Personalisierte Empfehlungslisten
Intelligent Recommendations stellen Unternehmen ein Toolkit mit relevanten Szenarien zur Verfügung. Dieser Artikel beschreibt Benutzer-Kommissionierungen oder personalisierte Empfehlungen auf der Grundlage der vollständigen Benutzerhistorie, der jüngsten Aktivitäten oder der Sitzungsaktivität.
Arten von personalisierten Empfehlungen
Das Szenario Benutzer kommissioniert ist eine Art von personalisierten Empfehlungen, die sich auf die Erfassung des Geschmacks oder der Vorlieben des Benutzers konzentriert und einen Benutzer an einzigartigen Stellen im Artikelraum positioniert.
Dieses Szenario erstellt hochgradig personalisierte Empfehlungen im Rahmen eines großen Katalogs von Artikeln. Der Abstand zwischen einem Benutzer und einem bestimmten Element entscheidet über die Stärke der Beziehung. Vektoren, die näher beieinander liegen, stellen eine stärkere Verbindung dar.
Benutzer-Kommissionierungen können den Benutzern auf unterschiedliche Weise zugänglich gemacht werden, d.h. es gibt mehrere Arten von „Kommissionierungen für Sie“.
Abhängig von der Geschäftsstrategie und der Absicht des Benutzers können die Modelle:
Lernen Sie von allem, was über Benutzer bekannt ist.
Fügen Sie Ereignissen mehr Gewicht hinzu, indem Sie aus den letzten Aktionen oder Ereignissen weitere Schlüsse ziehen.
Berücksichtigen Sie nur aktuelle Ereignisse.
Kommissionierungen basierend auf der gesamten Benutzerhistorie
Wenn die Kommissionierungen auf der Benutzerhistorie basieren, berücksichtigt dieses Szenario alle vom Benutzer in der Vergangenheit über mehrere Interaktionen mit dem System kommissionierten Elemente aus dem Katalog. Im vertikalen Einzelhandel können zur Auswahl die gesamte Kaufhistorie eines Benutzers gehören. Die Modelle verwenden kollaborative Filtertechniken, um die nächsten Artikel zu empfehlen, die einem Benutzer gefallen könnten, und zwar ausschließlich auf der Grundlage seiner Konsumhistorie, z. B. seiner Kaufhistorie.
Beispiele basierend auf der gesamten Benutzerhistorie:
Für Spieler, Xbox Spiele in Bezug auf das, was sie am häufigsten spielen
Empfehlen ähnlicher Filme
Vorschlagen einer neuen TV-Serie
Dokumentation oder Aktivitäten, die ein Nutzer lesen oder verfolgen möchte
Kommissionierungen auf der Grundlage der jüngsten Aktivitäten
Manchmal sind die jüngsten Interaktionen mit dem System wichtiger und stellen ein besseres Signal für personalisierte Empfehlungen dar. In diesem Fall können die Modelle entweder die jüngsten Signale gewichten oder nur die jüngsten Interaktionen als Startpunkt verwenden.
Beispiele basierend auf der letzten Aktivität:
Häufiger und langjähriger Lebensmitteleinkäufer (wechselnde Bedürfnisse)
Spiele- oder Filmempfehlungen (wechselnde Relevanz)
Erstellung von Musikwiedergabelisten (wechselnder oder sich entwickelnder Geschmack)
Kommissionierungen basierend auf Echtzeit-Aktivitäten
Wenn die Kommissionierungen auf Echtzeitsignalen basieren, mit der aktuellen Sitzung als Eingabe, handelt es sich um ein Szenario mit der kürzesten Zeitspanne. Die Signale werden in Form von Echtzeit-Ereignissen übermittelt und können zusammen mit vortrainierten Modellen dazu beitragen, sofortige Empfehlungen zu geben, die für die aktuelle Situation relevant sind.
Beispiele auf der Grundlage von Echtzeit-Aktivitäten:
Vom Benutzer kürzlich angesehene Elemente. Zeigen Sie eine Liste mit verwandten Elementen an.
Der Benutzer hat gerade ein Spiel gespielt. Welche Verkaufschancen gibt es?
Vom Benutzer heruntergeladene Inhalte. Welche zusätzlichen Inhalte sollten Sie wählen?
Benutzer liest gerade Artikel. Was sollte als nächstes gelesen werden?
Bewährte Verfahren bei der Verwendung von personalisierten Empfehlungen
Mit personalisierten Empfehlungen merken Sie sich bewährte Verfahren für bestimmte Situationen.
Vollständige Liste der Personalisierung
Häufig benötigen Einzelhändler keine personalisierten Empfehlungen für einen ganzen Katalog. Stattdessen haben sie eine bestimmte Katalogteilmenge zur Auswahl, die sie den Verbrauchern zur Verfügung stellen können. Sie kann bereits nach Priorität geordnet sein. In diesem Fall könnte ein Redakteur oder Kurator eine leichte Umordnung vornehmen, um die für den Benutzer interessanten Elemente in der Liste nach oben zu verschieben. Intelligent Recommendations können diese Erfahrung „on the fly“ unterstützen, basierend auf bestehenden vollständigen Modellen. Eventuell benötigen Einzelhändler eine Umstellung der vollständigen Liste oder nur die Entfernung einzelner Artikel, die ein Benutzer gerade gekauft hat. Durch das Entfernen der Benutzerhistorie aus einer Liste kann jede Artikelgruppe leicht personalisiert werden, sodass kein Platz für die Produktplatzierung verschwendet wird.
Beispiele für vollständige Listenpersonalisierungen:
Personalisierte Trendlisten
Personalisierte Angebote, Auswahl aus reduzierten Produkten oder neuen Angeboten
Abwechslungsreicher Geschmack bei personalisierten Empfehlungen
Das Verstehen von Benutzeraktionen spielt eine wichtige Rolle bei der Personalisierung von Empfehlungslisten. Auch die Aktion „Gefällt mir“ kann potenziell eine Fülle verschiedener Bedeutungen haben. Daher ist nicht jede ähnliche Aktion gleich. Ein Elternteil hört vielleicht gerne Blues-Musikvideos und sein untergeordnetes Kind sieht sich auf demselben Konto gerne Videos von Raumschiffstarts an. Unsere Modelle verwenden den Algorithmus mit mehreren Personas in den Intelligent Recommendations und erkennen, dass der Geschmack jedes Benutzers unterschiedlich sein kann. Benutzerinteraktionen werden in Cluster (separate Gruppen) eingeteilt, um die Ergebnisse zu diversifizieren. Die Aufteilung stellt Vorschläge aus zwei separaten Clustern bereit und verschachtelt sie in den Ergebnissen, die den Benutzern zurückgegeben werden. Diese Funktion schützt den wechselnden Geschmack der Benutzer und sorgt dafür, dass sich die Interessen der Benutzer nicht gegenseitig überlagern können.
Beispiele für die Diversifizierung der Geschmäcker:
Unterschiedlicher Geschmack bei Musik oder Filmen
Einkaufen in verschiedenen Kategorien (Schuhe, Schmuck, Reinigungsmittel)
Fertigungsfamilien-Konten mit mehr als einer Person
Siehe auch
Feinabstimmung der Ergebnisse
Bereitstellen von Element-basierten Empfehlungslisten
Bereitstellen von Trend-Empfehlungslisten