推荐系统如何改变电子商务

直到最近，熟练的销售人员还需要到实体店向顾客推荐产品。但现在不再了。

 

如今，推荐系统充当虚拟销售人员，帮助在线购物者浏览产品，根据搜索历史记录和表现出的兴趣推荐商品，总的来说，使他们的在线购物体验更加愉快。

本文将探讨推荐系统的各个方面以及它们如何改变我们所知的商业。（另请阅读：人工智能将如何彻底改变销售行业。）

 

什么是推荐系统？

推荐系统或“推荐系统”是一种根据过去的行为和其他指标向消费者推荐内容和/或产品的引擎。

“推荐系统”（RS）这个术语在普通白话中相对较新，但推荐的基本概念已经存在很长时间了：想想在互联网出现之前你是如何做出消费决策的。最有可能的是，您在很大程度上依赖同行的意见来决定买什么、穿什么和/或看什么。从某种意义上说，这些同行意见就像人工推荐。

在计算领域，推荐系统于 1979 年首次推出。最初的迭代包括一位名为 Grundy 的基于计算机的图书管理员，他会向读者推荐合适的书籍。在这个基本的推荐系统之后，第一个商业 RS（称为 Tapestry）于 1990 年推出。另一个类似的系统 GroupLens 大约在同一时间推出 。但 RS 的“革命”直到 20 世纪 90 年代末才开始，当时亚马逊推出了协作过滤：迄今为止最流行的推荐技术。

 

如今，推荐系统不断涌现，是一个非常热门的研究领域。它们的增长很大程度上得益于互联网和大数据的增长，主要影响电子商务和在线购物。（另请阅读：电子商务领域掀起波澜的 4 项新技术。）

推荐系统如何工作？

推荐系统的核心是基于推荐方法。

建议中最常见的方法是：

协同过滤

协同过滤基于人与人之间的相互关系的概念。简而言之，这意味着两个或更多在一个领域有共同兴趣的人也可能被其他领域的类似物品或产品所吸引。

可以通过研究浏览模式、搜索选项、购买历史和评级等内容来跟踪个人之间的相似性。

协同过滤是推荐系统最常见的方法。

基于内容的过滤

基于内容的过滤侧重于单独的消费者。

此类系统根据用户过去消费或喜欢的产品和内容向他们推荐类似的产品和内容。该系统背后的假设是，如果用户喜欢类别“X”中的项目“A”，那么他们也可能喜欢类别“X”中的项目“B”或类别“Y”中的项目“A”。

该系统的缺点是它总是显示相同类型的商品，这会使购物体验单调乏味。

基于知识的过滤

在基于知识的过滤中，建议是基于系统的领域知识做出的。换句话说，基于知识的过滤系统捕获用户需求，将其与特定的知识库配对，并据此提出建议。

人口统计过滤

此类系统根据用户的人口统计数据进行推荐。

与其他过滤方法相比，人口统计过滤的个性化程度较低，但它对于向可能在特定平台上没有浏览/购买历史记录的新用户提供推荐很有用。

基于社区的过滤

基于社区的推荐系统是由用户同行的浏览和购买历史记录驱动的，而不是他们自己的。它基于这样的概念：用户更有可能受到朋友推荐的影响，而不是随机建议的影响。

混合过滤系统

混合过滤结合了多种过滤方法来推荐最合适的产品/内容。

该系统的好处是最大限度地发挥每个过滤系统的优点，同时淡化它们的缺点。

流行的推荐系统

推荐系统几乎存在于所有在线平台中——从流媒体服务到社交媒体、电子商务和应用商店。

一些依赖推荐系统的著名服务包括：

• Netflix。Netflix 等 OTT 和视频点播(VOD) 平台依靠推荐系统来帮助用户获取他们喜爱的电影和电视剧。（另请阅读：知识图在人工智能中的作用。）
• Spotify。Spotify 使用推荐引擎向用户推荐音频内容。
• 亚马逊。作为电子商务领域的市场领导者，亚马逊基于各种人工智能(AI) 和机器学习(ML) 推荐引擎。亚马逊是 这一技术领域的开拓者。
• Facebook。Facebook 使用推荐系统向用户推荐朋友和广告。
• 谷歌。虽然谷歌在各个领域都使用推荐系统，但其 Google Play 商店尤其能够提供优化且高效的应用程序建议。

如何制作推荐系统

推荐系统有很多种类型，其中大多数可以通过推荐所遵循的方法来区分。有些RS系统是基于数据过滤的；其他系统结合使用过滤和人工智能/机器学习。

然而，连接这些系统的是来自不同来源的大量数据。

大多数情况下，制作推荐系统需要以下四个步骤：

1. 数据收集

数据是制作推荐系统的基本要素。

这些数据集是根据用户行为及其选择标准从各种来源收集的。数据收集过程涉及多个参数。

2. 数据存储

收集足够的数据后，您需要找到一种存储数据的方法。

数据必须安全地存储（a），因为您不想丢失推荐系统中最有价值的元素。结构化查询语言（SQL）数据库以及不仅仅是结构化查询语言（NoSQL）数据库都是常见的存储解决方案；但在大多数情况下，NoSQL 更适合处理大量数据。（另请阅读：大数据存储策略需要考虑哪些关键问题？）

3. 数据处理

在此步骤中，根据特征、类型和来源等参数对数据进行处理和排序。此阶段的目的是准备数据并促进过滤过程。

4. 应用过滤器

这是最重要的一步，在此提出实际建议。

在这里，处理后的数据用于不同的过滤器中以提取最合适的建议。这些过滤器是基于不同的算法制作的。

AI 和 ML 支持的推荐系统

推荐引擎的未来将由基于人工智能和机器学习的系统统治。

这是因为基于人工智能的推荐系统更加个性化，可以轻松接触潜在客户。他们还可以比传统系统更快地提出建议，节省搜索产品所需的时间和精力，提高转化率，从而推动业务增长。（另请阅读：为什么机器学习理性代理对零售应用程序如此重要？）

基于人工智能的推荐系统有何不同？到目前为止讨论的大多数推荐方法都是基于线性规则，这意味着它们遵循简单的数学算法。因此，无论用户行为如何，它们始终以相同的方式工作。相比之下，基于人工智能的推荐系统遵循非线性规则，而是使用机器学习算法来推荐最合适的产品/内容。

基于人工智能的系统的两个关键方面是定制和自动化。

定制化

定制是任何推荐系统成功的关键；而且基于人工智能的系统比传统的推荐系统准确得多。

这是因为机器学习算法在分析数据和预测建议方面非常有效。此外，基于人工智能和机器学习的系统不断学习，使它们能够随着时间的推移而改进并产生更好的输出。

自动化

自动化在基于人工智能的推荐解决方案中发挥着另一个重要作用。组织可以自动化推荐过程中必要的机械步骤，以在更短的时间内产生更好的结果。

在基于人工智能的自动化推荐系统中，基于人工智能和/或机器学习的系统执行实时数据分析，而自动化则负责其余工作。

数据科学在开发基于人工智能的推荐系统中发挥着非常重要的作用。

结论

随着数字时代的发展，用户的选择范围越来越广，导致数字营销领域的竞争更加激烈。因此，推荐系统正在帮助用户获取他们想要的产品。

推荐系统成功的关键是了解客户的想法以及他们对特定产品和内容的倾向。在某种程度上，传统的推荐系统在推荐项目方面是成功的。但人工智能和机器学习驱动的系统有可能使它们变得更加高效和个性化。