Knowledge-based system
Knowledge-based systems ovat järjestelmiä, joissa ehdotukset perustuvat käyttäjän tarpeisiin vaikuttamiseen ja tietynasteiseen asiantuntemukseen ja tietämykseen. On määritelty säännöt, jotka asettavat asiayhteyden kullekin suositukselle. Tämä voisi olla esimerkiksi kriteeri, joka määrittää, milloin tietty rahoitustuote, kuten trust, olisi hyödyllinen käyttäjälle. Näissä ei lähtökohtaisesti tarvitse käyttää käyttäjän vuorovaikutushistoriaa samalla tavalla kuin sisältöpohjaisessa lähestymistavassa, vaan ne voivat sisältää näitä sekä asiakastuotteita ja palvelun ominaisuuksia sekä muuta asiantuntijatietoa. Kun otetaan huomioon järjestelmän rakenne, suositukset ovat helposti selitettävissä. Tällaisten puitteiden rakentaminen voi kuitenkin tulla kalliiksi. Se yleensä sopii paremmin monimutkaisia verkkotunnuksia, joissa kohteita ostetaan harvoin tai siten, tiedot puuttuvat. Ottaen huomioon tämän, se ei kärsi samoja kylmä käynnistys ongelmia kuin muut edellä.
mitä yhteisiä haasteita Suosittelijajärjestelmä kohtaa?
- niukasti tietoa. Tietuekokonaisuudet, jotka on täytetty arvoriveillä, jotka sisältävät tyhjät tai nolla-arvot. Joten löytää tapoja käyttää tiheämpiä osia datajoukon ja ne, joilla on tietoa on kriittinen.
- piilevä assosiaatio. Pakkausmerkinnät ovat puutteellisia. Samat tuotteet, joissa on eri merkinnät, voidaan jättää huomiotta tai käyttää väärin, jolloin tietoja ei sisällytetä oikein.
- skaalautuvuus. Perinteinen lähestymistapa on hukkunut tuotteiden ja asiakkaiden moninaisuuteen. Tästä tulee haaste, kun tietoaineistot laajenevat ja voivat johtaa suorituskyvyn heikkenemiseen.
Miten mittaat Suositusjärjestelmääsi?
asianmukaisten suositusten antaminen on äänentoistojärjestelmän tunnusmerkki. Tavanomaisia mittaustekniikoita ovat tarkkuus-tai peittomittarit.
tarkkuutta voidaan kuvata oikeiden suositusten osuutena kaikista mahdollisista suosituksista;
kattavuus mittaa niiden kohteiden tai käyttäjien määrää, joille järjestelmä pystyy antamaan suosituksen.
esimerkiksi tarkkuus voi olla korkea samaan aikaan kun kattavuus on alhainen. Näin voisi käydä, jos tukikelpoiselle osajoukolle annettu suositus olisi pätevä ja tarkka. Tämä voisi tapahtua, jos suositukset sopivalle osajoukolle olisivat voimassa ja tarkkoja, kun taas monet jätettiin pois, koska harvat käyttäjät olivat arvioineet kohteen.
käyttökokemus on avain
yleisesti suositusmoottorit paranevat lisätietojen myötä. Suositus moottorit, jotka näyttävät älykkäitä, intuitiivinen, visualisointi tekniikoita niiden tuloksia, ovat paljon likeler varmistaa toistuu käyntejä. Sellaisenaan, suositus moottorit, jotka jatkuvat kanssasi, sekä pyrkimys enemmän ja enemmän tietoa ja tuotteita, on kerätä enemmän ja enemmän taustalla olevaa tietoa käytettäväksi myöhemmin.
omavaraisen, yhä parantuvan ympäristön luominen suositusmoottorille riippuu paljon muustakin kuin itse moottorin valmistelusta.
Yleiskäyttötapaukset
Otetaanpa Netflixin esimerkki uusiksi. Suositusmoottori on Netflixin ydin. Yli 80 prosenttia tv-ohjelmista, joita ihmiset katsovat alustalla, löytyy suositusjärjestelmän kautta. Ainutlaatuista järjestelmässä on se, että se ei katso laajoja genrejä, vaan pikemminkin vivahteikkaisiin viestiketjuihin sisällön sisällä. Tavoitteena on auttaa rikkomaan katsojia rikkomaan ennakkokäsityksiä ja löytämään ohjelmia, jotka he olisivat saattaneet alun perin valita.
Netflixin suositusmoottori käyttää ”kolmijalkaista jakkaraa” -työkonseptia. Ensimmäinen osa on historiaa, mitä Netflixin jäsenet katsoivat. Tägejä tekevät Netflixin työntekijät, jotka ymmärtävät kaiken sisällöstä ja omista koneoppimisalgoritmeista, jotka ottavat kaiken datan ja laittavat asiat yhteen.
tällainen suositusmoottoreiden toimintakonsepti voi toimia älykkäänä päätöksenteon tukijärjestelmänä, joka edistää tuotteiden ja palveluiden myyntitoimintaa myös muille toimialoille. Nämä voivat tehostaa myyntiedustajien toimintaa tai luoda automaattisia päätöksentekoprosesseja asiakkaille itselleen.
Suositusmoottorit voidaan ottaa käyttöön myös suoraan kuluttajille. Esimerkiksi, Credit Karma on fintech startup Kaliforniasta, joka tarjoaa vapaan pääsyn luotto pisteet ja koko luottohistorian, tehdä rahaa henkilökohtainen suositus luottokortteja, lainoja ja muita tuotteita niiden käyttäjille. Sen suositusjärjestelmä perustuu miljooniin tietoihin käyttäjien luottohistoriasta ja nykytilanteista ehdottaakseen tuotteita, joista käyttäjä voi olla kiinnostunut, mutta joilla on myös suuri todennäköisyys tulla hyväksytyksi, ja siksi sillä on pitkäaikainen hyöty.
yhteenvetona voidaan todeta, että suositusjärjestelmät integroidaan yhä enemmän kaikkiin ihmiselämän aloihin ja päätöksentekoprosesseihin. Tämä ilmiömäinen ei eroa muilla teollisuudenaloilla, erityisesti kuluttajille suunnatuissa yrityksissä, joissa tiedon ylikuormitus, asiakkaiden kasvavat odotukset ja kustannusten alentaminen ajavat yhä useampia suositusmoottoreita. Viime kädessä se toimii sekä työvälineenä asiakaskokemuksen parantamiseksi että neuvonantajien tehokkuuden maksimoimiseksi.