En introduktion till preferensbaserade rekommendationer

Det finns en rad olika faktorer att ta hänsyn till när du väljer rätt rekommendationsstrategi, främst de slutmål som användarna vill uppnå. Vissa tillvägagångssätt är utformade med ett starkt fokus på produkter och ger rekommendationer baserade på generiska rangordningar (t.ex. de mest populära produkterna, trendande artiklar) eller specifika sidkontexter (t.ex. artiklar som liknar det innehåll som för närvarande visas, produkter som oftast köps tillsammans med den produkt som för närvarande visas).

Andra utnyttjar däremot den sanna kraften i personanpassning och fokuserar på enskilda användares preferenser och intressen för att göra rekommendationer. För organisationer med långa produktkataloger eller innehållsindex har preferensbaserade rekommendationer visat sig vara en kraftfull metod för att ge relevanta rekommendationer när och till vem de betyder mest. 

Att lokalisera användarpreferenser börjar med en kvalitativ och kvantitativ analys av engagemangsmönster på webbplatsen. En användares interaktioner med innehåll eller produkter – som att visa eller betygsätta en viss produkt, lägga till en produkt i varukorgen, söka efter ett specifikt varumärke eller kommentera en artikel – ger viktiga signaler om personliga intressen, preferenser och avsikter. När användare Become utsätts för produkter eller innehåll på en webbplats, utsätts de samtidigt för ett brett utbud av attribut som kännetecknar dessa objekt: inom e-handeln kan dessa attribut vara en produkts varumärke, färg, stil, prisintervall med mera; för publicister kan det vara en artikeltyp (skriven eller video), kategori, nyckelord etc. Att kombinera datainsikter om användarinteraktioner med de attribut som kännetecknar objekt ger värdefulla insikter för att förstå användarpreferenser på individuell nivå. 

Denna sammansmältning av interaktioner och attribut är kärnan i preferensbaserade rekommendationer och kan utnyttjas med hjälp av flerdimensionella preferensmodeller.

Modellering av intressen är integrerad för att ge de mest effektiva rekommendationerna även när användarnas preferenser förändras över tid. Användarnas preferenser påverkas av en mängd olika externa faktorer, såsom föråldrade trender, inaktuellt innehåll och föråldrad teknik. 

För att effektivt fånga upp förändringar i användarnas preferenser förfinas intressena i realtid vid varje ytterligare sidvisning, åtgärd och händelse, där nya interaktioner prioriteras framför äldre. Genom att ta hänsyn till hur nyligen en interaktion ägde rum blir det enklare att utläsa användarens avsikt, vilket gör att organisationer konsekvent kan tillhandahålla mycket effektiva och relevanta rekommendationer. 

Genom att rangordna alla attributvärden som Jane har interagerat med utifrån en hierarki över hennes mest meningsfulla interaktioner (visade, lade till i varukorg och köpte) avgränsas Janes köpintention och det avslöjas vilka produktattribut hon har störst preferens för. 

Med dessa insikter om preferenser till hands kan webbplatsen rekommendera produkter som Jane har störst sannolikhet att engagera sig i.

Modellering av intressen är integrerad för att ge de mest effektiva rekommendationerna även när användarnas preferenser förändras över tid. Användarnas preferenser påverkas av en mängd olika externa faktorer, såsom föråldrade trender, inaktuellt innehåll och föråldrad teknik. 

För att effektivt fånga upp förändringar i användarnas preferenser förfinas intressena i realtid vid varje ytterligare sidvisning, åtgärd och händelse, där nya interaktioner prioriteras framför äldre. Genom att ta hänsyn till hur nyligen en interaktion ägde rum blir det enklare att utläsa användarens avsikt, vilket gör att organisationer konsekvent kan tillhandahålla mycket effektiva och relevanta rekommendationer. 

Basrekommendationer är ett av de viktigaste och mest effektiva sätten att reda ut och utnyttja det komplexa nätverket av datainsikter kring användarnas preferenser. Genom att aggregera dessa insikter med hjälp av preferensmodellering fås en djupare förståelse för användarnas preferenser på individuell nivå, vilket gör det möjligt för organisationer att skräddarsy engagerande innehåll och produktrekommendationer för maximala engagemangsmöjligheter. Läs mer om Mastercard Dynamic Yields affinitetsbaserade personalisering.