Начало работы с продуктом на основе данных и подбором пользователей. Ответы на ваши часто задаваемые вопросы.
В первой статье этой серии о рекомендательных системах мы обсудили, как они работают, и дали несколько простых инструментов, которые каждый может использовать для начала. Лучше всего начать с этой статьи, но если вам нужно что-то освежить, вот основы:
- Системы рекомендаций собирают данные о поведении пользователей и предсказывают, какие продукты или услуги будут им интересны
- Если у пользователей схожая история и предпочтения, система представляет пользователю Б рекомендации, которые понравились пользователю А
- Основная задача системы - заполнить пробелы и решить, будет ли им интересен продукт, который пользователь не видел или с которым не взаимодействовал
Если вам нужен самый простой пример, нажмите «Your Discover Weekly» на Spotify, и вам будет предоставлен список песен, которые вы никогда не играли на платформе, но которые, по мнению системы рекомендаций, вам понравятся на основе вашей истории прослушивания.
В следующих двух статьях мы собираемся углубиться, начав с некоторых из наиболее распространенных вопросов, которые возникают, когда предприятия задумываются о создании системы рекомендаций.
Подходит ли система рекомендаций для любого бизнеса?
Первый вопрос, который вам нужно задать при создании системы рекомендаций (RS), заключается в том, генерируют ли ваши пользователи достаточно данных, чтобы это было целесообразно. На внедрение хорошей системы нужно время и деньги. Если ваше решение не будет эффективным для бизнеса, ваши ценные ресурсы лучше потратить в другом месте.
В Spotify, YouTube, Facebook, Netflix или Amazon постоянные пользователи ищут постоянно улучшающийся персонализированный опыт. По мере того, как они все больше пользуются системой, рекомендации должны становиться более конкретными и точными.
Если люди посещают ваш магазин только один или два раза, вы не сможете предложить такой опыт; но это не значит, что RS бесполезен. Вместо того, чтобы иметь персонализированную систему, вы можете сопоставить поведение всех ваших пользователей, чтобы дать более общие рекомендации. Например, если новый пользователь нажимает на определенное пальто в вашем магазине, вы можете порекомендовать шарф, который также был куплен предыдущими покупателями, купившими это пальто.
В этом сценарии почти все предприятия могут извлечь выгоду из систем рекомендаций; Единственный случай, когда это вряд ли будет иметь какую-либо ценность для бизнеса, - это если у вас ограниченный ассортимент продукции и очень низкий трафик сайта. Если вы предлагаете лишь несколько дорогостоящих продуктов, которые продаете нечасто, то усилия по созданию RS могут не окупиться.
Сколько точек данных нам нужно для начала?
Какова длина веревки? Многие люди соглашаются с минимальным порогом в 1000 респондентов, прежде чем результаты опроса могут быть опубликованы. В случае систем рекомендаций - как и в случае опросов общественного мнения - практическое правило - «чем больше данных, тем лучше».
Если мы продали только 8 пачек подгузников в нашем интернет-магазине, но каждый, кто купил подгузники, также приобрел пакеты для удаления подгузников, у нас будет очень ограниченный набор данных, но 100% корреляция. Справедливости ради стоит сказать, что наш магазин должен рекомендовать пакеты для утилизации каждому новому пользователю, который просматривает подгузники. Конечно, тенденция может измениться по мере того, как мы собираем больше данных с течением времени, но первоначальное предположение является твердым. Нам не нужно, чтобы 1000 человек покупали оба продукта, прежде чем мы назовем это возможностью для дополнительных продаж.
Хорошая система рекомендаций - это система, которая может определять тенденции, как только они появляются, и использовать будущие ответы для подтверждения или опровержения предположения. И больше данных не всегда означает более четкое понимание. И если миллиону людей нравится «Игра престолов» на нашем рейтинге, и 50% из них также любят «Настоящий детектив», мы не сможем сделать однозначных выводов.
Когда один пользователь подходит другому?
Каждый человек уникален. Мы с моим бывшим лучшим другом полностью согласились насчет музыки и фильмов. Мы были на 100% подходящими, пока он не сказал мне, что ему не нравится Pearl Jam ... Больше мы никогда не разговаривали.
RS никогда не сможет сопоставить пользователя A с пользователем B с идеальными результатами, поскольку их вкусы в какой-то момент разойдутся. Если два пользователя оценивают 9 диапазонов как хорошие, но расходятся во мнениях относительно десятого, они все равно очень хорошо совпадают. Если пользователь А оценивает одиннадцатый диапазон как хороший, мы все равно должны предполагать, что пользователю Б они понравятся. Но в какой момент пользователи перестают подходить? 90% совместимость? 80… 60… 40?
По правде говоря, системы рекомендаций не устанавливают порог при поиске совместимости между людьми; они ищут наилучшее совпадение. Если у нас есть пользователь Алиса, у которого 95% совместимости с Бобом, 80% с Кэрол и 30% с Дэйвом, система начнет с рассмотрения Боба при принятии решения, понравится ли Алисе определенная группа. Если Боб не ответил на музыку этой группы, система перейдет к Кэрол, а затем к Дэйву. Чем больше у нас пользователей в наборе данных, тем больше вероятность того, что человек с высокой совместимостью даст ответ, который система сможет использовать.
Что больше подходит для пользователей или товаров?
Здесь мы обсуждаем два основных типа рекомендаций. Первый - это пользовательский, в котором мы видим, что пользователь A похож на пользователя B, и делаем предложения пользователю B на основе того, что их «цифровой двойник» купил или просмотрел. Второй - это комплектация продуктов, в которой наш шарф и пальто были популярны вместе, как и подгузники и пакеты для мусора.
Лучшие системы рекомендаций могут использовать оба набора параметров для максимальной экстраполяции данных. Но есть эмпирические правила, которые стоит учитывать. Например, в интернет-магазине, когда ваши клиенты просматривают продукты, вы можете сосредоточиться на пользовательских рекомендациях и показать им продукты, которые понравились аналогичным клиентам. Как только они окажутся на кассе и поместят товары в свою корзину, вы можете отправить пакеты продуктов. Например, если кто-то только что положил подгузники в тележку, хорошая система напомнила бы им, чтобы они добавили мешки для утилизации, прежде чем они оплатят счет.
Когда следует использовать двигатель с холодным запуском?
Холодный старт, как описано в предыдущей статье, - это когда новый пользователь заходит на сайт, а мы ничего о нем не знаем. Итак, как мы можем начать давать рекомендации, чтобы подарить им наилучшие впечатления от их первого визита?
Такие сайты, как Netflix, просят новых пользователей выбрать несколько фильмов, которые им интересны, прежде чем заходить на сайт в первый раз. Если новый пользователь выберет десять ромкомов, Netflix, вероятно, предложит Maid In Manhattan и The Big Sick.
Нужен ли вам двигатель с холодным запуском, зависит от ассортимента вашей продукции. Если вы продаете мужскую одежду для пеших прогулок, у вас есть своя ниша, и вашими пользователями, скорее всего, будут мужчины, которые любят однодневные поездки в горы. Вам не нужно улучшать контент, который видит пользователь.
Однако, если ваш магазин одежды продает одежду женщинам и мужчинам всех возрастов, разной моды и функциональности, вы можете выяснить, кто просматривает вашу страницу, чтобы вы могли представить им товары, которые они могут купить. В этом случае ваш двигатель холодного пуска может быть десятком фотографий мужчин и женщин в разной одежде. Попросив нового пользователя нажать на картинку, соответствующую его стилю, вы сможете одним щелчком узнать, что ваш новый уникальный посетитель сайта - девочка-подросток, которая любит спортивный стиль.
Конечно, вы можете быстро узнать ту же информацию, когда пользователь начинает просматривать, но один щелчок может быть разницей между довольным клиентом и скучающим браузером, поэтому оно того стоит, если у вас широкая демографическая группа клиентов и большой ассортимент продукции. .
Как узнать, работает ли он?
Нижняя строка - это всегда нижняя строка. Если ваша система рекомендаций работает, вы увидите рост продаж. Однако, если мы предположим, что рост продаж на 1% является значительным изменением, как мы узнаем, что успех зависит от нашей системы рекомендаций, а не от нашего маркетинга, или тенденций в продуктах, или неудач наших конкурентов? Если мы во что-то инвестируем, нам нужно знать, что это работает и на что стоит вкладывать больше ресурсов.
Ответ, A / B-тестирование, также является ключевой стандартной функцией нашего будущего облачного решения Saleor. Создавая 2 разные версии нашего магазина - одну, которая использует нашу Систему рекомендаций, а другая - нет, - разные клиенты видят разные версии витрины, и мы можем наблюдать, какая из них более эффективна как в целом, так и для продаж конкретных продуктов.
По сути, мы используем достоверные данные, чтобы проверить, работают ли наши рекомендации, основанные на данных. Неужели есть другой выход ?!
Если вы думаете о создании Системы рекомендаций для своей электронной коммерции, не стесняйтесь связаться с нами и поговорить с нами о своем проекте.
Прочтите следующую часть этой серии блогов:
Разница между неявными и явными данными для бизнеса
Нам нравится слышать ваши мысли о наших мыслях, поэтому, пожалуйста, оставьте комментарий.
Мируми помогает клиентам пройти процесс цифровой трансформации, предоставляя широкий спектр услуг - от проектирования и архитектуры до автоматизации бизнес-процессов и машинного обучения. Мы адаптируем услуги к потребностям таких разнообразных организаций, как правительства и новаторы, внесенные в список Forbes 30 Under 30. Узнайте больше, посетив нашу страницу услуг.
