పెద్ద సాంకేతిక సంస్థలకే కాకుండా ఇతర సంస్థలకూ సిఫార్సు వ్యవస్థలు ఎందుకు ముఖ్యం?
వినియోగదారు చూసి పరిశీలించగలిగిన దానికంటే ఎక్కువ ఉత్పత్తులు ఉన్న ఏ వ్యాపారానికైనా సిఫార్సు వ్యవస్థలు ముఖ్యమైనవి. ఎందుకంటే వ్యవస్థ ముందుగా చూపించేవే ఎక్కువగా ఏవి కనిపిస్తాయి, ఏవి కొనుగోలు అవుతాయి, ఏవి మళ్లీ నిల్వ చేస్తారు అన్నది నిర్ణయిస్తాయి.
సుమారు 4,000 ఉత్పత్తులు, 15 మంది బృందం ఉన్న విల్లోమీర్ క్రాఫ్ట్స్ అనే కల్పిత ఆన్‌లైన్ హస్తకళల సామగ్రి దుకాణాన్ని తీసుకోండి. ఈ-కామర్స్ అధిపతి హానాకు కొనుగోలు బృందం నుంచి ఫిర్యాదు, 'మీకు ఇవి కూడా నచ్చవచ్చు' విభాగాన్ని ఏర్పాటు చేసిన ఏజెన్సీ నుంచి నివేదిక వచ్చాయి. ఆమె నోట్స్ ఇలా ఉన్నాయి: 'దాదాపు ప్రతి పేజీలోనూ అవే 40 ఉత్పత్తులను సిఫారసు చేస్తున్నారు. కొత్త వసంతకాలపు నూలు శ్రేణికి (220 వస్తువులు) 3 వారాల్లో సిఫారసుల ద్వారా వచ్చిన వీక్షణలు దాదాపు లేవు. తిరిగి వచ్చే కస్టమర్లకు మంచి సూచనలు వస్తున్నాయి, మొదటిసారి వచ్చేవారికి ఏ క్రమమూ లేనట్టు కనిపించే సూచనలు వస్తున్నాయి. స్వతంత్ర తయారీదారుల బ్రాండ్లు తమ ఉత్పత్తులు ఎప్పుడూ కనిపించడం లేదంటున్నాయి.' మార్పులు చేయమని ఏజెన్సీని అడిగే ముందు, ఏం జరుగుతోందో ఆమె వ్యవస్థాపకుడికి వివరించాలి.
సిఫార్సు వ్యవస్థలు ఏమి చూపించాలో ఎలా నిర్ణయిస్తాయి?
చాలా సిఫార్సు వ్యవస్థలు విషయం ఆధారిత వడపోతను, సహకార వడపోతను లేదా రెండింటి కలయికను ఉపయోగిస్తాయి. వస్తువులను వస్తువులతో పోలుస్తాయా లేదా వ్యక్తులను వ్యక్తులతో పోలుస్తాయా అన్నదే వాటి మధ్య తేడా.
కంటెంట్ ఆధారిత వడపోత
వస్తువుల లక్షణాలను ఉపయోగించి, ఒక వ్యక్తికి ఇప్పటికే నచ్చిన వాటిని పోలిన వస్తువులను సిఫార్సు చేస్తుంది. నీలం కలిసిన ఆకుపచ్చ రంగులో లావుపాటి మెరినో ఉన్ని దారం కొన్న వినియోగదారుకు ఇతర లావుపాటి ఉన్ని దారాలు, అదే రంగులోని ఇతర దారాలు చూపిస్తారు. దీనికి ఇతర వినియోగదారుల గురించి డేటా అవసరం లేదు. అయితే, ఎవరైనా నిర్వచించిన వస్తు లక్షణాల నాణ్యత మేరకే ఇది పనిచేస్తుంది. సాధారణంగా వారికి నచ్చే వాటికి భిన్నమైనదాన్ని చూపించి ఆశ్చర్యపరచడం అరుదు.
సమష్టి అభిరుచుల ఆధారంగా వడపోత
ఇలాంటి అభిరుచులున్న ఇతరులకు నచ్చిన వాటిని సిఫార్సు చేస్తుంది. అల్లిక నేర్చుకునేవారి కోసం ఉన్న సామగ్రి కిట్ కొన్న వినియోగదారులు ఆ తర్వాత తరచుగా అల్లిక గుర్తులు, నమూనాల పుస్తకం కొంటే, కొత్తగా ఆ కిట్ కొన్నవారికి వాటిని చూపిస్తుంది. ఊహించని కానీ ఉపయోగకరమైన సిఫార్సులను కనుగొనగలదు. దీనికి వస్తువుల వివరణలు అవసరం లేదు, కానీ గత వినియోగ చర్యల చరిత్రపై ఆధారపడుతుంది.
మిశ్రమ వ్యవస్థలు
రెండింటినీ కలిపి వాడండి. తరచుగా స్టాక్‌లో లేని వస్తువులను తీసివేయడం వంటి సరళమైన నియమాలను కూడా జోడించండి. అప్పుడు ఒక విధానం బలహీనతలను మరొకటి పూడుస్తుంది.
ప్రారంభ సమాచారం లేకపోవడం వల్ల వచ్చే సమస్య ఏమిటి?
కొత్త వస్తువులు, కొత్త వినియోగదారులకు సంబంధించిన పరస్పర చర్యల చరిత్ర లేకపోవడం వల్ల సిఫార్సు వ్యవస్థ ఇబ్బంది పడటమే ప్రారంభ డేటా లేమి సమస్య. ముఖ్యంగా, ఎవరూ ఇంకా కొనని లేదా క్లిక్ చేయని వస్తువును సహకార వడపోత సరైన స్థానంలో ఉంచలేదు. విల్లోమీర్ వసంతకాలపు నూలు శ్రేణికి సరిగ్గా ఇదే జరిగింది. మొదటిసారి వచ్చిన సందర్శకుడి విషయంలోనూ దానికి ఆధారాలు చాలా తక్కువగా ఉంటాయి.
కొత్త వస్తువుల విషయంలో వాటి లక్షణాల ఆధారంగా సారూప్యతను ఉపయోగించడం, అదే వర్గంలోని లేదా అదే తయారీదారుకు చెందిన ఇతర వస్తువుల ఆధారంగా కొత్త వస్తువును అంచనా వేయడం, కొత్త సందర్శకులకు ఉద్దేశపూర్వకంగా వైవిధ్యమున్న ప్రజాదరణ పొందిన వస్తువులను చూపించడం, దుకాణానికి తగిన సందర్భాల్లో అభిరుచుల గురించి ఒకటి లేదా రెండు చిన్న ప్రశ్నలు అడగడం సాధారణ పరిష్కారాలు.
ఫలితాలు తిరిగి వ్యవస్థను ప్రభావితం చేసే చక్రాలు, నిష్పాక్షికతకు సంబంధించిన సమస్యలు ఎలా తలెత్తుతాయి?
వ్యవస్థ తాను చూపించాలని ఎంచుకున్న అంశాలపై వచ్చే క్లిక్‌ల నుంచి నేర్చుకున్నప్పుడు ఫీడ్‌బ్యాక్ చక్రం ఏర్పడుతుంది. తరచుగా చూపించే అంశాలకు ఎక్కువ క్లిక్‌లు వస్తాయి; దాంతో వాటిని మరింత ఎక్కువగా చూపిస్తుంది. కాలక్రమేణా విల్లోమీర్‌లోని 40 ఉత్పత్తుల మాదిరిగా, కొద్ది ప్రజాదరణ పొందిన ఉత్పత్తులే మిగతా అన్నింటినీ వెనక్కి నెట్టేస్తాయి. ఎప్పుడూ చూపించని అంశాలకు తమ విలువను నిరూపించుకునే అవకాశమే రాదు.
దీంతో న్యాయబద్ధతకు సంబంధించిన ప్రశ్నలు నేరుగా తలెత్తుతాయి. స్వతంత్ర తయారీదారుల ఉత్పత్తులకు మొదట్లో గత సమాచారం తక్కువగా ఉంటే, నాణ్యతతో సంబంధం లేకుండా ఈ చక్రం వాటిని ఎవరికీ కనిపించకుండా ఉంచవచ్చు. దాంతో వినియోగదారులకు ఎంపికలు తగ్గుతాయి. దీన్ని ఎదుర్కోవడానికి, కొత్త లేదా తక్కువగా కనిపించిన ఉత్పత్తులకు కొన్ని సిఫార్సు స్థానాలను కేటాయించడం, మొత్తం క్లిక్‌లను మాత్రమే కాకుండా తయారీదారు, వర్గం వారీగా ఉత్పత్తులు ఎంతగా కనిపిస్తున్నాయో కొలవడం, మోడల్ తన గత ఎంపికల నుంచే నేర్చుకోకుండా దాని శిక్షణ డేటాను తాజాపరచడం వంటి మార్గాలు ఉన్నాయి.
ఏజెన్సీకి చేసే బలహీనమైన అభ్యర్థన, మెరుగుపరిచిన అభ్యర్థన ఎలా ఉంటాయి?
బలహీనమైన అభ్యర్థన ఇలా ఉంటుంది: 'సిఫార్సులు పనిచేయడం లేదు, దయచేసి వాటిని మెరుగుపరచండి.' ఏజెన్సీ అదే రకమైన క్లిక్ డేటాను మరింతగా ఉపయోగించి మళ్లీ శిక్షణ ఇవ్వవచ్చు. దాంతో ఆ చక్రం మరింత బలపడుతుంది.
మెరుగైన అభ్యర్థన ఇలా ఉంటుంది: 'మా సిఫార్సుల విభాగం కొనుగోలు చరిత్రపైనే ఆధారపడుతున్నట్లు కనిపిస్తోంది. దయచేసి (1) కొత్త వస్తువులకు తగినంత చరిత్ర ఏర్పడేవరకు వాటిని సిఫార్సు చేయడానికి నార, బరువు, రంగు, తయారీ నైపుణ్యం వంటి ఉత్పత్తి లక్షణాలను ఉపయోగించండి; (2) మొదటిసారి వచ్చే సందర్శకులకు అత్యధికంగా అమ్ముడయ్యే వస్తువుల ఒకే జాబితాను కాకుండా, వివిధ వర్గాల నుంచి వైవిధ్యమైన వస్తువులను చూపించండి; (3) ఎనిమిది స్థానాల్లో రెండింటిని గత 30 రోజుల్లో తక్కువగా చూపించిన వస్తువులకు కేటాయించండి; (4) ప్రతి నెలా సిఫార్సుల వీక్షణల వాటాను తయారీదారు వారీగా, ఉత్పత్తి ఎంతకాలంగా అందుబాటులో ఉందనే దాని వారీగా నివేదించండి; (5) సందర్శకులను వేర్వేరు సమూహాలుగా విభజించి, మార్పులను ప్రస్తుత విభాగంతో పోల్చి పరీక్షించండి. కేవలం క్లిక్‌లను కాకుండా ఆర్డర్లను కొలవండి.' ఇప్పుడు పని పూర్తయిందో లేదో హనా అంచనా వేయగలదు.
సిఫార్సులు ఫలితాలను ఇస్తున్నాయో లేదో ఎలా తనిఖీ చేయాలి?
సిఫార్సులను తనిఖీ చేసేటప్పుడు క్లిక్‌లకే పరిమితం కాకుండా ఆర్డర్లు, తిరిగి వచ్చిన ఉత్పత్తులు, వివిధ ఉత్పత్తులు మరియు సరఫరాదారులకు ఎంత సమానంగా ప్రదర్శన అవకాశాలు లభిస్తున్నాయో చూడండి. బాగా అమ్ముడయ్యే కొన్ని ఉత్పత్తులపై క్లిక్‌లను పెంచుతూ కొత్త ఉత్పత్తుల శ్రేణులను కనిపించకుండా చేసే విభాగం వ్యాపారానికి నష్టం కలిగిస్తుండవచ్చు. పాత రూపాన్ని చూసే సందర్శకుల నియంత్రణ సమూహంతో మార్పులను పోల్చండి. ఎందుకంటే రాయితీ అమ్మకాల సమయంలోనో పండుగ సమయంలోనో చూపే సిఫార్సులు, ఏ మోడల్ వాడినా మెరుగైన ఫలితాలు ఇస్తున్నట్లు కనిపిస్తాయి.
సిఫార్సు వ్యవస్థల విషయంలో సాధారణంగా జరిగే పొరపాట్లు ఏమిటి?
అత్యంత సాధారణమైన తప్పు క్లిక్‌లను పెంచడానికే మెరుగుదలలు చేయడం. ఇది దృష్టిని ఆకర్షించే అంశాలకూ, వాటినే మళ్లీ మళ్లీ ప్రోత్సహించే ప్రతిస్పందన చక్రానికీ ఊతమిస్తుంది. ఇతర తప్పులు: కంటెంట్ లక్షణాలు లేకుండా కొత్త ఉత్పత్తి శ్రేణిని ప్రవేశపెట్టి, ప్రారంభ డేటా లేమి వల్ల అది వెనుకబడేలా చేయడం, నియంత్రణ సమూహం లేకుండా ముందు, తర్వాత ఫలితాలను పోల్చి విజయాన్ని అంచనా వేయడం, ఏ సరఫరాదారులు లేదా వర్గాలు అసలు కనిపించడం లేదో పట్టించుకోకపోవడం, గోప్యతా ప్రకటనలో కస్టమర్లకు చెప్పకుండా సిఫార్సుల కోసం వ్యక్తిగత డేటాను ఉపయోగించడం.
Tosheo.aiలో ఈ పాఠం ఏ విభాగంలో ఉంటుంది?
ఈ పాఠం యంత్ర అభ్యాస కోర్సులోని యంత్ర అభ్యాస విభాగానికి చెందినది. నమూనాలు ఎలా నేర్చుకుంటాయి, వాటిని ఎలా అంచనా వేస్తారు అనే పాఠాల తర్వాత వస్తుంది. Tosheo.aiలో ఆచరణాత్మక పని కోసం ఒక కల్పిత దుకాణం సిఫార్సులను మెరుగుపరచేందుకు సంక్షిప్త కార్యవివరణ రాయమంటారు. మూల్యాంకన ప్రమాణాల ఆధారిత అభిప్రాయం ప్రారంభ డేటా కొరత, ఫలితాలు తిరిగి వ్యవస్థను ప్రభావితం చేసే చక్రాలు, న్యాయబద్ధత, నిష్పాక్షిక పరీక్షను పరిశీలిస్తుంది. ఈ పనికి సూచనలు ఇవ్వడానికి, దాన్ని అంచనా వేయడానికి ఇది వృత్తిపరమైన పునాది; కోడ్‌తో సిఫార్సు వ్యవస్థను నిర్మించడం ఐచ్ఛిక కోడింగ్ అభ్యాస మార్గంలో భాగం.