বড় প্রযুক্তি প্রতিষ্ঠানের বাইরেও সুপারিশ ব্যবস্থা কেন গুরুত্বপূর্ণ?
কোনো ব্যবসায় পণ্যের সংখ্যা ক্রেতার পক্ষে ঘুরে দেখার সামর্থ্যের চেয়ে বেশি হলে সুপারিশ ব্যবস্থা গুরুত্বপূর্ণ হয়ে ওঠে। কারণ ব্যবস্থা প্রথমে কী দেখায়, তা অনেকটাই নির্ধারণ করে কোন পণ্য দেখা হবে, কেনা হবে এবং আবার মজুত করা হবে।
উইলোমিয়ার ক্রাফটস নামে হস্তশিল্পের উপকরণের একটি কাল্পনিক অনলাইন দোকানের কথা ধরুন, যেখানে প্রায় 4,000 পণ্য ও 15 জনের একটি দল আছে। ই-কমার্স প্রধান হানা ক্রয় দলের একটি অভিযোগ এবং 'আপনার এগুলোও পছন্দ হতে পারে' অংশটি তৈরি করা সংস্থার একটি প্রতিবেদন পেয়েছেন। তাঁর নোটে আছে: 'প্রায় প্রতিটি পাতায় একই 40-টি পণ্যের সুপারিশ। বসন্তের নতুন সুতার সংগ্রহের (220-টি পণ্য) সুপারিশ গত 3 সপ্তাহে প্রায় দেখানোই হয়নি। পুরোনো ক্রেতারা ভালো পরামর্শ পান, প্রথমবার আসা দর্শকেরা এলোমেলো ধরনের পরামর্শ পান। স্বাধীন কারুশিল্পী ব্র্যান্ডগুলো বলছে তাদের কখনো দেখানো হয় না।' সংস্থাটিকে পরিবর্তনের অনুরোধ করার আগে কী হচ্ছে তা প্রতিষ্ঠাতাকে বোঝাতে হবে তাঁকে।
সুপারিশ ব্যবস্থা কী দেখাবে, তা কীভাবে ঠিক করে?
বেশির ভাগ সুপারিশ ব্যবস্থা বিষয়বস্তুভিত্তিক বাছাই, সহযোগিতামূলক বাছাই অথবা দুটোর মিশ্রণ ব্যবহার করে। পার্থক্য হলো, এগুলো কোনো বিষয়বস্তুর সঙ্গে অন্য বিষয়বস্তুর তুলনা করে, নাকি মানুষের সঙ্গে মানুষের তুলনা করে।
বিষয়বস্তুভিত্তিক ফিল্টারিং
পণ্যের বৈশিষ্ট্য ব্যবহার করে একজনের আগে থেকেই পছন্দের পণ্যের মতো অন্য পণ্য সুপারিশ করে। কোনো ক্রেতা নীলচে-সবুজ রঙের মোটা মেরিনো উল কিনলে তাঁকে অন্য মোটা উল ও নীলচে-সবুজ সুতা দেখানো হয়। এতে অন্য ক্রেতাদের তথ্য লাগে না, তবে কেউ পণ্যের যে বৈশিষ্ট্যগুলো নির্ধারণ করেছেন, এর কার্যকারিতা সেগুলোর ওপরই নির্ভর করে। আর এটি খুব কমই মানুষের চেনা রুচির বাইরে অপ্রত্যাশিত কিছু দেখায়।
ব্যবহারকারীদের পছন্দের মিলভিত্তিক বাছাই
একই ধরনের মানুষ যা পছন্দ করেছেন, তা সুপারিশ করে। নতুনদের বুনন শেখার কিট কেনা ক্রেতারা যদি পরে প্রায়ই ফোঁড় চিহ্নিত করার মার্কার ও নকশার বই কেনেন, তাহলে নতুন কিট ক্রেতাকেও সেগুলো দেখানো হয়। এটি অপ্রত্যাশিত কিন্তু দরকারি পরামর্শ খুঁজে দিতে পারে এবং এর জন্য পণ্যের বিবরণ লাগে না, তবে এটি আগের ব্যবহার ও লেনদেনের ইতিহাসের ওপর নির্ভর করে।
মিশ্র ব্যবস্থা
দুটি পদ্ধতি একসঙ্গে ব্যবহার করুন, প্রায়ই মজুত নেই এমন পণ্য বাদ দেওয়ার মতো সহজ নিয়মসহ, যাতে একটি পদ্ধতি অন্যটির দুর্বলতা পুষিয়ে দেয়।
কোল্ড স্টার্ট সমস্যা কী?
কোল্ড স্টার্ট সমস্যা হলো, নতুন পণ্য ও নতুন ব্যবহারকারীর সঙ্গে আগের কোনো মিথস্ক্রিয়ার তথ্য না থাকায় সুপারিশ ব্যবস্থা তাদের ক্ষেত্রে ভালোভাবে কাজ করতে পারে না। বিশেষ করে সহযোগিতামূলক ফিল্টারিংয়ে এমন কোনো পণ্যের অবস্থান নির্ধারণ করা যায় না, যা এখনো কেউ কেনেনি বা ক্লিক করেনি। উইলোমিয়ারের বসন্তের সুতার সম্ভারের ক্ষেত্রে ঠিক এটাই ঘটেছিল। প্রথমবার আসা দর্শকের ক্ষেত্রেও ব্যবস্থাটির হাতে খুব কম তথ্য থাকে।
প্রচলিত সমাধানগুলোর মধ্যে রয়েছে নতুন পণ্যের ক্ষেত্রে বিষয়বস্তুভিত্তিক মিল ব্যবহার করা, একই শ্রেণির বা একই প্রস্তুতকারকের অন্য পণ্য থেকে নতুন পণ্য সম্পর্কে অনুমান করা, নতুন দর্শকদের ইচ্ছাকৃতভাবে বৈচিত্র্যপূর্ণ কিছু জনপ্রিয় পণ্য দেখানো এবং দোকানের জন্য উপযুক্ত হলে পছন্দ সম্পর্কে এক বা দুটি ছোট প্রশ্ন করা।
প্রতিক্রিয়ার চক্র ও ন্যায্যতার সমস্যা কীভাবে তৈরি হয়?
সিস্টেম নিজের বেছে দেখানো পণ্যে হওয়া ক্লিক থেকে শিখলে প্রতিক্রিয়াচক্র তৈরি হয়। ফলে যে পণ্যগুলো বেশি দেখানো হয়, সেগুলোতে বেশি ক্লিক পড়ে এবং সেগুলো আরও বেশি দেখানো হয়। সময়ের সঙ্গে অল্প কিছু জনপ্রিয় পণ্য বাকি সব পণ্যকে আড়াল করে দেয়, যেমন উইলোমিয়ারের 40টি পণ্যের ক্ষেত্রে হয়েছে। আর যে পণ্যগুলো কখনো দেখানো হয় না, সেগুলো নিজেদের সম্ভাবনা প্রমাণের সুযোগই পায় না।
এর পরেই ন্যায্যতা নিয়ে প্রশ্ন আসে। স্বতন্ত্র নির্মাতাদের পণ্যের আগের তথ্য কম থাকলে, এই চক্র গুণমান যেমনই হোক না কেন, সেগুলোকে আড়ালেই রাখতে পারে, আর ক্রেতাদের বেছে নেওয়ার সুযোগ কমে যায়। এর প্রতিকারের উপায়গুলোর মধ্যে রয়েছে নতুন বা কম দেখানো পণ্যের জন্য সুপারিশের কয়েকটি স্থান সংরক্ষণ করা, শুধু মোট ক্লিকের বদলে নির্মাতা ও বিভাগ অনুযায়ী দৃশ্যমানতা পরিমাপ করা, এবং মডেলের প্রশিক্ষণের তথ্য হালনাগাদ করা, যাতে এটি শুধু নিজের আগের বাছাইগুলো থেকেই না শেখে।
এজেন্সির কাছে দুর্বল ও উন্নত অনুরোধ কেমন হয়?
দুর্বল অনুরোধে বলা হয়: 'সুপারিশগুলো কাজে আসছে না, এগুলো আরও ভালো করে দিন।' সংস্থাটি হয়তো একই ধরনের আরও ক্লিকের ডেটা দিয়ে শুধু আবার প্রশিক্ষণ দেবে, যা চক্রটিকে আরও শক্তিশালী করবে।
উন্নত অনুরোধটি হলো: 'আমাদের সুপারিশের প্যানেলটি শুধু কেনাকাটার ইতিহাসের ওপর নির্ভর করে বলে মনে হচ্ছে। অনুগ্রহ করে (1) নতুন পণ্যের পর্যাপ্ত ইতিহাস তৈরি না হওয়া পর্যন্ত তন্তু, ওজন, রং ও কারুশৈলীর মতো পণ্যের বৈশিষ্ট্য ব্যবহার করে সেগুলো সুপারিশ করুন; (2) প্রথমবার আসা দর্শকদের শুধু একটি সর্বাধিক বিক্রীত পণ্যের তালিকা না দেখিয়ে বিভিন্ন বিভাগের বৈচিত্র্যপূর্ণ পণ্য দেখান; (3) আটটি স্থানের মধ্যে দুটি এমন পণ্যের জন্য রাখুন, যা গত 30 দিনে কম দেখানো হয়েছে; (4) প্রতি মাসে সুপারিশ দেখা হওয়ার কত অংশ কোন নির্মাতার পণ্য এবং কত পুরোনো পণ্যের জন্য হয়েছে, তা জানান; এবং (5) দর্শকদের ভাগ করে বর্তমান প্যানেলের সঙ্গে পরিবর্তনগুলো পরীক্ষা করুন, শুধু ক্লিক নয়, অর্ডার মেপে।' এখন হানা বিচার করতে পারবেন কাজটি হয়েছে কি না।
সুপারিশগুলো কাজে আসছে কি না, তা কীভাবে যাচাই করবেন?
সুপারিশ যাচাই করতে শুধু ক্লিকের হার নয়, অর্ডার, পণ্য ফেরত এবং কতটা বিস্তৃতভাবে বিভিন্ন পণ্য ও সরবরাহকারীকে দেখানো হচ্ছে, তা দেখুন। কোনো প্যানেল যদি নতুন পণ্যের সারি আড়াল করে কয়েকটি বেশি বিক্রি হওয়া পণ্যে ক্লিক বাড়ায়, তবে তা ব্যবসার ক্ষতি করতে পারে। পুরোনো সংস্করণ দেখতে পান এমন দর্শকদের একটি নিয়ন্ত্রণ দলের সঙ্গে পরিবর্তনের ফল তুলনা করুন, কারণ ছাড়ের সময় বা ছুটির মৌসুমে দেখানো সুপারিশ যেকোনো মডেলেই বেশি কার্যকর মনে হবে।
সুপারিশ ব্যবস্থা নিয়ে সাধারণ ভুলগুলো কী?
সবচেয়ে সাধারণ ভুল হলো শুধু ক্লিক বাড়ানোর দিকে নজর দেওয়া, যা নজরকাড়া বিষয়বস্তু ও প্রতিক্রিয়াচক্রকে আরও প্রাধান্য দেয়। অন্য ভুলগুলো হলো: বিষয়বস্তুর বৈশিষ্ট্য না দিয়েই নতুন পণ্যসারি চালু করা, ফলে শুরুর পর্যায়ে তথ্যের অভাবের সমস্যা হওয়া; নিয়ন্ত্রণ দল ছাড়াই আগের ও পরের ফল তুলনা করে সাফল্য বিচার করা; কোন সরবরাহকারী বা বিভাগ কখনো দেখানো হচ্ছে না তা উপেক্ষা করা; এবং গোপনীয়তা বিজ্ঞপ্তিতে গ্রাহকদের না জানিয়ে সুপারিশের জন্য ব্যক্তিগত তথ্য ব্যবহার করা।
Tosheo.ai-এ এই পাঠটি কোথায় রয়েছে?
এই পাঠটি মেশিন লার্নিং কোর্সের মেশিন লার্নিং বিভাগে রয়েছে। মডেল কীভাবে শেখে এবং কীভাবে তার মূল্যায়ন হয়, সেই পাঠগুলোর পরে এটি আসে। Tosheo.ai-এর হাতে-কলমে কাজে আপনাকে একটি কাল্পনিক দোকানের সুপারিশব্যবস্থা উন্নত করার সংক্ষিপ্ত নির্দেশনা লিখতে বলা হয়। মানদণ্ডভিত্তিক মূল্যায়নের প্রতিক্রিয়ায় শুরুর পর্যায়ে তথ্যের অভাব, প্রতিক্রিয়ার চক্র, ন্যায্যতা এবং পক্ষপাতমুক্ত পরীক্ষার বিষয়গুলো যাচাই করা হয়। এ ধরনের কাজের নির্দেশনা দেওয়া ও বিচার করার পেশাগত ভিত্তি এটি তৈরি করে; কোড লিখে সুপারিশব্যবস্থা তৈরি করা ঐচ্ছিক কোডিং ধারার অংশ।