Système basé sur la connaissance
Les systèmes basés sur la connaissance sont des systèmes où les suggestions sont basées sur une influence sur les besoins d’un utilisateur et basées sur un degré d’expertise et de connaissances du domaine. Des règles sont définies qui définissent le contexte de chaque recommandation. Il pourrait s’agir, par exemple, de critères définissant le moment où un produit financier spécifique, comme une fiducie, serait bénéfique pour l’utilisateur. Ceux-ci ne doivent pas, par défaut, utiliser l’historique des interactions d’un utilisateur de la même manière que l’approche basée sur le contenu, mais peuvent inclure ceux-ci ainsi que des attributs de produits et de services clients, ainsi que d’autres informations d’experts. Compte tenu de la façon dont le système est construit, les recommandations peuvent être facilement expliquées. Mais la construction de ce type de cadre peut être coûteuse. Il a tendance à être mieux adapté aux domaines complexes où les articles sont rarement achetés ou, par conséquent, les données manquent. Compte tenu de cela, il ne souffre pas des mêmes problèmes de démarrage à froid que les autres ci-dessus.
Quels sont les défis communs auxquels un système de recommandation est confronté?
- Peu de données. Ensembles de données remplis de lignes et de lignes de valeurs contenant des blancs ou des valeurs nulles. Il est donc essentiel de trouver des moyens d’utiliser des parties plus denses de l’ensemble de données et celles contenant des informations.
- Association latente. L’étiquetage est imparfait. Les mêmes produits avec un étiquetage différent peuvent être ignorés ou mal consommés, ce qui signifie que les informations ne sont pas incorporées correctement.
- Évolutivité. L’approche traditionnelle est dépassée par la multiplicité des produits et des clients. Cela devient un défi à mesure que les ensembles de données s’élargissent et peuvent entraîner une réduction des performances.
Comment mesurez-vous votre Système de recommandation?
Fournir des recommandations pertinentes est la marque d’un système de sonorisation. Les techniques de mesure conventionnelles comprennent des mesures de précision ou des mesures de couverture.
La précision peut être décrite comme la fraction des recommandations correctes sur le total des recommandations possibles;
La couverture mesure le nombre d’éléments ou d’utilisateurs pour lesquels le système est réellement en mesure de fournir des recommandations.
Par exemple, la précision peut être élevée en même temps que la couverture est faible. Cela pourrait se produire si la recommandation au sous-ensemble admissible était valide et exacte. Cela pourrait se produire si les recommandations au sous-ensemble approprié étaient valides et exactes, alors que beaucoup étaient exclues car peu d’utilisateurs avaient évalué un élément.
L’expérience utilisateur est ESSENTIELLE
En général, les moteurs de recommandation s’améliorent avec plus d’informations. Les moteurs de recommandation qui affichent des techniques de visualisation intelligentes et intuitives pour leurs résultats sont beaucoup plus susceptibles d’assurer des visites répétées. En tant que tels, les moteurs de recommandation qui continuent avec vous, ainsi que votre quête de plus en plus d’informations et de produits, seront de recueillir de plus en plus d’informations sous-jacentes pour une utilisation ultérieure.
La création d’un environnement autonome en constante amélioration pour le moteur de recommandation ne se limite pas à la préparation du moteur lui-même.
Cas d’utilisation courants
Reprenons l’exemple de Netflix. Le moteur de recommandation est au cœur de Netflix. Plus de 80% des émissions de télévision que les gens regardent sur la plateforme sont découvertes grâce à un système de recommandation. Ce qui est unique dans le système, c’est qu’il ne regarde pas les genres généraux, mais plutôt les fils de discussion nuancés dans le contenu. L’objectif est d’aider les téléspectateurs à briser les idées préconçues et à trouver des émissions qu’ils auraient pu choisir au départ.
Le moteur de recommandation de Netflix utilise le concept de travail « tabouret à trois pieds ». La première étape est l’histoire de ce que les membres de Netflix ont regardé. Les balises sont faites par des employés de Netflix qui comprennent tout sur le contenu et les algorithmes d’apprentissage automatique propriétaires qui prennent toutes les données et assemblent les choses.
Un tel concept de fonctionnement des moteurs de recommandation peut servir de système d’aide à la décision intelligent qui favorise également les activités de vente de produits et de services pour d’autres industries. Ceux-ci peuvent améliorer l’efficacité des représentants commerciaux ou créer des processus de prise de décision automatiques pour les clients eux-mêmes.Les moteurs de recommandation
peuvent également être déployés directement pour les consommateurs. Par exemple, Credit Karma est une start-up fintech californienne qui offre un accès gratuit aux scores de crédit et à l’historique de crédit complet, gagnant de l’argent grâce à une recommandation personnalisée sur les cartes de crédit, les prêts et d’autres produits à leurs utilisateurs. Son système de recommandation s’appuie sur des millions de données sur les antécédents de crédit des utilisateurs et la situation actuelle, pour proposer des produits qui non seulement peuvent intéresser un utilisateur, mais qui ont également une forte probabilité d’être approuvés et présentent donc un avantage à long terme.
En conclusion, les systèmes de recommandation s’intègrent de plus en plus dans tous les domaines de la vie humaine et dans les processus décisionnels. Ce phénomène phénoménal n’est pas différent dans d’autres industries, en particulier les entreprises axées sur les consommateurs, où la surcharge d’informations, les attentes croissantes des clients et la réduction des coûts entraînent de plus en plus de moteurs de recommandation. En fin de compte, il sert à la fois d’outil pour améliorer l’expérience client et maximiser l’efficacité des conseillers.