die mit Ihnen fortfahren, zusammen mit Ihrer Suche nach immer mehr Informationen und Produkten, immer mehr der zugrunde liegenden Informationen für die spätere Verwendung sammeln.
Die Schaffung einer sich selbst erhaltenden, sich ständig verbessernden Umgebung für die Recommendation Engine erfordert viel mehr als die Vorbereitung der Engine selbst.
Häufige Anwendungsfälle
Nehmen wir das Beispiel von Netflix. Die Recommendation Engine ist das Herzstück von Netflix. Mehr als 80% der Fernsehsendungen, die Menschen auf der Plattform sehen, werden über ein Empfehlungssystem entdeckt. Das Besondere an dem System ist, dass es sich nicht um breite Genres handelt, sondern um nuancierte Themen innerhalb des Inhalts. Ziel ist es, den Zuschauern dabei zu helfen, vorgefasste Meinungen zu brechen und Shows zu finden, die sie möglicherweise ursprünglich ausgewählt haben.
Die Recommendation Engine von Netflix verwendet das Konzept des dreibeinigen Hockers. Die erste Etappe ist die Geschichte dessen, was Netflix-Mitglieder gesehen haben. Tags werden von Netflix-Mitarbeitern erstellt, die alles über den Inhalt und proprietäre Algorithmen für maschinelles Lernen verstehen, die alle Daten aufnehmen und zusammenstellen.
Ein solches Recommendation Engines-Arbeitskonzept kann als intelligentes Entscheidungsunterstützungssystem dienen, das Vertriebsaktivitäten von Produkten und Dienstleistungen auch für andere Branchen fördert. Diese können die Effizienz der Außendienstmitarbeiter verbessern oder automatische Entscheidungsprozesse für die Kunden selbst schaffen.
Recommendation Engines können auch direkt für Verbraucher bereitgestellt werden. Zum Beispiel ist Credit Karma ein Fintech-Startup aus Kalifornien, das freien Zugang zu Kredit-Scores und vollständiger Kredithistorie bietet und seinen Nutzern mit einer personalisierten Empfehlung zu Kreditkarten, Krediten und anderen Produkten Geld verdient. Das Empfehlungssystem stützt sich auf Millionen von Daten über die Kredithistorie und die aktuelle Situation der Benutzer, um Produkte vorzuschlagen, an denen ein Benutzer nicht nur interessiert sein kann, sondern auch eine hohe Wahrscheinlichkeit hat, genehmigt zu werden, und daher einen langfristigen Nutzen hat.
Zusammenfassend lässt sich sagen, dass Empfehlungssysteme zunehmend in alle Bereiche des menschlichen Lebens und in Entscheidungsprozesse integriert werden. Dieses Phänomen ist in anderen Branchen nicht anders, insbesondere in verbraucherorientierten Unternehmen, in denen Informationsüberflutung, steigende Kundenerwartungen und Kostensenkungen immer mehr Fälle von Empfehlungsmaschinen auslösen. Letztendlich dient es sowohl als Instrument zur Verbesserung der Kundenerfahrung als auch zur Maximierung der Effizienz der Berater.