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