મોટી ટેકનોલોજી કંપનીઓની બહાર પણ ભલામણ પ્રણાલીઓ મહત્વની કેમ છે?
જે વ્યવસાયમાં ગ્રાહક જોઈ શકે તેના કરતાં વધુ ઉત્પાદનો હોય, ત્યાં ભલામણ પ્રણાલીઓ મહત્વની છે, કારણ કે પ્રણાલી પહેલાં શું બતાવે છે તે મોટા ભાગે નક્કી કરે છે કે શું જોવામાં આવશે, ખરીદવામાં આવશે અને ફરીથી જથ્થામાં મંગાવવામાં આવશે.
વિલોમિયર ક્રાફ્ટ્સ નામની હસ્તકલા સામગ્રીની કાલ્પનિક ઑનલાઇન દુકાન લો, જેમાં લગભગ 4,000 ઉત્પાદનો અને 15 લોકોની ટીમ છે. ઈ-વાણિજ્યની વડા હાના પાસે ખરીદી વિભાગની ફરિયાદ અને 'તમને આ પણ ગમશે' વિભાગ ગોઠવનારી એજન્સીનો અહેવાલ છે. તેની નોંધો કહે છે: 'લગભગ દરેક પાને એ જ 40 ઉત્પાદનોની ભલામણ થાય છે. વસંત ઋતુ માટેની નવી ઊનની શ્રેણી (220 વસ્તુઓ)ને 3 અઠવાડિયાંમાં ભલામણો દ્વારા લગભગ કોઈ જોવાઈ જ નથી. પાછા આવતા ગ્રાહકોને સારી ભલામણો મળે છે, પહેલી વાર આવનારાને આડેધડ પસંદ કરેલી લાગે એવી મળે છે. સ્વતંત્ર કારીગરોની બ્રાન્ડ કહે છે કે તેઓ ક્યારેય દેખાતી જ નથી.' એજન્સીને ફેરફારો કરવા કહેતાં પહેલાં તેણે સ્થાપકને સમજાવવું છે કે શું ચાલી રહ્યું છે.
ભલામણ કરતી સિસ્ટમો શું બતાવવું તે કેવી રીતે નક્કી કરે છે?
મોટાભાગની ભલામણ પ્રણાલીઓ સામગ્રી આધારિત ગાળણ, સહયોગી ગાળણ અથવા બંનેના મિશ્રણનો ઉપયોગ કરે છે. તફાવત એ છે કે તે વસ્તુઓની તુલના વસ્તુઓ સાથે કરે છે કે લોકોની તુલના લોકો સાથે કરે છે.
સામગ્રી-આધારિત ગાળણ
વસ્તુઓની વિશેષતાઓનો ઉપયોગ કરીને વ્યક્તિને પહેલેથી ગમતી વસ્તુઓ જેવી વસ્તુઓની ભલામણ કરે છે. જે ગ્રાહકે ઘેરા લીલાશ પડતા વાદળી રંગનું જાડું મેરિનો ઊન ખરીદ્યું હોય, તેને બીજા પ્રકારનાં જાડાં ઊન અને એ જ રંગનાં સૂતર બતાવવામાં આવે છે. તેને અન્ય ગ્રાહકોના ડેટાની જરૂર પડતી નથી, પરંતુ તેની અસરકારકતા કોઈએ નિર્ધારિત કરેલી વસ્તુઓની વિશેષતાઓ પર જ આધાર રાખે છે, અને તે ભાગ્યે જ લોકોને તેમની સામાન્ય પસંદગીની બહારની કોઈ અણધારી વસ્તુ બતાવે છે.
સમાન વપરાશકર્તાઓની પસંદગીના આધારે ભલામણોનું ગાળણ
સમાન પસંદગી ધરાવતા લોકોને જે ગમ્યું હોય તેની ભલામણ કરે છે. જો શરૂઆત કરનારાઓ માટેની ગૂંથણ કિટ ખરીદનારા ગ્રાહકોએ ઘણી વાર પછી ટાંકા ચિહ્નિત કરવાની રિંગો અને ભાતોની ચોપડી ખરીદી હોય, તો કિટ ખરીદનાર નવા ગ્રાહકને તે બતાવવામાં આવે છે. તે અણધાર્યાં છતાં ઉપયોગી સૂચનો શોધી શકે છે અને તેને વસ્તુઓનાં વર્ણનોની જરૂર પડતી નથી, પરંતુ તે અગાઉની ક્રિયાપ્રતિક્રિયાઓના ઇતિહાસ પર આધાર રાખે છે.
મિશ્ર પ્રણાલીઓ
બંનેને જોડો, ઘણી વાર સ્ટૉકમાં ન હોય તેવી વસ્તુઓ દૂર કરવા જેવા સરળ નિયમો સાથે, જેથી દરેક પદ્ધતિ બીજી પદ્ધતિની નબળાઈઓની ભરપાઈ કરે.
શરૂઆતની માહિતીના અભાવની સમસ્યા શું છે?
શરૂઆતની માહિતીના અભાવની સમસ્યા એ છે કે ભલામણ પ્રણાલીને નવી વસ્તુઓ અને નવા વપરાશકર્તાઓ માટે ભલામણ કરવામાં મુશ્કેલી પડે છે, કારણ કે તેમની સાથેની ક્રિયાપ્રતિક્રિયાનો કોઈ ઇતિહાસ હોતો નથી. ખાસ કરીને સહયોગી ફિલ્ટરિંગ એવી વસ્તુને યોગ્ય સ્થાન આપી શકતું નથી જેને હજી કોઈએ ખરીદી ન હોય કે જેના પર ક્લિક ન કર્યું હોય. વિલોમિયરના વસંત ઋતુના ઊનના દોરાના સંગ્રહ સાથે બરાબર આવું જ થયું હતું. પહેલી વાર આવનાર મુલાકાતી માટે પણ તેની પાસે બહુ ઓછો આધાર હોય છે.
સામાન્ય ઉપાયોમાં નવી વસ્તુઓ માટે સામગ્રીની સમાનતાનો આધાર લેવો, એ જ શ્રેણીની અથવા એ જ ઉત્પાદકની અન્ય વસ્તુઓ પરથી નવી વસ્તુનો અંદાજ કાઢવો, નવા મુલાકાતીઓને જાણીજોઈને લોકપ્રિય વસ્તુઓની વૈવિધ્યસભર પસંદગી બતાવવી અને દુકાન માટે યોગ્ય હોય ત્યાં પસંદગી વિશે એક કે બે ટૂંકા પ્રશ્નો પૂછવા સામેલ છે.
પ્રતિસાદ ચક્રો અને ભેદભાવની સમસ્યાઓ કેવી રીતે ઊભી થાય છે?
પ્રતિસાદ ચક્ર ત્યારે ઊભું થાય છે જ્યારે પ્રણાલી પોતે બતાવેલી વસ્તુઓ પર થયેલી ક્લિકમાંથી શીખે છે. એટલે વારંવાર બતાવાતી વસ્તુઓને વધુ ક્લિક મળે છે, જેના કારણે તે હજી વધુ બતાવવામાં આવે છે. સમય જતાં લોકપ્રિય ઉત્પાદનોનો નાનો સમૂહ બાકીની બધી વસ્તુઓને પાછળ ધકેલી દે છે, જેમ વિલોમિયરના 40 ઉત્પાદનો સાથે થાય છે, જ્યારે ક્યારેય ન બતાવેલી વસ્તુઓને પોતાની ઉપયોગિતા સાબિત કરવાની તક જ મળતી નથી.
આમાંથી સીધા જ ન્યાયીપણાના પ્રશ્નો ઊભા થાય છે. સ્વતંત્ર ઉત્પાદકોનાં ઉત્પાદનો વિશે શરૂઆતમાં ઓછો ઐતિહાસિક ડેટા હોય, તો આ ચક્ર ગુણવત્તા ગમે તેવી હોય છતાં તેમને અદૃશ્ય રાખી શકે છે, અને ગ્રાહકોની પસંદગી મર્યાદિત થઈ જાય છે. તેનો સામનો કરવાની રીતોમાં નવી અથવા ઓછી દેખાડાતી વસ્તુઓ માટે ભલામણોમાં થોડી જગ્યાઓ અનામત રાખવી, માત્ર કુલ ક્લિકને બદલે ઉત્પાદક અને શ્રેણી પ્રમાણે દૃશ્યતા માપવી, અને મોડેલના તાલીમ ડેટાને તાજો કરતા રહેવું સામેલ છે, જેથી તે માત્ર પોતાની અગાઉની પસંદગીઓમાંથી જ શીખતું ન રહે.
એજન્સીને કરેલી નબળી અને સુધારેલી વિનંતી કેવી હોય છે?
નબળી વિનંતી કહે છે: 'ભલામણો કામ કરતી નથી, કૃપા કરીને તેને વધુ સારી બનાવો.' એજન્સી કદાચ એ જ પ્રકારના વધુ ક્લિક ડેટા પર ફરી તાલીમ આપે, જે આ ચક્રને વધુ મજબૂત બનાવે છે.
સુધારેલી વિનંતી આ રીતે કહે છે: 'અમારી પેનલ ફક્ત ખરીદીના ઇતિહાસ પર આધાર રાખતી હોય એવું લાગે છે. કૃપા કરીને (1) નવી વસ્તુઓનો પૂરતો ઇતિહાસ બને ત્યાં સુધી તેમની ભલામણ કરવા માટે રેસા, વજન, રંગ અને કારીગરી જેવા ઉત્પાદનના ગુણધર્મોનો ઉપયોગ કરો; (2) પહેલી વાર આવતા મુલાકાતીઓને સૌથી વધુ વેચાતી વસ્તુઓની એક જ યાદીને બદલે વિવિધ શ્રેણીઓમાંથી વૈવિધ્યસભર વસ્તુઓ બતાવો; (3) આઠમાંથી બે સ્થાનો એવી વસ્તુઓ માટે રાખો જે છેલ્લા 30 દિવસમાં ઓછી બતાવવામાં આવી હોય; (4) દર મહિને ભલામણો જોવાઈ તેમાં નિર્માતા પ્રમાણે અને ઉત્પાદન કેટલું જૂનું છે તે પ્રમાણે હિસ્સાનો અહેવાલ આપો; અને (5) મુલાકાતીઓને જૂથોમાં વહેંચીને હાલની પેનલ સામે ફેરફારોની કસોટી કરો, જેમાં માત્ર ક્લિક નહીં, ઓર્ડર માપો.' હવે હાના નક્કી કરી શકે છે કે કામ થયું કે નહીં.
ભલામણો અસરકારક છે કે નહીં તે કેવી રીતે ચકાસવું?
ભલામણોની તપાસ કરતી વખતે માત્ર ક્લિક જ નહીં, પણ ઓર્ડર, પરત કરાયેલ માલ અને અલગ-અલગ ઉત્પાદનો તથા સપ્લાયરોને કેટલી સમાન રીતે દેખાવાની તક મળે છે તે પણ જુઓ. થોડાં સૌથી વધુ વેચાતાં ઉત્પાદનો પર ક્લિક વધારતી પરંતુ નવી શ્રેણીઓને દબાવી દેતી પેનલ વ્યવસાયને નુકસાન કરતી હોઈ શકે છે. ફેરફારોની સરખામણી જૂનું સંસ્કરણ જોતા મુલાકાતીઓના નિયંત્રણ જૂથ સાથે કરો, કારણ કે સેલ કે રજાના સમયગાળા દરમિયાન બતાવેલી ભલામણો મોડેલ ગમે તે હોય તોપણ વધુ સારી લાગશે.
ભલામણ પ્રણાલીઓના ઉપયોગમાં થતી સામાન્ય ભૂલો કઈ છે?
સૌથી સામાન્ય ભૂલ એ છે કે ફક્ત ક્લિક વધારવા પર ધ્યાન આપવું, જેનાથી ધ્યાન ખેંચતી વસ્તુઓ અને એ જ પસંદગીઓને સતત મજબૂત કરતા ચક્રને પ્રોત્સાહન મળે છે. અન્ય ભૂલો: સામગ્રીનાં લક્ષણો વિના નવી શ્રેણી શરૂ કરવી, જેથી શરૂઆતમાં ડેટાના અભાવની સમસ્યા થાય; નિયંત્રણ જૂથ વિના પહેલાં અને પછીની સરખામણી કરીને સફળતા આંકવી; કયા સપ્લાયર કે શ્રેણીઓ ક્યારેય દેખાતાં નથી તે અવગણવું; અને ગોપનીયતા સૂચનામાં ગ્રાહકોને જણાવ્યા વિના ભલામણો માટે વ્યક્તિગત ડેટા વાપરવો.
Tosheo.aiમાં આ પાઠ ક્યાં આવે છે?
આ પાઠ મશીન લર્નિંગ અભ્યાસક્રમની મશીન લર્નિંગ શ્રેણીનો ભાગ છે. તે મોડેલો કેવી રીતે શીખે છે અને તેમનું મૂલ્યાંકન કેવી રીતે થાય છે તે પાઠો પછી આવે છે. Tosheo.aiમાં પ્રાયોગિક કાર્ય તમને એક કાલ્પનિક દુકાનની ભલામણો સુધારવા માટે સંક્ષિપ્ત સૂચનાપત્ર લખવા કહે છે. ગુણાંકન માર્ગદર્શિકા મુજબનો પ્રતિસાદ તપાસે છે કે શરૂઆતમાં ડેટાનો અભાવ, પ્રતિસાદનાં ચક્રો, ન્યાયસંગતતા અને નિષ્પક્ષ પરીક્ષણ ધ્યાનમાં લેવાયાં છે કે નહીં. આ કામ માટે સૂચનાઓ આપવા અને તેનું મૂલ્યાંકન કરવા માટેનો વ્યાવસાયિક પાયો છે; કોડ દ્વારા ભલામણ પ્રણાલી બનાવવાનું વૈકલ્પિક કોડિંગ માર્ગનો ભાગ છે.