Online ajánlórendszerek az elektronikus kereskedelemben Dr Révész Balázs
Bevezetés Az internet használat tovább terjed mind a lakossági, mind az üzleti szegmensben A B2C és a C2C piac szerepének fokozatos erősödése Az elektronikus kereskedelmi megoldások mára a kisvállalkozások számára is elérhetővé, sőt alkalmazandóvá váltak A vállalatok közötti verseny az online közegre is kiterjed az új IT megoldások iránti igényt erősítve Az ügyfelek hatékony kiszolgálását szolgáló megoldásokra van szükség
Online ajánlórendszerek Speciális információszűrő rendszer Felhasználói és termékprofilokat épít algoritmusok segítségével majd ezen modellek alapján ajánl tartalmakat Olyan tartalmakat is felkínálhat, amit kereséssel nem érnénk el, mert kiesik a látókörből
A vásárlási lánc adatvagyona Fogyasztó 1 Fogyasztó k Fogyasztó n Vevő azonosító Vásárlás 1 Vásárlás j Vásárlás k Vonalkód Termék A Termék L Termék Z
Ajánlórendszerek típusai 1 Tartalom alapú ajánló rendszerek A termék jellegéből fakadó jövőbeli vásárlási lehetőségek A felhasználó korábbi érdeklődése, preferenciái előre jelzik az adott személy jövőbeli viselkedését 2 Collaborative filtering rendszerek A felhasználók, akik hasonlóan viselkedtek vagy legalább is valamilyen hasonlóságot mutattak a múltban jó ajánlóként funkcionálhatnak egymás számára jövőbeli vásárlásaik során
Tartalom alapú ajánlások wwwalexandrahu termék Felkínálja a könyv szerzőinek további műveit, a könyv kategóriájának bestsellereit és a Top 100 könyvét más személy vásárlásai Egyes termékeknél felkínálja azokat a termékeket, amiket az általunk nézett termék mellett vásároltak
Collaborative filtering (CF) megoldások -1 User n User n+1 User n+2 Elemzés: - CF algoritmus - Többváltozós klaszter analízis - A korreláció és az átfedés egyaránt magas volta Data i (Csillagok háborúja) Data j (Mindhalálig szerelem) Data k (Gyűrűk ura) Data n (Én a robot) 4 3 4 5 2 5 3 5 3 5 2? Alkalmazás menedzsment: üzleti logika kérdése, hogy milyen kérdésekre kapjunk választ: melyik filmet nézzem meg ma este? Megnézzem-e az adott filmet?
CF az online marketingben A kétirányú információs kapcsolat miatt az ajánló rendszerek minden típusa könnyedén alkalmazható Az online közegből fakadó bizalmatlanság kezelésében használható Az azonos érdeklődésű fogyasztókból álló közösségek információhiány esetén különösen nagy segítséget jelenthetnek a vásárlónak azáltal, hogy megtekintheti kimondott vagy kimondatlan véleményüket (vásárlói értékelések, toplisták, stb)
CF Inputok és outputok Inputok (tranzakciós rendszerekből) Informatikai rendszer (adattárházból) Outputok (üzleti intelligencia) Egyéni inputok Explicit ::::::» (a felhasználó aktív közreműködésével értékelés, profil) Inplicit ::::::» A felhasználó passzív közreműködésével pl: korábbi vásárlások adatai CF alkalmazás :::::::» - Javaslatok - Jóslatok Közösségi inputok ::::::::» - Értékelések, kritikák Ajánló rendszerek modellje Forrás: saját szerkesztés John Riedl, Joseph Konstan, Majó Zoltán, Révész Balázs Szájtpropaganda című könyve alapján
wwwtelefonguruhu vélemény alapú Egy szakember ír véleményt az adott telefonról, a vásárlók pedig 3 szempont alapján véleményezhetik azt: külső, tudás, minőség (1-től 10-ig) ezzel segítve a leendő vevőket
Közvetlen adatok felhasználói termékértékelés (pl 1-től 5-ig); felhasználó tetszik/nem tetszik visszajelzése adott termékről; két vagy több termék közül a legkedveltebb kiválasztása; felhasználói preferencialista adott termékekkel
Közvetett adatok terméknézési események online kereskedelmi oldalon; terméknézési események hossza; termékvásárlások; felhasználó saját gépén nézett vagy hallgatott termékek listája (főleg film/video és zene esetén) felhasználó kapcsolati hálójának analízise és ismerőseinek visszajelzései
Közösségi média A közösségi ajánlások megjelenésének új felülete közvetlen ajánlások megosztás Közvetett ajánlás hirdetésekbe ágyazott megjelenés
Köszönöm a figyelmet! Dr Révész Balázs reveszb@ecou-szegedhu