Öneri sistemleri büyük teknoloji şirketleri dışında neden önemlidir?
Öneri sistemleri, bir müşterinin gözden geçirebileceğinden daha fazla ürünü olan her işletme için önemlidir; çünkü sistemin önce neyi gösterdiği, hangi ürünlerin görüleceğini, satın alınacağını ve yeniden stoklanacağını büyük ölçüde belirler.
Yaklaşık 4,000 ürünü ve 15 kişilik ekibi olan, Willowmere Crafts adlı kurgusal bir çevrimiçi el işi malzemeleri mağazasını ele alın. E-ticaret sorumlusu Hana'nın elinde satın alma ekibinden gelen bir şikâyet ve 'Bunlar da ilginizi çekebilir' panelini kuran ajanstan gelen bir rapor var. Notları şöyle: 'neredeyse her sayfada aynı 40 ürün öneriliyor. yeni ilkbahar iplik serisi (220 ürün) 3 haftadır önerilerde neredeyse hiç görüntülenmedi. geri dönen müşteriler iyi öneriler alıyor, ilk kez gelenlere sunulanlar rastgele görünüyor. bağımsız üretici markaları hiç görünmediklerini söylüyor.' Ajanstan değişiklik istemeden önce neler olduğunu kurucuya açıklaması gerekiyor.
Öneri sistemleri ne göstereceklerine nasıl karar verir?
Çoğu öneri sistemi içerik tabanlı filtreleme, işbirlikçi filtreleme veya ikisinin karışımını kullanır. Aralarındaki fark, öğeleri öğelerle mi yoksa kişileri kişilerle mi karşılaştırdıklarıdır.
İçerik tabanlı filtreleme
Ürün özelliklerini kullanarak kişinin zaten beğendiği ürünlere benzer ürünler önerir. Petrol mavisi kalın merinos yünü alan bir müşteriye başka kalın yünler ve petrol mavisi iplikler gösterilir. Diğer müşteriler hakkında veri gerektirmez; ancak başarısı, tanımlanmış ürün özelliklerinin kalitesine bağlıdır ve insanları alışılmış zevklerinin dışında bir şeyle nadiren şaşırtır.
İşbirlikçi filtreleme
Benzer kişilerin beğendiklerini önerir. Başlangıç örgü seti alan müşteriler daha sonra sıklıkla ilmek işaretleyicileri ve bir örgü modeli kitabı aldıysa, yeni set alan birine de bunlar gösterilir. Beklenmedik ama yararlı öneriler bulabilir ve ürün açıklamaları gerektirmez; ancak geçmiş etkileşimlere dayanır.
Hibrit sistemler
İki yaklaşımı birleştirin; çoğu zaman stokta olmayan ürünleri çıkarmak gibi basit kurallar da ekleyin. Böylece her yaklaşım diğerinin zayıf yönlerini telafi eder.
Soğuk başlangıç sorunu nedir?
Soğuk başlangıç sorunu, bir öneri sisteminin yeni ürünler ve yeni kullanıcılar için etkileşim geçmişi bulunmadığından öneri üretmekte zorlanmasıdır. Özellikle işbirlikçi filtreleme, henüz kimsenin satın almadığı veya tıklamadığı bir ürünü konumlandıramaz. Willowmere'in ilkbahar iplik serisinin başına gelen tam olarak budur. Ayrıca ilk kez gelen bir ziyaretçi için de dayanabileceği çok az bilgi vardır.
Yaygın çözümler arasında yeni ürünler için içerik tabanlı benzerliğe başvurmak, yeni bir ürüne ilişkin tahmini aynı kategorideki veya aynı üreticinin diğer ürünlerine dayandırmak, yeni ziyaretçilere bilerek çeşitlendirilmiş bir popüler ürün seçkisi göstermek ve mağazaya uygunsa bir veya iki kısa tercih sorusu sormak yer alır.
Geri bildirim döngüleri ve adalet sorunları nasıl ortaya çıkar?
Sistem, göstermeyi seçtiği öğelere yapılan tıklamalardan öğrendiğinde bir geri bildirim döngüsü oluşur. Sık gösterilen öğeler daha fazla tıklanır ve bu da onların daha da sık gösterilmesine yol açar. Zamanla, Willowmere'in 40 ürününde olduğu gibi, az sayıdaki popüler ürün diğer her şeyi geri plana iter; hiç gösterilmeyen öğeler ise kendilerini kanıtlama fırsatı bulamaz.
Bu durum doğrudan adaletle ilgili soruları gündeme getirir. Bağımsız üreticilerin ürünleri başlangıçta daha az geçmiş veriye sahipse bu döngü, kaliteleri ne olursa olsun görünmez kalmalarına yol açabilir ve müşterilerin seçenekleri azalır. Buna karşı alınabilecek önlemler arasında önerilerde birkaç yeri daha yeni veya daha az görünür ürünlere ayırmak, görünürlüğü yalnızca toplam tıklama sayısına göre değil üreticiye ve kategoriye göre ölçmek ve modelin yalnızca kendi geçmiş seçimlerinden öğrenmemesi için eğitim verilerini yenilemek bulunur.
Ajansa iletilen yetersiz ve iyileştirilmiş bir talep nasıl olur?
Yetersiz bir talep şöyle der: 'Öneriler işe yaramıyor, lütfen iyileştirin.' Ajans, aynı tür tıklama verilerinin daha fazlasıyla modeli yeniden eğitmekle yetinebilir; bu da döngüyü güçlendirir.
Daha iyi bir talep şöyle der: 'Panelimiz yalnızca satın alma geçmişine dayanıyor gibi görünüyor. Lütfen (1) yeni ürünler yeterli geçmişe sahip olana kadar bunları önermek için lif, ağırlık, renk ve işçilik gibi ürün özelliklerini kullanın; (2) ilk kez gelen ziyaretçilere tek bir çok satanlar listesi yerine farklı kategorilerden çeşitli ürünler gösterin; (3) sekiz alanın ikisini, son 30 gün içinde az gösterilmiş ürünlere ayırın; (4) öneri görüntülemelerinin üreticiye ve ürünün ne kadar süredir satışta olduğuna göre dağılımını her ay raporlayın; (5) ziyaretçileri gruplara ayırarak değişiklikleri mevcut panelle karşılaştırın ve yalnızca tıklamaları değil, siparişleri de ölçün.' Hana artık işin yapılıp yapılmadığını değerlendirebilir.
Önerilerin işe yarayıp yaramadığını nasıl kontrol edersiniz?
Önerileri kontrol ederken tıklama oranının ötesine geçin; siparişlere, iadelere ve görünürlüğün ürünler ile tedarikçiler arasında ne kadar dengeli dağıldığına bakın. Birkaç çok satan ürünün tıklamalarını artırırken yeni ürün gruplarını görünmez kılan bir panel, işletmeye zarar veriyor olabilir. Değişiklikleri, eski sürümü gören ziyaretçilerden oluşan bir kontrol grubuyla karşılaştırın; çünkü indirim veya tatil döneminde gösterilen öneriler, model ne olursa olsun daha iyi sonuç veriyormuş gibi görünür.
Öneri sistemlerinde sık yapılan hatalar nelerdir?
En yaygın hata, yalnızca tıklamaları artırmaya odaklanmaktır; bu, dikkat çekici öğeleri ödüllendirir ve geri besleme döngüsünü güçlendirir. Diğer hatalar: içerik özelliklerini eklemeden yeni bir ürün serisi sunmak ve bu yüzden başlangıçta veri yokluğu sorunuyla karşılaşmak, kontrol grubu olmadan öncesi ve sonrasını karşılaştırarak başarıyı değerlendirmek, hangi tedarikçilerin veya kategorilerin hiç gösterilmediğini göz ardı etmek ve gizlilik bildiriminde müşterilere söylemeden kişisel verileri öneriler için kullanmak.
Bu dersin Tosheo.ai içindeki yeri nedir?
Bu ders, makine öğrenmesi kursunun makine öğrenmesi kategorisinde, modellerin nasıl öğrendiği ve değerlendirildiği derslerinden sonra yer alır. Tosheo.ai'daki uygulamalı görev, kurgusal bir mağazanın önerilerini iyileştirmek için bir iş tanımı yazmanızı ister. Puanlama kılavuzuna dayalı geri bildirim; soğuk başlangıç sorununu, geri bildirim döngülerini, adaleti ve adil bir testi ele alıp almadığınızı kontrol eder. Bu işi tanımlamak ve değerlendirmek için mesleki bir temel sağlar; kod yazarak öneri sistemi oluşturmak, isteğe bağlı kodlama programının kapsamındadır.