Formålet med dette blogindlæg er at give indsigt i strategier, som anbefalingsmotorer bruger, uden at gå for dybt ind i matematikken bag det. Ved at læse dette indlæg vil du få indsigt i en række strategier, der kan anvendes og bliver anvendt i både gratis og kommercielle anbefalingsmotorer. Målet er at give dig en bedre forståelse og hjælpe dig med at vælge den rigtige strategi. Vigtigst af alt, bør det hjælpe dig med at overveje, hvilke dimensioner der er unikke for din virksomhed, og som kan give dine anbefalinger en konkurrencefordel.
BAGGRUND OG FORRETNINGSMÆSSIG VÆRDI
Som bruger forventer jeg at få relevante anbefalinger. Det lyder enkelt, men det er ikke altid tilfældet. At skabe relevans er nøglen her, og når det kommer til anbefalingsmotorer, har der været en enorm udvikling siden Amazon satte standarden for produktanbefalinger i 1998. Forskellige kilder angiver, at op til 35 % af salget på Amazon genereres gennem deres anbefalinger.
For virksomheden bør anbefalingsmotorer absolut føre til bedre konverteringer og være synlige på bundlinjen – hvis ikke, er der noget helt galt.
GRUNDLÆGGENDE PRINCIPPER
Anbefalingsmotorer bygger grundlæggende på to typer data:
1. Grundlæggende information: Metadata, produktinformation, produktkategorier, tags, nøgleord, priser osv.
2. Interaktioner: Ordrer, vurderinger, tilføjelser til indkøbskurven, produktvisninger osv.
En meget grundlæggende teknik er at analysere, hvilke kategorier, produkter osv. andre brugere kigger på:
- Lav statistik over sidevisninger for produktdetaljer, kategorier og ordrer pr. bruger.
- Registrer forholdet mellem brugere, ordrer og produkter.
- Den afgørende faktor er brugeren – så vi kan forbinde alle handlinger fra én kunde med andre.
Med disse data kan vi for eksempel besvare følgende spørgsmål:
Når bruger A ser på produkt X:
- Hvilke 3 produkter er også blevet købt eller set af andre brugere, der købte eller så produkt X?
- Hvilke 3 produkter har bruger A tidligere købt?
FLERE STATISTIKKER
Flere statistikker og dimensioner kan tilføjes, og der er ingen grænser for, hvad vi kan vide om brugerne og deres ordrer. Eksempler inkluderer:
- Lokation – postnummer, geo-koordinater
- Køn
- Alder
- Andre brugerdata og præferencer, brug af enheder osv.
- Tidspunkt for ordren
- Ordrestørrelse
- Kampagner og rabatter på ordren
- Produktkategorier for produkterne og ordren
Selvom denne enkle statistik kan være effektiv, har den en ulempe: Med mange produkter og mange brugere kan beregningerne blive tunge.
Bemærk: Udover anbefalinger er disse data også en god kilde til indsigt i din kundebase og inspiration til segmentering og udvikling af personaer.
SAMARBEJDSFILTRERING
De filtreringsorienterede strategier baseres normalt på interaktioner mellem brugere og produkter. Den grundlæggende antagelse er, at hvis bruger 1 kan lide produkt A, og bruger 2 kan lide produkt A og B, så kan bruger 1 sandsynligvis også lide produkt B.
Amazon startede med brugerbaseret samarbejdsfiltrering, men skiftede senere til produktbaseret samarbejdsfiltrering, som analyserer ligheder mellem produkter og brugere i stedet.
Denne prisvindende strategi er baseret på at definere en måling for “lighed” mellem produkter og brugere. Med denne lighedsmåling kan man nemt identificere og vise “lignende produkter.” Denne strategi kræver færre beregninger og fungerer bedre med store produktkataloger. Lighedsmålingen kan også kombineres med andre anbefalingsstrategier.
FORUDSIGELSER OG MACHINE LEARNING
YouTube, Netflix osv. bruger samarbejdsfiltrering til deres anbefalinger. Udfordringen ved disse teknikker er, at de kræver historik og data. Når nye produkter introduceres eller nye brugere ankommer, mangler der data – en udfordring kendt som “cold start.”
En løsning kan være at indhente noget grundlæggende information fra førstegangsbrugere, f.eks.: Hvor bor du, køn, alder, interesser osv. Det kan hjælpe med at undgå en kold start, men man skal samtidig sikre, at brugeren ikke bliver irriteret og forlader processen.
HVAD MED MACHINE LEARNING?
Samarbejdsfiltrering er oplagt til Machine Learning (ML), og enhver ekspert har deres foretrukne algoritme. Det kan dog også gøres uden ML, men tilgangen tilføjer en forudsigende dimension. Hvad der fungerer bedst, afgøres af brugerne – de er de endelige dommere.
HVAD ER DEN BEDSTE STRATEGI?
Mål og evaluer! Som med alt andet kan man lave mange antagelser, men det eneste, der tæller, er brugernes stemme og handlinger. Brug statistikker, spørgeskemaer, A/B-tests og andre værktøjer. Teknologi er interessant, men hvis den ikke løser problemet, er den værdiløs.
OPSUMMERING
Dette indlæg har givet en kort og simpel oversigt over udvalgte strategier for anbefalingsmotorer. Målet er at inspirere og hjælpe dig med at føre din forretning fremad.
Hold det simpelt, fokusér på forretningen fremfor teknologien, og lad dine brugere/kunder få det sidste ord.
ROLAND VILLEMOES
CTO
