Algoritmy umělé inteligence mohou firmám ušetřit čas, usnadnit fungování i zautomatizovat procesy. Motivací jejich využívání může být prostor pro vlastní růst či větší konkurenceschopnost. Typickými příklady použití AI v průmyslu jsou například predikce poruchy strojů, odhalení „zmetků“ pomocí optických kontrol nebo pomocí dat z kontrolních bodů, chatboti či doporučovací algoritmy v e-shopech. Velkým trendem je i personalizace, tedy skutečné zacílení a úprava obsahu podle uživatele platformy či návštěvníka webu. A právě na personalizaci a využití rekomendačních systémů se podíváme blíže.

Relevantní obsah – spokojený zákazník

Rekomendační systémy (RS) jsou dnes základními službami používanými ve všech významných digitálních platformách po celém světě, jako je YouTube, Netflix nebo třeba Amazon. Spolu s vyhledávacími službami představují rekomendační systémy klíčové služby, které pomáhají uživatelům objevovat nový obsah nebo produkty. RS mohou zákazníkům či uživatelům pomoci najít relevantní položku, i když sami například neznají její přesný název, nebo doporučit položku, která je pro zákazníka ještě přijatelnější než ta, kterou původně hledal. To pro podnik znamená přidanou hodnotu, a to jak z hlediska vyšších příjmů a konkurenceschopnosti, tak z hlediska spokojenosti zákazníků. I ten nejmenší zákazník, kterým může být jedenapůlroční dítě, může konzumovat a najít vhodný obsah na platformě YouTube kliknutím na doporučené video. Proto jsou RS oblíbenou oblastí výzkumu v oblasti Data Mining (dolování dat, pozn. red.) a strojového učení.

V posledních letech bylo představeno mnoho nových přístupů a algoritmů. Jednou z důležitých metod algoritmů je kolaborativní filtrování (CF). Tyto algoritmy pracují na základě analýzy vzorců chování uživatelů v publiku a poskytují doporučení na základě podobných uživatelů nebo podobných položek. Největší výhodou této metody je, že se dokáže přizpůsobit trendům nebo reagovat na změny v systému. Tento algoritmus dobře funguje v systémech se značným množstvím interakcí, takže výše zmíněné digitální platformy často využívají tyto principy.

Vzhledem k neustálému nárůstu objemu informací a počtu uživatelů jsou RS stále složitější a kombinují metody/algoritmy z mnoha oblastí výpočetní techniky. Obecně se RS dělí do dvou hlavních skupin: doporučovací systémy založené na hodnocení a techniky filtrování založené na preferencích.

Systémy založené na hodnocení se zaměřují na předpovídání absolutní hodnoty hodnocení (pořadí) položky, která ještě nebyla uživateli zobrazena. Techniky filtrování založené na preferencích předpovídají doporučení top-k nebo relativní pořadí položek pro daného uživatele podle názoru komunity uživatelů. RS založené na obsahu využívají pro definici aktuálního profilu položek hodnocení, které jim uživatelé udělili v minulosti. Tento profil lze rozšířit o informace získané z popisu položky. Na rozdíl od předchozích systémů využívají kolaborativní RS známé hodnocení skupiny uživatelů k předpovědi neznámého hodnocení konkrétního uživatele. Tato myšlenka vychází z předpokladu, že pokud skupina uživatelů provedla stejné hodnocení v minulosti, můžeme předpokládat, že hodnocení skupiny bude podobné i v budoucnosti. Systémy demografického filtrování doporučují na základě osobních údajů uživatele, jako je pohlaví, příjem, věk, země atd. Hybridní RS kombinují dva nebo více typů výše uvedených systémů. Většinou poskytují lepší výsledky, ale jsou náročnější na implementaci.

Využití CF je ideální pro výše zmíněné streamovací platformy, a samozřejmě o dost jednodušší, protože pracují s velkým počtem aktivních uživatelů. Řada podniků je však spíše v situaci, kdy mají například velké množství dat, obsahu či produktů, avšak téměř žádné uživatele. Jak tedy RS integrovat?

Problém studeného startu

Jako příklad si uveďme startup, který jsme ve WDF pomáhali v loňském roce vyvíjet. Jednalo se o platformu, která v polovině roku 2020 integrovala několik milionů výstupů ze zemí celé střední Evropy. Hlavním cílem této platformy je zlepšit spolupráci mezi akademickou a podnikatelskou oblastí. Díky sofistikovanému vyhledávání a doporučování mohou podniky najít vhodného odborníka pro výzkumné či komerční projekty. Na jedné straně tedy máme miliony položek, ale na druhé straně je počet reálných uživatelů poměrně malý a dá se měřit na stovky. S tak rozsáhlými daty a bez interakce jsou matice pro CF neuvěřitelně řídké a vypočítat relevantní doporučení je nemožné. Tomuto problému říkáme problém studeného startu. Hlavním principem je, že RS by měl v systémech studeného startu najít jiný typ dat nebo dodatečné informace, jako jsou metadata, geografická data atd. Na základě těchto dodatečných údajů pak mohou uživatelům poskytovat doporučení. Ústředním setem dat používaných pro tento účel jsou algoritmy založené na obsahu (CB). Existuje mnoho algoritmů a metod založených na textových datech, jejichž hlavní myšlenkou je extrahovat relevantní klíčová slova a ta pak použít k výpočtu podobností mezi položkami.

V takových případech se přikláníme k přístupu, ve kterém využíváme algoritmy založené na ontologii k vytvoření společného prostoru, který může pomoci systémům s problémy studeného startu integrovat RS. Hlavní rozdíl mezi tímto a klasickými CB přístupy spočívá v tom, že nad atributovými daty budujeme sémantickou vrstvu. Tuto vrstvu také využíváme ke zlepšení algoritmů CF v pozdějších fázích růstu systému. Při vytváření naší ontologie používáme implicitní a explicitní vkládání a sofistikované metody extrakce klíčových slov. Takový způsob je poloautomatický a lze jej přizpůsobit mnoha doménám. Ocení ho právě proto mladé startupy.

Využití RS v e-commerce

Na efektivní využívání dat je kladen důraz více než kdy dříve, jinak tomu není ani v případě RS. Musíme znát našeho zákazníka/návštěvníka. Jeho chování na e-shopu, při nákupu. Na základě jeho chování a dat, která poskytne, se pak na pozadí RS neustále modelují další doporučení. Tedy zákazníkovi/uživateli se zobrazí další podobné produkty, produkty příbuzné jeho vybranému. Velkou výhodou je, že celý tento proces funguje, aniž by bylo nutné znát identitu uživatele. Pokud ji ale známe, zákazník se u nás například registroval, poskytl nám údaje ke zpracování ‒ a to především svůj e-mail, celý RS můžeme posunout na další úroveň. Po prokliknutí uživatele ze zaslaného newsletteru na naši platformu (e-shop, streamovací služby apod.) budeme díky RS schopni sledovat jeho chování a následně zasílat opravdu cílené nabídky.

Děláme to dobře?

Cílem všech RS je získat a udržet si spokojeného a loajálního zákazníka či uživatele, který se bude vracet a značku „neopustí“. Příjemným bonusem jsou i vyšší zisky. Otázka zní, jak si potvrdíme, že to má smysl a děláme to dobře? Jako vždy, základ je stanovit si konkrétní cíl, kterého chceme dosáhnout. Například snížit odchod zákazníků o 15 %. Jako užitečné KPI v této oblasti poslouží NPS (Net Promoter Score), tedy procento zákazníků, kteří by značku (ne)doporučili na hodnotící škále 0 až 10. NPS se vypočítá tak, že se od promotérů (hodnotící 9‒10) odečtou detraktoři (hodnotící na škále 0‒6). Velmi oblíbené je dnes Skóre efektu na zákazníka (CES). Tedy zákazníkovo hodnocení zkušenosti s danou službou. Alternativami jsou ale i míra odchodu zákazníků, přímá a nepřímá návštěvnost či míra konverze.

Rekomendační systémy nejsou žádnou novinkou, avšak jejich správné využití je stále poměrně složité. O jejich zapojení do rutinních procesů by měl přemýšlet každý podnik či e-shop.

Autoři článku působí ve společnosti WDF. Stanislav Kuznetsov (vlevo) je odborníkem na AI a Vojtěch Strnad je ředitelem a partnerem digitální agentury WDF, která poskytuje služby v oblasti analýzy dat, UX a UI designu, vývoje webů i softwaru pro klienty u nás i v zahraničí.