Mengapa sistem rekomendasi penting di luar perusahaan teknologi besar?
Sistem rekomendasi penting bagi bisnis mana pun yang memiliki lebih banyak produk daripada yang dapat ditelusuri pelanggan, karena apa yang ditampilkan sistem terlebih dahulu sangat menentukan apa yang dilihat, dibeli, dan diisi ulang stoknya.
Bayangkan sebuah toko daring perlengkapan kerajinan fiktif, Willowmere Crafts, dengan sekitar 4,000 produk dan tim beranggotakan 15 orang. Penanggung jawab perdagangan elektronik, Hana, menerima keluhan dari tim pembelian dan laporan dari agensi yang menyiapkan panel 'Anda mungkin juga menyukai'. Catatannya berbunyi: '40 produk yang sama direkomendasikan di hampir setiap halaman. koleksi benang musim semi baru (220 item) hampir tidak pernah ditampilkan sebagai rekomendasi dalam 3 minggu. pelanggan lama mendapat saran yang bagus, pengunjung pertama mendapat saran yang terlihat acak. merek dari perajin independen mengatakan produk mereka tidak pernah muncul.' Ia perlu menjelaskan kepada pendiri apa yang sedang terjadi sebelum meminta perubahan kepada agensi.
Bagaimana sistem rekomendasi menentukan apa yang ditampilkan?
Sebagian besar sistem rekomendasi menggunakan penyaringan berbasis konten, penyaringan kolaboratif, atau gabungan keduanya. Perbedaannya terletak pada apakah sistem membandingkan item dengan item atau orang dengan orang.
Penyaringan berbasis konten
Merekomendasikan item yang mirip dengan yang sudah disukai seseorang, menggunakan karakteristik item. Pelanggan yang membeli benang wol merino tebal berwarna hijau kebiruan akan diperlihatkan benang wol tebal dan benang hijau kebiruan lainnya. Pendekatan ini tidak memerlukan data pelanggan lain, tetapi kualitasnya bergantung pada karakteristik item yang telah ditetapkan, dan jarang memberi kejutan berupa sesuatu di luar selera biasanya.
Penyaringan kolaboratif
Merekomendasikan apa yang disukai orang dengan preferensi serupa. Jika pelanggan yang membeli paket merajut pemula sering kemudian membeli penanda tusukan dan buku pola, pembeli paket baru akan diperlihatkan barang-barang tersebut. Pendekatan ini dapat menemukan saran yang tidak terduga tetapi berguna dan tidak memerlukan deskripsi item, tetapi bergantung pada riwayat interaksi.
Sistem hibrida
Gabungkan keduanya, biasanya dengan aturan sederhana seperti menghapus barang yang stoknya habis, agar setiap pendekatan menutupi kelemahan pendekatan lainnya.
Apa itu masalah awal tanpa data?
Masalah awal tanpa data terjadi ketika sistem rekomendasi kesulitan menangani item baru dan pengguna baru karena belum memiliki riwayat interaksi mereka. Penyaringan kolaboratif khususnya tidak dapat menempatkan item yang belum pernah dibeli atau diklik siapa pun, persis seperti yang terjadi pada rangkaian benang musim semi Willowmere, dan hanya memiliki sedikit dasar untuk memberikan rekomendasi kepada pengunjung baru.
Cara yang umum digunakan adalah mengandalkan kemiripan berbasis konten untuk barang baru, memperkirakan karakteristik barang baru berdasarkan barang lain dalam kategori yang sama atau dari produsen yang sama, menampilkan pilihan barang populer yang sengaja dibuat beragam kepada pengunjung baru, serta mengajukan satu atau dua pertanyaan singkat tentang preferensi jika sesuai dengan toko tersebut.
Bagaimana lingkaran umpan balik dan masalah keadilan muncul?
Lingkaran umpan balik muncul ketika sistem belajar dari klik pada item yang dipilihnya untuk ditampilkan. Akibatnya, item yang sering ditampilkan mendapatkan lebih banyak klik, sehingga makin sering ditampilkan. Seiring waktu, sejumlah kecil produk populer menyingkirkan semua produk lainnya, seperti yang terjadi pada 40 produk Willowmere, sementara item yang tidak pernah ditampilkan tidak mendapat kesempatan untuk membuktikan daya tariknya.
Pertanyaan tentang keadilan pun langsung muncul. Jika produk dari produsen independen sejak awal memiliki lebih sedikit riwayat interaksi, siklus ini dapat membuat produk mereka tetap tidak terlihat terlepas dari kualitasnya, dan pelanggan kehilangan pilihan. Cara mengatasinya antara lain dengan menyisihkan beberapa slot rekomendasi untuk produk yang lebih baru atau lebih jarang ditampilkan, mengukur keterpaparan berdasarkan produsen dan kategori alih-alih hanya total klik, serta memperbarui data pelatihan model agar model tidak hanya belajar dari pilihannya sendiri di masa lalu.
Seperti apa permintaan kepada agensi yang lemah dan yang telah diperbaiki?
Permintaan yang lemah berbunyi: 'Rekomendasinya tidak efektif, tolong perbaiki.' Agensi mungkin hanya melatih ulang model dengan lebih banyak data klik yang sama, sehingga memperkuat siklus tersebut.
Permintaan yang lebih baik berbunyi: 'Panel kami tampaknya hanya mengandalkan riwayat pembelian. Mohon (1) gunakan atribut produk, seperti serat, berat, warna, dan teknik kerajinan, untuk merekomendasikan barang baru hingga riwayatnya memadai; (2) tampilkan pilihan yang beragam dari berbagai kategori kepada pengunjung pertama, bukan satu daftar produk terlaris; (3) sisihkan dua dari delapan tempat untuk barang yang jarang ditampilkan dalam 30 hari terakhir; (4) laporkan setiap bulan porsi penayangan rekomendasi menurut pembuat dan usia produk; dan (5) uji perubahan dengan membandingkannya terhadap panel saat ini pada kelompok pengunjung yang berbeda, dengan mengukur pesanan, bukan hanya klik.' Kini Hana dapat menilai apakah pekerjaan tersebut sudah dilakukan.
Bagaimana cara memastikan rekomendasi memberikan hasil yang diharapkan?
Periksa rekomendasi dengan melihat bukan hanya klik, tetapi juga pesanan, pengembalian barang, dan seberapa merata produk serta pemasok ditampilkan. Panel yang meningkatkan klik pada beberapa produk terlaris sambil menyembunyikan rangkaian produk baru mungkin justru merugikan bisnis. Bandingkan perubahan dengan kelompok kontrol pengunjung yang melihat versi lama, karena rekomendasi yang ditampilkan selama promosi atau hari libur akan terlihat lebih baik, apa pun modelnya.
Apa saja kesalahan umum terkait sistem rekomendasi?
Kesalahan paling umum adalah hanya mengoptimalkan klik, sehingga item yang menarik perhatian dan lingkaran umpan balik makin diutamakan. Kesalahan lainnya: meluncurkan lini produk baru tanpa atribut konten sehingga terkendala minimnya data awal, menilai keberhasilan dengan membandingkan kondisi sebelum dan sesudah tanpa kelompok kontrol, mengabaikan pemasok atau kategori yang tidak pernah ditampilkan, dan menggunakan data pribadi untuk rekomendasi tanpa memberi tahu pelanggan dalam pemberitahuan privasi.
Di bagian mana pelajaran ini berada di Tosheo.ai?
Pelajaran ini merupakan bagian dari kategori Pembelajaran Mesin dalam kursus pembelajaran mesin, setelah pelajaran tentang cara model belajar dan dievaluasi. Di Tosheo.ai, tugas praktik meminta Anda menulis arahan untuk meningkatkan rekomendasi toko fiktif, dan umpan balik berdasarkan panduan penilaian memeriksa penanganan kondisi awal tanpa data, lingkaran umpan balik, keadilan, dan pengujian yang adil. Ini adalah landasan profesional untuk memberi arahan dan menilai pekerjaan tersebut; membangun sistem rekomendasi melalui kode merupakan bagian dari jalur Pemrograman opsional.