Listas de recomendações personalizadas
O serviço Recomendações Inteligentes fornece às empresas um kit de ferramentas de cenários relevantes. Este artigo descreve Escolhas do usuário ou recomendações personalizadas com base no histórico completo, na atividade recente ou na atividade da sessão do usuário.
Tipos de recomendações personalizadas
O cenário de Escolhas do usuário é um estilo de recomendações personalizadas que se concentra em capturar os gostos ou as preferências do usuário e posiciona um usuário em locais exclusivos no espaço do item.
Esse cenário cria recomendações altamente personalizadas no contexto de um grande catálogo de itens. A distância entre um usuário e um determinado item decide sua força de relacionamento. Os vetores mais próximos representam uma conexão mais forte.
As escolhas podem ser expostas aos usuários de diversas maneiras. Portanto, existem vários tipos de "escolhas para você".
Dependendo da estratégia de negócios e da intenção do usuário, os modelos podem:
Aprender com tudo o que se sabe sobre os usuários.
Adicionar peso aos eventos, inferindo mais de ações ou eventos recentes.
Considere apenas eventos recentes.
Escolhas com base em todo o histórico do usuário
Quando as escolhas se baseiam no histórico do usuário, esse cenário leva em consideração todos os itens consumidos pelo usuário do catálogo no passado em várias interações com o sistema. Na setor de varejo, as escolhas incluem todo o histórico de compras de um usuário. Os modelos usam técnicas de filtragem colaborativas para recomendar o próximo conjunto de itens que um usuário pode usar, com base inteiramente em seu histórico de consumo, como o histórico de compras.
Exemplos com base em todo o histórico do usuário:
Para os jogadores, os jogos do Xbox relacionados ao que eles jogam com mais frequência
Recomendar filmes semelhantes
Sugerir uma nova série de TV
Documentação ou atividades de treinamento que um usuário pode ter interesse em ler ou seguir
Escolhas com base na atividade recente
Às vezes, as interações recentes com o sistema são mais importantes e representam um sinal melhor para as recomendações personalizadas. Nesse caso, os modelos podem ponderar sinais recentes ou usar apenas as interações mais recentes como semente (ponto de partida).
Exemplos com base na atividade recente:
Comprador de supermercado frequente e de longa data (mudança de necessidades)
Recomendações de jogos ou filmes (mudança de relevância)
Geração de playlists de música (mudança ou evolução do gosto)
Escolhas com base na atividade em tempo real
Quando as escolhas são baseadas em sinais em tempo real, com a sessão atual como entrada, trata-se de um cenário com o menor intervalo de tempo. Os sinais vêm como eventos em tempo real e, junto com modelos predefinidos, podem ajudar a fornecer recomendações instantâneas relevantes para a situação atual.
Exemplos com base na atividade em tempo real:
Itens exibidos recentemente pelo usuário. Exibição de uma lista de itens relacionados.
O usuário acabou de jogar. Quais oportunidades de upsell estão disponíveis?
Conteúdo baixado do usuário. Que conteúdo adicional escolher?
O usuário está lendo artigos. O que deve ser lido a seguir?
Práticas recomendadas ao usar recomendações personalizadas
Com as recomendações personalizadas, observe as práticas recomendadas para situações específicas.
Personalização da lista completa
Geralmente, os varejistas não precisam de recomendações personalizadas para um catálogo inteiro. Em vez disso, eles têm um subconjunto de catálogos específico para expor aos consumidores. Ele pode já estar ordenado por prioridade. Nesse caso, um editor ou curador pode aplicar uma ligeira reorganização para colocar os itens de interesse do usuário mais acima na lista. As Recomendações Inteligentes podem oferecer suporte a essa experiência "em tempo real", com base em modelos completos existentes. Os varejistas podem exigir uma reorganização completa da lista, ou apenas remover itens que um usuário já comprou. Ao remover o histórico do usuário de uma lista, qualquer conjunto de itens pode ser ligeiramente personalizado, garantindo que não haja desperdício de espaço para o posicionamento do produto.
Exemplos de personalizações de lista completa:
Listas de tendências personalizadas
Ofertas personalizadas, escolhendo entre produtos com desconto ou novas ofertas
Diversificar o gosto em recomendações personalizadas
Compreender as ações do usuário é uma função importante para personalizar as listas de recomendações. De modo similar, a ação "semelhante" pode ter uma infinidade de significados diferentes. Portanto, nem todas as ações semelhantes são iguais. Um pai pode gostar de vídeos de Blues e seu filho na mesma conta gosta de assistir a vídeos de lançamento de naves espaciais. Nossos modelos usam o algoritmo de várias pessoas nas Recomendações Inteligentes e reconhecem que o gosto de um usuário pode variar. As interações do usuário são divididas em clusters (grupos separados) para diversificar os resultados. A divisão fornece sugestões de dois clusters separados e os intercala nos resultados retornados aos usuários. Esse recurso protege a mudança de gosto dos usuários e garante que os interesses deles não se sobreponham.
Exemplos de gostos diversificados:
Diversidade de gostos em música ou filmes
Compras de várias categorias (sapatos, joias, materiais de limpeza)
Contas familiares com mais de uma pessoa
Confira também
Ajustar os resultados
Fornecer listas de recomendações com base em itens
Fornecer listas de recomendações mais populares