Vi skaber resultater. Start din digitale transformationsrejse i dag og opdag hvad der er muligt for din virksomhed i morgen.
Vi tilbyder løsninger som er skræddersyet til din industri. Læs hvordan vi kan hjælpe dig med at transformere din virksomhed.
9 min read • Sep 15, 2021
De fleste af os kan relatere til når Netflix ved, hvilke film vi gerne vil se næste gang, og vi bruger de næste 3 timer på at se Netflix-film. Eller hvis, hvor vi bruger alt for mange penge på nethandel, selvom vi kun ville købe én ting. Eller et øjeblik, hvor vi begynder at lytte til sange på YouTube, og playlisten tager os til et meget sejt islandsk band, vi med det samme kan lide. Så derfor opstår spørgsmålet – hvordan er disse maskiner blevet så smarte, at de på magisk vis ved, hvad vi vil have? Svaret er – al den magi, der sker bag kulisserne, sker ved machinelearning, eller mere specifikt, recommendation systemer, der bruger algoritmer, til at finde lignende varer og lignende kunder baseret på deres adfærd og anbefale varer, som den specifikke kunde kunne lide.
Recommendation systemer er et meget populært og effektivt paradigme i detailhandel. Med et recommendation system kan kunder finde varer, de kan lide, med mindre indsats. Desuden bliver de præsenteret for varer, de aldrig har tænkt på at købe, men som faktisk passer til deres behov. Derfor har vi som en del af et af vores projekter for en skovirksomhed udviklet BE-ternas kundeadfærdsanalyseplatform, som giver kunderne kundeprofilering og recommendation system.
Et recommendation system er et værktøj, der bruger en række algoritmer, dataanalyse og kunstig intelligens (AI) til at komme med anbefalinger online."
Fordelene: Analyse af kundeadfærd
Kundeadfærdsanalyse fokuserer på at forstå typen af kunder; hvad kan de lide, hvad kan de ikke lide, hvad er deres interaktionsmønster med varerne, kundeværdi osv. Hvis vi formår at modellere disse aspekter af en kunde, kan vi forudse deres fremtidige behov.
De vigtigste fordele ved et kundeadfærdsanalysesystem er:
Den største fordel kan udtrykkes med kun tre ord - boost i salget. Ifølge McKinsey er 35% af alle Amazon-køb og 70% af Netflix-køb, drevet af deres recommendation system, og starten på at bruge disse anbefalinger, har øget deres salg markant. (ref. 1)Under COVID-19-pandemien gik mange detailhandlere desuden online, og digitaliserede deres forretninger og herved ændrede deres forretningskultur for at tilpasse sig de nye og evigt skiftende omstændigheder. Ifølge rapporter var væksten i e-handelssalg alene i USA i 2020, mere end 30 % (figur 1). (ref. 2) Dette giver en enorm mængde online data til potentiel udforskning og brug i opbygning af machinlearning systemer.
Den anden fordel kommer fra den bedre forståelse af kunderne. Det er den del, hvor kundeprofilering kommer ind i billedet. Ved at profilere kunderne kan vi bedre forstå deres adfærd, og dermed bedre forstå deres behov, eller med andre ord opfylde deres behov, som endelig kan belønnes med højere kundetilfredshed og loyalitet. Ud over øget kundetilfredshed kan vi nemt lave automatiserede marketingkampagner og tilpasse dem baseret på kundeanalyse.
Den næste fordel er en meget bedre strategi for varer med long tail. Udtrykket long tail item, refererer til niche og ’svære at finde’- varer, der er meget specifikke og unikke, og som normalt kun har en lille gruppe mennesker, der leder efter dem. Fra en kundes perspektiv giver værktøjer som recommendation systemer det mulighed for at finde produkter uden for deres nærområde, og varer de ellers ikke ville have haft adgang til. Fra en leverandørs perspektiv, hvis de opbevarer varer på et lager, skjult for de kunder, der gerne vil have dem, kan denne strategi blive meget rentabel.(ref. 3)
For at opnå disse resultater har vi opsat infrastrukturen og pipelinen til dataanalyse og modellering med machinlearningsalgoritmer. Kort fortalt er pipelinen sammensat af et inputmodul, der er forbundet til en datakilde og sender dataene til dataanalyse og menneskelig adfærdsmodellering. I dette modul udføres datatransformationer, såsom oprydning og forbehandling, og der bygges datasegmentering og anbefalingsmodeller. Resultaterne af modelleringen sendes til outputtet, præsenteret som flere dashboards i Power BI. Pipelinen på højt niveau er vist i figur 2.
Kundeprofilering udføres ved at segmentere kunder i klynger, som eksemplificerer lignende adfærd, baseret på forskellige parametre, udledt af data; antal købte varer, værdien af købte varer, antal returnerede varer, typer af købte varer osv. Segmentering er i den væsentlige gruppering efter adfærdsmæssig lighed. Input til segmentering er parametre, som vi gerne vil finde lignende grupper til. Resultatet er antallet af lignende grupper, samt regler, efter hvilke en bestemt egenskab falder ind i hver gruppe. Derudover kan vi tildele værdier til hvert segment pr. segmentering og bruge det som en numerisk vægt (score) af segmentet. Forskellige segmenteringer kan kombineres som ligeværdige eller i henhold til tildelte betydningsvægte for at give kundeværdi. Flere segmenteringer pr. egenskab vil give os mere finmaskede profiler af egenskaben, da vi vil få forskellige syn på den og dermed være mere indsigtsfulde omkring egenskaben (kunde, vare, mærke, butik osv.). Kundeprofilen er derfor den vigtigste parameter for yderligere anbefalinger.
Et eksempel på segmenteringsflow er præsenteret i figur 3. Der ser vi kunder efter parametre med et antal købte varer (x-aksen) og en margin optjent på indkøb (y-aksen). Kunder kan opdeles i 3 forskellige grupper. Vi har tre segmenter, som vi tildeler betydning og score:
Der er flere metoder til, hvordan man implementerer recommendation systemer, og i dette tilfælde brugte vi en hybridmodel af:
Kollaborativ filtrering er en tilgang, der bruger den antagelse, at brugere, der har købt lignende varer tidligere, også vil blive enige om nye varer. Lad os se på et eksempel på 2 kunder – Jack og Jill (Figur 4). Hvis Jill købte vare A og B, og Jack købte vare A, B og C, betyder det, at hvis Jack og Jill allerede var blevet enige om 2 varer, er der stor mulighed for, at Jill også gerne vil have vare C. Så pr. filtreringstilgang, vil vi anbefale punkt C til Jill næste gang. På den anden side har kollaborativ filtrering nogle velkendte problemer, hvoraf et stort er et koldstartsproblem. Når et nyt element vises, har det ingen interaktion. Det betyder, at det aldrig vil blive vist under anbefalinger.
En anden almindelig tilgang, der blødgør svagheder ved kollaborativ filtrering, er indholdsbaseret model. Indholdsbaseret model fungerer under den antagelse, at det, kunden kunne lide/købte i fortiden, sandsynligvis ville blive købt i fremtiden. Den bruger metaoplysninger om elementer og en profil af brugerens foretrukne valg. Lad os se på eksemplet med Jelena, som ofte køber sit tøj online (Figur 5). I de seneste måneder har Jelena købt flere varer online. Først købte hun sig en lyserød nederdel, så et par dage senere en lyserød T-shirt, så lyserøde stiletter og så en lyserød hat. Det er tydeligt, at Jelena kan lide lyserødt tøj, som derfor er et fællestræk, alle genstandene deler. Det er højst sandsynligt, at Jelena vil kunne lide en lyserød kjole mere end en sort eller en blå, eller endda en ikke-beklædningsgenstand. Så pr. indholdsbaseret tilgang vil vi anbefale en lyserød kjole til Jelena næste gang. På den anden side har den indholdsbaserede model også et problem med koldstart. Når en ny bruger dukker op, har den ingen tidligere køb.
Vi lavede en prototype på et recommendation system, der bruger hybrid tilgang og finjusterede hyperparametre, der giver de bedste resultater. Vi konstruerede den trin for trin, fodrede flere funktioner til modellen på hvert trin og inspicerede resultaterne. Vi opdeler data i train og testsæt. Traindata blev brugt til at bygge en model, og derefter kontrollerede vi modellens ydeevne på et testdata. Anbefalingssystemer har flere måder at evaluere på, og vi brugte Receiver Operating Characteristics Area Under Curve (ROC AUC) metrik, hvor perfekt score er 1.
Brugergrænseflade: En vej til hurtig softwareadoption
Som i enhver AI-baseret projektimplementering er en god brugeroplevelse afgørende for, at en bruger kan opbygge tillid til systemet. Brugergrænsefladen er bygget som en Power BI-applikation. I Power BI kan en bruger se gennemgang af inputdata, segmenteringer efter forskellige parametre, inspicere kundescore og vigtigst af alt, se outputanbefalinger.
Den anden måde at bruge appen på er fra perspektivet af hvilke kunder jeg kunne anbefale punkt X til (Figur 6b). I dette tilfælde kan vi kun vælge én anbefalet vare, og i den nederste tabel kan du se de kunder, vi bør anbefale denne vare til, for at have en høj sandsynlighed for at generere et salg.
Segmenteringer kan bruges ud fra et personligt markedsføringsperspektiv. Ved at bruge leverede segmenteringer kan en bruger oprette personlige tilbud til forskellige grupper af kunder, baseret på deres præferencer. Lad os se på et eksempel i en skoindustri i figur 7. I dette tilfælde foretrækker et segment af kunder atletiske og sporty genstande, og derfor kan vi give dem et tilbud eller rabat på denne slags genstande; det andet segment kunne godt lide elegante og klassiske modeller, og det er det, vi bør tilbyde dem. Så kan det tredje segment være kunder med børn, så et personligt tilbud til dem ville være børnesko, så er der det fjerde segment efterfulgt af det femte, det sjette osv., hver med forskellige egenskaber og præferencer.
Her præsenterede vi potentialet i BE-ternas kundeadfærdsanalyseplatform for e-handel, og hvor effektive anbefalinger til at give fordele i online detailbranchen faktisk kan være. Den mulige anvendelse af denne slags systemer er stadig voksende og uendelig. De kan bruges i personlig markedsføring, online annoncer, finde de bedste tilbud til kunder, give rabatter, anbefale det næstbedste tilbud, finde varer, der ofte købes sammen til krydssalg, og mange, mange flere.
Alt i alt, med tendenser, der skifter i retning af højere digitalisering og vækst af online-teknologier, er det et must for enhver detailvirksomhed at følge med tendenserne for brugen af recommendation systemer i online-detailhandelen.
Hvis du foretrækker at se frem for at læse, så se vores video om dette emne "Hvordan finder maskiner ud af, hvilke ting vi vil have?"
Referencer:
Tilmeld dig vores nyhedsbrev, og få relevante updates
