Holiday Shopping: Mit der Recommendation Engine von Amazon Smart einkaufen

In der Weihnachtszeit kämpfen viele von uns mit der Auswahl des geeignetsten Geschenks für unsere Lieben. Die Weihnachtsjagd kann Tage der Planung, manchmal Wochen erfordern. Abgesehen von seinem gewissen Spaß und Freude, kann Weihnachtseinkäufe eine zeitaufwendige und stressige Erfahrung sein .

Zum Glück im Zeitalter der fortgeschrittenen Technologie gibt es frei verfügbare Werkzeuge, die den Einkaufsprozess viel effizienter und produktiver machen können. In diesem Post zeige ich Ihnen, wie Amazon.com Ihnen helfen kann , die besten Geschenke für Ihre Freunde und Familie innerhalb eines angemessenen Zeitrahmens mit Hilfe seiner intelligenten Empfehlungsmaschine zu finden.

Personalisierte Benutzererfahrung

Die weltweit erfolgreichsten Websites wie Amazon, Facebook und Youtube sind so beliebt, weil sie jedem eine persönliche Benutzererfahrung bieten .

Personalisierung der Nutzererfahrung bedeutet im Wesentlichen, dass Unternehmen ihre Nutzer beobachten, während sie durch ihre Website navigieren und verschiedene Aktionen ausführen . Sie sammeln die Daten in saubere Datenbanken und analysieren sie.

Ist das nicht schädlich für die Privatsphäre? Aus einem bestimmten Blickwinkel ist es ja; Diese Unternehmen wissen vielleicht mehr über uns als unsere engsten Freunde oder uns selbst. Auf der anderen Seite bieten sie uns einen Service, der unser Leben erleichtern und unsere Entscheidungen besser informieren kann.

Wenn wir es aus einer transaktionalen Perspektive betrachten, "zahlen" wir für eine verbesserte Benutzererfahrung und Komfort, mit einem Teil unserer Privatsphäre.

Natürlich sind Rechtsstreitigkeiten zwischen Anbietern von Online-Inhalten und Behörden konstant, denken Sie nur an das nicht so beliebte EU-Cookie-Gesetz, aber das Opt-Out ist immer weniger eine realistische Option für jemanden, der einen Lebensstil des 21. Jahrhunderts genießen möchte nützlich, um zu verstehen, wie personalisierte Empfehlungen hinter den Kulissen funktionieren.

Die Technik hinter den Empfehlungen von Amazon

Beim Navigieren auf der Amazon-Website finden wir unter den Überschriften "Neu für Sie", "Empfehlungen für Sie im Kindle-Shop", "Ausgewählte Empfehlungen", "Kunden, die diesen Artikel gekauft haben" und vielen anderen personalisierte Empfehlungen.

Empfehlungen wurden in jeden einzelnen Teil des Einkaufsprozesses vom Produkt-Lookup bis zum Checkout integriert . Angepasste Empfehlungen basieren auf einer intelligenten Empfehlungs-Engine, die die Nutzer bei der Nutzung der Website besser und besser kennen lernt.

Um Empfehlungssysteme besser zu verstehen, ist es eine gute Idee, sie als fortgeschrittene Versionen von Suchmaschinen zu betrachten . Wenn wir einen Artikel bei Amazon nachschlagen, gibt er nicht nur die Ergebnisse zurück, sondern gibt auch Vorhersagen über die Produkte, die wir möglicherweise benötigen, und zeigt seine Empfehlungen für uns.

Recommender-Systeme verwenden verschiedene Arten von maschinellen Lernalgorithmen und sind mit der Evolution der Big-Data-Technologie kommerziell umsetzbar geworden. Empfehlungs-Engines sind datengetriebene Produkte, da sie den relevantesten kleinen Datensatz im riesigen Ozean von Big Data finden müssen .

Die Berechnungsaufgabe, die Empfehlungssysteme lösen müssen, ist die Kombination von Vorhersageanalyse und Filterung

Sie verwenden einen der folgenden Ansätze:

(1) Collaborative Filtering, das nach Gemeinsamkeiten zwischen kollaborativen Daten wie Käufen, Bewertungen, Likes, Upvotes und Downvotes sucht:

• entweder die Benutzer-Benutzer-Matrix, wo Empfehlungen basierend auf der Auswahl anderer Kunden, die ähnliche Produkte mögen, gekauft, bewertet usw. haben, erzeugt werden,
• oder die Produkt-Produkt-Matrix, in der die Empfehlungsmaschine Produkte zurückgibt, die in Käufen, Likes, Bewertungen usw. ähnlich sind wie die Produkte, die der aktuelle Nutzer gekauft, bewertet, gemocht, zuvor bewertet hat

Amazon nutzt das letztere, da es fortgeschrittener ist (siehe im nächsten Abschnitt).

(2) Content-Based Filtering, das Vorhersagen basierend auf den Ähnlichkeiten der objektiven Merkmale von Produkten wie Spezifika, Beschreibungen, Autoren und auch auf den vorherigen Präferenzen des Benutzers (die hier nicht mit den Präferenzen anderer Benutzer verglichen werden) erstellt. .

(3) Hybrid-Filterung, die eine Art von Kombination aus kollaborativer und inhaltsbasierter Filterung verwendet.

Die Produkt-Produkt-Matrix

Die traditionelle Art der kollaborativen Filterung nutzt die Benutzer-Benutzer-Matrix und oberhalb einer bestimmten Datenmenge schwerwiegende Leistungsprobleme.

Um die Präferenzen, Bewertungen, Käufe aller Benutzer zu vergleichen und diejenigen zu finden, die dem aktiven Benutzer am nächsten sind, muss die Empfehlungs-Engine jeden Benutzer in der Datenbank analysieren und mit dem aktuellen vergleichen.

Wenn wir über die Größe von Amazon nachdenken, ist es klar, dass diese Art von Filterung für sie nicht durchführbar ist. Deshalb haben die Ingenieure von Amazon eine verbesserte Version der früheren Methode entwickelt und sie als kollaborative Filterlösung bezeichnet .

Das kollaborative Filtern von Elementen stellt kollaborativen Erfolg als Benchmark statt der objektiven Eigenschaften eines Produkts sicher (siehe obiges contentbasiertes Filtern), führt die Abfragen jedoch in der Produkt-Produkt-Matrix aus, dh, es werden keine Benutzer verglichen es vergleicht Produkte.

Die Empfehlungsmaschine betrachtet die Produkte, die wir bisher gekauft, bewertet, auf unsere Wunschliste gesetzt, kommentiert haben, usw., sucht dann nach anderen Artikeln in der Datenbank, die ähnliche Raten und Käufe haben, aggregiert sie und gibt dann die beste Übereinstimmungen als Empfehlungen.

Wie man bessere Empfehlungen erhält

Zurück zum Weihnachtseinkauf ist es möglich, Amazons Empfehlungs-Engine zu trainieren, um bessere Ergebnisse zu erzielen. Wenn Sie nur eine vage Vorstellung davon haben, was Sie für einen geliebten Menschen kaufen sollen, müssen Sie nichts anderes tun als Spuren auf der Website zu hinterlassen, während Sie surfen.

Für diesen Beitrag habe ich das selbst ausprobiert.

Mein Ausgangspunkt war, dass ich kleinere Büromöbel finden wollte, aber nicht genau wusste was. Also habe ich einige verwandte Keywords in die Suchleiste eingegeben und begann, die Ergebnisse zu durchsuchen. Ich stellte die Artikel, die ich mochte, in meine Wunschliste, bewertete einige Rezensionen als "Hilfreich", ließ einige Büromöbel in meinen Korb fallen.

Wenn ich jemals einen ähnlichen Artikel bei Amazon gekauft habe, wäre es sehr nützlich gewesen, eine Rezension darüber zu schreiben, aber eigentlich konnte ich das nicht tun (Sie können nur Rezensionen über Produkte schreiben, die Sie bereits gekauft haben).

Nach ca. 10-15 Minuten habe ich angehalten und auf meine Empfehlungsseiten geklickt (die unter dem Menüpunkt "[Ihr Name] 's Amazon" zu finden sind). Vor dem Experiment hatte ich nur Bücher auf dieser Seite, denn das kaufe ich normalerweise bei Amazon. Nach meinem ausführlichen Nachschlagen sind die Bücher verschwunden und wurden durch coole Büromöbel ersetzt, wie Sie unten sehen können.

Die Engine optimieren

Es ist möglich, die Empfehlungsmaschine weiter zu trainieren, da unter jeder Empfehlung ein Link "Warum empfohlen?" Steht . Unter meinen Empfehlungen sehen Sie einen Müllbeutel (letzter Gegenstand), der kein Büromöbelprodukt ist und einen, den ich nicht für Weihnachten kaufen möchte.

Also lass uns sehen, warum es hier ist.

Nachdem ich auf den Link geklickt habe, informiert mich Amazon, dass es empfohlen wurde, weil ich einen bestimmten Bürocomputerstuhl in meinen Warenkorb gelegt habe. Nun, das ist eine interessante Verbindung, aber ich brauche sie immer noch nicht.

Ich habe zwei Optionen hier, ich kann entweder das Kästchen "Nicht interessiert" neben dem Müllbeutel ankreuzen oder das "Nicht für Empfehlungen verwenden" neben dem Bürostuhl. Ich kreuze das Kästchen "Nicht interessiert" an.

Und an diesem Punkt ist der Müllbeutel verschwunden, ersetzt durch ein anderes empfohlenes Produkt, was bedeutet, dass ich dem perfekten Geschenk einen Schritt näher gekommen bin.

Schade, wenn ich in Zukunft jemals genau diesen Müllbeutel brauche. Oh, Moment mal. Ich habe die Lösung dafür gefunden. Unter dem Menüpunkt "Verbessere deine Empfehlungen" kann ich die Artikel bearbeiten, die ich mit dem Label "Nicht interessiert" markiert habe

Wenn ich meine imaginäre Geschenksuche gefunden habe, kann ich einfach die Produkte deaktivieren, die ich in Zukunft in meinen Empfehlungen sehen möchte.