Anbefalingssystemer er svært populære og effektive verktøy i detaljhandelen. Med anbefalingssystemer blir det enklere for kundene å finne ting de liker. De får også forslag om ting de aldri har tenkt på, men som passer perfekt for dem. I forbindelse med et av prosjektene våre for en skoprodusent utviklet vi derfor BE-ternas analyseplattform for kundeatferd, som lar kundene profilere kunder og bruke et anbefalingssystem.

         «Et anbefalingssystem er et verktøy som bruker en kombinasjon av algoritmer, dataanalyser og kunstig intelligens (AI) til å komme med anbefalinger på nett.»

Fordelene: Analyser av kundeatferden

Kundeatferden analyseres for å forstå hvilken type kunden er, hva kunden liker, hva kunden ikke liker, hvordan kunden samhandler med produktene, kundeverdien og så videre. Når vi finner disse variablene, kan vi forutse kundens fremtidige behov. 

De viktigste fordelene med et system for å analysere kundeatferden inkluderer følgende:

1. Økt salg.
2. Bedre forståelse av kundene.
3. Long tail-strategier.

Den viktigste fordelen kan oppsummeres med to ord – økt salg. Ifølge McKinsey kommer 35 prosent av alle kjøp på Amazon og 70 prosent av alle kjøp på Netflix fra anbefalingssystemet, og da disse selskapene begynte å bruke anbefalingssystemer, opplevde de en betydelig økning i salget. (ref. 1) Under koronapandemien valgte mange å åpne nettbutikk, digitalisere virksomheten og tilpasse forretningskulturen etter den nye og unike hverdagen. Ifølge rapporter økte netthandelen med mer enn 30 prosent i USA i 2020 (figur 1). (ref. 2) Det gir enorme datamengder som kan utforskes og brukes til å lage systemer for maskinlæring.

Figur 1: Sammenligning av økningen i netthandel i USA i 2019 og 2020

Den andre fordelen er bedre kundeforståelse. Det er her profilering av kunder kommer inn i bildet. Ved å profilere kundene får vi en bedre forståelse for deres atferd, og følgelig også for behovene deres. Med andre ord kan vi oppfylle kundenes behov, noe som fører til bedre kundetilfredshet og lojalitet. I tillegg til mer fornøyde kunder kan vi enkelt lage automatiserte markedsføringskampanjer som er tilpasset basert på kundeanalyser.

Den neste fordelen er en mye bedre strategi for long tail-produkter. Begrepet long tail brukes om nisjeprodukter og produkter som er vanskelige å finne fordi de er veldig konkrete og unike. Det er også vanligvis få kunder som er interessert i dem. Fra kundens perspektiv vil verktøy som anbefalingssystemer, gjøre det enklere å finne produkter som de ikke har tenkt på, og som de ikke ellers ville hatt tilgang til. Fra leverandørens perspektiv kan denne strategien være svært lønnsom hvis produktene ligger skjult for kundene på et lager. (ref. 3)

Slik fungerer det 

For å oppnå disse resultatene trenger vi en infrastruktur og pipeline for dataanalyser og modellering ved hjelp av algoritmer for maskinlæring. Kort forklart består pipelinen av en inndatamodul som er knyttet til en datakilde, og som sender dataene til analysering, samt en modul for å modellere menneskelig atferd. I denne modulen behandles dataene, for eksempel ved å rense og forhåndsbehandle dem, og det lages også modeller for datasegmentering og anbefalinger. Resultatene fra modellene presenteres som flere dashbord i Power BI. Pipeline for høyt nivå presenteres i figur 2.

Figur 2: Pipeline på høyt nivå for analyseplattform for kundeatferd

Profilering av kunder

Kundene profileres ved at de segmenteres i klynger med liknende atferd basert på forskjellige parametere fra dataene, for eksempel antall kjøpte produkter, verdien av de kjøpte produktene, antall returnerte produkter, type produkter som ble kjøpt, og så videre. Segmentering handler til syvende og sist om å gruppere etter atferdslikhet. Inndataene for segmentering er parametere som vi ønsker å finne liknende grupper for. Resultatet er antallet liknende grupper, samt regler for hvordan en egenskap havner i hver gruppe. I tillegg kan vi tildele verdier til hvert segment basert på segmentering og bruke den som en numerisk verdi (poengsum) for segmentet. Forskjellige segmenter kan kombineres som likeverdige eller i henhold til tildelt viktighet for å skape verdi for kundene. Flere segmenter per egenskap gir en mer finspisset profil for egenskapen, siden vi får forskjellige synspunkter, noe som igjen fører til mer innsikt om egenskapen (kunde, produkt, merke, butikk og så videre). Derfor er kundeprofilen den viktigste parameteren for videre anbefalinger.

Du finner et eksempel på segmenteringsflyten i figur 3. Der ser vi kunder etter parametrene Antall kjøpte produkter (x-aksen) og Fortjeneste på kjøp (y-aksen). Kundene kan deles i tre grupper.  Vi har tre segmenter som vi har tildelt viktighet og poengsum:

  1. Høy margin og middels antall kjøpte produkter – best – poengsummen er 1,00
  2. Lav margin og flere kjøpte produkter – middels – poengsummen er 0,66
  3. Lav margin og få kjøpte produkter – lav – poengsummen er 0,33

Figur 3: Eksempel på kundesegmentering

Anbefalingssystem

Det er flere måter å implementere anbefalingssystemer på. I dette eksempelet bruker vi en hybridmodell som består av følgende:

• Modell for samarbeidsorientert filtrering
• Innholdsbasert modell

Samarbeidsorientert filtrering er en tilnærming som er basert på en antakelse om at brukere som har kjøpt liknende produkter tidligere, også er interessert i nye produkter. La oss se på et eksempel med to kunder – Lars og Lisa (figur 4). Hvis Lisa kjøpte produktene A og B, og Lars kjøpte produktene A, B og C, betyr det at hvis Lars og Lisa allerede har kjøpt to like produkter, er det stor sannsynlighet for at Lisa også kommer til å være interessert i produkt C. Med en tilnærming basert på samarbeidsorientert filtrering betyr det at vi kan anbefale produkt C til Lisa. Samarbeidsorientert filtrering har også noen velkjente utfordringer. Den største er knyttet til kaldstart. Når det dukker opp et nytt produkt, har det ingen interaksjoner. Det betyr at det aldri vil dukke opp som en anbefaling.