Lister med tilpassede anbefalinger

Intelligent Recommendations giver virksomheder et værktøjssæt med relevante scenarier. I denne artikel beskrives brugervalg eller tilpassede anbefalinger baseret på en komplet brugerhistorik, nyere aktivitet eller sessionsaktiviteter.

Typer af tilpassede anbefalinger

Brugervalg-scenariet er en type med tilpassede anbefalinger, der fokuserer på at indfange brugerens ønsker eller præferencer og placere en bruger på forskellige placeringer inden for vareområdet.

I dette scenario oprettes der yderst personlige anbefalinger i forbindelse med et stort varekatalog. Afstanden mellem en bruger og en bestemt vare afgør dens relationsstyrke. Vektorer, der er tættere på hinanden, udgør en stærkere forbindelse.

Brugervalg kan blive eksponeret for brugere på forskellige måder, hvilket vil sige, at der er mange forskellige typer "Udvalgt til dig".

Afhængigt af forretningsstrategien og brugerens hensigt kan modellerne:

• Lære af alt, der vides om brugerne.

• Føje vægt til hændelser og udlede mere af de seneste handlinger eller hændelser.

• Kun tage højde for seneste hændelser.

Udvalgte baseret på hele brugerhistorikken

Når valgene er baseret på brugerhistorikken, tages der i dette scenarie højde for alle brugeranvendte varer fra kataloget før i tiden i forbindelse med flere interaktioner med systemet. Inden for detailbranchen omfatter valgene en brugers samlede købshistorik. Modellerne bruger samarbejdsfiltreringsteknikker til at anbefale det næste sæt varer, som en bruger kan få glæde af, udelukkende på baggrund af brugerens historik, f.eks. en købshistorik.

Eksempler baseret på hele brugerhistorikken:

• For gamere kan det være Xbox-spil, der er relateret til det, de oftest spiller

• Anbefaling af lignende film

• Forslag til en ny tv-serie

• Dokumentations- eller oplæringsaktiviteter, som en bruger kan have interesse i at læse eller følge

Udvalgte på baggrund af den seneste aktivitet

Sommetider er de seneste interaktioner med systemet vigtigere og udgør et bedre signal til tilpassede anbefalinger. I så fald kan modellerne enten vægte de seneste signaler, eller udelukkende bruge de seneste interaktioner som input (udgangspunkt).

Eksempler på baggrund af den seneste aktivitet:

• Hyppig og langvarig dagligvarekunde (skiftende behov)

• Anbefalinger til spil eller film (skiftende relevans)

• Generering af musikafspilningsliste (smag, der skifter eller udvikler sig)

Udvalgte på baggrund af aktivitet i realtid

Når valgene er baseret på realtidssignaler med den aktuelle session som input, er det et scenarie med det korteste tidsinterval. Disse signaler kommer som hændelser i realtid og kan sammen med forudoplærte modeller hjælpe med at komme med lynhurtige anbefalinger, der er relevante i den aktuelle situation.

Eksempler på baggrund af aktivitet i realtid:

• Brugerens senest viste varer. Vis en liste over relaterede varer.

• Brugeren er lige blevet færdig med at spille et spil. Hvilke opsalgsmuligheder er tilgængelige?

• Brugeren har downloadet indhold. Hvilket yderligere indhold skal brugeren vælge?

• Brugeren læser artikler. Hvad skal brugeren læse som det næste?

Bedste praksis ved brug af tilpassede anbefalinger

Med tilpassede anbefalinger kan du notere bedste praksis for bestemte situationer.

Tilpasning af komplet liste

Detailhandlere har ofte ikke brug for tilpassede anbefalinger til et helt katalog. I stedet har de et bestemt katalogundersæt, som de kan vælge imellem og vise til kunderne. Det er måske allerede sat i rækkefølge efter prioritet. I så fald anvender en redaktør eller administrator nogle små udskiftninger for at flytte de varer, som brugeren er interesseret i, højere op på listen. Intelligent Recommendations kan understøtte denne oplevelse løbende baseret på eksisterende komplette modeller. Detailhandlere kan kræve en fuldstændig omrokering af listen eller kun fjerne de varer, en bruger allerede har købt. Hvis du fjerner brugerhistorikken fra en liste, kan alle varer gøres en smule personlige og dermed sikre, at der ikke er noget spildplads i forhold til produktplaceringerne.

Eksempler på tilpasninger med en komplet liste:

• Tilpassede tendenslister

• Personlige tilbud, valg af rabatprodukter eller nye tilbud

Adskillelse af præferencer i personlige anbefalinger

Det er vigtigt at forstå brugerhandlinger i forhold til at tilpasse anbefalingslister. På samme måde kan handlingen "synes godt om" potentielt have en masse forskellige betydninger. Det er således ikke alle "synes godt om"-handlinger, der er de samme. En forælder kan måske godt lide at lytte til videoer med bluesmusik, mens dennes barn – der bruger samme konto – godt kan lide at se videoer med affyring af rumraketter. Vores modeller bruger algoritmen med flere personer i Intelligent Recommendations og registrerer, at en brugers smag kan variere. Brugerinteraktioner opdeles i klynger (separate grupper) for at adskille resultater. Opdelingen indeholder forslag fra to separate klynger og fletter dem i de resultater, der returneres til brugerne. Denne funktion beskytter brugernes skiftende præferencer og sikrer, at brugernes interesser ikke kan overtrumfe hinanden.

Eksempler på adskillelse af præferencer:

• Forskellig musik- eller filmsmag

• Shopping inden for forskellige kategorier (sko, smykker, rengøringsmidler)

• Familiekonti med mere end én person

Se også

Finjustering af resultater
Levere lister med varebaserede anbefalinger
Levere lister med populære anbefalinger