Conoscenza di base del sistema
sistemi basati sulla Conoscenza sono sistemi in cui suggerimenti sono basati su un’influenza su un utente di necessità e sulla base di un grado di competenza e conoscenza. Sono definite regole che impostano il contesto per ogni raccomandazione. Questo, ad esempio, potrebbe essere criteri che definiscono quando un prodotto finanziario specifico, come un trust, sarebbe vantaggioso per l’utente. Questi non, per impostazione predefinita, devono utilizzare la cronologia delle interazioni di un utente nello stesso modo in cui è l’approccio basato sul contenuto, ma possono includere questi, nonché i prodotti dei clienti e gli attributi del servizio, nonché altre informazioni degli esperti. Dato il modo in cui il sistema è costruito, le raccomandazioni possono essere facilmente spiegate. Ma costruire questo tipo di framework può essere costoso. Tende ad essere più adatto a domini complessi in cui gli articoli sono raramente acquistati o, quindi, mancano i dati. Detto questo, non soffre gli stessi problemi di avviamento a freddo di altri sopra.
Quali sono le sfide comuni che un sistema di raccomandazione deve affrontare?
- Scarsità di dati. Set di dati pieni di righe e righe di valori che contengono spazi vuoti o valori zero. Quindi trovare modi per utilizzare parti più dense del set di dati e quelle con informazioni è fondamentale.
- Associazione latente. L’etichettatura è imperfetta. Gli stessi prodotti con un’etichettatura diversa possono essere ignorati o consumati in modo errato, il che significa che le informazioni non vengono incorporate correttamente.
- Scalabilità. L’approccio tradizionale è stato sopraffatto dalla molteplicità di prodotti e clienti. Questo diventa una sfida poiché i set di dati si allargano e possono portare a una riduzione delle prestazioni.
Come si misura il sistema di raccomandazione?
Fornire raccomandazioni pertinenti è il segno distintivo di un sistema audio. Le tecniche di misurazione convenzionali includono misure di precisione o misure di copertura.
L’accuratezza può essere descritta come la frazione delle raccomandazioni corrette rispetto al totale delle raccomandazioni possibili;
La copertura misura il numero di elementi o utenti per i quali il sistema è effettivamente in grado di fornire raccomandazioni.
Ad esempio, la precisione può essere elevata allo stesso tempo in cui la copertura è bassa. Ciò potrebbe accadere se la raccomandazione al sottoinsieme idoneo fosse valida e accurata. Ciò potrebbe accadere se le raccomandazioni per il sottoinsieme adatto fossero valide e accurate, mentre molte sono state escluse poiché pochi utenti avevano valutato un articolo.
L’esperienza utente è la CHIAVE
In generale, i motori di raccomandazione migliorano con ulteriori informazioni. I motori di raccomandazione che mostrano tecniche di visualizzazione intelligenti e intuitive per i loro risultati sono molto più probabili per garantire visite ripetute. Pertanto, i motori di raccomandazione che continuano con te, insieme alla tua ricerca di sempre più informazioni e prodotti, saranno quelli di raccogliere sempre più informazioni sottostanti per l’utilizzo in seguito.
Creare un ambiente autosufficiente e sempre migliore per il motore di raccomandazione si basa su molto di più che preparare il motore stesso.
Casi d’uso comune
Riprendiamo l’esempio di Netflix. Il motore di raccomandazione è fondamentale per Netflix. Più dell ‘ 80% degli spettacoli TELEVISIVI che le persone guardano sulla piattaforma vengono scoperti attraverso un sistema di raccomandazione. Ciò che è unico nel sistema è che non guarda a generi ampi, ma piuttosto a thread sfumati all’interno del contenuto. L’obiettivo è quello di aiutare a rompere gli spettatori a rompere le nozioni preconcette e trovare spettacoli che avrebbero potuto scegliere inizialmente.
Il motore di raccomandazione di Netflix utilizza il concetto di lavoro “sgabello a tre gambe”. La prima tappa è la storia di ciò che i membri di Netflix hanno guardato. I tag sono fatti dai dipendenti Netflix che capiscono tutto ciò che riguarda il contenuto e gli algoritmi di apprendimento automatico proprietari che prendono tutti i dati e mettono insieme le cose.
Tale concetto di funzionamento dei motori di raccomandazione può servire come un sistema di supporto decisionale intelligente che promuove le attività di vendita di prodotti e servizi anche per altre industrie. Questi possono migliorare l’efficienza dei rappresentanti di vendita o creare processi decisionali automatici per i clienti stessi.
I motori di raccomandazione possono anche essere distribuiti direttamente per i consumatori. Ad esempio, Credit Karma è una startup fintech della California che offre accesso gratuito ai punteggi di credito e alla cronologia completa del credito, facendo soldi da una raccomandazione personalizzata su carte di credito, prestiti e altri prodotti ai propri utenti. Il suo sistema di raccomandazione si basa su milioni di dati sulla storia creditizia degli utenti e sulle situazioni attuali, per proporre prodotti a cui non solo un utente può essere interessato, ma ha anche un’alta probabilità di essere approvato e quindi ha un beneficio a lungo termine.
In conclusione, i sistemi di raccomandazione si stanno sempre più integrando in tutti i ceti della vita umana e nei processi decisionali. Questo fenomeno non è diverso in altri settori, in particolare le aziende rivolte ai consumatori, dove il sovraccarico di informazioni, l’aumento delle aspettative dei clienti e la riduzione dei costi stanno guidando sempre più istanze di motori di raccomandazione. In definitiva, serve sia come strumento per migliorare l’esperienza del cliente e massimizzare l’efficienza dei consulenti.