商业推荐系统的用例——当前的应用和方法

越来越多的网络公司利用推荐系统来增加用户互动，丰富购物潜力。在过去的4-5年里，推荐系统的使用案例已经在电子商务和在线媒体的许多方面迅速扩展，我们预计这一趋势将继续下去。

推荐系统(通常被称为“推荐引擎”)有可能改变网站与用户沟通的方式，并允许公司根据收集到的每个客户的偏好和购买信息最大化其投资回报率。

本文分析了非技术经理和执行人员应该理解的关于推荐系统的业务应用的见解，包括:

• 推荐系统的常见好处(附示例)
• 基本术语/方法/算法推荐引擎
• 目前亚马逊、Netflex、百思买等公司的推荐引擎用例
• 当今推荐引擎的潜在未来趋势和改进

我们将从推荐系统为企业提供的一些主要好处开始:

推荐引擎的潜在好处

以下是商业推荐系统的一些潜在好处，以及使用这些系统的公司:

1. “使用后改善”(保留):一个推荐系统的核心潜在的好处是他们，不断地校准到用户的偏好的能力。这使得随着时间的推移在他们留住客户变得越来越“粘性”的产品：
   • 当Netflix对你下一部想看的电影和电视剧有如此敏锐的感觉时(比如，他们“非常了解你”)，你就不太可能转向Netflix的竞争对手。由于Netflix的大部分收入来自固定费率的重复计费模式订阅，该公司通过推荐系统获得的最大投资回报率是用户留存率。
2. 提高车的价值:一个拥有成千上万项产品的公司将很难对其所有产品的产品建议进行硬编码，而且很明显，这种静态建议将很快过时或与许多客户无关。通过使用各种“过滤”手段，电子商务巨头可以找到合适的时间(在他们的网站上，通过电子邮件，或通过其他方式)建议你可能购买的新产品。
   • 亚马逊的快速配送和对客户服务的重视为他们赢得了数百万客户。推荐引擎不仅可以帮助客户找到更多他们需要的东西(并将Amazon视为权威)，而且这些系统还可以提高购物车的价值。如果亚马逊不需要支付更多的运费，就可以把两到三倍的商品发送给你，他们的利润率就会提高。
3. 提高参与度和愉悦感:有时，看到ROI并不需要明确地要求付款。许多公司使用这些系统只是为了鼓励用户对其产品或平台的参与和活动。
   • YouTube的订阅选项，但多数公司的收入是通过放置在其各式各样的视频特性的广告驱动。该公司生产更多的钱，当用户再回来的时间和时间。YouTube不会优化短期观看时长，因为这可能会鼓励出风头或华丽的战术，就没有真正取悦用户。取而代之的是，该服务旨在鼓励长期使用，因为广告的看法是，这些系统用于在YouTube上的投资回报率。Facebook是推荐引擎的一个类似的应用程序的另一个明显的例子。

同样重要的是要注意,推荐系统(a)可能只会是一个适合公司内部有足够的数据和人工智能人才使用它们,和(b)许多企业和商业模式可能最好不要使用推荐系统,因为他们不能保证更高的收益率方法比选择。

话虽如此，在某些领域(尤其是数字媒体、电子商务)，这样的系统似乎是不可避免的。

推荐引擎/推荐系统的基本条款

推荐系统是像亚马逊和Netflix，谁都是众所周知的，他们个性化的客户体验，公司重要和宝贵的工具。这些公司收集和客户分析人口统计数据，并将其添加到从以前的采购，产品的评级和用户行为信息。

然后使用这些细节来预测客户将如何评价相关产品集，或客户购买其他产品的可能性。

潜入知名零售商和在线服务的具体推荐引擎的应用程序之前，我想为我们讲解了不同类型的这一点很重要推荐系统。我们已经链接到进一步阅读，以防你们中的一些人想要深入研究这些方法背后的科学:

• 共同筛选这种类型的推荐系统根据许多其他用户的口味来预测一个人可能感兴趣的内容。它假设如果X人喜欢士力架，Y人喜欢士力架和银河系，那么X人也可能喜欢银河系。
• 基于内容的过滤:这种类型的推荐系统主要关注产品本身，并推荐其他具有类似属性的产品。基于内容的过滤依赖于产品本身的特性，因此它不依赖于其他用户在做出推荐之前与产品进行交互。
• 基于人口统计的推荐系统:这种类型的推荐系统根据一组人口统计类对用户进行分类。该算法需要市场调研数据的充分实现。它的主要优点是不需要用户评级的历史记录。
• 基于用途的推荐系统:这种类型的系统根据对每个用户有用性的计算提出建议。这取决于每个行业决定特定于用户的实用功能的能力。该系统的主要优点是可以对不相关的产品属性(如可用性、供应商可靠性等)进行推荐。
• 基于知识的推荐系统:这种类型的系统根据与每个用户的偏好和需求相关的信息提出建议。利用功能知识，它可以在客户的需求和合适的产品之间建立联系。
• 混合滤波：这种类型的推荐系统的可实现FO上述系统中的任何两个的组合。

(对了解推荐引擎的应用程序有更深兴趣的读者可能会想听一听我们与人工智能研究员瑞弗·加布里尔的全面推荐引擎访谈。)

投资回报(ROI)最终归结为(a)节省更多的钱，或(b)赚更多的钱。企业不会为了“赶时髦”而在推荐引擎上投入时间和资源(我们已经警告过企业不要创建推荐引擎)人工智能的“测试应用”与价值没有直接联系)。聪明的公司利用这些系统来提高他们的底线。

然而，“改善底线”可以通过多种方式来实现，而且每个公司处理问题的方式都不同。推荐引擎在不同的公司中并不能达到相同的目的，对于商业领袖来说，了解推荐引擎可以实现哪些不同的目标是很重要的。

当今的现实应用

现在，我们已经介绍了一些基本福利和术语，我们将探索推荐引擎的应用在大型和知名企业，与亚马逊开始。

1 -亚马逊

亚马逊凭一己之力把人们的注意力放在了人工智能的零售价值除了机器人计划和AWS之外，推荐也是让该公司出名的部分原因。

亚马逊网站将推荐作为其网站的目标营销工具。当客户点击“您的推荐”链接时，就会转到另一个页面，其中的推荐可能会进一步根据主题区域、产品类型和以前的产品和购买的评级进行过滤。客户甚至可以看到为什么推荐了某个特定的产品。

”在Amazon.com，我们使用推荐算法为每个客户个性化在线商店。商店根据顾客的兴趣进行了彻底的改变，给软件工程师显示编程的标题，给新妈妈显示婴儿玩具，”Greg Linden、Brent Smith和Jeremy York在他们的论文中解释道建议:项目到项目的协同过滤。

在这种情况下，协同过滤不仅仅是将每次使用匹配到相似的客户。项目到项目将每个用户的购买连接到相似的项目，并从这些项目中编译一个推荐列表。例如，如果你对最新的技术很感兴趣，你可能会发现你的亚马逊网页上推荐了最新的设备和小配件，如果你喜欢烹饪，你肯定会找到很多关于食谱和炊具的推荐。

根据麦肯锡公司在美国，亚马逊35%的收入来自其推荐引擎。

2 - Netflix

根据一项纸由Netflix高管卡洛斯·a·戈麦斯-乌里韦(Carlos A. Gomez-Uribe)和尼尔·亨特(Neil Hunt)编写的视频流媒体服务人工智能推荐系统每年为公司节省约10亿美元。这使得他们可以在新的内容上投入更多的资金，而观众将继续观看这些内容，这给了他们一个良好的投资回报率。

Xavier Amatriain和Justin Basilico(个性化科学与工程)在他们的研究报告中说:“这些年来，我们发现，将尽可能多地个性化Netflix的推荐纳入其中，对我们的订阅者具有巨大的价值。Netflix科技博客。

下面是Netflix在他们自己的YouTube频道上解释他们的推荐引擎的方式:

Netflix的使用个性化的多样性，以生成用户户十大建议RS，以便它可以提供视频的是，每个家庭成员可以在会感兴趣。该公司还专注于意识和促进信任，以帮助发展其个性化的方法。Netflix公司的解释为什么它使视频推荐，并鼓励会员提供反馈，所以个性化没有机会错过了实现这些策略。

根据麦肯锡用户在Netflix上观看的内容有75%来自产品推荐。我们公开谈论了“个性化”和推荐的总体网络趋势人工智能的播客同LiftIgniter的Adam Spector说对于考虑如何在自己的业务中使用推荐信的高管来说，这或许值得一听。

3 - Spotify

在下面的演示中，Spotify的克里斯托弗•约翰逊(Christopher Johnson)(他之前在德克萨斯大学奥斯汀分校攻读机器学习博士学位)解释了Spotify音乐推荐方法的基础:

Spotify对人工智能和推荐系统最具创新性的应用之一，可能就是他们广受欢迎的每周发现播放列表。这个被称为发布雷达的算法工具每周更新个人播放列表，这样用户就不会错过他们喜欢的艺术家新发布的音乐。

“每周都有大量的新音乐发布，很难跟上最新的曲目，”Spotify的马特·奥格尔(Matt Ogle)在一份声明中说声明。“有了Release Radar，我们想要创造一种最简单的方式，让你在一个播放列表中找到所有对你来说最重要的新发布的音乐。”

发现每周的工作原理是在看2十亿加上用户创建的播放列表，每一个基于音乐爱好者的个人品味。然后Spotify的通过比较用户的收听习惯那些具有类似品味的用户的整理与空白公司自己的播放列表，并填补了这一信息。该方法还使用协同过滤与深度学习结合大量的数据中检测模式来提高每周选择。

新的推荐系统帮助Spotify增加了每月的用户数量7500万到1亿尽管有来自苹果音乐流媒体服务的竞争，

4 -百思买

利用RS另一家公司，以增加收入和改善客户体验百思买。该公司的策略是基于查询的搜索和点击数据。2015年以来，百思买已经用在试图预测客户感兴趣的是什么信息，查询和基于项目到项目系统创建集群模式，使公司能够使客户的建议。

“我们已经对我们的营销工作非常物质转化，在过去三年，标题之中，当然，更加个性化。我们从模拟和大众传播去更具针对性，相关性，个性化和数字通信，” CEO休伯特·乔利在接受采访时说Diginomica。

自2015年以来，百思买一直在使用其电子商务推荐系统。该系统的工作原理是根据客户的个人浏览和购买数据来预测他们对什么感兴趣。全球电子商务总裁斯科特Durchslag他说，他希望百思买成为“消费类电子产品的Netflix”。

在2016年,CNBC报告显示，百思买的在线销售增长了23.7%，这标志着连续第二个季度增长了近24%。增长的部分原因是该公司改进了推荐系统。

5 - YouTube

幸运的是，YouTube有一系列“帮助”视频，回答用户关于YouTube和支持它的技术的基本问题。以下是YouTube如何提供视频推荐的三分钟解释:

YouTube的在线视频社区使用RS创建个性化的推荐，使用户可以快速方便地找到与切身利益有关的视频。由于保持用户啮合的价值，YouTube致力于保持更新定期的建议，以反映每个用户在网站上的活动，同时强调广泛的可用内容。

“我们相信，对于每一个个体在地球上，有100小时YouTube上的，他们会喜欢看，”克里斯托Goodrow，YouTube的搜索和发现工程总监告诉商业内幕。内容已经在那里了。我们有数十亿的视频。所以我们从这个前提开始，然后我们的工作就是帮助观众找到他们喜欢看的视频。”

该RS是由驱动谷歌大脑深度学习人工智能项目由两个神经网络组成。第一个收集和整理用户的观看历史信息，并使用协同过滤来选择数百个视频。这个过程称为候选生成，它使用来自用户的反馈来训练模型。第二个神经网络对选择的视频进行排序，以便向用户推荐。

根据YouTube在实施了一年多的RS之后，它在他们所陈述的目标方面取得了成功，推荐占了主页视频点击量的60%。

对商业中的推荐/个性化进行总结

许多企业不同领域的公司都开始实施推荐系统，以增强客户的在线购买体验，增加销售，留住客户。企业所有者认识到，推荐系统允许收集与企业内用户行为及其事务相关的大量信息，这是一种潜力。然后可以将这些信息系统地存储在用户配置文件中，以供将来的交互使用。

除了改善客户体验，从推荐系统收集的信息还可以用作广告定位工具。通过将推荐系统与广告交换集成在一起，企业可能有能力用他们在公司网站上喜欢的产品瞄准其他网站用户。

收入可以增加使用简单的战略，如:

• 在您的购买确认中添加匹配的产品推荐
• 收集关于废弃购物车的信息
• 分享“顾客现在买什么”
• 分享其他客户的观点和购买
• 制作个性化推荐

另一种充分利用推荐系统所收集的丰富信息的方法是根据在线交互触发电子邮件。例如，一个企业可以向一个用户发送一封电子邮件，该用户查看了五页带有折扣券的笔记本电脑或这些产品的选择代码。企业还可以使用反向触发器发送针对用户尚未查看的产品的电子邮件。

随着越来越多的产品可以在线获得，推荐引擎对电子商务的未来至关重要。这不仅是因为它们有助于增加客户的销售和互动，还因为它们将继续帮助企业清除库存，以便为客户提供他们真正喜欢的产品。

下一代推荐系统可以包括以下改进：

• 更相关的建议:通过深入挖掘客户的兴趣和偏好，推荐系统将能够向用户提供更相关、更具预测性的推荐。
• 结合项目的盈利能力:这将使企业能够控制基于利润的推荐与传统推荐之间的差异程度，并设置一个平衡，使客户的信任不会受到损害，而不是仅仅基于客户的浏览历史和过去的购买行为。
• 增加产品达到:每个零售商都有一个单独的产品目录，改进的推荐系统将能够访问更广泛的商品，以便在购物者的推荐中包括新的或小众的项目。
• 通过多种渠道接触购物者:下一代推荐系统应该能够通过一系列渠道接触到客户，包括电子邮件、社交媒体、场外购物小工具、移动应用程序和零售客户服务中心。

根据一项新闻稿国际数据公司(IDC)预计，2017年全球在认知和人工智能系统上的支出将达到125亿美元“AI市场规模”的文章)。最大的支出领域(45亿美元)将是认知应用;包括能够提出建议或预测的系统。

请与我们保持联系1mantbex (或我们的通讯，在页脚)，以阅读更多关于先进的人工智能营销应用的更新。

图片来源:亚马逊