Hvad betyder Anbefalingssystem?
Et anbefalingssystem hjælper med at vælge blandt mange muligheder. Det kan foreslå produkter i en webshop, artikler i et vidensbibliotek eller relevante reservedele. Systemet består ofte af flere trin, hvor kandidater først findes og derefter rangeres og filtreres.
Anbefalinger kan bygge på egenskaber ved indholdet, tidligere interaktioner eller en kombination. Content-based metoder bruger lighed mellem eksempelvis produkters egenskaber. Collaborative filtering udnytter mønstre i brugerinteraktioner, uden nødvendigvis at kende alle produktets detaljer.
Et klik er ikke det samme som tilfredshed eller forretningsværdi. Valget af mål afgør, hvad systemet prioriterer. Derfor skal et anbefalingsprojekt også beskrive hensyn som relevans, variation, lagerstatus og muligheden for at opdage noget nyt.
Fra kandidater til en brugbar rækkefølge
Candidate generation finder et mindre udvalg fra et stort katalog. Scoring vurderer kandidaterne i forhold til den aktuelle situation. Et sidste trin kan justere rækkefølgen efter forretningsregler, tilgængelighed eller behovet for variation.
Denne opdeling gør det lettere at opdage, hvor en fejl opstår. Et relevant produkt kan mangle, fordi det aldrig blev fundet som kandidat, eller fordi rangeringen placerede det for langt nede. De to problemer kræver forskellige ændringer.
Planlæg for manglende historik
Nye brugere og nye produkter har ofte få interaktioner. Det kaldes cold start. En løsning kan bruge produktdata, den aktuelle side eller en generel reference, indtil der findes et bedre grundlag. Historik bør ikke være en forudsætning for en brugbar oplevelse.
Test også, om populære produkter forstærkes så meget, at andre relevante varer aldrig bliver vist. En offline evaluering kan hjælpe med at sammenligne modeller, men den bør suppleres med en vurdering af den faktiske brugeroplevelse og klare målepunkter.
Et eksempel fra praksis
Forestil jer en forhandler af reservedele, som vil foreslå tilbehør. Første filter sikrer dokumenteret kompatibilitet med det valgte produkt. Derefter kan en model prioritere relevante kandidater ud fra købsmønstre og den aktuelle kontekst.
Et tilbehørsprodukt, der ofte købes, må ikke vises som kompatibelt uden et faktuelt grundlag. Piloten kontrollerer derfor både anbefalingernes relevans og reglerne omkring kompatibilitet. Nye produkter får en fallback baseret på produktdata, så manglende historik ikke automatisk gør dem usynlige.
Typiske faldgruber
- Klikoptimering kan belønne opmærksomhed uden at forbedre kundens valg.
- Populære produkter kan få stadig mere eksponering, mens nye relevante varer overses.
- Fejl i lager- eller kompatibilitetsdata kan gøre en ellers god rangering ubrugelig.
Det skal I afklare
- Hvilket brugerbehov og hvilket forretningsmål skal anbefalingen støtte?
- Hvilke faste krav skal være opfyldt, før et produkt må anbefales?
- Hvad vises, når brugeren eller produktet ikke har historik?
Spørgsmål og svar
Kræver anbefalinger persondata?
Ikke altid. Anbefalinger kan tage udgangspunkt i det aktuelle produkt eller andre ikke-personlige signaler. En løsning, der anvender brugerhistorik, kræver en særskilt vurdering af data og formål.
Kan vi begynde med almindelige regler?
Ja. En regelbaseret reference kan være nyttig og give et grundlag for at måle, om en lærende model skaber en relevant forbedring.
Kilder og videre læsning
De tekniske begreber bygger på nedenstående kilder. Eksemplerne er illustrative og viser, hvordan I kan arbejde med emnet.
- Google: Recommendation systems ↗Kandidatgenerering, scoring og efterfølgende rangering.
- Google: What is Machine Learning? ↗Grundlag for lærende modeller og deres anvendelser.