വൻകിട സാങ്കേതിക കമ്പനികൾക്കു പുറത്തും ശുപാർശാ സംവിധാനങ്ങൾ പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്?
ഒരു ഉപഭോക്താവിന് പരിശോധിക്കാനാകുന്നതിലധികം ഉൽപ്പന്നങ്ങളുള്ള ഏത് ബിസിനസിനും ശുപാർശാ സംവിധാനങ്ങൾ പ്രധാനമാണ്. കാരണം, ആളുകൾ എന്ത് കാണുന്നു, വാങ്ങുന്നു, ഏതൊക്കെ ഉൽപ്പന്നങ്ങൾ വീണ്ടും സംഭരിക്കപ്പെടുന്നു എന്നതൊക്കെ വലിയൊരളവിൽ നിർണയിക്കുന്നത് സംവിധാനം ആദ്യം എന്ത് കാണിക്കുന്നു എന്നതാണ്.
ഏകദേശം 4,000 ഉൽപ്പന്നങ്ങളും 15 പേരുടെ സംഘവുമുള്ള വില്ലോമിയർ ക്രാഫ്റ്റ്സ് എന്ന സാങ്കൽപ്പിക ഓൺലൈൻ കരകൗശല സാമഗ്രി കടയെ പരിഗണിക്കുക. ഇ-കൊമേഴ്‌സ് മേധാവിയായ ഹാനയ്ക്ക് വാങ്ങൽ സംഘത്തിൽ നിന്ന് ഒരു പരാതിയും 'നിങ്ങൾക്ക് ഇവയും ഇഷ്ടമായേക്കാം' എന്ന പാനൽ സജ്ജീകരിച്ച ഏജൻസിയിൽ നിന്ന് ഒരു റിപ്പോർട്ടും ലഭിച്ചിരിക്കുന്നു. അവരുടെ കുറിപ്പുകൾ ഇങ്ങനെയാണ്: 'മിക്കവാറും എല്ലാ പേജുകളിലും ഒരേ 40 ഉൽപ്പന്നങ്ങൾ ശുപാർശ ചെയ്യുന്നു. വസന്തകാലത്തേക്കുള്ള പുതിയ നൂൽ ശേഖരത്തിന് (220 ഇനങ്ങൾ) 3 ആഴ്ചയ്ക്കിടെ ശുപാർശകളിലൂടെ കാഴ്ചകൾ ലഭിച്ചതേയില്ല. മടങ്ങിവരുന്ന ഉപഭോക്താക്കൾക്ക് നല്ല നിർദ്ദേശങ്ങൾ ലഭിക്കുന്നു, ആദ്യമായി വരുന്നവർക്ക് ക്രമമില്ലാത്തതുപോലുള്ള നിർദ്ദേശങ്ങളാണ് ലഭിക്കുന്നത്. സ്വതന്ത്ര നിർമ്മാതാക്കളുടെ ബ്രാൻഡുകൾ പറയുന്നത് തങ്ങൾ ഒരിക്കലും പ്രത്യക്ഷപ്പെടുന്നില്ലെന്നാണ്.' മാറ്റങ്ങൾ ആവശ്യപ്പെട്ട് ഏജൻസിയെ സമീപിക്കുന്നതിന് മുമ്പ് എന്താണ് സംഭവിക്കുന്നതെന്ന് അവർ സ്ഥാപകനോട് വിശദീകരിക്കണം.
എന്താണ് കാണിക്കേണ്ടതെന്ന് ശുപാർശാ സംവിധാനങ്ങൾ എങ്ങനെയാണ് തീരുമാനിക്കുന്നത്?
മിക്ക ശുപാർശ സംവിധാനങ്ങളും ഉള്ളടക്കാധിഷ്ഠിത ഫിൽട്ടറിങ്ങോ സഹകരണാധിഷ്ഠിത ഫിൽട്ടറിങ്ങോ ഇവ രണ്ടും ചേർന്ന രീതിയോ ഉപയോഗിക്കുന്നു. ഇനങ്ങളെ ഇനങ്ങളുമായാണോ ആളുകളെ ആളുകളുമായാണോ താരതമ്യം ചെയ്യുന്നത് എന്നതാണ് വ്യത്യാസം.
ഉള്ളടക്കാധിഷ്ഠിത ഫിൽട്ടറിങ്
ഇനങ്ങളുടെ സവിശേഷതകൾ ഉപയോഗിച്ച്, ഒരു വ്യക്തിക്ക് ഇതിനകം ഇഷ്ടമുള്ളവയ്ക്ക് സമാനമായവ ശുപാർശ ചെയ്യുന്നു. നീലകലർന്ന പച്ചനിറത്തിലുള്ള കട്ടിയുള്ള മെറിനോ കമ്പിളിനൂൽ വാങ്ങിയ ഉപഭോക്താവിന് മറ്റ് കട്ടിയുള്ള കമ്പിളിനൂലുകളും നീലകലർന്ന പച്ചനിറത്തിലുള്ള നൂലുകളും കാണിക്കുന്നു. ഇതിന് മറ്റു ഉപഭോക്താക്കളെക്കുറിച്ചുള്ള വിവരങ്ങൾ ആവശ്യമില്ല. എന്നാൽ ആരെങ്കിലും നിർവചിച്ച ഇനങ്ങളുടെ സവിശേഷതകൾ എത്രത്തോളം നല്ലതാണോ അത്രത്തോളം മാത്രമേ ഇത് ഫലപ്രദമാകൂ. ആളുകളുടെ പതിവ് അഭിരുചിക്ക് പുറത്തുള്ള എന്തെങ്കിലും കാണിച്ച് അവരെ അമ്പരപ്പിക്കുന്നത് അപൂർവമാണ്.
സഹകരണാധിഷ്ഠിത ഫിൽട്ടറിംഗ്
സമാന താൽപ്പര്യങ്ങളുള്ളവർക്ക് ഇഷ്ടപ്പെട്ടവ ശുപാർശ ചെയ്യുന്നു. തുടക്കക്കാർക്കുള്ള തുന്നൽ കിറ്റ് വാങ്ങിയ ഉപഭോക്താക്കൾ പിന്നീട് തുന്നലിലെ സ്ഥാനങ്ങൾ അടയാളപ്പെടുത്താനുള്ള ഉപകരണങ്ങളും രൂപമാതൃകകളുടെ പുസ്തകവും പതിവായി വാങ്ങിയിട്ടുണ്ടെങ്കിൽ, പുതിയതായി കിറ്റ് വാങ്ങുന്നയാൾക്ക് അവ കാണിക്കുന്നു. അപ്രതീക്ഷിതവും എന്നാൽ ഉപകാരപ്രദവുമായ നിർദേശങ്ങൾ കണ്ടെത്താൻ ഇതിന് കഴിയും; ഇനങ്ങളുടെ വിവരണങ്ങളും ആവശ്യമില്ല. പക്ഷേ മുൻകാല ഇടപെടലുകളുടെ ചരിത്രത്തെ ഇത് ആശ്രയിക്കുന്നു.
സമ്മിശ്ര സംവിധാനങ്ങൾ
രണ്ട് രീതികളും സംയോജിപ്പിക്കുക. സ്റ്റോക്കില്ലാത്ത ഉൽപ്പന്നങ്ങൾ ഒഴിവാക്കുന്നതുപോലുള്ള ലളിതമായ നിയമങ്ങളും പലപ്പോഴും ഇതോടൊപ്പം ഉപയോഗിക്കാം. അങ്ങനെ ഓരോ രീതിയും മറ്റേതിന്റെ ദൗർബല്യങ്ങൾ നികത്തും.
കോൾഡ് സ്റ്റാർട്ട് പ്രശ്നം എന്താണ്?
പുതിയ ഇനങ്ങളെയും പുതിയ ഉപയോക്താക്കളെയും സംബന്ധിച്ച ഇടപെടൽചരിത്രം ഇല്ലാത്തതിനാൽ ശുപാർശാ സംവിധാനത്തിന് അവ കൈകാര്യം ചെയ്യാൻ ബുദ്ധിമുട്ടുണ്ടാകുന്നതാണ് കോൾഡ് സ്റ്റാർട്ട് പ്രശ്നം. പ്രത്യേകിച്ച്, ആരും ഇതുവരെ വാങ്ങുകയോ ക്ലിക്ക് ചെയ്യുകയോ ചെയ്യാത്ത ഒരു ഇനത്തിന് സ്ഥാനം നിശ്ചയിക്കാൻ സഹകരണ ഫിൽട്ടറിങ്ങിന് കഴിയില്ല. Willowmere-ന്റെ വസന്തകാല നൂൽശേഖരത്തിന് സംഭവിച്ചതും ഇതുതന്നെയാണ്. ആദ്യമായി വരുന്ന സന്ദർശകനെക്കുറിച്ചും അതിന് ആശ്രയിക്കാൻ വളരെ കുറച്ച് വിവരങ്ങളേ ഉണ്ടാകൂ.
പുതിയ ഉൽപ്പന്നങ്ങൾക്ക് ഉള്ളടക്കത്തിലെ സാമ്യം അടിസ്ഥാനമാക്കിയുള്ള രീതി ഉപയോഗിക്കുക, ഒരേ വിഭാഗത്തിലോ ഒരേ നിർമാതാവിന്റെയോ മറ്റ് ഉൽപ്പന്നങ്ങളിൽനിന്ന് പുതിയ ഉൽപ്പന്നത്തെക്കുറിച്ച് അനുമാനിക്കുക, പുതിയ സന്ദർശകർക്ക് മനഃപൂർവം വൈവിധ്യമുള്ള ജനപ്രിയ ഉൽപ്പന്നങ്ങൾ കാണിക്കുക, കടയ്ക്ക് അനുയോജ്യമാണെങ്കിൽ ഇഷ്ടങ്ങളെക്കുറിച്ച് ഒന്നോ രണ്ടോ ചോദ്യങ്ങൾ പെട്ടെന്ന് ചോദിക്കുക എന്നിവ സാധാരണ പരിഹാരങ്ങളാണ്.
പ്രതികരണ ചക്രങ്ങളും നീതിപൂർവമല്ലാത്ത ഫലങ്ങളും എങ്ങനെയാണ് ഉണ്ടാകുന്നത്?
താൻ പ്രദർശിപ്പിക്കാൻ തിരഞ്ഞെടുത്ത ഇനങ്ങളിൽ ലഭിക്കുന്ന ക്ലിക്കുകളിൽനിന്ന് സംവിധാനം പഠിക്കുമ്പോൾ ഒരു പ്രതികരണചക്രം രൂപപ്പെടുന്നു. അതിനാൽ കൂടുതൽ തവണ കാണിക്കുന്ന ഇനങ്ങൾക്ക് കൂടുതൽ ക്ലിക്കുകൾ ലഭിക്കുകയും അതിന്റെ ഫലമായി അവ ഇനിയും കൂടുതൽ തവണ കാണിക്കപ്പെടുകയും ചെയ്യുന്നു. കാലക്രമേണ ജനപ്രിയമായ കുറച്ച് ഉൽപ്പന്നങ്ങൾ മറ്റെല്ലാറ്റിനെയും പിന്നിലാക്കുന്നു—വില്ലോമിയറിന്റെ 40 ഉൽപ്പന്നങ്ങളുടെ കാര്യത്തിലെന്നപോലെ. അതേസമയം, ഒരിക്കലും കാണിക്കപ്പെടാത്ത ഇനങ്ങൾക്ക് സ്വന്തം മൂല്യം തെളിയിക്കാൻ അവസരമേ ലഭിക്കുന്നില്ല.
ഇതിൽനിന്ന് നീതി സംബന്ധിച്ച ചോദ്യങ്ങൾ നേരിട്ട് ഉയരുന്നു. സ്വതന്ത്ര നിർമാതാക്കളുടെ ഉൽപ്പന്നങ്ങൾക്ക് തുടക്കത്തിൽ മുൻകാല വിവരങ്ങൾ കുറവാണെങ്കിൽ, ഗുണനിലവാരം എന്തായാലും ഈ ചക്രം അവയെ ശ്രദ്ധയിൽപ്പെടാതെ നിലനിർത്താം; ഉപഭോക്താക്കൾക്ക് തിരഞ്ഞെടുപ്പുകളും കുറയും. പുതിയതോ കുറച്ച് മാത്രം പ്രദർശിപ്പിക്കപ്പെട്ടതോ ആയ ഉൽപ്പന്നങ്ങൾക്കായി ഏതാനും ശുപാർശാ സ്ഥാനങ്ങൾ മാറ്റിവെക്കുക, ആകെ ക്ലിക്കുകൾ മാത്രം നോക്കാതെ നിർമാതാവും വിഭാഗവും അനുസരിച്ച് പ്രദർശനത്തിന്റെ അളവ് വിലയിരുത്തുക, മോഡൽ സ്വന്തം മുൻകാല തിരഞ്ഞെടുപ്പുകളിൽനിന്ന് മാത്രം പഠിക്കാതിരിക്കാൻ അതിന്റെ പരിശീലന ഡാറ്റ പുതുക്കുക എന്നിവ ഇത് ചെറുക്കാനുള്ള വഴികളാണ്.
ഏജൻസിക്കുള്ള ദുർബലമായ അഭ്യർത്ഥനയും മെച്ചപ്പെടുത്തിയ അഭ്യർത്ഥനയും എങ്ങനെയായിരിക്കും?
ദുർബലമായ അഭ്യർഥന ഇങ്ങനെ പറയുന്നു: 'ശുപാർശകൾ ഫലപ്രദമല്ല, ദയവായി അവ മെച്ചപ്പെടുത്തുക.' ഏജൻസി ഇതേ തരത്തിലുള്ള കൂടുതൽ ക്ലിക്ക് ഡാറ്റ ഉപയോഗിച്ച് വീണ്ടും പരിശീലിപ്പിക്കുക മാത്രമായിരിക്കാം ചെയ്യുന്നത്. അത് ആവർത്തനചക്രത്തെ കൂടുതൽ ശക്തിപ്പെടുത്തും.
മെച്ചപ്പെടുത്തിയ അഭ്യർഥന ഇങ്ങനെയാണ്: 'ഞങ്ങളുടെ പാനൽ വാങ്ങൽ ചരിത്രത്തെ മാത്രം ആശ്രയിക്കുന്നതായി തോന്നുന്നു. ദയവായി (1) പുതിയ ഉൽപ്പന്നങ്ങൾക്ക് മതിയായ ചരിത്രം ലഭിക്കുന്നതുവരെ നാര്, ഭാരം, നിറം, നിർമാണരീതി തുടങ്ങിയ ഉൽപ്പന്ന സവിശേഷതകൾ ഉപയോഗിച്ച് അവ ശുപാർശ ചെയ്യുക; (2) ആദ്യമായി വരുന്ന സന്ദർശകർക്ക് ഏറ്റവുമധികം വിറ്റഴിയുന്നവയുടെ ഒറ്റപ്പട്ടികയ്ക്കു പകരം വിവിധ വിഭാഗങ്ങളിൽ നിന്നുള്ള വൈവിധ്യമാർന്ന ഉൽപ്പന്നങ്ങൾ കാണിക്കുക; (3) കഴിഞ്ഞ 30 ദിവസങ്ങളിൽ കുറച്ച് മാത്രം പ്രദർശിപ്പിച്ച ഉൽപ്പന്നങ്ങൾക്കായി എട്ട് സ്ഥാനങ്ങളിൽ രണ്ടെണ്ണം മാറ്റിവയ്ക്കുക; (4) ശുപാർശകളുടെ കാഴ്ചകളിൽ ഓരോ നിർമാതാവിനും ഓരോ ഉൽപ്പന്ന പ്രായവിഭാഗത്തിനുമുള്ള വിഹിതം എല്ലാ മാസവും റിപ്പോർട്ട് ചെയ്യുക; (5) സന്ദർശകരെ ഗ്രൂപ്പുകളായി തിരിച്ച് നിലവിലെ പാനലുമായി താരതമ്യം ചെയ്ത് മാറ്റങ്ങൾ പരീക്ഷിക്കുക; ക്ലിക്കുകൾ മാത്രമല്ല, ഓർഡറുകളും അളക്കുക.' ജോലി ചെയ്തിട്ടുണ്ടോ എന്ന് ഇപ്പോൾ ഹാനയ്ക്ക് വിലയിരുത്താം.
ശുപാർശകൾ ഫലം കാണുന്നുണ്ടോ എന്ന് എങ്ങനെ പരിശോധിക്കാം?
ശുപാർശകൾ പരിശോധിക്കുമ്പോൾ ക്ലിക്കുകൾക്കപ്പുറം ഓർഡറുകൾ, തിരിച്ചയച്ച ഉൽപ്പന്നങ്ങൾ, വിവിധ ഉൽപ്പന്നങ്ങൾക്കും വിതരണക്കാർക്കും എത്രത്തോളം തുല്യമായി ദൃശ്യത ലഭിക്കുന്നു എന്നിവ നോക്കുക. ഏറ്റവും കൂടുതൽ വിറ്റുപോകുന്ന ഏതാനും ഉൽപ്പന്നങ്ങളുടെ ക്ലിക്കുകൾ കൂട്ടുമ്പോൾ പുതിയ ഉൽപ്പന്നനിരകളെ മറയ്ക്കുന്ന ഒരു വിഭാഗം ബിസിനസിന് ദോഷം ചെയ്യുന്നുണ്ടാകാം. പഴയ പതിപ്പ് കാണുന്ന സന്ദർശകരുടെ നിയന്ത്രണ ഗ്രൂപ്പുമായി മാറ്റങ്ങൾ താരതമ്യം ചെയ്യുക. കാരണം, വിലക്കുറവ് വിൽപ്പനയ്ക്കിടയിലോ അവധിക്കാലത്തോ കാണിക്കുന്ന ശുപാർശകൾ ഏത് മോഡലാണെങ്കിലും മികച്ചതായി തോന്നും.
ശുപാർശാ സംവിധാനങ്ങളിൽ സാധാരണ സംഭവിക്കുന്ന പിഴവുകൾ എന്തൊക്കെയാണ്?
ക്ലിക്കുകൾ മാത്രം വർധിപ്പിക്കാൻ ശ്രമിക്കുന്നതാണ് ഏറ്റവും സാധാരണമായ തെറ്റ്. ഇത് ശ്രദ്ധയാകർഷിക്കുന്ന ഇനങ്ങൾക്കും അവയെ വീണ്ടും മുന്നിലെത്തിക്കുന്ന പ്രതികരണചക്രത്തിനും മുൻഗണന നൽകുന്നു. മറ്റ് തെറ്റുകൾ: ഉള്ളടക്കത്തിന്റെ സവിശേഷതകൾ നൽകാതെ പുതിയ ഉൽപ്പന്നനിര അവതരിപ്പിച്ച് തുടക്കത്തിലെ ഡാറ്റക്കുറവ് നേരിടേണ്ടിവരുക, നിയന്ത്രണ ഗ്രൂപ്പില്ലാതെ മുമ്പും ശേഷവുമുള്ള ഫലങ്ങൾ താരതമ്യം ചെയ്ത് വിജയം വിലയിരുത്തുക, ഒരിക്കലും കാണിക്കപ്പെടാത്ത വിതരണക്കാരെയോ വിഭാഗങ്ങളെയോ അവഗണിക്കുക, സ്വകാര്യതാ അറിയിപ്പിൽ ഉപഭോക്താക്കളെ അറിയിക്കാതെ ശുപാർശകൾക്കായി വ്യക്തിഗത ഡാറ്റ ഉപയോഗിക്കുക.
Tosheo.ai-യിൽ ഈ പാഠത്തിന്റെ സ്ഥാനം എവിടെയാണ്?
ഈ പാഠം മെഷീൻ ലേണിങ് കോഴ്സിലെ മെഷീൻ ലേണിങ് വിഭാഗത്തിന്റെ ഭാഗമാണ്. മോഡലുകൾ എങ്ങനെ പഠിക്കുന്നുവെന്നും അവയെ എങ്ങനെ വിലയിരുത്തുന്നുവെന്നും പഠിപ്പിക്കുന്ന പാഠങ്ങൾക്കു ശേഷമാണ് ഇത് വരുന്നത്. Tosheo.ai-യിലെ പ്രായോഗിക പ്രവർത്തനത്തിൽ സാങ്കൽപ്പികമായ ഒരു കടയുടെ ശുപാർശകൾ മെച്ചപ്പെടുത്താനുള്ള സംക്ഷിപ്ത നിർദേശരേഖ എഴുതാൻ ആവശ്യപ്പെടുന്നു. തുടക്കത്തിൽ ഡാറ്റ ഇല്ലാത്ത അവസ്ഥ, പ്രതികരണചക്രങ്ങൾ, നീതി, ന്യായമായ പരിശോധന എന്നിവ പരിഗണിച്ചിട്ടുണ്ടോ എന്ന് മൂല്യനിർണയ മാർഗരേഖയെ അടിസ്ഥാനമാക്കിയുള്ള പ്രതികരണം പരിശോധിക്കുന്നു. ഇത്തരം ജോലികൾക്ക് നിർദേശം നൽകാനും അവ വിലയിരുത്താനുമുള്ള തൊഴിൽപരമായ അടിത്തറയാണിത്; കോഡ് ഉപയോഗിച്ച് ശുപാർശാ സംവിധാനം നിർമിക്കുന്നത് തിരഞ്ഞെടുക്കാവുന്ന കോഡിങ് പഠനപാതയുടെ ഭാഗമാണ്.