Bevor wir weitermachen, müssen wir es wissen
Domäne: Was wird den Benutzern empfohlen? Der Typ dieser Empfehlung ist Domäne
Netflix empfiehlt Filme in seiner App. Domäne: Filme
Spotify empfiehlt den Hörern Songs. Domäne: Musik
Zweck: Welche Absicht steckt hinter den Empfehlungen?
Unter der Annahme von Netflix empfehlen sie Ihnen Filme usw
1.Der Kunde bleibt in der Netflix-App erhalten
2. Der Kunde zahlt für den Erhalt des Abonnements
Andererseits möchte ein Kunde eine Empfehlung, weil er Filme zur Unterhaltung ansehen möchte. Der Zweck für Kunde und Unternehmen ist unterschiedlich
Der Hauptzweck der meisten Unternehmen dreht sich um
- Engagement (Benutzer so lange wie möglich in der App halten) und
- Wandlung (Den Benutzer dazu bringen, für Abonnements zu bezahlen oder einen Artikel zu kaufen)
Konvertierungspfad: Um den Benutzer zum Bezahlen/Umtauschen zu bewegen, muss er in der Regel eine Reihe von Schritten in der App ausführen. Wenn man additionally Amazon bedenkt, könnte es sein, dass es einen Benutzer „A“ gibt
Suchen Sie den Artikel
Fügen Sie es dem Warenkorb hinzu
Bezahlen
Diese Abfolge von Schritten wird üblicherweise als Konvertierungspfad bezeichnet. Für einige Benutzer kann dies komplizierter sein
Suchelement
Klicken Sie auf verwandte Elemente
Vergleiche sie
Alles in den Warenkorb legen
Geben Sie je nach Rabatt ein paar ab
Kaufen Sie nach 3 Tagen
Rückmeldung : Das sind die Daten, die wir vom Nutzer erhalten, um sein Verhalten zu verstehen. Dabei kann es sich um zwei Arten handeln
Explizites Suggestions: Informationen, die wir direkt vom Benutzer erhalten, wie z. B. Rezensionen und Bewertungen
Implizites Suggestions: Informationen, die wir basierend auf seiner/ihrer Aktivität auf der Plattform analysieren müssen. Zum Beispiel: Auf der App verbrachte Zeit, Klicken auf eine bestimmte Seite, Klicken auf Hyperlinks usw.
Proxy-Ziel : Wie intestine sind die Empfehlungen?
Entweder Sie holen sich Bewertungen von Ihren Kunden ein (Sie müssen Pop-ups gesehen haben), um Empfehlungen zu bewerten. Aber die Rücklaufquote ist meist sehr niedrig. In diesem Fall benötigen Sie Suggestions, das der Kunde implizit gibt. Dieses implizite Suggestions ist ein Proxy-Ziel. Zum Beispiel:
1. Wenn die Empfehlungen von Netflix intestine sind, könnte das Workforce davon ausgehen, dass die Zeit, die für Filme aufgewendet wird, für empfohlene Filme hoch ist. Daher kann dies ein Proxy-Ziel für Netflix sein. Wenn additionally mehr Zeit für Filme aufgewendet wird, tun Netflix-Empfehlungen intestine.
2. Wenn die von Spotify vorgeschlagenen Songs für einen Benutzer geeignet sind, könnte er/sie a) den gesamten Track anhören, 2) ihn in eine Playlist einfügen und 3) in einer Schleife anhören. Dieses Suggestions deutet darauf hin, dass dem Benutzer das Lied gefallen hat, und kann daher ein Stellvertreterziel sein. Sie werden zu den Metriken zur Analyse Ihres Empfehlungsmodells
Kontext: Welche Faktoren beeinflussen die Empfehlungen für Benutzer? Diese Faktoren bilden den Kontext, je nachdem, welche Empfehlungen ausgesprochen werden.
Sie müssen bemerkt haben, dass Uber eine Fahrt zu einem hohen Preis vorschlägt, wenn die Bürozeiten gerade anstehen oder das Wetter schlecht ist. Faktoren wie Bürozeit und Wetter bilden hier den Kontext
Sogar Swiggy oder Zomato schlagen Ihnen möglicherweise lokale Küche vor, wenn Sie in Goa Urlaub machen, als Ihre üblichen Mahlzeiten. Hier wurde der Ort zum Kontext
Personas: Vom Unternehmen generierte künstliche Benutzer, um zu verstehen, wie die Empfehlungen in der realen Welt funktionieren. Unter der Annahme von YouTube können wir die folgenden Personas haben
Liebt Cricket, schaut sich jeden neuen Filmtrailer an, hört aber im Allgemeinen keine Lieder
Neben Rockmusik interessiere ich mich auch für wissenschaftliche Dinge. Ich hasse englische Lieder
Auf diese Weise können wir zahlreiche Personas haben. Solche Personas können bei Simulationsläufen hilfreich sein und beim Coaching von Empfehlungsmodellen künstliches Suggestions generieren
Gewichtete Ereignisse: Wie Sie beobachtet haben, kann das implizite Suggestions von mehreren Ereignissen stammen, z. B. vom Klicken auf eine Seite, vom Hinzufügen zum Warenkorb, vom Durchsuchen eines Produkts usw. Nicht alle Ereignisse haben die gleiche Bedeutung wie andere. Wenn ein Benutzer beispielsweise einen Artikel in den Warenkorb legt, ist dies wichtiger als nur ein Klick auf das Produkt. Daher müssen Ereignisse gewichtet werden, bevor eine Metrik berechnet wird.
