Sistemi za preporuku i sledeća najbolja ponuda dve su vrlo rasprostranjene i uspešne primene mašinskog učenja u sektoru prodaje i menadžmentu kampanja. Algoritmi mašinskog učenja u sistemima preporuke klasifikuju se u dve kategorije – jedna kategorija je zasnovana na sadržaju, a druga kategorija na kolaboraciji. Kategorija zasnovana na sadržaju ogleda se u izračunavanju sličnosti između predmeta, a kategorija zasnovana na kolaboraciji u sličnosti između interakcija.
Kolaborativna kategorija je zastupljenija pošto omogućava otkriće novih sadržaja različitih od predmeta za koje je zabeleženo da ih je korisnik upotrebljavao u prošlosti. Ova metoda radi sa matricom interakcije, odnosno matricom rejtinga, prilikom koje korisnici daju eksplicitnu ocenu stavki. Zadatak mašinskog učenja – naučiti funkciju koja predviđa korisnost predmeta za svakog korisnika. Matrica je obično ogromna, veoma retka i većina vrednosti nedostaje. Najjednostavnija funkcija izračunava kosinusnu korelaciju korisnika ili sadržaja i preporučuje sadržaj u kome su uživali najbliži susedi. Greška treniranja se dobija upoređivanjem ocena sa predviđenim ocenama. Može se regulisati gubitak u trening skupu dodavanjem penala preko niskih vrednosti latentnih vektora. Matrica rejtinga se može obraditi neuronskom mrežom, što je slično matričnoj faktorizaciji, a naziva se autoenkoder. Neuronska mreža se može koristiti i za obrađivanje atributa sadržaja, tako da može kombinovati pristup zasnovan na sadržaju i kolaborativni pristup.
Postoje mnoge vrste sistema za preporuku, a najrasprostranjeniji su u sektoru prodaje, video on demand sektoru i streamingu muzike. Kako bi se razvili i održali sistemi preporuka, kompanija grupiše tipične podatke koje ima u svom DWH ili Data Lake sistemu, međutim obično se pored DWH podataka prikupljaju i podaci iz drugih dostupnih izvora.
Mnoge korporacije koje koriste ovu vrstu mašinskog učenja obično outsourceuju podatke i usluge. Kada se kreira sistem za preporuku, teži se tome da se mašinsko učenje što više prilagodi poslovnim potrebama u više domena i time se ostvaruje mogućnost za personalno targetiranje korisnika prilikom menadžmenta kampanja.
Sledeća najbolja ponuda poznata je kao sledeća najbolja akcija i to je specijalan slučaj sistema za preporuku. Kako bi se osigurala pozitivna reakcija, potrebno je kreirati
inteligentan sistem odlučivanja kojim upravljaju centralizovani, naučeni ekspertski sistemi koji u obzir uzimaju sve dostupne informacije o kupcima, kontekst, vrednost i predikcije, čime se arbitrira najbolja interakcija i paket odluka.
Marketinška odeljenja su tradicionalno organizovana kao pogoni za prodaju putem masovnih kampanja i bulk poruka, čime se gubi personalizovanost poruka i individualnost komunikacije sa kupcima. Statistika pokazuje da je u nekim industrijama, kao što je telekomunikaciona, drastično poraslo interesovanje za personalizovane kampanje, a to je podstaklo donosioce odluka da primene što sofisticiranije metode analize kupaca. Telekomunikacione kompanije se prilagođavaju modelu gde je životni ciklus korisnika maksimizovan, čime se kupac postavlja u primarni fokus, a ne proizvod. Gartner analiza je pokazala da je najbolja paradigma marketinga skup koji obuhvata analize u realnom vremenu, personalizovanu komunikaciju sa kupcima i analize ponašanja kupaca. Ovakav pristup dovodi do gotovo maksimalne lojalnosti kupaca, što je cilj svih tržišno orijentisanih kompanija.
Algoritam sledeće najbolje akcije razmatra različite akcije, rangira ih po nekom kriterijumu, dodeljuje im težinske koeficijente i izračunava buduću najbolju akciju za pojedinačnog kupca. Algoritmu je potrebno definisati kroz određene karakteristike najbolje interese i potrebe kupca, ali i karakteristike poslovnih ciljeva. Modeli sistema za preporuku i sledeće najbolje akcije su alati koji već određeno vreme upravljaju kampanjama, a rezultati pokazuju da će se marketinška odeljenja i u budućnosti oslanjati na ovaj tip data mining algoritama. Nauka o podacima pokazuje svoju snagu i kroz ovaj aspekt poslovanja, čime je postala neprikosnovena i neophodna u svakom ozbiljnijem sektoru analize.
Autor: dr Stefana Janićijević