Zsoft: Пример
     
 
Компания Zsoft
О компании
Партнёры
Заказчики
Услуги
Вакансии

Data Mining
Введение
Применение
Пример
Стандарты
Глоссарий

Продукты
Библиотека Xelopes:
О продукте
Применение
Лицензия
Документация
Демо

3D визуализатор Exero
О продукте

Визуализатор Recomendation Engine
Демо

Пример



Рекомендательная система для сайтов электронной коммерции.
Каждый раз, когда мы сталкиваемся с проблемой выбора, не обладая для этого достаточными знаниями, рекомендации эксперта могут сыграть решающую роль. Это простую мысль давно и вполне успешно эксплуатируют на предприятиях розничной торговли, где существует должность продавцов-консультантов. Рекомендации консультантов, если не учитывать некоторого субъективного фактора, опираются как на знание рейтингов товаров, так и на опыт, говорящий о том, какие товары часто приобретаются вместе. Приведем пример. Покупая в книжном магазине издания по малоизвестной вам теме, вы, очевидно, выберете бестселлер по этой теме, а также одну или более книг, которые обычно покупают вместе с бестселлером. Важно отметить, что хотя совет о том, что приобрести дает консультант, он просто помнит все предшествующие продажи и, является не более чем посредником между вами и другими покупателями, которые также покупали книги по данной теме и разбираются в ней лучше. Таким образом, их обобщенный опыт дает самую точную рекомендацию и помогает сделать вам правильный выбор.

Лучший способ избежать сомнений при покупке - воспользоваться опытом других покупателей
Рис 1. Лучший способ избежать сомнений при покупке - воспользоваться опытом других покупателей.

В электронной коммерции, всю работу продавца-консультанта выполняет рекомендательная система. Ею оснащены практически все крупные Интернет магазины. Например, на Amazon (
www.amazon.com), вместе с информацией о любом товаре всегда появляется рекомендация о том, что еще связанного с этим товаром можно приобрести: "Customers who bought this book also bought: book1, book2,..." (Пользователи, купившие эту книгу также покупают книгу1, книгу2,…). Статистика показывает, что такие рекомендации не только помогают пользователям сайта в поисках нужного им товара, но и обладают огромной убеждающей силой, что стимулирует дополнительные продажи. Таким образом, рекомендательная система является весьма эффективным маркетинговым инструментом. С одной стороны, она увеличивает привлекательность сайта Интернет магазина, предлагая более высокий уровень обслуживания. С другой стороны, рекомендательная система непосредственно увеличивает товарооборот, поскольку значительная часть товаров покупается именно по рекомендации.

Рекомендательная система в крупнейшем онлайновом магазине Amazon.
Рис 2. Рекомендательная система в крупнейшем онлайновом магазине Amazon.

Как было отмечено выше, рекомендательная система повторяет модель поведения опытного продавца-консультанта. Для этого ей, прежде всего, необходима память, т. е. информация о продажах магазина за достаточно большой промежуток времени. Автоматически обрабатывая эти данные, программный код рекомендательной системы выявляет все закономерности в покупках. Например, обнаруживается, что товары A и B, одновременно присутствуют более чем в 30% всех покупок. Или же, что в 80% покупок, где содержатся одновременно товары A и B, также присутствует товар C. Последние данные имеют уже несомненную ценность, поскольку если покупатель положил в свою корзинку A и B, то, скорее всего, его также заинтересует товар C. Теперь осталось только порекомендовать этот товар, возможно сделав его более привлекательным за счет небольшой скидки, и ожидать, что покупатель также его купит.

Задача обнаружения таких закономерностей или правил в покупках называется анализом рыночных корзин или ассоциативным анализом. Поиск наиболее эффективных способов решения этой задачи, составляет одно из основных направлений Data Mining. Входными данными для ассоциативного анализа являются данные о покупках, регистрируемые любым онлайновым или обычным магазином. Из этих данных необходимо извлечь все часто встречающиеся наборы товаров. Для этого, алгоритму ассоциативного анализа задают значение частоты, т. е. минимальное количество корзин, в которых должен встретится искомый набор (support). Чтобы найти наиболее информативные ассоциативные правила, т. е. правила выраженные в виде зависимости A,B=>C задают минимальное значение confidence. Это отношения количества наборов товаров, где встречается одновременно A, B и C к количеству наборов, где встречается только левая часть правила - A и B. Очевидно, что значение confidence показывает, насколько обоснованной будет рекомендация купить товар C, если в корзине одновременно лежат A и B. Если confidence низкий, то из A и B может, даже с большей вероятностью, следовать какой-нибудь иной товар. Другим параметром ассоциативного анализа является lift. С помощью lift можно исключить правила, где правая часть встречается в целом ряде других часто встречающихся наборов данных и, таким образом, C может быть как следствием A и B, так и следствием множества других сочетаний. Только правильно подобрав указанные параметры можно выявить наиболее информативные и полезные правила. Алгоритмы ассоциативного анализа, разработанные компанией ZSoft, на сегодняшний день являются одними из самых мощных на рынке продуктов Data Mining. А средства визуализации ZSoft позволяют быстро исследовать полученные данные и отбирать только информативные результаты.
В настоящее время программное обеспечение компании ZSoft для рекомендательных систем используется в целом ряде Интернет-магазинов Германии (www.hse24.de, ?www.westfalia.de).

Анализ рыночных корзин в системе Xelopes ZSoft
Рис 3. Анализ рыночных корзин в системе Xelopes ZSoft.

Результаты, полученные в результате ассоциативного анализа, могут быть использованы не только для онлайновой рекомендательной системы. Очевидно, что они содержат весьма ценные для маркетинга сведения, которые невозможно получить никаким другим способом, кроме как используя инструменты Data Mining. Эти сведения позволяют грамотно составлять каталоги товаров или оптимально спланировать размещение товаров на полках обычного магазина (merchandising). Другим способом повышения эффективности использования ассоциативного анализа и рекомендательной системы, является расширение последней для более гибкого продвижения товаров. Другими словами, систему можно настроить так, что для выдачи рекомендаций будут использоваться не только автоматически полученные правила, но и указания эксперта. Таким образом, можно стимулировать продажу менее популярных товаров и проводить небольшие рекламные компании.





Выбрать язык

Ссылки
Третье издание
Второе издание