talent base verkkopalvelun_asiakaskokemuksen_parantaminen_persoinointi
DESCRIPTION
Verkkopalvelun asiakaskokemuksen parantaminen personoinnin avulla.TRANSCRIPT
Verkkopalvelun asiakaskokemuksen
parantaminen älykkään personoinnin avulla
Timo Karsisto
28.11.2014
Agenda
• Johdanto
• Esimerkkejä suositteluista
• Personoidut suositteluratkaisut
• Näkökulmia personoidun ratkaisun toteuttamiseen
“Personointi pyrkii mukauttamaan palvelua
vastaamaan käyttäjän haluja, tarpeita tai
mieltymyksiä”
Onnistunut personointi Parempi asiakaskokemus
Johdatusta aiheeseen
• Mobiilikäyttäjät viettävät vähemmän aikaa sivustolla kuin työpöytäkäyttäjät
– Työpöytäkäytössä jätetään enemmän ikkunoita auki “idle”-tilaan ja palataan ehkä
myöhemmin
• Verkkokaupan personoinnilla on saatu keskimäärin 19% nousua myynnissä
• 75% Netflixin elokuvakatseluista tapahtuu suosituksien avulla
• On arvioitu, että Amazon saa 30-35% myynnistään suositusten avulla (virallisia
lukuja ei ole tiedossa).
1. Useita lähteitä, mm http://blog.chartbeat.com/ ja Tammy Everts (Radware), blogit
2. The Realities of Online Personalisation, Econsultancy, April 2013
3. http://techblog.netflix.com/2012/04/netflix-recommendations-beyond-5-stars.html
Kategorioita sisällölle tai suosituksille
• Kuratoidut / Käsin poimitut
– Ylläpitäjä on erikseen valinnut yhden tai useamman asian, joita halutaan
näyttää asiakkaalle
• Automatisoitu sisältö – ei personointia
– Lista/sisältö on sama kaikille käyttäjille. Esimerkiksi erilaiset top-listat,
“uusimmat”, “suosituimmat”, “käyttäjät jotka ostivat/katsoivat tämän tuotteen
ostivat myös tämän”, “parhaat arviot”
• Automatisoitu sisältö – personoidut
– Lista/sisältö on erilainen eri käyttäjille. Esimerkiksi “viimeksi katsomasi
tuotteet”, “koska katsoit/ostit tuotteen, niin katso myös nämä”
EsimerkkejäKäsin poimittu suositus
Haglöfs
Automatisoitu –
ei personointia
Uusimmat uutiset
MTV
Automatisoitu – ei persointia
Suosituimmat tietokonetuotteet
Verkkokauppa.com
Amazon.co.uk -etusivu
Personoidut:
• 11 erilaista “tuotesuosituslistaa”
• 2 erilaista “top-listaa” (jotka on
valittu käyttäjän
preferenssikategorioista)
• Kaikki “promot” personoituja
Käsin poimitut (ei-personoidut):
-“kindle paperwhite” osio
(luultavasti tukee myös personointia)
Sisäänkirjautunut käyttäjä -Vain yksi elementti ei ole personoitu!
Toys & Games top-lista
(käyttäjä tilannut aiemmin tästä kategoriasta)
Suosittelujärjestelmät analysoivat
havaintoja/tietoa ja käyttävät koneoppimista tai
tilastollista analyysiä ennustaakseen, mistä
käyttäjä mahdollisesti pitäisi.
Suosittelujärjestelmän tavoitteet
• Asiakkaan näkökulma:
– Löytää etsimänsä tuotteen tai tiedon nopeammin
– Saa kattavasti tietoa mieltymyksiään vastaavista tuotteista tai sisällöstä
– Kokonaiskokemus paranee
• Palveluntarjoajan näkökulma:
– Konversiot paranevat:
• Asiakas ostaa enemmän (cross-sell) / käy enemmän tavoitesivuilla (esim. tuotesivu/uutisartikkeli)
• Verkkokaupan surffaajat ostajiksi
– Tuotot kasvavat (voi olla ristiriidassa asiakkaan tavoitteiden kanssa. Hyvä kate vs. hyvä
diili)
– Myy monipuolisemmin
– Asiakastyytyväisyys paranee
– Asiakasuskollisuus paranee
Monimuotoisuuden lisääminen – Long tail
• Verkkokaupan tarjoama voi olla todella
laaja. Miten asiakas löytää haluamansa
täältä?
• Oletus: Muutamat suosituimmat tuotteet
muodostavat pääosan myynnistä,
marginaalituotteiden merkitys on pieni
• Suosittelijat voivat lisätä
monimuotoisuutta ja auttaa “niche”-
/marginaalituotteiden löytämisessä tai
toimia täysin päin vastoin (suosia
suosittuja - Rikkaat rikastuvat –ilmiö)
• Esimerkiksi Amazonin kirjamyynnistä
vuonna 2008 marginaalituotteiden
osuus oli 36,7%. Osuus on
viisinkertaistunut kahdeksassa
vuodessa
Top sellers/
Most popular Long tail / niche
Myytyä tuotetta/
Kulutettua sisältöä
Tuote/sisältö X
Kuinka personoitu suosittelujärjestelmä
toimii?
Tietoa käyttäjästäEsim:*Mieltymyksiä (implisiittisiä tai eksplisiittisiä, esim historia)*Ominaisuuksia (ikä, sukupuoli, kieli, maa…)
Päätöksentekoon tarvittavia tietojaEsim:* Tietoa muista käyttäjistä* Tietoa sisällöstä* Sääntöjä (esim “urheiluun sopiva kamera”: sääsuojattu, painomax 200g ja resoluutio>8mpix)
SuosittelijaAlgoritmeja ja logiikkaa
Paras“ennustus” palautetaansuosituksena
Personointi – suosittelujärjestelmäperheet
Recommendation systems
Collaborative Filtering (CF)
Neighborhood based
Model based
Content Based
Filtering (CB)
User based approach
Item based approach
Knowledge-based
DemographicHybrids
(any combination )
Demo
Lyhyet kuvaukset
• Kollaboratiivinen (collaborative filtering)
– Hyväksikäyttää muiden käyttäjien historiaa, jonka perusteella osaa ennustaa, mistä
käyttäjä voisi pitää
– Perusmuodossa ei tarvitse muuta tietoa kuin käyttäjien preferenssit (esim. sivukatselut.
Preferenssejä tulee olla tarpeeksi kattava otos)
– Yksinkertainen, erittäin käytetty
• Sisältöpohjainen (content based)
– Hyväksikäyttää nimikkeiden sisältöä (esim. tuotteiden ominaisuuksia/metatietoa) ja
kyseisen käyttäjän preferenssejä, jotta löytää sisällön perusteella parhaiten sopivia
suosituksia. Esimerkiksi käyttäjä on lukenut Harry Potterin (kategoria: fantasia) ja muita
fantasia-kategorian kirjoja suositellaan parhaiten sopivaa fantasiakirjaa. Päätökseen
voi vaikuttaa myös muut tiedot kuten kirjailija, hinta, kirjan tyyppi, avainsanat
Lyhyet kuvaukset
• Hybridi
– Suosittelija, joka yhdistelee eri algoritmeja, jotta saa parempia
suosituksia aikaiseksi (paikkaa eri lähestymistapojen puutteita ja
parantaa suositusten tarkkuutta)
– Esimerkki: Kollaboratiivinen + sisältöpohjainen
• Mikäli kollaboratiivisella filtteröinnillä ei pystytä tekemään käyttäjälle
suosituksia tai niiden laatu on huono, niin suosittelija voi näissä
tapauksissa käyttää sisältöpohjaista lähestymistapaa (esim. suosittelee
kirjoja samasta genrestä mistä asiakas on eniten kiinnostunut)
• Sisältöpohjaista lähestymistapaa voidaan käyttää esim käyttäjille, joille on
hyvin vähän historiaa olemassa
Demo – Elokuvasuosittelija
• Kaikki saa surffata:
– http://veikonkala.org/demo
• Tehtävä:
– Valitse elokuvia joista oikeasti pidät. Evaluoi kriittisesti
suositteluja. Ovat ne elokuvia, joista pidät/pitäisit?
Kuinka kollaboratiivinen filteröinti toimii?
Käyttäjäpohjainen filtteröinti (user based filtering)
Nimike 1 Nimike 2 Nimike 3 Nimike 4 Nimike 5
Jari 3 1 2 3 3
Maija 4 3 4 3 5
Ritva 3 3 1 5 4
Pekka 1 5 5 2 1
Timo 5 3 4 4 ?
Samankaltaisuus
1. Lasketaan käyttäjien samankaltaisuus Timon kanssa
0.85
0.70
0.00
-0.79
2. Valitaan K (=2) eniten samankaltaista käyttäjää3. Lasketaan näiden käyttäjien arvostelujen perusteella
ennuste, kuinka paljon Timo tykkää nimikkeestä 5Algoritmit:
K-nearest neighbors
Pearson Correlation Coefficient
(similarity)
4.87
4. Kun kaikki puuttuvat arviot Timolle on tiedossa, niin
suosittelija palauttaa niistä parhaimmat suosituksena
Kuinka kollaboratiivinen filteröinti toimii?
Käyttäjäpohjainen filtteröinti (user based filtering)
Nimike 1 Nimike 2 Nimike 3 Nimike 4 Nimike 5
Jari 3 1 2 3 3
Maija 4 3 4 3 5
Ritva 3 3 1 5 4
Pekka 1 5 5 2 1
Timo 5 3 4 4 ?
Samankaltaisuus
0.85
0.70
0.00
-0.79
Algoritmit:
K-nearest neighbors
Pearson Correlation Coefficient
(similarity)
4.871
2
3
4
5
1 2 3 4
Jari
Maija
Timo
Kollaboratiivisen filteröinnin haasteet
• Skaalautuvuus
– Puhtaassa käyttäjäpohjaisessa ratkaisussa on kaikki käyttäjätieto muistissa (esim. 10 miljoonaa
käyttäjää x 1 miljoona nimikettä)
– Nimikepohjainen (item based) skaalautuu paremmin, koska osa laskennasta voidaan tehdä etukäteen
(reaaliaikaisesti ei tarvitse etsiä “naapureita”)
• Tieto on harvaa (sparse data)
– Nimikkeitä on paljon ja käyttäjä on ilmaissut preferenssinsä vain pieneen osaan vaikea löytää
“hyviä” samankaltaisia käyttäjiä aina ei pystytä suosittelemaan tai suositukset ovat huonoja
• Kylmä startti
– Palvelu on uusi: Tarvitset paljon käyttäjätietoa, jotta suositukset olisivat toimivia
– Uusilla käyttäjillä ei ole historiaa
– Anonyymeillä käyttäjillä ei ole tai on vain vähän historiaa
– Uusilla tuotteilla ei ole historiaa
Kollaboratiivisen filteröinnin haasteet
• Suosittujen suosiminen (popularity bias)
– Kaikki lukevat Harry Potterin, ja jos käyttäjllä on erikoisempi maku, niin joku jolla on
sama maku jää suosittujen varjoon
• Olettaa, että historia määrittää nykyisyyden
• Harmaat lampaat – käyttäjät, joiden mielipiteet eivät ole yhteneväisiä minkään
käyttäjäryhmän kanssa
– Suosittelujen laatu on huono
• Shilling-hyökkäykset
– Pahansuovat käyttäjät/kilpailijat voivat yrittää muokata suosittelijan toimintaa edukseen
Kun suunnittelet tai toteutat suosittelijaa
• Aloita yksinkertaisella
• Selkeät tavoitteet ja ongelmat, joita haluat ratkaista
– Teknisiä ratkaisuja on paljon erilaisia (suosittelijat eivät ole ainoa “perhe”
älykästä personoitua päätöksentekoa)
– Tuotteet soveltuvat usein vain tietyntyyppiseen suositteluun
• Kehitä hyvät mittarit ja raportointi
– Suositteluiden toimiminen ei ole suoraviivaista. Myös muut asiat sivustolla
vaikuttavat suosituksien toimintaan
– Kehitä end-to-end -seuranta, jonka avulla voit arvioida suosituksien toimivuutta
– Käytä vertailuryhmää, jos mahdollista (control group)
Kun suunnittelet tai toteutat suosittelijaa
• Varaa aikaa suosittelijan optimointiin
• Ei ole olemassa täydellistä suosittelijaa, toimintaa voi aina parantaa
• Kehitä jatkuvasti ja kokeile erilaisia vaihtoehtoja
– Suosittelijat ovat “herkkiä” ja pienetkin muutokset voivat vaikuttaa niiden toimintaan. Parannuksia voi
arvioida kerätyn tiedon perusteella, mutta todelliset vaikutukset selviävät vasta tuotannossa.
• Käyttäjät pitävät suosituksia luotettavampana, jos he ymmärtävät niiden perusteet.
Mieti, miten haluat kertoa suosituksista käyttäjille.
• Usein nähdään erittäin tärkeänä, että suositeltaviin asioihin voi vaikuttaa myös
manuaalisesti eikä suositus perustu ainoastaan koneelliseen algoritmiin
– Automaattinen algoritmi (automaattinen persoinoitu)
– Erilliset liiketoimintasäännöt/painotukset (käsinpoimitut)
Open Source -teknologioita
• R
• Weka
• Mahout (demo on toteutettu tämän avulla)
• LensKit
• Easyrec
• PredictionIO
Kysy lisää:Nino Ilveskero
+358 40 511 8935
nino.ilveskero(at)talentbase.fi