Indhold
- Hvad er et anbefalingssystem?
- Hvordan fungerer et anbefalingssystem?
- Problemer, som Airbnb ønskede at løse
- Hvad gjorde Airbnb?
- Udvikling af anbefalingssystemer
- Konklusion
Kilde: Artisticco / Dreamstime.com
Tag væk:
Anbefalingssystemer kan være en enorm hjælp både for marketingfolk og forbrugere.
Har du nogensinde slået op noget online, og inden du ved det, bliver du bombarderet med annoncer om det emne overalt, hvor du går? Lad os for eksempel sige, at du leder efter den nyeste info om den næste "Star Wars" -film. Efter at have set traileren begynder du at se onlineannoncer til "Star Wars" T-shirts, "Star Wars" legetøj, "Star Wars" DVD'er, "Star Wars" ark ... og en mangfoldighed af andre "Star Wars" produkter som du aldrig engang forestillede dig, at der eksisterede! Dette er alt takket være anbefalingssystemer.
Hvad er et anbefalingssystem?
Anbefalingssystemer - også kendt som anbefalingsmotorer, anbefalingssystemer eller simpelthen RS - har omdefineret måderne, virksomheder skaber kundeoplevelse på. Anbefalingssystemer har hjulpet kunder med at tage informerede og bedre købsbeslutninger, mens de foretager onlinekøb. Hvis du til enhver tid har foretaget ethvert online køb, er du næsten helt sikkert kommet over anbefalinger om produkter, der ligner dem, du har købt. Så mens du har gennemset produkter, har anbefalingssystemerne observeret din browseadfærd og søgt efter produkter, som du måske ikke allerede har opdaget på egen hånd. Anbefalingssystemer spiller en vigtig rolle i at forbedre den samlede kundeoplevelse, især i online-købsniche. Selvfølgelig er det godt for erhvervslivet også. Virksomheder har øget deres investeringer i at forbedre deres anbefalingsmotorer for at hjælpe kunderne med at vælge de bedste produkter.
Hvordan fungerer et anbefalingssystem?
Før vi finder ud af, hvordan anbefalingssystemer har påvirket vores liv, er det værd at vide, hvordan de fungerer, og hvordan de har udviklet sig.
Et anbefalingssystem er en informationsfiltreringsteknologi, der ofte bruges på tværs af e-handelswebsteder til at tilbyde filtrerede produktvalg til en kunde, der besøger dem. Som navnet antyder, bruges teknologien til at tilbyde anbefalinger om produkter, der har lignende egenskaber. Målet adskiller sig afhængigt af partiets perspektiv. For en virksomhed, der sælger produkter på en e-handelswebside, forbedrer den sine indtjeningsindtægter ved at tilbyde flere produktvalg til en kunde. For en kunde tilbyder den lignende produktanbefalinger og giver en mulighed for kunden at enten købe et bedre produkt end det, der allerede er valgt, eller købe et produkt, der kan forbedre oplevelsen af det produkt, der allerede er valgt til køb. For at give anbefalingerne bruger motorerne en række metoder, herunder:
Du kan ikke forbedre dine programmeringsevner, når ingen er interesseret i softwarekvalitet.
Problemer, som Airbnb ønskede at løse
Airbnb er et websted, hvor folk kan finde boliger til leje og også liste deres boliger til udlejningsformål. Ifølge Wikipedia har Airbnb over 1.500.000 lister i 34.000 byer og 190 lande. Rejsende er altid på udkig efter billige, komfortable og sikre boliger over hele verden. Airbnb ønskede at finde måder at tilbyde bedre, tilpassede indkvarteringsmuligheder til sine kunder. Det ønskede at vide mere om de unikke krav, som rejsende stiller.
Hvad gjorde Airbnb?
Hovedideen var at finde ud af rejsendes individuelle rejsebehov og give passende muligheder eller anbefalinger. Så Airbnb besluttede at grave dybt ned i kundedata, der er registreret i form af rejsebedømmelser, feedback på indkvartering og andre data registreret af kunderne. Airbnb dannede et hold for at gøre det. Ifølge Mike Curtis, vicepræsident for ingeniørarbejde, ”I længe nu har Airbnb været et fantastisk sted at gå, hvis du ved, hvor du skal hen, og du ved, hvornår du skal hen, men vi indså, at vi har alle af disse data, som andre mennesker ikke har. Vi har rejsemønstre. Vi har anmeldelser. Vi har beskrivelserne af listerne. Vi ved meget om kvarterer, som vi kan udlede herfra. ”Så Airbnb fik cracking med data og et anbefalingssystem, der giver personlige anbefalinger.
Udvikling af anbefalingssystemer
Ikke desto mindre er det hippet omkring anbefalingsmotorer, at de skal gå langt, før de virkelig fanger brugerens fantasi. Lige nu følger motorerne en generisk algoritme og tilbyder ikke helt skræddersyede valg. Fremtiden ligger i at tilbyde kundetilpassede produktvalg til kunderne. Til det er algoritmerne nødt til at faktorere i kompleksiteter såsom søvncyklus, brugernes humør, tidspunkt på dagen og energiudgang. Det ser ud til, at detailhandelen og medieindustrien vil anvende disse motorer mest, og andre vil følge efter.Bank- og finanssektoren for eksempel ser ud til at forudse i stigende grad deres kunder næste træk, så der kan tilbydes tilpassede produkter. Til dette vil der blive taget højde for en masse data om ting som kundefeedback, sociale mediemønstre, callcenter-data, websteder, s og endda uddannelsesniveauer for forbrugere.
Konklusion
Det vil være interessant at se, hvordan fremtiden for anbefalingsmotorer tager form. De algoritmer, der bruges nu, har været i brug i lang tid, men virksomhederne ønsker mere ud af konceptet. Mærker søger at finpusse og forbedre deres algoritmer ved konstant at forsøge at gøre dem mere omfattende. Imidlertid ligger den største udfordring potentielt i implementeringen af motorer fra brancher, der ikke traditionelt har brugt dem, f.eks. Forsikringssektoren, som kunne tilbyde forsikringsproduktanbefalinger.
Anbefalingssystemer har potentialet til at hjælpe mennesker i deres daglige liv på adskillige måder, såvel som at hjælpe annoncører med at introducere produkter og tjenester til et bredere publikum, og det er kun tid, der viser nøjagtigt, hvordan denne teknologi fortsætter med at udvikle sig.