Sistema basado en el conocimiento
Los sistemas basados en el conocimiento son sistemas en los que las sugerencias se basan en una influencia sobre las necesidades de un usuario y en un grado de experiencia y conocimiento del dominio. Se definen reglas que establecen el contexto para cada recomendación. Esto, por ejemplo, podría ser un criterio que defina cuándo un producto financiero específico, como un fideicomiso, sería beneficioso para el usuario. De forma predeterminada, estos no tienen que usar el historial de interacciones de un usuario de la misma manera que el enfoque basado en contenido, pero pueden incluir estos, así como los productos y atributos de servicio del cliente, así como otra información de expertos. Dada la forma en que está construido el sistema, las recomendaciones se pueden explicar fácilmente. Pero construir este tipo de marco puede ser costoso. Tiende a adaptarse mejor a dominios complejos donde los artículos se compran con poca frecuencia o, por lo tanto, faltan datos. Dado esto, no sufre los mismos problemas de arranque en frío que los anteriores.
¿Cuáles son los desafíos comunes a los que se enfrenta un Sistema de Recomendación?
- Escasez de datos. Conjuntos de datos llenos de filas y filas de valores que contienen espacios en blanco o valores cero. Por lo tanto, es fundamental encontrar formas de utilizar partes más densas del conjunto de datos y las que contienen información.
- Asociación latente. El etiquetado es imperfecto. Los mismos productos con etiquetas diferentes pueden ignorarse o consumirse incorrectamente, lo que significa que la información no se incorpora correctamente.Escalabilidad
- . El enfoque tradicional se ha visto abrumado por la multiplicidad de productos y clientes. Esto se convierte en un desafío a medida que los conjuntos de datos se amplían y pueden conducir a una reducción del rendimiento.
¿Cómo mide su Sistema de Recomendaciones?
Proporcionar recomendaciones relevantes es el sello distintivo de un sistema de sonido. Las técnicas de medición convencionales incluyen medidas de precisión o medidas de cobertura.
La precisión se puede describir como la fracción de recomendaciones correctas del total de recomendaciones posibles;
La cobertura mide el número de artículos o usuarios para los que el sistema es realmente capaz de proporcionar recomendaciones.
Por ejemplo, la precisión puede ser alta al mismo tiempo que la cobertura es baja. Esto podría suceder si la recomendación al subconjunto elegible fuera válida y precisa. Esto podría suceder si las recomendaciones para el subconjunto adecuado fueran válidas y precisas, mientras que muchos fueron excluidos ya que pocos usuarios habían calificado un elemento.
La experiencia del usuario es CLAVE
En general, los motores de recomendación mejoran con más información. Los motores de recomendación que muestran técnicas de visualización inteligentes e intuitivas para sus resultados son mucho más propensos a garantizar visitas repetidas. Como tal, los motores de recomendación que continúan con usted, junto con su búsqueda de más y más información y productos, recopilarán más y más información subyacente para su uso posterior.
Crear un entorno autosuficiente y en constante mejora para el motor de recomendación depende de mucho más que preparar el motor en sí.
Casos de uso comunes
Retomemos el ejemplo de Netflix. El motor de recomendaciones es el núcleo de Netflix. Más del 80% de los programas de televisión que la gente ve en la plataforma se descubren a través de un sistema de recomendación. Lo único del sistema es que no mira a géneros amplios, sino más bien a hilos matizados dentro del contenido. El objetivo es ayudar a los espectadores a romper las nociones preconcebidas y encontrar programas que podrían haber elegido inicialmente.
El motor de recomendaciones de Netflix utiliza el concepto de trabajo «taburete de tres patas». La primera etapa es la historia de lo que vieron los miembros de Netflix. Las etiquetas son realizadas por empleados de Netflix que entienden todo sobre el contenido y los algoritmos de aprendizaje automático propietarios que toman todos los datos y juntan las cosas.
Este concepto de funcionamiento de los motores de recomendación puede servir como un sistema inteligente de apoyo a la toma de decisiones que promueve las actividades de venta de productos y servicios para otras industrias también. Esto puede mejorar la eficiencia de los representantes de ventas o crear procesos automáticos de toma de decisiones para los propios clientes.
Los motores de recomendación también se pueden implementar directamente para los consumidores. Por ejemplo, Credit Karma es una startup de tecnología financiera de California que proporciona acceso gratuito a puntajes de crédito e historial de crédito completo, ganando dinero con una recomendación personalizada sobre tarjetas de crédito, préstamos y otros productos para sus usuarios. Su sistema de recomendación se basa en millones de datos sobre el historial de crédito de los usuarios y las situaciones actuales, para proponer productos que no solo pueden interesar a un usuario, sino que también tienen una alta probabilidad de ser aprobados y, por lo tanto, tienen un beneficio a largo plazo.
En conclusión, los sistemas de recomendación se integran cada vez más en todos los ámbitos de la vida humana y en los procesos de toma de decisiones. Este fenómeno no es diferente en otras industrias, especialmente en las empresas orientadas al consumidor, donde la sobrecarga de información, las crecientes expectativas de los clientes y la reducción de costos están impulsando cada vez más instancias de motores de recomendación. En última instancia, sirve como una herramienta para mejorar la experiencia del cliente y maximizar la eficiencia de los asesores.