Bagaimana Mesin Rekomendasi Produk AI Benar-Benar Memilih Apa yang Ditampilkan

Rekomendasi berbasis konten: membandingkan apa produk itu

Sistem berbasis konten merekomendasikan produk dengan membandingkan fitur sebenarnya — kategori, bahan, kisaran harga, tag deskriptif — terhadap apa yang sudah ditunjukkan minatnya oleh pembeli tertentu. Jika seseorang melihat sepasang sepatu bot hiking tahan air, sistem berbasis konten mencari produk lain yang berbagi atribut relevan: alas kaki tahan air lainnya, peralatan hiking lainnya, barang dalam kisaran harga serupa.

Pendekatan ini biasanya bergantung pada informasi pembeli tunggal itu sendiri alih-alih mengandalkan apa yang telah dilakukan komunitas pelanggan yang lebih luas, yang membuatnya lebih dapat diprediksi tetapi juga lebih terbatas — ia cenderung merekomendasikan hal-hal yang mirip dengan apa yang sudah dilihat seseorang, yang bisa berarti lebih sedikit variasi bagi pembeli yang menjelajah.

Collaborative filtering: membandingkan apa yang dilakukan orang

Collaborative filtering bekerja secara berbeda. Dokumentasi Google tentang pendekatan ini menggambarkannya sebagai penggunaan kesamaan antara pengguna dan item secara bersamaan, dipelajari dari pola dalam perilaku komunitas alih-alih dari fitur produk individu mana pun. Dalam praktiknya: jika pelanggan yang membeli sepatu bot hiking yang sama dengan pembeli Anda saat ini juga sering membeli peta jalur tertentu atau kaus kaki hiking, sistem merekomendasikan item tersebut — bukan karena mereka berbagi fitur yang jelas dengan sepatu bot, tetapi karena orang dengan pola pembelian serupa membeli keduanya.

Ini bisa menghasilkan jenis rekomendasi yang menyenangkan dan tak terduga yang jarang dihasilkan sistem berbasis konten, karena ia tidak terbatas pada item yang berbagi fitur permukaan. Trade-off-nya adalah ia membutuhkan data perilaku nyata untuk bekerja sejak awal. Penyedia cloud besar mencerminkan pembagian yang sama ini dalam cara mereka membangun alat rekomendasi: dokumentasi Amazon sendiri untuk layanan Personalize-nya menggambarkan dukungan untuk algoritma collaborative dan berbasis konten berdampingan, alih-alih memperlakukan satu sebagai pengganti universal yang lain.

Masalah cold-start yang harus direncanakan toko kecil

Kelemahan inti collaborative filtering adalah yang dikenal sebagai masalah cold-start: ia tidak bisa merekomendasikan secara berarti produk yang belum memiliki riwayat pembelian atau interaksi, dan memiliki sedikit bahan untuk dikerjakan bagi pengunjung yang benar-benar baru yang perilakunya tidak tercatat. Bagi toko kecil atau lebih baru dengan katalog terbatas dan traffic sederhana, ini bukan kasus tepi hipotetis — ini adalah situasi normal untuk sebagian besar produk dan pengunjung.

Di sinilah tepatnya pendekatan berbasis konten, atau sistem campuran yang kembali ke fitur produk ketika data perilaku tipis, cenderung bekerja lebih andal untuk katalog yang lebih kecil. Mesin rekomendasi collaborative filtering murni yang disetel untuk peritel bertraffic tinggi mungkin hanya memiliki terlalu sedikit data untuk dikerjakan pada toko yang lebih kecil — keterbatasan cold-start yang sama yang digambarkan perbandingan akademis kedua pendekatan sebagai salah satu kelemahan collaborative filtering yang paling konsisten didokumentasikan.

Apa yang sebenarnya harus dipertimbangkan saat mengevaluasi aplikasi rekomendasi

Tanyakan pendekatan apa yang sebenarnya digunakan aplikasi, karena vendor tidak selalu memimpin dengan detail ini, dan kecocokan yang tepat benar-benar bergantung pada ukuran katalog dan traffic. Toko yang lebih besar dengan volume transaksi yang berarti per produk dapat mendapat manfaat dari kemampuan collaborative filtering untuk mengungkap koneksi yang tidak jelas. Toko yang lebih kecil atau lebih baru sering lebih baik dilayani oleh pendekatan berbasis konten atau campuran yang tidak bergantung pada data perilaku yang belum dimiliki toko.

Perlu juga diingat apa yang tidak bisa dilakukan sistem ini: ia hanya beroperasi pada pengunjung yang sudah ada di situs Anda. Ia tidak berpengaruh pada apakah asisten AI merekomendasikan toko Anda kepada seseorang yang belum menemukan Anda — itu masalah terpisah yang memerlukan solusi terpisah, dibahas dalam panduan kami tentang personalisasi AI versus visibilitas AI.

FAQ