Knowledge-based system
Knowledge-based systems är system där förslag baseras på ett inflytande om en användares behov och bygger på en viss domänkompetens och kunskap. Regler definieras som anger sammanhang för varje rekommendation. Detta kan till exempel vara kriterier som definierar när en specifik finansiell produkt, som ett förtroende, skulle vara till nytta för användaren. Dessa behöver inte som standard använda en användares interaktionshistorik på samma sätt som den innehållsbaserade metoden är, men kan inkludera dessa såväl som kundprodukter och serviceattribut, liksom annan expertinformation. Med tanke på hur systemet är uppbyggt kan rekommendationerna lätt förklaras. Men att bygga upp denna typ av ramverk kan vara dyrt. Det tenderar att vara bättre lämpat för komplexa domäner där objekt sällan köps eller därmed saknas data. Med tanke på detta lider det inte samma förkylningsproblem som andra ovan.
vilka är de vanliga utmaningarna som ett rekommendationssystem står inför?
- glesa data. Datamängder fyllda med rader och rader med värden som innehåller tomma eller nollvärden. Så att hitta sätt att använda tätare delar av datamängden och de med information är avgörande.
- Latent förening. Märkning är ofullkomlig. Samma produkter med olika märkning kan ignoreras eller konsumeras felaktigt, vilket innebär att informationen inte införlivas korrekt.
- skalbarhet. Det traditionella tillvägagångssättet har blivit överväldigat av mångfalden av produkter och kunder. Detta blir en utmaning när datamängder breddas och kan leda till prestandaminskning.
hur mäter du ditt rekommendationssystem?
att tillhandahålla relevanta rekommendationer är kännetecknet för ett ljudsystem. Konventionella mättekniker inkluderar mått på noggrannhet eller täckningsåtgärder.
noggrannhet kan beskrivas som bråkdelen av korrekta rekommendationer av de totala möjliga rekommendationerna;
täckning mäter antalet objekt eller användare som systemet faktiskt kan ge rekommendationer för.
till exempel kan noggrannheten vara hög samtidigt som täckningen är låg. Detta kan hända om rekommendationen till den berättigade delmängden var giltig och korrekt. Detta kan hända om rekommendationerna till lämplig delmängd var giltiga och korrekta, medan många uteslöts eftersom få användare hade betygsatt ett objekt.
användarupplevelse är nyckeln
generellt förbättras rekommendationsmotorerna med mer information. Rekommendationsmotorer som visar smarta, intuitiva visualiseringstekniker för sina resultat är mycket mer troliga för att säkerställa upprepade besök. Som sådan kommer rekommendationsmotorer som fortsätter med dig, tillsammans med din strävan efter mer och mer information och produkter, att samla in mer och mer av den underliggande informationen för användning senare.
att skapa en självförsörjande ständigt förbättrad miljö för rekommendationsmotorn bygger på mycket mer än att förbereda själva motorn.
vanliga användningsfall
Låt oss ta om exemplet på Netflix. Rekommendationsmotorn är kärnan till Netflix. Mer än 80% av TV-programmen som människor tittar på på plattformen upptäcks genom ett rekommendationssystem. Det unika med systemet är att det inte tittar på breda genrer utan snarare på nyanserade trådar i innehållet. Syftet är att hjälpa till att bryta tittare bryta förutfattade meningar och hitta visar att de kan ha valt från början.
Netflix rekommendationsmotor använder ’trebenta pall’ arbetskoncept. Det första benet är historien om vad Netflix-medlemmar tittade på. Taggar görs av Netflix-anställda som förstår allt om innehållet och proprietära maskininlärningsalgoritmer som tar all data och sätter ihop saker.
sådana rekommendationsmotorer arbetskoncept kan fungera som ett intelligent beslutsstödssystem som främjar försäljningsaktiviteter av produkter och tjänster för andra branscher också. Dessa kan förbättra säljrepresentanternas effektivitet eller skapa automatiska beslutsprocesser för kunderna själva.
rekommendationsmotorer kan också användas direkt för konsumenter. Till exempel är Credit Karma en fintech-start från Kalifornien som ger fri tillgång till kreditpoäng och full kredithistoria, vilket tjänar pengar på en personlig rekommendation om kreditkort, lån och andra produkter till sina användare. Dess rekommendationssystem bygger på miljontals data om användarnas kredithistoria och aktuella situationer, för att föreslå produkter som inte bara en användare kan vara intresserad av, men också har stor sannolikhet att bli godkänd för, och har därför en långsiktig fördel.
Sammanfattningsvis integreras rekommendationssystem alltmer i alla samhällsskikt och beslutsprocesser. Denna fenomenala är inte annorlunda i andra branscher, särskilt konsumentinriktade företag, där informationsöverbelastning, stigande kundförväntningar och kostnadsminskning driver allt fler fall av rekommendationsmotorer. I slutändan fungerar det som både ett verktyg för att förbättra kundupplevelsen och maximera rådgivarnas effektivitet.