Vi tilbyr løsninger tilpasset din bransje. Velg din bransje og lær hvordan vi kan bidra til å transformere virksomheten din.
10 min read • Sep 15, 2021
De fleste av oss har opplevd at Netflix vet hvilke filmer vi har lyst til å se på. Eller å ha brukt for mye penger i en nettbutikk, selv om vi bare hadde planlagt å kjøpe én ting. Eller å ha hørt på musikk på YouTube og plutselig fått anbefalt et veldig kult band fra Island, som virkelig falt i smak. Da begynner vi å lure på hvordan disse maskinene har blitt så smarte at de skjønner hva vi liker? Svaret er at all magien som skjer i det skjulte, gjøres ved hjelp av maskinlæring, eller mer konkret av anbefalingssystemer som bruker algoritmer til å finne lignende ting og lignende kunder basert på atferd, slik at de kan anbefale ting som kundene sannsynligvis kommer til å like.
Anbefalingssystemer er svært populære og effektive verktøy i detaljhandelen. Med anbefalingssystemer blir det enklere for kundene å finne ting de liker. De får også forslag om ting de aldri har tenkt på, men som passer perfekt for dem. I forbindelse med et av prosjektene våre for en skoprodusent utviklet vi derfor BE-ternas analyseplattform for kundeatferd, som lar kundene profilere kunder og bruke et anbefalingssystem.
Fordelene: Analyser av kundeatferden
Kundeatferden analyseres for å forstå hvilken type kunden er, hva kunden liker, hva kunden ikke liker, hvordan kunden samhandler med produktene, kundeverdien og så videre. Når vi finner disse variablene, kan vi forutse kundens fremtidige behov.
De viktigste fordelene med et system for å analysere kundeatferden inkluderer følgende:
Den viktigste fordelen kan oppsummeres med to ord – økt salg. Ifølge McKinsey kommer 35 prosent av alle kjøp på Amazon og 70 prosent av alle kjøp på Netflix fra anbefalingssystemet, og da disse selskapene begynte å bruke anbefalingssystemer, opplevde de en betydelig økning i salget. (ref. 1) Under koronapandemien valgte mange å åpne nettbutikk, digitalisere virksomheten og tilpasse forretningskulturen etter den nye og unike hverdagen. Ifølge rapporter økte netthandelen med mer enn 30 prosent i USA i 2020 (figur 1). (ref. 2) Det gir enorme datamengder som kan utforskes og brukes til å lage systemer for maskinlæring.
Figur 1: Sammenligning av økningen i netthandel i USA i 2019 og 2020
Den andre fordelen er bedre kundeforståelse. Det er her profilering av kunder kommer inn i bildet. Ved å profilere kundene får vi en bedre forståelse for deres atferd, og følgelig også for behovene deres. Med andre ord kan vi oppfylle kundenes behov, noe som fører til bedre kundetilfredshet og lojalitet. I tillegg til mer fornøyde kunder kan vi enkelt lage automatiserte markedsføringskampanjer som er tilpasset basert på kundeanalyser.
Den neste fordelen er en mye bedre strategi for long tail-produkter. Begrepet long tail brukes om nisjeprodukter og produkter som er vanskelige å finne fordi de er veldig konkrete og unike. Det er også vanligvis få kunder som er interessert i dem. Fra kundens perspektiv vil verktøy som anbefalingssystemer, gjøre det enklere å finne produkter som de ikke har tenkt på, og som de ikke ellers ville hatt tilgang til. Fra leverandørens perspektiv kan denne strategien være svært lønnsom hvis produktene ligger skjult for kundene på et lager. (ref. 3)
For å oppnå disse resultatene trenger vi en infrastruktur og pipeline for dataanalyser og modellering ved hjelp av algoritmer for maskinlæring. Kort forklart består pipelinen av en inndatamodul som er knyttet til en datakilde, og som sender dataene til analysering, samt en modul for å modellere menneskelig atferd. I denne modulen behandles dataene, for eksempel ved å rense og forhåndsbehandle dem, og det lages også modeller for datasegmentering og anbefalinger. Resultatene fra modellene presenteres som flere dashbord i Power BI. Pipeline for høyt nivå presenteres i figur 2.
Figur 2: Pipeline på høyt nivå for analyseplattform for kundeatferd
Profilering av kunder
Kundene profileres ved at de segmenteres i klynger med liknende atferd basert på forskjellige parametere fra dataene, for eksempel antall kjøpte produkter, verdien av de kjøpte produktene, antall returnerte produkter, type produkter som ble kjøpt, og så videre. Segmentering handler til syvende og sist om å gruppere etter atferdslikhet. Inndataene for segmentering er parametere som vi ønsker å finne liknende grupper for. Resultatet er antallet liknende grupper, samt regler for hvordan en egenskap havner i hver gruppe. I tillegg kan vi tildele verdier til hvert segment basert på segmentering og bruke den som en numerisk verdi (poengsum) for segmentet. Forskjellige segmenter kan kombineres som likeverdige eller i henhold til tildelt viktighet for å skape verdi for kundene. Flere segmenter per egenskap gir en mer finspisset profil for egenskapen, siden vi får forskjellige synspunkter, noe som igjen fører til mer innsikt om egenskapen (kunde, produkt, merke, butikk og så videre). Derfor er kundeprofilen den viktigste parameteren for videre anbefalinger.
Du finner et eksempel på segmenteringsflyten i figur 3. Der ser vi kunder etter parametrene Antall kjøpte produkter (x-aksen) og Fortjeneste på kjøp (y-aksen). Kundene kan deles i tre grupper. Vi har tre segmenter som vi har tildelt viktighet og poengsum:
Det er flere måter å implementere anbefalingssystemer på. I dette eksempelet bruker vi en hybridmodell som består av følgende:
Samarbeidsorientert filtrering er en tilnærming som er basert på en antakelse om at brukere som har kjøpt liknende produkter tidligere, også er interessert i nye produkter. La oss se på et eksempel med to kunder – Lars og Lisa (figur 4). Hvis Lisa kjøpte produktene A og B, og Lars kjøpte produktene A, B og C, betyr det at hvis Lars og Lisa allerede har kjøpt to like produkter, er det stor sannsynlighet for at Lisa også kommer til å være interessert i produkt C. Med en tilnærming basert på samarbeidsorientert filtrering betyr det at vi kan anbefale produkt C til Lisa. Samarbeidsorientert filtrering har også noen velkjente utfordringer. Den største er knyttet til kaldstart. Når det dukker opp et nytt produkt, har det ingen interaksjoner. Det betyr at det aldri vil dukke opp som en anbefaling.
En annen vanlig tilnærming som jevner ut svakheter i den samarbeidsorienterte filtreringen, er en innholdsbasert modell. Innholdsbasert modell er basert på en antakelse om at det kunden sannsynligvis i fremtiden kommer til å like/kjøpe, er produkter som kunden har likt/kjøpt tidligere. Den bruker metainformasjon om produkter samt en profil med kundens foretrukne valg. La oss bruke Jorunn som eksempel. Hun kjøper ofte klær på nett (figur 5). De siste månedene har Jorunn kjøpt flere produkter på nett. Først kjøpte hun et rosa skjørt. Et par dager senere kjøpte hun en rosa T-skjorte, og deretter kjøpte hun rosa høyhælte sko og en rosa hatt. Det er tydelig at Jorunn liker rosa klær, siden alle produktene har det til felles. Det er stor sannsynlighet for at Jorunn kommer til å like rosa kjoler bedre enn svarte eller blå, og til og med mer enn andre produkter. Basert på en innholdsbasert tilnærming bør vi derfor anbefale en rosa kjole til Jorunn. Men den innholdsbaserte modellen har også utfordringer knyttet til kaldstart. Når det dukker opp en ny bruker, har ikke vedkommende kjøpt noe tidligere.
Vi lagde prototyper av anbefalingssystemer basert på en hybridtilnærming, og vi finjusterte hyperparametere for å oppnå de beste resultatene. Utviklingen ble gjennomført trinnvis ved å inkludere flere funksjoner i modellen underveis og undersøke resultatene. Vi delte dataene inn i opplærings- og testsett. Opplæringsdata ble brukt til å lage en modell, og deretter kontrollerte vi modellens ytelse basert på testdata. Anbefalingssystemer kan evalueres på flere måter, og vi brukte ROC AUC-målingen (Receiver Operating Characteristics Area Under Curve), der den beste poengsummen er 1.
Som ved AI-basert prosjektimplementering, er en god brukeropplevelse helt avgjørende for at brukeren skal få tillit til systemet. Brukergrensesnittet er utviklet som en Power BI-app. I Power BI kan en bruker se kontrollerte inndata, segmenteringer basert på forskjellige parametere, kontrollere kundepoengsummer og ikke minst se anbefalingene.
Det er to måter å samhandle med anbefalinger på. Den ene er basert på hvilke produkter vi bør anbefale til kunde A (figur 6a). I dette tilfellet velger vi ut én kunde, og i tabellen til venstre ser vi de anbefalte produktene for kunde A.
Den andre måten å bruke appen på, er basert på hvilke kunder jeg bør anbefale produkt X til (figur 6b). I dette tilfellet kan vi velge ut ett anbefalt produkt, og i tabellen under ser vi kundene vi bør anbefale dette produktet til for å øke sannsynligheten for å få et salg.
Segmentering kan brukes i forbindelse med tilpasset markedsføring. Ved hjelp av segmentering kan en bruker lage tilpassede tilbud for forskjellige kundegrupper basert på gruppenes preferanser. La oss ta en titt på et eksempel fra skobransjen i figur 7. I dette tilfellet foretrekker det ene kundesegment sportslige produkter. Derfor får de tilbud eller rabatt på slike produkter. Det andre segmentet liker mer klassiske modeller, og de får tilbud om det. Det tredje segmentet kan være kunder med barn, og derfor får de tilbud om sko til barn. Deretter kommer segment nummer fire, fem, seks og så videre, som alle har unike egenskaper og preferanser.
Vi har beskrevet potensialet i BE-ternas analyseplattform for kundeatferd for netthandel samt hvor effektive anbefalingene er når det gjelder å gi fordeler for nettbutikker. Det potensielle bruksområdet for slike systemer utvikles stadig. De kan brukes til tilpasset markedsføring, nettannonser, til å finne det beste tilbudet for kunder, gi rabatter, anbefale det nest beste tilbudet, finne produkter som ofte kjøpes sammen, slik at man kan oppnå mersalg, og mye, mye mer.
Trendene går mot en større grad av digitalisering og bruk av nettbasert teknologi, og derfor må alle butikker som ønsker å følge trendene, bruke anbefalingssystemer i nettbutikkene sine.
Hvis du foretrekker å se istedenfor å lese, kan du se videoen om temaet «Hvordan finner maskiner ut hva vi ønsker oss?»
