Gepersonaliseerde lijsten met aanbevelingen
Intelligent Recommendations biedt bedrijven een toolkit met relevante scenario's. In dit artikel worden Gebruikerskeuzes of gepersonaliseerde aanbevelingen op basis van volledige gebruikersgeschiedenis, recente activiteit of sessie-activiteit beschreven.
Typen gepersonaliseerde aanbevelingen
Het scenario Gebruikerskeuzes is een stijl van gepersonaliseerde aanbevelingen die zich richt op het vastleggen van de smaak of voorkeuren van de gebruiker en een gebruiker positioneert op unieke locaties in de artikelruimte.
Dit scenario creëert zeer gepersonaliseerde aanbevelingen in de context van een grote catalogus met artikelen. De afstand tussen een gebruiker en een bepaald artikel bepaalt de sterkte van de relatie. Vectoren die dichter bij elkaar staan, vertegenwoordigen een sterkere verbinding.
Gebruikerskeuzes kunnen op verschillende manieren aan gebruikers worden getoond, wat betekent dat er meerdere smaken van 'keuzes voor u' zijn.
Afhankelijk van de bedrijfsstrategie en gebruikersintentie kunnen de modellen:
Leren van alles wat bekend is over gebruikers.
Gewicht toevoegen aan gebeurtenissen, door meer af te leiden uit recente acties of gebeurtenissen.
Alleen naar recente gebeurtenissen kijken.
Keuzes gebaseerd op volledige gebruikersgeschiedenis
Wanneer de keuzes zijn gebaseerd op gebruikersgeschiedenis, houdt dit scenario rekening met alle door de gebruiker bekeken artikelen uit de catalogus in het verleden gedurende meerdere interacties met het systeem. In de detailhandelsbranche omvatten de keuzes de volledige aankoopgeschiedenis van een gebruiker. De modellen gebruiken collaboratieve filtertechnieken om de volgende reeks artikelen aanbevelen die een gebruiker mogelijk leuk vindt, volledig gebaseerd op hun consumptiegeschiedenis, zoals aankoopgeschiedenis.
Voorbeelden op basis van volledige gebruikersgeschiedenis:
Voor gamers, Xbox-games die passen bij wat ze het vaakst spelen
Het aanbevelen van soortgelijke films
Het voorstellen van een nieuwe tv-serie
Documentatie of trainingsactiviteiten die een gebruiker mogelijk interessant vindt om te lezen of te volgen
Keuzes op basis van recente activiteit
Soms zijn recente interacties met het systeem belangrijker en geven ze een beter signaal voor gepersonaliseerde aanbevelingen. In dit geval kunnen de modellen ofwel recente signalen wegen of alleen de meest recente interacties als 'seed' (startpunt) gebruiken.
Voorbeelden op basis van recente activiteit:
Iemand die regelmatig en al lang boodschappen doet (veranderende behoeften)
Aanbevelingen voor games of films (veranderende relevantie)
Samenstellen van muziekafspeellijst (veranderende of evoluerende smaak)
Keuzes op basis van realtime activiteit
Wanneer de keuzes gebaseerd zijn op realtime signalen, met de huidige sessie als input, is het een scenario met het kortst mogelijke tijdsbereik. De signalen komen binnen als realtime gebeurtenissen en kunnen, samen met vooraf getrainde modellen, helpen om instant aanbevelingen te doen die relevant zijn voor de huidige situatie.
Voorbeelden op basis van realtime activiteit:
Recent door de gebruiker bekeken artikelen. Weergeven van een lijst met gerelateerde artikelen.
De gebruiker is net klaar met het spelen van een game. Welke upsell-mogelijkheden zijn er?
De gebruiker heeft inhoud gedownload. Welke keuze aan extra inhoud is er?
De gebruiker leest artikelen. Wat moet hij of zij hierna lezen?
Best practices voor het gebruik van gepersonaliseerde aanbevelingen
Bij gepersonaliseerde aanbevelingen zijn er best practices voor specifieke situaties.
Personalisatie van volledige lijst
Winkeliers hebben vaak geen gepersonaliseerde aanbevelingen nodig voor een volledige catalogus. In plaats daarvan kunnen ze kiezen uit een specifieke subset van de catalogus waaraan ze consumenten willen blootstellen. Deze is misschien al geordend op prioriteit. In dit geval kan een redacteur of curator een kleine herschikking toepassen om de artikelen die interessant zijn voor de gebruiker hoger in de lijst te plaatsen. Intelligent Recommendations kan deze ervaring "on the fly" ondersteunen op basis van bestaande complete modellen. Retailers kunnen een volledige herschikking van de lijst nodig hebben of alleen artikelen verwijderen die een gebruiker al heeft gekocht. Door gebruikersgeschiedenis uit een lijst te verwijderen, kan elke set artikelen enigszins worden gepersonaliseerd, zodat de ruimte voor productplaatsing optimaal kan worden benut.
Voorbeelden van personalisaties van de volledige lijst:
Gepersonaliseerde trending-lijsten
Gepersonaliseerde aanbiedingen, keuze uit afgeprijsde producten of nieuwe deals
Diversificatie van smaak in gepersonaliseerde aanbevelingen
Inzicht hebben in gebruikersacties is een belangrijke rol bij het personaliseren van lijsten met aanbevelingen. Evenzo kan de actie 'Vind ik leuk' mogelijk een overvloed aan verschillende betekenissen hebben. Daarom is niet elke Vind ik leuk-actie hetzelfde. Een ouder luistert misschien graag naar bluesmuziekvideo's, terwijl hun kind op hetzelfde account graag kijkt naar video's over de lancering van ruimteschepen. Onze modellen gebruiken het algoritme voor meerdere personen in Intelligent Recommendations en weten dat de smaak van een gebruiker kan verschillen. Gebruikersinteracties worden opgesplitst in clusters (aparte groepen) om de resultaten te diversifiëren. De splitsing biedt suggesties van twee afzonderlijke clusters en verweeft ze in de resultaten die aan gebruikers worden geretourneerd. Deze functie beschermt de veranderende smaak van gebruikers en zorgt ervoor dat gebruikersbelangen elkaar niet kunnen overheersen.
Voorbeelden van diversificatie van smaken:
Diverse smaak in muziek of films
Winkelen in diverse categorieën (schoenen, sieraden, schoonmaakspullen)
Gezinsaccounts met meer dan één persoon
Zie ook
Resultaten verfijnenOp artikelen gebaseerde aanbevelingslijsten verschaffenTrending-aanbevelingslijsten bieden