Cara kerja Sistem rekomendasi

Cara kerja Sistem rekomendasi – Jutaan dollar per tahun. Itulah perkiraan Chief Product Officer Netflix, Neil Hunt, yang dihemat perusahaan per tahun berkat sistem rekomendasi global mereka. Dari raksasa teknologi seperti Netflix hingga Amazon hingga YouTube, perusahaan di seluruh dunia menyadari pentingnya mesin rekomendasi untuk menjaga basis pelanggan mereka tetap terlibat dan konversi mereka tinggi.

Konsep Mesin Rekomendasi

Mari kita sedikit lebih jelas tentang konsep mesin rekomendasi dan bagaimana mereka digunakan. Mari kita ambil Tokopedia sebagai contoh. Setiap kali Anda membeli sesuatu di Tokopedia, di bawah produk, tentu kalian akan melihat judul ‘Orang yang Membeli Barang Ini Juga Membeli …’ (atau sesuatu seperti itu) dengan pilihan produk di bawahnya.

Rekomendasi tersebut dibuat secara otomatis oleh mesin keputusan yang berada di bagian belakang platform. Intinya, mesin rekomendasi adalah mesin keputusan otomatis yang mengevaluasi kesamaan antara orang (yaitu “pengguna”) dan/atau item untuk membuat rekomendasi tentang item apa yang cocok bersama.

Metode yang mendasari di balik mesin rekomendasi dapat digunakan untuk berbagai aplikasi, tetapi aplikasi yang paling umum sering kali adalah e-niaga. Dalam aplikasi ini, mesin rekomendasi mengidentifikasi item yang memiliki kecenderungan tinggi untuk dikonsumsi pengguna, dan merekomendasikan item tersebut hanya kepada pengguna yang paling tepat.

Mesin Rekomendasi memungkinkan perusahaan untuk meningkatkan rasio konversi secara signifikan dengan mengotomatiskan identifikasi dan rekomendasi produk terkait. Dalam e-niaga, menjadi win-win solution, di mana pembeli puas karena mereka mendapatkan kombinasi produk yang ideal, dan penjual senang karena mereka menikmati lebih banyak penjualan dan ROI yang lebih tinggi.

Cara Kerja Mesin rekomendasi

Mesin rekomendasi menggunakan penyaringan kolaboratif. Seperti namanya, pemfilteran kolaboratif menggunakan data dari orang lain (atau “pengguna” di platform) untuk membuat prediksinya. Pemfilteran kolaboratif dapat bekerja dengan beberapa cara berbeda. Salah satu cara yang mungkin untuk menggunakan algoritme pemfilteran kolaboratif adalah dengan ‘memfilter’ pembelian serupa yang dilakukan pengguna di masa lalu untuk menghasilkan dan kemudian merekomendasikan daftar item yang digabungkan dengan baik. Dalam contoh ini, item yang tidak sering dibeli bersamaan akan dikeluarkan dari daftar, dan mesin akan membuat rekomendasi dari kumpulan item terakhir yang memiliki riwayat pembelian bersama. Ada 2 Jenis Algoritma Pemfilteran Kolaboratif –

• User-based collaborative filtering systems – Pemfilteran kolaboratif berbasis pengguna. Mesin rekomendasi berbasis pengguna merekomendasikan film berdasarkan apa yang telah ditonton dan disukai pengguna lain dengan profil serupa di masa lalu. Sebagai contoh rekomendasi berbasis pengguna, bayangkan ada penggemar film besar yang suka menonton film secara teratur, biasanya setiap Jumat malam. Dia seorang pria yang belum menikah dan seorang profesional yang bekerja. Seorang pemberi rekomendasi berbasis pengguna akan masuk dan mencari rekomendasi film berdasarkan apa yang disukai pria profesional yang belum menikah yang menonton film secara teratur.
• Item-based collaborative filtering systems – Pemfilteran Kolaboratif Berbasis Item. Rekomendasi berdasarkan item akan membuat rekomendasi berdasarkan kesamaan antara film; dengan kata lain, ini akan merekomendasikan film yang mirip dengan yang sudah disukai pengguna. Katakanlah kalian menonton film ‘Kung Fu Panda’ dan kalian sangat menyukainya sehingga memberinya rating lima bintang. Sistem penyaringan kolaboratif berbasis item kemudian akan melihat film serupa dari genre yang sama (mungkin animasi, pertarungan, komedi, atau film dengan alur cerita yang serupa) dan kemudian merekomendasikan film serupa berdasarkan preferensi yang kalian tampilkan saat memberikan ‘Kung Fu Panda’ lima bintang.

Faktanya, sistem penyaringan kolaboratif berbasis item bahkan dapat membuat rekomendasi berdasarkan berbagai elemen umum, seperti film tentang panda, film dari produser yang sama, sutradara, dll…kemungkinannya benar-benar tidak terbatas! Dalam kasus Kung Fu Panda, kemungkinan besar ‘Kung Fu Panda 2’ dan ‘Kung Fu Panda 3’ akan disarankan kepada pengguna, diikuti oleh kasus lainnya.

Alih-alih hanya melihat berapa kali sebuah film ditonton, kita sebenarnya harus memperhitungkan peringkat yang diberikan setiap pengguna pada film tersebut (alias; “data peringkat film”). Dengan melakukan ini, kita dapat melihat film apa yang telah dinikmati oleh pengguna serupa dan menggunakan data tersebut untuk memfilter rekomendasi film yang sesuai. Sekarang, rekomendasi hanya akan menyertakan film yang dinilai tinggi oleh pengguna lain yang serupa.

Cara mesin Rekomendasi dalam kehidupan nyata biasanya cukup kompleks. Mereka hampir selalu menggabungkan dua teknik kolaboratif yang telah kita bahas di atas. Mesin rekomendasi misalnya,

• menyarankan film berdasarkan apa yang telah dinikmati pengguna lain dengan profil serupa,
• lalu selanjutnya memesan rekomendasi berdasarkan seberapa mirip film tersebut dengan film yang terakhir kalian tonton.

Maksud saya di sini adalah bahwa semua mesin rekomendasi memiliki utilitasnya sendiri dalam situasi yang berbeda, jadi keputusan tentang logika terbaik tetap membutuhkan seorang data scientist dalam melakukan penalaran yang solid dan strategi yang sama saat merencanakan inisiatif.

Bagaimana memilih algoritma machine learning yang cocok?

Kedua metode rekomendasi yang kami diskusikan di atas (sistem penyaringan kolaboratif berbasis pengguna dan sistem penyaringan kolaboratif berbasis item) dapat menggunakan pengelompokan sebagai backbone nya, meskipun ada algoritme pembelajaran mesin lain yang mungkin lebih cocok untuk pekerjaan itu.

Algoritma clustering memungkinkan kita untuk mengelompokkan pengguna dan item berdasarkan kesamaan, jadi ini sangat cocok saat membuat mesin rekomendasi. Cara lain untuk membuat rekomendasi mungkin dengan fokus pada apa yang berbeda antara pengguna dan/atau item.

Sistem Rekomendasi berbasis content

Ada satu lagi jenis sistem rekomendasi yang belum kita gunakan yaitu sistem rekomendasi berbasis konten. Rekomendasi berbasis konten adalah pendekatan alternatif yang dapat kalian gunakan jika tidak memiliki banyak data yang tersedia. Namun, kecepatan pemberi rekomendasi berbasis konten sebagian besar berkorelasi dengan ukuran dataset, sehingga tidak cocok untuk dataset yang besar.

Satu keuntungan bagi pemberi rekomendasi berbasis konten? kalian dapat menggunakannya untuk mulai merekomendasikan item baru yang masih belum memiliki peringkat pengguna biasanya produk yang baru di release sehingga rating belum ada sama sekali.

Meskipun demikian, sistem penyaringan kolaboratif masih memiliki banyak keunggulan dibandingkan pemberi rekomendasi berbasis konten. Keuntungan ini meliputi:

1. Dapat menangani kumpulan data dimensi tinggi yang besar.
2. Dapat menyarankan item khusus (item yang populer hanya di antara segmen pengguna tertentu).
3. Dapat menyarankan item yang mungkin berasal dari kategori produk yang sama sekali berbeda.

Berdasarkan jenis data yang kalian miliki, sistem pemfilteran kolaboratif dapat menyarankan item yang dibeli oleh pengguna serupa, hanya bergantung pada peringkat mereka untuk item tersebut.

Ref:

Home