Elenchi di suggerimenti personalizzati

Raccomandazioni intelligenti fornisce alle aziende un toolkit di scenari rilevanti. Questo articolo descrive le Scelte dell'utente o i suggerimenti personalizzati basati sulla cronologia completa dell'utente, sull'attività recente o sull'attività della sessione.

Tipi di suggerimenti personalizzati

Lo scenario Scelte dell'utente è uno stile di suggerimenti personalizzati che si concentra sull'acquisizione dei gusti o delle preferenze dell'utente e posiziona un utente in posizioni univoche nello spazio dell'articolo.

Questo scenario crea raccomandazioni altamente personalizzate nel contesto di un ampio catalogo di articoli. La distanza tra un utente e un particolare oggetto determina la sua forza di relazione. I vettori più vicini tra loro rappresentano una connessione più forte.

Le scelte dell'utente possono essere esposte agli utenti in diversi modi, il che significa che ci sono più tipi di "scelte per te".

A seconda della strategia aziendale e dell'intento dell'utente, i modelli possono:

• Imparare da tutto ciò che è noto sugli utenti.

• Aggiungere peso agli eventi, deducendo di più da azioni o eventi recenti.

• Considerare solo eventi recenti.

Scelte basate sull'intera cronologia degli utenti

Quando i prelievi si basano sulla cronologia degli utenti, questo scenario prende in considerazione tutti gli articoli consumati dagli utenti dal catalogo in passato su più interazioni con il sistema. Nel verticale della vendita al dettaglio, le selezioni includono l'intera cronologia degli acquisti di un utente. I modelli utilizzano tecniche di filtro collaborativo per consigliare il prossimo set di articoli che un utente potrebbe apprezzare, in base interamente alla cronologia dei consumi, come la cronologia degli acquisti.

Esempi basati sull'intera cronologia degli utenti:

• Per i giocatori, giochi Xbox relativi a ciò a cui giocano più spesso

• Suggerimento di film simili

• Suggerimento di una nuova serie TV

• Documentazione o attività di formazione che un utente potrebbe avere interesse a leggere o perseguire

Scelte in base all'attività recente

A volte, le interazioni recenti con il sistema contano di più e rappresentano un segnale migliore per consigli personalizzati. In questo caso, i modelli possono ponderare i segnali recenti o utilizzare solo le interazioni più recenti come "seme" (punto di partenza).

Esempi in base all'attività recente:

• Acquirenti di generi alimentari frequenti e di lunga data (esigenze mutevoli)

• Consigli su giochi o film (rilevanza mutevole)

• Generazione di playlist musicali (gusto mutevole o che evolve)

Scelte in base all'attività in tempo reale

Quando le scelte si basano su segnali in tempo reale, con la sessione corrente come input, si tratta di uno scenario con l'intervallo di tempo più breve. I segnali arrivano come eventi in tempo reale e, insieme a modelli preaddestrati, possono aiutare a fornire consigli immediati rilevanti per la situazione attuale.

Esempi in base all'attività in tempo reale:

• Articoli visualizzati di recente dall'utente. Visualizzazione di un elenco di articoli correlati.

• L'utente ha appena finito di giocare. Quali opportunità di upsell sono disponibili?

• L'utente ha scaricato un contenuto. Quali contenuti aggiuntivi scegliere?

• L'utente sta leggendo gli articoli. Cosa dovrebbe leggere dopo?

Procedure consigliate per l'utilizzo di consigli personalizzati

Con i consigli personalizzati, prendi nota delle procedure consigliate per situazioni specifiche.

Personalizzazione elenco completo

Spesso, i rivenditori non hanno bisogno di consigli personalizzati per un intero catalogo. Al contrario, hanno un sottoinsieme di catalogo specifico da cui scegliere per l'esposizione ai consumatori. Potrebbe essere già ordinato per priorità. In questo caso, un editore o un curatore potrebbe applicare un leggero riordinamento per spingere gli elementi di interesse dell'utente più in alto nell'elenco. Le Raccomandazioni intelligenti possono supportare questa esperienza "immediatamente", sulla base di modelli completi esistenti. I venditori al dettaglio possono richiedere un riordinamento completo dell'elenco o solo la rimozione di elementi che un utente ha già acquistato. Rimuovendo la cronologia degli utenti da un elenco, qualsiasi insieme di articoli può essere leggermente personalizzato, assicurando che non ci sia spazio sprecato per l'inserimento di prodotti.

Esempi di personalizzazioni elenco completo:

• Elenchi di tendenze personalizzati

• Offerte personalizzate, scegliendo tra prodotti scontati o nuove offerte

Diversificare il gusto nei consigli personalizzati

La comprensione delle azioni dell'utente è un ruolo importante per la personalizzazione degli elenchi di consigli. Allo stesso modo, l'azione "mi piace" può potenzialmente avere una pletora di significati diversi. Quindi, non tutte le azioni simili sono uguali. Un genitore potrebbe apprezzare l'ascolto di video musicali blues e il proprio figlio sullo stesso account si diverte a guardare i video di lancio dell'astronave. I nostri modelli utilizzano l'algoritmo più utenti tipo in Raccomandazioni intelligenti e riconoscono che i gusti di un utente possono variare. Le interazioni degli utenti sono suddivise in cluster (gruppi separati) per diversificare i risultati. La suddivisione fornisce suggerimenti da due cluster separati e li alterna nei risultati restituiti agli utenti. Questa funzione protegge il gusto mutevole degli utenti e garantisce che gli interessi degli utenti non possano sostituirsi a vicenda.

Esempi di diversificazione dei gusti:

• Gusti diversi in musica o film

• Shopping di varie categorie (scarpe, gioielli, prodotti per la pulizia)

• Conti familiari con più di una persona

Vedi anche

Ottimizzazione dei risultati
Fornire elenchi di consigli basati sugli articoli
Fornire elenchi di consigli basati sulle tendenze