Holiday Shopping Shop Smart med Amazons rekommendationsmotor
På jultid kämpar många av oss med att välja den mest lämpliga gåvan för våra nära och kära. Presentjakt till jul kan kräva dagar med planering, ibland veckor. Bortsett från sin säkra och glada del, Julköp kan vara en tidskrävande och stressfull upplevelse.
Lyckligtvis i en tid av avancerad teknik finns det fritt tillgängliga verktyg som kan göra shoppingprocessen mycket mer effektiv och produktiv. I det här inlägget ska jag visa dig hur en av världens största återförsäljare webbplats, Amazon.com kan hjälpa dig hitta de bästa gåvorna för dina vänner och familj inom en rimlig tidsram med hjälp av sin smarta rekommendationsmotor.
Personlig användarupplevelse
Världens mest framgångsrika webbplatser som Amazon, Facebook och Youtube är så populära eftersom De erbjuder en personlig användarupplevelse till alla.
Personaliserande användarupplevelse innebär i princip att företag observera sina användare medan de navigerar via deras webbplats och utför olika åtgärder på det. De samlar in data i snygga databaser och analyserar den.
Är det inte skadligt för integritet? Ur en viss synvinkel, ja det är det; Dessa företag kanske vet mer om oss än våra närmaste vänner eller ens själva. Å andra sidan, De erbjuder oss en tjänst som kan göra våra liv enklare, och våra beslut bättre informerade.
Om vi tittar på det från en affärsmässig synpunkt betalar vi "för en förbättrad användarupplevelse och komfort, med en del av vår integritet.
Naturligtvis är juridiska strider mellan leverantörer av online-innehåll och myndigheter konstanta, bara tänka på den inte så älskade EU-cookielagen, men som att välja bort är allt mindre ett realistiskt alternativ för den som vill ha en 21-tals livsstil, kan det vara användbart för att förstå hur personliga rekommendationer fungerar bakom kulisserna.
Tekniken bakom Amazons rekommendationer
Under navigering via Amazons hemsida kan vi hitta personliga rekommendationer överallt under rubriker som “Nytt för dig”, “Rekommendationer för dig i Kindle Store”, “Utvalda rekommendationer”, “Kunder som köpt denna vara har också köpt”, och många andra.
Rekommendationer har varit integrerad i varje enskild del av inköpsprocessen från produktuppslag till kassan. Anpassade rekommendationer drivs av en intelligent rekommendationsmotor som lär användarna bättre och bättre när de använder webbplatsen.
För att förstå rekommendationerna bättre är det en bra idé att tänka på dem som avancerade versioner av sökmotorer. När vi tittar upp ett objekt på Amazon, returnerar det inte bara resultaten, utan också gör förutsägelser om de produkter vi behöver, och visar sina rekommendationer för oss.
Recommender-systemen använder olika typer av maskininlärningsalgoritmer, och de har blivit kommersiellt implementerbara med utvecklingen av stor datateknik. Rekommendation motorer är data-driven produkter, som de behöver hitta den mest relevanta små datamängden i det stora havet av stora data.
Beräkningsuppgiften som rekommendationssystem behöver lösa är kombinationen av prediktiv analys och filtrering
De använder en av följande metoder:
(1) Samarbetande filtrering, som letar efter likheter mellan samarbetsdata som inköp, betyg, gillar, uppstoder, nedräkningar i:
- antingen användar-användarmatrisen, där rekommendationer genereras baserat på val av andra kunder som gillade, köpt, betygsatta etc. liknande produkter,
- eller den produkt-produktmatris, där rekommendationsmaskinen returnerar produkter som liknar inköp, gillar, betyg etc. till de produkter som den aktuella användaren har köpt, betygsatt, gillade, uppstod innan
Amazon använder den senare, eftersom den är mer avancerad (se i detalj i nästa avsnitt).
(2) Innehållsbaserad filtrering, som gör förutsägelser baserade på likheter med objektiva egenskaper hos produkter som specifikationer, beskrivningar, författare och även på användarens tidigare inställningar (som här inte jämförs med andra användares preferenser).
(3) Hybridfiltrering, som använder någon form av kombination av samarbets- och innehållsbaserad filtrering.
Produkt-produktmatrisen
Det traditionella sättet att samarbeta med filtrering använder sig av användar-användarmatrisen, och över en viss mängd data har det allvarliga prestandaproblem.
För att matcha inställningarna, betyg, inköp av alla användare och hitta de som är närmast den aktiva användaren, rekommendationsmotorn måste analysera varje användare i databasen och matcha dem mot den nuvarande.
Om vi tänker på Amazons storlek är det tydligt att denna typ av filtrering inte är möjlig för dem, så Amazons ingenjörer utvecklade en uppgraderad version av den tidigare metoden och kallade den samverkande filtrering mellan objekt och objekt.
Sammanställning av objekt till objekt hålls kvar samverkande framgång som referens i stället för produktens objektiva egenskaper (se innehållsbaserad filtrering ovan), men kör frågorna i produktproduktmatrisen vilket innebär att den inte jämför användare, istället jämförs produkter.
Rekommendationsmotorn tar en titt på de produkter som vi har köpt, betygsatt, lagt in på vår önskelista, kommenterat osv. Hittills och tittar sedan upp andra objekt i databasen som har liknande priser och inköp, samlar dem och returnerar sedan bäst matchar som rekommendationer.
Så här får du bättre rekommendationer
Tillbaka till julhandeln är det möjligt att träna Amazons rekommendationsmotor för att få bättre resultat. Om du bara har en vag idé om vad du ska köpa för en älskad, behöver du inte göra något annat än att lämna spår på webbplatsen medan du surfar.
För denna post har jag försökt ut det själv.
Min utgångspunkt var att jag ville hitta lite mindre kontorsmöbler, men visste inte exakt vad. Så jag skrev in några relaterade sökord i sökfältet och började bläddra i resultaten. Jag lade de saker jag gillade i min önskelista, betygsatte några recensioner som “Hjälpsam”, släppte några kontorsmöbler i min korg.
Om jag någonsin har köpt en liknande artikel på Amazon, skulle det ha varit ganska bra att skriva en recension på det, men faktiskt kunde jag inte göra det (du kan bara skriva recensioner på produkter som du redan har köpt).
Efter ca 10-15 minuter stannade jag och klickade på mina rekommendationssidor (som finns under “[Ditt namn] s Amazon” menypunkt). Innan experimentet hade jag bara böcker på den här sidan, vilket är det jag brukar köpa på Amazon. Efter min omfattande sökning har böckerna försvunnit och ersatts av coola kontorsmöbler, som du kan se nedan.
Tweaking motorn
Det är möjligt att vidareutbilda rekommendationsmotorn, som under varje rekommendation det finns en “Varför rekommenderas?” länk. Bland mina rekommendationer kan du se en bin liner (sista objektet), som inte är en kontorsmöbelprodukt och en jag inte vill köpa till jul.
Så låt oss se varför det är här.
Efter att ha klickat på länken informerar Amazon mig om att det rekommenderades eftersom jag satt en viss kontorsdatorstol i min korg. Jo det är en intressant anslutning, men jag behöver det fortfarande inte.
Jag har två alternativ här, jag kan antingen kryssa på “Inte intresserad” kryssrutan bredvid binförpackningen, eller “Använd inte för rekommendationer” bredvid kontorsstolen. Jag tickar på “Inte intresserad” checkbox.
Och vid denna tidpunkt har facket försvunnit, ersatt med en annan rekommenderad produkt, vilket innebär att jag är ett steg närmare den perfekta presenten.
Okej om jag någonsin behöver den exakta rutan i framtiden men. Oh vänta. Jag har hittat lösningen för det. Under “Förbättra dina rekommendationer” menypunkt kan jag redigera de objekt jag har markerat med “Inte intresserad” märka
När jag har hittat min föreställda presentjakt kan jag helt enkelt avmarkera de produkter som jag kanske vill se bland mina rekommendationer i framtiden.