tudásalapú rendszer
a tudásalapú rendszerek olyan rendszerek, ahol a javaslatok a felhasználói igények befolyásolásán, valamint a domain bizonyos fokú szakértelmén és ismeretén alapulnak. Olyan szabályok vannak meghatározva, amelyek kontextust határoznak meg az egyes ajánlásokhoz. Ez lehet például olyan kritérium, amely meghatározza, hogy egy adott pénzügyi termék, például egy bizalom, mikor lenne előnyös a felhasználó számára. Ezeknek alapértelmezés szerint nem kell a felhasználó interakciós előzményeit ugyanúgy használniuk, mint a tartalomalapú megközelítésnek, de tartalmazhatják ezeket, valamint az ügyfelek termékeit és szolgáltatási attribútumait, valamint egyéb szakértői információkat. Tekintettel a rendszer felépítésére, az ajánlások könnyen megmagyarázhatók. De az ilyen típusú keretek kiépítése drága lehet. Általában jobban megfelel az összetett domaineknek, ahol az elemeket ritkán vásárolják meg, vagy ezért hiányoznak az adatok. Ezt figyelembe véve nem szenved ugyanolyan hidegindítási problémákat, mint a fentiek.
milyen közös kihívásokkal néz szembe az ajánlórendszer?
- az adatok ritkasága. Üres vagy nulla értékeket tartalmazó sorokkal és értéksorokkal töltött adatkészletek. Tehát kritikus fontosságú az adatkészlet sűrűbb részeinek és az információval rendelkezőknek a felhasználása.
- látens társulás. A címkézés tökéletlen. A különböző címkével ellátott termékek figyelmen kívül hagyhatók vagy helytelenül fogyaszthatók, ami azt jelenti, hogy az információk nem kerülnek megfelelően beépítésre.
- méretezhetőség. A hagyományos megközelítést elárasztotta a termékek és az ügyfelek sokfélesége. Ez kihívást jelent, mivel az adathalmazok kiszélesednek, és a teljesítmény csökkenéséhez vezethetnek.
hogyan méri az ajánlási rendszert?
a megfelelő ajánlások megadása a hangrendszer jellemzője. A hagyományos mérési technikák magukban foglalják a pontosságot vagy a lefedettséget.
a pontosság a helyes ajánlások töredékeként írható le az összes lehetséges ajánlásból;
a lefedettség azon elemek vagy felhasználók számát méri, amelyek számára a rendszer valóban képes ajánlást adni.
például a pontosság magas lehet, miközben a lefedettség alacsony. Ez akkor fordulhat elő, ha a támogatható részhalmazra vonatkozó ajánlás érvényes és pontos. Ez akkor fordulhat elő, ha a megfelelő részhalmazra vonatkozó ajánlások érvényesek és pontosak voltak, miközben sokakat kizártak, mivel kevés felhasználó értékelte az elemet.
a felhasználói élmény kulcsfontosságú
általánosságban elmondható, hogy az ajánlómotorok több információval javulnak. Azok az ajánlómotorok, amelyek intelligens, intuitív, megjelenítési technikákat mutatnak eredményeikhez, sokkal valószínűbbek az ismételt látogatások biztosításához. Mint ilyen, az ajánlómotorok, amelyek veled folytatódnak, valamint egyre több információ és termék keresése, egyre több és több mögöttes információt gyűjtenek a későbbi felhasználásra.
az ajánlómotor önfenntartó, folyamatosan javuló környezetének megteremtése sokkal többre támaszkodik, mint maga a motor előkészítése.
gyakori használati esetek
vegyük újra a Netflix példáját. Az ajánlómotor alapvető fontosságú a Netflix számára. A TV-műsorok több mint 80% – át, amelyeket az emberek a platformon néznek, ajánlási rendszeren keresztül fedezik fel. Ami egyedülálló a rendszerben, az az, hogy nem a széles műfajokat vizsgálja, hanem a tartalomon belüli árnyalt szálakba. A cél az, hogy segítsen megtörni a nézőket az előzetes elképzelések megtörésében, és megtalálni azokat a műsorokat, amelyeket eredetileg választottak.
a Netflix ajánlómotorja a háromlábú széklet működési koncepcióját használja. Az első szakasz annak története, amit a Netflix tagjai néztek. A címkéket a Netflix alkalmazottai végzik, akik mindent megértenek a tartalomról és a szabadalmaztatott gépi tanulási algoritmusokról, amelyek az összes adatot összegyűjtik és összerakják a dolgokat.
az ilyen ajánlómotorok működő koncepciója intelligens döntéstámogató rendszerként szolgálhat, amely elősegíti a termékek és szolgáltatások értékesítését más iparágak számára is. Ezek javíthatják az értékesítési képviselők hatékonyságát, vagy automatikus döntéshozatali folyamatokat hozhatnak létre az ügyfelek számára.
Ajánlómotorok közvetlenül a fogyasztók számára is telepíthetők. Például a Credit Karma egy kaliforniai fintech startup, amely ingyenes hozzáférést biztosít a hitelképességekhez és a teljes hiteltörténethez, pénzt keresve a hitelkártyákra, kölcsönökre és egyéb termékekre vonatkozó személyre szabott ajánlásokból a felhasználók számára. Ajánlási rendszere több millió adatra támaszkodik a felhasználók hiteltörténetéről és jelenlegi helyzetéről, hogy olyan termékeket javasoljon, amelyek nemcsak a felhasználót érdekelhetik, hanem nagy valószínűséggel jóváhagyják őket, ezért hosszú távú előnyökkel jár.
összefoglalva, az ajánlási rendszerek egyre inkább beépülnek az emberi élet minden területére és a döntéshozatali folyamatokba. Ez a jelenség nem különbözik más iparágaktól, különösen a fogyasztókkal szemben álló vállalatoktól, ahol az információs túlterhelés, a növekvő ügyfélelvárások és a költségcsökkentés egyre több ajánlást hajt végre. Végső soron eszközként szolgál az ügyfélélmény javítására és a tanácsadók hatékonyságának maximalizálására.