Spokojeného uživatele dělá relevantní obsah. Jak obsah streamovací služby tvoří a jak se lidem takzvaně trefí do noty? Zeptali jsme se odborníků z digitální agentury WDF.
Rekomendační systémy jsou dnes základními službami používanými ve všech významných digitálních platformách po celém světě, jako je YouTube, Netflix nebo třeba Amazon. Spolu s vyhledávacími službami představují rekomendační systémy klíčové služby, které vám, uživatelům, pomáhají objevovat nový obsah nebo produkty.
Rekomendační systémy mohou pomoci najít relevantní položky, i když sami například neznáte jejich přesný název, nebo doporučit položku, která je pro vás ještě přijatelnější než ta, kterou jste původně hledali. To pro podnik znamená přidanou hodnotu, a to jak z hlediska vyšších příjmů a konkurenceschopnosti, tak z hlediska spokojenosti zákazníků.
I ten nejmenší zákazník, kterým může být jedenapůlroční dítě, může konzumovat a najít vhodný obsah na platformě YouTube kliknutím na doporučené video.
Jak to celé funguje?
V posledních letech bylo představeno mnoho nových přístupů a algoritmů. Jednou z důležitých metod algoritmů je kolaborativní filtrování. „Tyto algoritmy pracují na základě analýzy vzorců chování uživatelů v publiku a poskytují doporučení na základě podobných uživatelů nebo podobných položek. Největší výhodou této metody je, že se dokáže přizpůsobit trendům nebo reagovat na změny v systému. Tento algoritmus dobře funguje v systémech se značným množstvím interakcí, takže výše zmíněné digitální platformy často využívají tyto principy,“ vysvětluje Stanislav Kuznetsov, odborník na AI ze společnosti WDF.
Vzhledem k neustálému nárůstu objemu informací a počtu uživatelů jsou rekomendační systémy stále složitější a kombinují metody / algoritmy z mnoha oblastí výpočetní techniky.
Obecně se rekomendační systémy dělí do dvou hlavních skupin: doporučovací systémy založené na hodnocení a techniky filtrování založené na preferencích.
„Systémy založené na hodnocení se zaměřují na předpovídání absolutní hodnoty hodnocení (pořadí) položky, která ještě nebyla uživateli zobrazena. Techniky filtrování založené na preferencích předpovídají doporučení top-k nebo relativní pořadí položek pro daného uživatele podle názoru komunity uživatelů. Rekomendační systémy založené na obsahu využívají pro definici aktuálního profilu položek hodnocení, které jim uživatelé udělili v minulosti. Tento profil lze rozšířit o informace získané z popisu položky. Na rozdíl od předchozích systémů využívají kolaborativní rekomendační systémy známé hodnocení skupiny uživatelů k předpovědi neznámého hodnocení konkrétního uživatele. Tato myšlenka vychází z předpokladu, že pokud skupina uživatelů provedla stejné hodnocení v minulosti, můžeme předpokládat, že hodnocení skupiny bude podobné i v budoucnosti. Systémy demografického filtrování doporučují na základě osobních údajů uživatele, jako je pohlaví, příjem, věk, země atd. Hybridní rekomendační systémy kombinují dva nebo více typů výše uvedených systémů. Většinou poskytují lepší výsledky, ale jsou náročnější na implementaci,“ popisuje základní principy rekomendačních systémů Stanislav Kuznetsov.
Využití rekomendačních systémů u e-shopů
A stejně jako jsme si doporučování vysvětlili na streamovacích platformách, obdobně fungují i u produktů na e-shopech. Vaše, zákazníkovo, chování provozovatelé e-shopů dobře sledují.
„Na základě vašeho chování a dat, která poskytnete, se pak na pozadí rekomendační systémy neustále modelují další doporučení. Tedy zobrazí se vám další podobné produkty a produkty příbuzné vašemu vybranému. Celý tento proces funguje, aniž by bylo nutné znát identitu uživatele. Pokud ji e-shop ale zná, jste registrovaný uživatel, a provozovateli e-shopu poskytnete údaje ke zpracování – a to především e-mail, celý rekomendační systém mohou posunout na další úroveň. Po ‚prokliknutí‘ ze zaslaného newsletteru na daný e-shop, streamovací službu apod., bude díky rekomendačnímu systému provozovatel e-shopu schopen sledovat vaše chování a následně zasílat opravdu cílené nabídky,“ vysvětluje CEO a partner digitální agentury WDF Vojtěch Strnad.
Leave a reply