Mindannyian láttunk már az érdeklődésünk, vásárlásunk közben nekünk ajánlott, többé-kevésbé releváns cikkeket, termékeket megjelenni. Milyen rendszerek dolgoznak ezek mögött az ajánlások mögött és hogyan segítik az online kereskedők sikerét?
A legjobb ajánlás az, amikor egy barátom megnéz egy filmet, majd felhív, hogy figyu, szerintem ezt meg kéne nézd, mert szerintem neked is tetszeni fog. Ezt a véleményét arra alapozza, hogy ismeri a filmet, de még fontosabb, hogy ismeri az ízlésemet, hiszen a barátom.
A legkönnyebben ezen a filmes példán keresztül mutatható be, hogy milyen algoritmus van az Amazon elhíresült „akik ezt a terméket vették, még ezt is ezt is megvették” feliratú ajánlórendszere mögött.
A háttérben dolgozó technológiát úgy hívják, hogy collaborative filtering, és a példánknál maradva három adat szükséges hozzá: a filmek adatbázisa, a filmnézők adatbázisa, és a kettő közötti összefüggés. A kapcsolat lehet egy egyszerű választó (megvette – nem vette meg, lájkolta – diszlájkolta, lásd YouTube), vagy skálás (lásd a csillagok számát régen a YouTube-on, vagy más, 1-től 5-ig osztályozható skálát). Egy algoritmus ebben az adatbázisban mintázatokat keres. Azt figyeli, hogy ha a nézők egy csoportjának tetszett egy film, akkor ugyanabból a csoportból melyik a következő film, ami a legnagyobb valószínűség szerint szintén tetszeni fog. Minél több adat áll rendelkezésre a filmekről és a felhasználókról, a rendszer annál pontosabb predikciót tud megfogalmazni – azaz tanul.
Egy ilyen algoritmusnak nem kell tudnia, hogy miről szól a film és kinek miért tetszik, viszont az ízlés-mintázatok alapján még meglepő esetekben is képes elég jó pontossággal ajánlani. Tegyük fel például, hogy valaki azokat a filmeket szereti, amelyekben helikopter van. Teljesen mindegy, hogy a film éppen egy romantikus dráma vagy egy akciófilm, a mintázatok alapján az algoritmus meg fogja találni azt a másik felhasználói csoportot, amely szintén a helikopteres filmekre esküszik, és ez alapján bármelyik következő filmről meg tudja mondani, hogy a példában szereplő új vásárlónak az vajon tetszeni fog vagy sem. Termékajánlás esetén pont ugyanez a helyzet.
A legtöbb kereskedő a kosárérték növelésére használja az ajánlórendszereket, hiszen egy ilyen megoldás kiegészítő terméket tud ajánlani, keresztértékesítési vagy upsell ajánlatot tehet. Ezért a kapcsolódó ajánlatok leggyakrabban a termékadatlapon jelennek meg, de egy ajánlórendszerrel testre szabható akár egy hírlevél, de még egy remarketing ajánlat is. A megoldás bevezetése után a kereskedők általában arról számolnak be, hogy jelentősen, akár két számjegyű százalékkal nő a konverziós arányuk és a kosárértékük.
A cikksorozat további részeiben bemutatunk egy-egy alkalmazási területet, ajánlórendszereket, kitérünk a bevezetéskor felmerülő tipikus problémákra, és az ajánlórendszerek e-commerce-en kívüli alkalmazási lehetőségeire is. Kövesd figyelemmel a sorozatot, iratkozz fel a hírlevelünkre!
