Holiday Shopping: Handle smart med Amazons anbefalingsmotor

I juletid sliter mange av oss med å velge den mest passende gave til våre kjære. Gavejakt til jul kan kreve dager med planlegging, noen ganger uker. Bortsett fra sin spesielle morsomme og gledelige del, kan julehandel være en tidkrevende og stressende opplevelse .

Heldigvis i en alder av avansert teknologi er det fritt tilgjengelige verktøy som kan gjøre shoppingprosessen mye mer effektiv og produktiv. I dette innlegget vil jeg vise deg hvordan en av verdens største forhandler siden, Amazon.com, kan hjelpe deg med å finne de beste gaver til vennene dine og familie innen en rimelig tidsramme ved hjelp av sin smarte anbefalingsmotor.

Personlig brukeropplevelse

Verdens mest vellykkede nettsteder som Amazon, Facebook og Youtube er så populære fordi de tilbyr en personlig brukeropplevelse for alle .

Tilpassing av brukeropplevelse innebærer i utgangspunktet at bedrifter observere brukerne mens de navigerer gjennom nettstedet deres og utfører forskjellige handlinger på den. De samler dataene i fine databaser, og analyserer det.

Er det ikke skadelig for personvern? Fra et visst synspunkt, ja det er det; Disse selskapene kan vite mer om oss enn våre nærmeste venner eller til og med oss ​​selv. På den annen side tilbyr de oss en tjeneste som kan gjøre livet enklere, og våre beslutninger bedre informert.

Hvis vi ser på det fra et transaksjonsmessig synspunkt, betaler vi for en forbedret brukeropplevelse og komfort, med en del av vårt privatliv.

Selvfølgelig er juridiske kamper mellom leverandører av nettbaserte innhold og myndigheter konstant, bare tenk på den ikke så elskede EU-cookie loven, men som å velge ut er mindre og mindre et realistisk alternativ for noen som ønsker å nyte en 21. århundre livsstil, kan det være nyttig å forstå hvordan personlige anbefalinger fungerer bak kulissene.

Teknikken bak Amazonas anbefalinger

Mens du navigerer gjennom Amazons nettside, kan vi finne personlige anbefalinger overalt under overskrifter som "Ny for deg", "Anbefalinger for deg i Kindle Store", "Anbefalte anbefalinger", "Kunder som kjøpte denne varen også kjøpt", og mange andre.

Anbefalinger har blitt integrert i hver enkelt del av innkjøpsprosessen fra produktoppslaget til kassen . Tilpassede anbefalinger er drevet av en intelligent anbefalingsmotor som blir kjent med brukerne bedre og bedre når de bruker nettstedet.

For å forstå anbefalingssystemer bedre, er det en god idé å tenke på dem som avanserte versjoner av søkemotorer . Når vi ser opp et element på Amazon, returnerer det ikke bare resultatene, men gir også spådommer om produktene vi måtte trenge, og viser sine anbefalinger for oss.

Recommender-systemer bruker forskjellige typer maskinlæringsalgoritmer, og de har blitt kommersielt implementerbare med utviklingen av stor datateknologi. Anbefalingsmotorer er data-drevne produkter, da de trenger å finne det mest relevante små datasettet i det store hav av store data .

Beregningsoppgaven som anbefalingssystemer trenger å løse, er kombinasjonen av prediktiv analyse og filtrering

De bruker en av følgende tilnærminger:

(1) Samarbeidspros Filtering, som ser etter likheter mellom samarbeidsdata som kjøp, rangeringer, liker, oppvoter, nedstemmer i:

• enten bruker-brukermatrisen, der anbefalinger genereres basert på valgene til andre kunder som likte, kjøpte, vurdert etc. lignende produkter,
• eller produktproduktmatrisen, der anbefalingsmotoren returnerer produkter som ligner på kjøp, liker, karakterer etc. til produktene den nåværende brukeren har kjøpt, vurdert, likte, oppvotet før

Amazon bruker sistnevnte, da det er mer avansert (se detaljert i neste avsnitt).

(2) Innholdsbasert filtrering, som gjør forutsigelser basert på likheter mellom objektive egenskaper av produkter som spesifikasjoner, beskrivelser, forfattere og også på tidligere brukerinnstillinger (som ikke sammenlignes med andre brukeres preferanser) .

(3) Hybridfiltrering, som bruker en slags kombinasjon av samarbeid og innholdsbasert filtrering.

Produkt-produktmatrisen

Den tradisjonelle samarbeidsfiltreringen bruker bruker-brukermatrisen, og over en viss mengde data har det alvorlige ytelsesproblemer.

For å matche preferanser, rangeringer, kjøp av alle brukere og finne de som er nærmest den aktive brukeren, må anbefalingsmotoren analysere hver bruker i databasen og matche dem mot den nåværende.

Hvis vi tenker på Amazons størrelse, er det klart at denne typen filtrering ikke er mulig for dem, slik at Amazons ingeniører utviklet en oppgradert versjon av den tidligere metoden, og kalte den samarbeidende filtrering fra punkt til punkt .

Samarbeidsfiltrering fra produkt til produkt holder samarbeidsmessig suksess som referanse i stedet for objektets objektive kvaliteter (se innholdsbasert filtrering ovenfor), men kjører spørringene i produktproduktmatrisen som betyr at den ikke sammenligner brukere, i stedet det sammenligner produkter.

Anbefalingsmotoren tar en titt på produktene vi har kjøpt, vurdert, lagt inn på vår ønskeliste, kommenterte osv. Så langt, og ser opp andre elementer i databasen som har lignende priser og kjøp, aggregater dem og returnerer deretter best matcher som anbefalinger.

Slik får du bedre anbefalinger

Tilbake til julehandel er det mulig å trene Amazons anbefalingsmotor for å få bedre resultater . Hvis du bare har en vag idé om hva du skal kjøpe for en kjære, trenger du ikke å gjøre noe annet enn å forlate spor på nettsiden mens du surfer.

For dette innleggets skyld har jeg prøvd dette ut av meg selv.

Mitt utgangspunkt var at jeg ønsket å finne noen mindre kontormøbler, men visste ikke nøyaktig hva. Så jeg skrev inn noen relaterte søkeord i søkefeltet, og begynte å bla gjennom resultatene. Jeg lagde elementene jeg likte på min ønskeliste, vurdert noen vurderinger som "Helpful", falt noen kontormøbler i kurven min.

Hvis jeg noen gang har kjøpt et lignende element på Amazon, ville det vært ganske nyttig å skrive en anmeldelse på det, men egentlig kunne jeg ikke gjøre det (du kan bare skrive anmeldelser på produkter du allerede har kjøpt).

Etter ca 10-15 minutter stoppet jeg og klikket på anbefalingssidene mine (som finner du under menyen "[Ditt navn] 'Amazon"). Før eksperimentet hadde jeg bare bøker på denne siden, som det er det jeg vanligvis kjøper på Amazon. Etter min omfattende oppslag har bøkene forsvunnet og blitt erstattet av kule kontormøbler, som du kan se nedenfor.

Tweaking The Engine

Det er mulig å videreutøve anbefalingsmotoren, som under hver anbefaling er det en "Hvorfor anbefalt?" -link . Blant mine anbefalinger kan du se en bin liner (siste gjenstand), som ikke er et kontormøbler og en jeg ikke vil kjøpe til jul.

Så la oss se hvorfor det er her.

Etter å ha klikket på linken, informerer Amazon meg det ble anbefalt fordi jeg satte en bestemt kontor datamaskin stol i kurven min. Vel, det er en interessant forbindelse, men jeg trenger det fortsatt ikke.

Jeg har to alternativer her, jeg kan enten krysse av i boksen "Ikke interessert" ved siden av bin-linjen eller "Ikke bruk for anbefalinger" ved siden av kontorsstolen. Jeg merker av for "Ikke interessert".

Og på dette tidspunktet har bin liner forsvunnet, erstattet med et annet anbefalt produkt, noe som betyr at jeg er ett skritt nærmere den perfekte gaven.

Synd om jeg noensinne vil trenge den nøyaktige bin liner i fremtiden skjønt. Å vent. Jeg har funnet løsningen for det. Under menypunktet "Forbedre anbefalingene" kan jeg redigere elementene jeg har merket med merket "Ikke interessert"

Når jeg har funnet min forestillede gavejakt, kan jeg ganske enkelt fjerne merket av produktene jeg kanskje vil se blant mine anbefalinger i fremtiden.