Waarom zijn aanbevelingssystemen ook buiten de grote techbedrijven belangrijk?
Aanbevelingssystemen zijn van belang voor elk bedrijf met meer producten dan een klant kan bekijken, omdat wat het systeem als eerste toont grotendeels bepaalt wat wordt gezien, gekocht en opnieuw op voorraad genomen.
Neem een fictieve webwinkel voor hobbybenodigdheden, Willowmere Crafts, met ongeveer 4,000 producten en een team van 15. De verantwoordelijke voor e-commerce, Hana, heeft een klacht van het inkoopteam en een rapport van het bureau dat het paneel 'Misschien ook interessant voor u' heeft ingericht. Haar notities luiden: 'op bijna elke pagina worden dezelfde 40 producten aanbevolen. nieuwe voorjaarscollectie garens (220 artikelen) is in 3 weken bijna niet getoond in aanbevelingen. terugkerende klanten krijgen goede suggesties, nieuwe bezoekers krijgen schijnbaar willekeurige suggesties. onafhankelijke makersmerken zeggen dat ze nooit verschijnen.' Ze moet de oprichter uitleggen wat er aan de hand is voordat ze het bureau om wijzigingen vraagt.
Hoe bepalen aanbevelingssystemen wat ze laten zien?
De meeste aanbevelingssystemen gebruiken inhoudsgebaseerde filtering, collaboratieve filtering of een combinatie van beide. Het verschil is of ze items met items vergelijken of mensen met mensen.
Inhoudsgebaseerd filteren
Beveelt artikelen aan die lijken op wat iemand al leuk vindt, op basis van artikelkenmerken. Een klant die dikke merinowol in petrol kocht, krijgt andere dikke wolsoorten en petrolkleurige garens te zien. Er zijn geen gegevens over andere klanten nodig, maar de kwaliteit hangt af van de artikelkenmerken die iemand heeft vastgelegd. Het systeem verrast mensen zelden met iets buiten hun gebruikelijke smaak.
Collaboratief filteren
Beveelt aan wat vergelijkbare mensen leuk vonden. Als klanten die een breipakket voor beginners kochten daarna vaak steekmarkeerders en een patronenboek kochten, krijgt een nieuwe koper van dat pakket die artikelen te zien. Het kan onverwachte maar nuttige suggesties vinden en heeft geen artikelbeschrijvingen nodig, maar is afhankelijk van een geschiedenis van interacties.
Hybride systemen
Combineer beide, vaak met eenvoudige regels zoals het verwijderen van artikelen die niet op voorraad zijn, zodat elke aanpak de zwakke punten van de andere opvangt.
Wat is het koudestartprobleem?
Het koudestartprobleem houdt in dat een aanbevelingssysteem moeite heeft met nieuwe artikelen en nieuwe gebruikers, omdat er nog geen interactiegeschiedenis voor bestaat. Vooral collaboratieve filtering kan een artikel dat nog niemand heeft gekocht of aangeklikt niet plaatsen. Dat was precies wat er gebeurde met het voorjaarsassortiment garen van Willowmere. Ook bij een nieuwe bezoeker heeft het systeem weinig houvast.
Gangbare oplossingen zijn: voor nieuwe artikelen terugvallen op inhoudelijke overeenkomsten, een nieuw artikel inschatten op basis van andere artikelen uit dezelfde categorie of van dezelfde fabrikant, nieuwe bezoekers een bewust gevarieerde selectie populaire artikelen tonen en één of twee korte vragen over voorkeuren stellen als dat bij de winkel past.
Hoe ontstaan terugkoppellussen en problemen met eerlijkheid?
Een terugkoppelingslus ontstaat wanneer het systeem leert van klikken op artikelen die het zelf heeft geselecteerd om te tonen. Artikelen die vaak worden getoond, krijgen daardoor meer klikken en worden vervolgens nog vaker getoond. Na verloop van tijd verdringt een kleine groep populaire producten al het andere, zoals bij de 40 producten van Willowmere, terwijl artikelen die nooit worden getoond geen kans krijgen om zich te bewijzen.
Dit roept meteen vragen over eerlijkheid op. Als er over producten van onafhankelijke makers in het begin minder gegevens beschikbaar zijn, kan de terugkoppeling ervoor zorgen dat ze onzichtbaar blijven, ongeacht hun kwaliteit. Klanten hebben daardoor minder keuze. Mogelijke tegenmaatregelen zijn: enkele aanbevelingsplekken reserveren voor nieuwere of minder vaak getoonde artikelen, de zichtbaarheid per maker en categorie meten in plaats van alleen het totale aantal klikken, en de trainingsgegevens van het model vernieuwen zodat het niet alleen van zijn eigen eerdere keuzes leert.
Hoe ziet een zwak verzoek aan het bureau eruit, en hoe een verbeterd verzoek?
Een zwak verzoek luidt: 'De aanbevelingen werken niet, maak ze alstublieft beter.' Het bureau traint het model dan misschien alleen opnieuw met meer van dezelfde klikgegevens, waardoor de lus sterker wordt.
Een verbeterd verzoek luidt: 'Ons aanbevelingenpaneel lijkt alleen op aankoopgeschiedenis te zijn gebaseerd. Wilt u (1) productkenmerken gebruiken, zoals vezel, gewicht, kleur en ambacht, om nieuwe artikelen aan te bevelen totdat er voldoende aankoopgeschiedenis is; (2) nieuwe bezoekers een gevarieerde selectie uit verschillende categorieën tonen in plaats van één lijst met bestsellers; (3) twee van de acht plekken reserveren voor artikelen die in de afgelopen 30 dagen weinig zijn getoond; (4) maandelijks rapporteren welk aandeel van de aanbevelingsweergaven naar elke maker en elke productleeftijd gaat; en (5) wijzigingen testen ten opzichte van het huidige paneel door bezoekers over beide versies te verdelen en bestellingen te meten, niet alleen klikken.' Hana kan nu beoordelen of het werk is gedaan.
Hoe controleert u of aanbevelingen werken?
Controleer aanbevelingen door niet alleen naar doorklikken te kijken, maar ook naar bestellingen, retouren en hoe de zichtbaarheid over producten en leveranciers is verdeeld. Een aanbevelingsblok dat meer klikken op een paar bestsellers oplevert maar nieuwe assortimenten uit beeld houdt, kan het bedrijf schaden. Vergelijk veranderingen met een controlegroep van bezoekers die de oude versie zien, want aanbevelingen die tijdens een uitverkoop of feestdag worden getoond, lijken beter te presteren, ongeacht het model.
Wat zijn veelgemaakte fouten bij aanbevelingssystemen?
De meest voorkomende fout is alleen optimaliseren voor klikken, waardoor opvallende items worden beloond en de terugkoppeling zichzelf versterkt. Andere fouten: een nieuw assortiment lanceren zonder inhoudelijke kenmerken, waardoor er bij de start onvoldoende gegevens zijn; succes beoordelen door de situatie vóór en na te vergelijken zonder controlegroep; niet kijken welke leveranciers of categorieën nooit verschijnen; en persoonsgegevens gebruiken voor aanbevelingen zonder klanten daarover in de privacyverklaring te informeren.
Waar staat deze les binnen Tosheo.ai?
Deze les maakt deel uit van de categorie Machinaal leren in de cursus machinaal leren, na de lessen over hoe modellen leren en worden geëvalueerd. In de praktijkopdracht op Tosheo.ai schrijft u een opdrachtomschrijving voor het verbeteren van de aanbevelingen van een fictieve winkel. De feedback op basis van het beoordelingsschema controleert of u rekening houdt met het koudestartprobleem, terugkoppellussen, eerlijke behandeling en een eerlijke test. De les biedt een professionele basis om dit werk uit te zetten en te beoordelen; een aanbevelingssysteem bouwen in code maakt deel uit van het optionele programmeertraject.