Kako korišćenje big data u sistemima za preporuku utiče na povećanje prodaje?
Personalizovacija iskustva prilikom kupovine u prošlosti je bila luksuz. Danas, kompanije iz mnogih industrija za primarni cilj imaju to da svaki njihov korisnik oseti taj luksuz u vidu prilagođenog sadržaja i ponuda svakom od njih. Zahvaljujući konceptu big data, kompanije poznaju svoje kupce čak i bolje nego što kupci poznaju sebe. Imajući to na umu, tema koju je nemoguće izbeći i o kojoj bi trebalo diskutovati je koncept i uticaj sistema za preporuku.
Sistemi za preporuku potrošačima predlažu proizvode, usluge i informacije na osnovu analize prikupljenih podataka. Sistem preporuka, koji se često naziva mehanizmom za preporuke (recommendation engine), predstavlja vrstu alata za filtriranje podataka, koji koristi algoritme mašinskog učenja i veštačku inteligenciju za preporučivanje najrelevantnijih proizvoda konkretnom potrošaču u pravom trenutku.
Što više podataka kompanija ima, to je lakše da razvije sistem za preporuke. Shodno tome, sistem može da daje preporuke koje će da generišu više prihoda i povećaju zadovoljstvo potrošača zbog personalizovanih ponuda i iskustva u toku kupovine.
Kada je u pitanju razvoj sistema za preporuke, centralna tačka su podaci. Sistem preporuka obrađuje podatke u četiri faze:
1. Prikupljanje podataka
Podaci potrošača mogu da budu implicitni ili eksplicitni. Implicitni podaci uključuju podatke kao što su prethodne kupovine, pregledane stranice, istorija pretrage, klikovi i evidencije pretraživanja. Eksplicitni podaci sadrže recenzije i ocene potrošača, komentare, sviđanja i žalbe. Starost, pol i interesovanja, vrednosti potrošača i drugi detalji profila, deo su demografskih podataka. Ovi podaci su takođe veoma značajni i potrebno ih je uključiti u proces prikupljanja podataka.
2. Čuvanje podataka
Postoje različiti tipovi prostora za čuvanje podataka koji mogu da se koriste, poput SQL baze podataka, NoSQL baze podataka ili objektne memorije. Koju memoriju ćete da koristite zavisi od vrste prikupljenih podataka, ali, skladište bi trebalo da ima dovoljno kapaciteta i da bude prilagodljivo.
3. Analiza podataka
Svi prikupljeni podaci koji se sada nalaze u nekom skladištu moraju da se analiziraju, tako da mogu da se koriste na odgovarajuć način. Grupna analiza, analiza u realnom vremenu i gotovo u realnom vremenu, su tri suštinska tipa koja se koriste kada govorimo o sistemima preporuka.
4. Filtriranje podataka
Poslednji, ali definitivno ne najmanje važan korak u procesuiranju podataka, je odabir vrste tehnika za sistem preporuka koji će se koristiti. Po završetku ovog poslednjeg koraka moći ćete da pružite najprikladnije preporuke za svoje kupce.
Postoje razne vrste tehnika preporuka, ali navešćemo tri glavne:
1. Kolaborativno filtriranje
Kolaborativno filtriranje je vrsta sistema preporuka koja se fokusira na prikupljanje i analizu korisničkih podataka (aktivnosti, preferencije i ponašanje), a zatim predviđanje onoga što bi korisnici želeli da vide na osnovu sličnosti sa ostalim korisnicima. Pretpostavlja se da ako osoba “A” voli da gleda tenis, odbojku i golf, a osoba “B” voli da gleda tenis i odbojku, onda bi i osoba “B” takođe možda volela golf.
2. Filtriranje zasnovano na sadržaju
Filtriranje zasnovano na sadržaju je vrsta sistema preporuka koji se fokusira na opis proizvoda i preferirane izbore korisnika, a zatim preporučuje ostale proizvode koji imaju slične karakteristike. Radi po principu – ako vam se sviđa određeni proizvod, svideće vam se i drugi sličnih karakteristika. Filtriranje zasnovano na sadržaju oslanja se na karakteristike samih proizvoda i ne uključuje preferencije drugih korisnika.
3. Hibridni model
Hibridni model kombinuje gore navedena dva sistema preporuka i kreira preporuku na osnovu različitih algoritama za ocenjivanje i sortiranje, ali takođe može da koristi sisteme preporuka zasnovanih na demografskim karakteristikama, korisnosti ili znanju. Netflix je savršen primer hibridnog sistema preporuka – daje preporuke upoređujući navike pretraživanja i gledanja kod sličnih korisnika (zajedničko filtriranje), kao i nudeći sadržaj koji ima slične karakteristike sa sadržajem koji je korisnik već gledao i visoko ocenio ( filtriranje zasnovano na sadržaju).
PRIMERI PRIMENE SISTEMA PREPORUKA:
Podaci i sistemi preporuka pokreću brojne industrije, ali preovlađuju e-trgovina i platforme za streaming. Mnogo poznatih brendova kao što su Amazon.com, Alibaba.com, Netflix, Spotify i YouTube koriste sisteme za preporuku. Zapravo, zahvaljujući sistemima za preporuku, ove kompanije su uspele da osiguraju lidersku poziciju u svojoj industriji.
Navešćemo dve najuspešnije primene sistema preporuka: slučaj Amazon i slučaj Netflix koji smo već pomenuli.
- Amazon.com
Amazon se ističe u e-trgovini zahvaljujući savršenoj kombinaciji upotrebe big data i sistema za preporuku. Na svakom koraku korisničkog putovanja, Amazon targetira svoje kupce davanjem relevantnih i korisnih preporuka proizvoda. To kupovinu na veb-sajtu čini potpuno personalizovanom i koristi prednosti planirane, ali i impulsivne kupovine. Vrednost ovog pristupa je što se online prodavnica može prilagoditi interesima potrošača i ponuditi odgovarajući proizvod u pravo vreme.
- Netflix
Od 2000. godine Netflix koristi različite načine preporuka. Tada je to bila preporuka video snimaka koje bi korisnici trebalo da iznajme. Danas postoji oko 1300 klastera koje Netflix koristi za preporuke korisnika zasnovane na prikupljenom ponašanju i postupcima potrošača. Stoga, pružanjem personalizovanog sadržaja svojim korisnicima, poboljšavaju zainteresovanost potrošača i njihovu lojalnost. Na ovaj način, Netflix je jedan od najvećih lidera u industriji tehnike i zabave i prvi kada je reč o streaming uslugama.
Pored ovih uspešnih primera, postoji široka primena sistema za preporuku u drugim industrijama. To su uglavnom industrije orijentisane na krajnje potrošače – maloprodaja, transport, zdravstvo, finansijske usluge itd.
Autori:
Autori:
Get to know
your customers
better.
FAQ | Finance | Banking | Telecommunications | Retail | Why Selecta | How it Works