sistem bazat pe cunoaștere
sistemele bazate pe cunoaștere sunt sisteme în care sugestiile se bazează pe o influență asupra nevoilor unui utilizator și pe un grad de expertiză și cunoștințe în domeniu. Sunt definite reguli care stabilesc contextul pentru fiecare recomandare. Acest lucru, de exemplu, ar putea fi criterii care definesc atunci când un anumit produs financiar, cum ar fi un trust, ar fi benefic pentru utilizator. Acestea nu trebuie, în mod implicit, să utilizeze Istoricul interacțiunilor unui utilizator în același mod în care este abordarea bazată pe conținut, dar pot include acestea, precum și atributele produselor și serviciilor clienților, precum și alte informații ale experților. Având în vedere modul în care este construit sistemul, recomandările pot fi ușor explicate. Dar construirea acestui tip de cadru poate fi costisitoare. Tinde să fie mai potrivit pentru domenii complexe în care articolele sunt achiziționate rar sau, prin urmare, lipsesc datele. Având în vedere acest lucru, nu suferă aceleași probleme de pornire la rece ca și altele de mai sus.
care sunt provocările comune cu care se confruntă un sistem de recomandare?
- raritatea datelor. Seturi de date umplute cu rânduri și rânduri de valori care conțin spații libere sau valori zero. Așadar, găsirea unor modalități de a utiliza părți mai dense ale setului de date și ale celor cu informații este critică.
- asociere latentă. Etichetarea este imperfectă. Aceleași produse cu etichetare diferită pot fi ignorate sau consumate incorect, ceea ce înseamnă că informațiile nu sunt încorporate corect.
- scalabilitate. Abordarea tradițională a devenit copleșită de multitudinea de produse și clienți. Aceasta devine o provocare pe măsură ce seturile de date se extind și pot duce la reducerea performanței.
cum vă măsurați sistemul de recomandări?
furnizarea de recomandări relevante este semnul distinctiv al unui sistem de sunet. Tehnicile convenționale de măsurare includ măsuri de precizie sau măsuri de acoperire.
precizia poate fi descrisă ca fracțiunea recomandărilor corecte din totalul recomandărilor posibile;
acoperirea măsoară numărul de articole sau utilizatori pentru care sistemul este de fapt capabil să ofere recomandări.
de exemplu, precizia poate fi ridicată în același timp cu acoperirea scăzută. Acest lucru s-ar putea întâmpla dacă recomandarea către subsetul eligibil ar fi valabilă și exactă. Acest lucru s-ar putea întâmpla dacă recomandările către subsetul adecvat ar fi valide și exacte, în timp ce mulți au fost excluși, deoarece puțini utilizatori au evaluat un articol.
experiența utilizatorului este cheia
în general, motoarele de recomandare se îmbunătățesc cu mai multe informații. Motoarele de recomandare care afișează tehnici de vizualizare inteligente, intuitive pentru rezultatele lor sunt mult mai probabile pentru a asigura vizite repetate. Ca atare, motoarele de recomandare care continuă cu dvs., împreună cu căutarea dvs. pentru tot mai multe informații și produse, vor fi să adune din ce în ce mai multe informații subiacente pentru utilizare ulterioară.
crearea unui mediu de auto-susținere în continuă îmbunătățire pentru motorul de recomandare se bazează pe mult mai mult decât pregătirea motorului în sine.
cazuri de utilizare obișnuită
să reluăm exemplul Netflix. Motorul de recomandare este esențial pentru Netflix. Peste 80% din emisiunile TV pe care oamenii le urmăresc pe platformă sunt descoperite printr-un sistem de recomandări. Ceea ce este unic la sistem este că nu se uită la genuri largi, ci mai degrabă la fire nuanțate din conținut. Scopul este de a ajuta spectatorii să rupă noțiunile preconcepute și să găsească spectacole pe care le-ar fi putut alege inițial.
motorul de recomandare Netflix folosește conceptul de lucru ‘scaun cu trei picioare’. Prima etapă este istoria a ceea ce au urmărit membrii Netflix. Etichetele sunt realizate de angajații Netflix care înțeleg totul despre conținut și algoritmii de învățare automată care preiau toate datele și pun lucrurile laolaltă.
un astfel de concept de lucru al motoarelor de recomandare poate servi ca un sistem inteligent de asistență decizională care promovează activitățile de vânzare a produselor și serviciilor și pentru alte industrii. Acestea pot îmbunătăți eficiența reprezentanților de vânzări sau pot crea procese automate de luare a deciziilor pentru clienții înșiși.
motoarele de recomandare pot fi, de asemenea, implementate direct pentru consumatori. De exemplu, Credit Karma este un startup fintech din California care oferă acces GRATUIT la scorurile de credit și istoricul complet al creditului, câștigând bani dintr-o recomandare personalizată privind cardurile de credit, împrumuturile și alte produse pentru utilizatorii lor. Sistemul său de recomandări se bazează pe milioane de date despre istoricul de credit al utilizatorilor și situațiile actuale, pentru a propune produse de care nu numai un utilizator poate fi interesat, dar are și o mare probabilitate de a fi aprobat și, prin urmare, are un beneficiu pe termen lung.
în concluzie, sistemele de recomandare se integrează din ce în ce mai mult în toate domeniile vieții umane și în procesele de luare a deciziilor. Acest fenomen nu este diferit în alte industrii, în special în companiile orientate către consumatori, unde supraîncărcarea informațiilor, creșterea așteptărilor clienților și reducerea costurilor conduc tot mai multe cazuri de motoare de recomandare. În cele din urmă, acesta servește atât ca instrument pentru îmbunătățirea experienței clientului, cât și pentru maximizarea eficienței consilierilor.