联系我们

人工智能

您是否推荐推荐引擎?

mm

更新

 on

在企业中,大海捞针问题始终是一个挑战。推荐引擎可帮助您应对这一挑战。 

在电子商务和零售中,您提供成百上千种产品。哪种产品最适合您的客户?

在销售和市场营销中,您有很多潜在客户。但是,您一天只有几个小时。因此,您面临着决定准确地将精力集中在哪里的挑战。

有一种由AI和 大数据,这使这些挑战更易于管理,推荐引擎。

什么是推荐系统?

用最简单的术语来说,推荐引擎对许多项目进行分类,并预测与用户最相关的选择。对于消费者来说,亚马逊的产品推荐引擎就是一个熟悉的例子。在娱乐界,Netflix一直在努力开发自己的引擎。 Netflix的推荐引擎带来了底线收益:

“ [Netflix的完善的推荐系统和个性化的用户体验,它使他们每年因取消服务而节省了10亿美元。”– 营销推荐引擎的投资回报率

从最终用户的角度来看,通常不清楚推荐引擎的工作方式。我们将拉开帷幕,并从关键要素:数据开始,说明它们的工作原理。

推荐引擎:它们使用什么数据?

数据 您是否需要推荐引擎取决于您的目标。假设您的目标是增加电子商务公司的销售额。在这种情况下,最低限度所需的最低数据将分为两类:产品数据库和最终用户行为。为了说明它是如何工作的,请看这个简单的例子。

  • 公司: USB Accessories,Inc.该公司专门向消费者和企业销售USB附件和产品,例如电缆,拇指驱动器和集线器。
  • 产品数据。 为了简化初始推荐引擎,该公司将其限制为100种产品。
  • 用户数据。 对于在线商店,用户数据将包括网站分析信息,电子邮件营销和其他来源。例如,您可能会发现50%购买外部硬盘驱动器的客户也购买了USB电缆。
  • 推荐输出。 在这种情况下,您的推荐引擎可能会生成推荐(或折扣代码)给硬盘购买者,以鼓励他们购买USB电缆。

实际上,最佳推荐引擎会使用更多的数据。通常,推荐引擎具有大量要使用的数据时,它们会产生更好的业务结果。

推荐引擎如何使用您的数据?

许多推荐引擎使用多种技术来处理您的数据。

基于内容的过滤

这种类型的推荐算法结合了用户偏好,并尝试推荐相似的商品。在这种情况下,引擎将专注于产品并突出显示相关项目。这种推荐引擎的构建相对简单。对于数据有限的公司来说,这是一个很好的起点。

协同过滤

在购买之前,您是否已向其他人提出建议?还是在您的购买过程中考虑过在线评论?如果是这样,您将经历过协作式筛选。更高级的推荐引擎分析用户评论,评分和其他用户生成的内容以产生相关建议。这种推荐引擎策略功能强大,因为它利用了社交证明。

混合推荐者

混合推荐引擎结合了两种或更多种推荐方法来产生更好的结果。回到上面概述的电子商务示例,假设您在过去一年中获得了用户评论和评分(例如1到5星)。现在,您可以同时使用基于内容的筛选和协作式筛选来提出建议。成功地组合多个推荐引擎或算法通常需要进行实验。因此,最好将其视为相对先进的策略。

仅当您向其提供高质量数据时,推荐引擎才会成功。如果您在公司数据库中有错误或过时的信息,它也将无法有效执行。因此,您需要不断投入资源以提高数据质量。

实例探究: 

自动招聘:候选人评分

根据Jobvite的研究,平均每个职位招聘超过50名申请人。对于人力资源部门和管理人员而言,申请人数量创造了巨大的工作量。为了简化流程,Blue Orange为财富500强对冲基金实施了推荐引擎。这个 人力资源自动化项目 帮助公司以标准化的方式对候选人进行排名。 使用十年’由于拥有大量的申请人数据和简历,该公司现在拥​​有完善的评分模型来寻找合适的候选人。

纽约市的对冲基金需要解析不一致的简历,并要求OCR改善其招聘流程。即使是最佳的OCR解析,也会使您陷入混乱和 非结构化数据。然后,随着候选人在整个申请过程中的移动,人们会参与其中。在数据集中添加申请人的自由形式文本评论以及语言和个人偏见。此外,每个数据源都是孤立的,提供有限的分析机会。

方法: 在评估了多个公司的招聘流程之后,我们发现了三个一致的机会,可以使用NLP系统地改善招聘结果 机器学习。问题领域是:正确构建候选人简历数据,评估工作适合度并减少人员招聘偏见。借助干净且结构化的数据集,我们能够对文本进行情感分析并进行主观性检测,以减少人类评估中的候选偏差。

结果: 使用关键字检测分类器,光学字符识别和基于云的NLP引擎,我们能够清理字符串文本并将其转换为关系数据。借助结构化数据,我们在AWS QuickSight中提供了一个快速,交互式且可搜索的Business Analytics仪表板。

电子商务:Zageno医疗用品

在现实世界中实现的推荐引擎的另一个示例来自Zageno。 Zageno是一家电子商务公司,为实验室科学家提供服务,而Amazon为我们其他人提供服务。需要注意的是,实验室科学家的需求是确切的,因此也必须为他们的研究采购物资。以下引述来自我们对Zageno的采访,重点介绍了它们如何使用推荐引擎向实验室科学家提供最准确的耗材。 

Q&答:Blue Orange Digital采访Zageno

题:
您的公司如何使用推荐引擎?您看到了什么样的结果?

回答:

扎吉诺为科学客户采用的推荐引擎有两个示例。为了解释这些,我们觉得最好将它们指出。

  • 扎吉诺’s Scientific Score:
    • 扎吉诺的科学评分是一个综合的产品评分系统,专门为评估研究产品而开发。它整合了来自多个来源的产品数据的多个方面,为科学家提供了精确,无偏见的产品评分,以便做出准确的购买决策。
    • 我们应用复杂的机器学习算法来精确匹配,分组和分类数百万种产品。由于每种产品的得分都是相对于同一类别中的产品而计算出来的,因此,科学得分会说明这些分类。结果是建立了一个科学家可以信任的评级系统,该系统专门针对产品应用和产品类型。
    • 标准产品评分有助于快速评估产品,但由于它们依赖未知评论或单一指标(例如出版物),因此经常会产生偏见且不可靠。它们还很少提供有关实验环境或应用程序的详细信息。科学分数使用科学方法论来客观,全面地评估研究产品。它将所有必要和相关的产品信息组合到一个0-10等级中,以支持我们的客户决定为其应用购买和使用哪种产品,从而节省了产品研究时间。
    • 为了确保没有单一因素占主导地位,我们增加了分界点,并对最近的贡献给予了更大的重视。我们考虑的众多因素实际上消除了任何操纵的机会。因此,我们的得分是对可用产品信息的质量和数量的客观度量,可支持客户的购买决策。
  • 替代产品:
    • 替代产品由相同的关键属性值定义;为每个类别定义了关键属性,以说明特定的产品特征。
    • 我们正在努力增加基础数据和属性,并改进算法以改进建议
    • 替代产品建议旨在帮助科学家和采购人员考虑和评估潜在产品,否则他们可能没有考虑过/不知道它们
    • 替代产品仅由产品特征定义,与供应商,品牌或其他商业数据无关

您是否推荐推荐系统? 

“是的,但是请确保您使用正确的数据,以根据反映真实用户期望的质量和数量提出建议。建立透明性是因为没有人,特别是科学家,会信任或依赖黑匣子。与您的用户共享使用了哪些信息,如何加权信息,并不断学习以不断改进。最后,通过获取用户的反馈来完成该周期’已收集并将其带回系统中。” – Zageno

推荐引擎的功能从未如此强大。正如亚马逊和Netflix等巨头所表明的那样,推荐人可以直接负责增加收入和客户保留率。 Zageno之类的公司表明,您不必成为大型公司即可利用推荐者的力量。推荐引擎的好处涵盖了许多行业,例如电子商务到人力资源。 

将推荐引擎带入公司的快速方法

开发推荐引擎需要数据专业知识。您的内部IT团队可能没有能力进行扩展。如果您希望获得推荐引擎的客户保留率和效率优势,则无需等待IT部门变得不那么忙碌。 请给我们留言,让我们知道。的 蓝橙色数字 数据科学 团队也很乐意让推荐人也为您服务!

主要图像来源:Canva

乔什·米拉曼(Josh Miramant)是该公司的首席执行官和创始人 Blue Orange Digital,是一家顶级的数据科学和机器学习机构,在纽约市和华盛顿特区设有办事处。 Miramant是一位受欢迎的演讲者,未来主义者,并且是企业公司和初创公司的战略业务与技术顾问。他帮助组织优化和自动化其业务,实施数据驱动的分析技术,并了解人工智能,大数据和物联网等新技术的含义。