วิธีการใช้ตัวกรองความร่วมมือตามรายการในการวิเคราะห์แบบ Predictive Analysis - Dummies

หนึ่งในระบบแนะนำของ Amazon สำหรับการวิเคราะห์เชิงคาดการณ์ การกรองการทำงานร่วมกันแบบรายการ - เจาะกลุ่มสินค้าขนาดใหญ่จากฐานข้อมูลของ บริษัท เมื่อผู้ใช้ดูรายการเดียวบนเว็บไซต์ คุณรู้หรือไม่ว่าคุณกำลังดูที่ระบบการกรองร่วมกันตามรายการ (หรือมักใช้ระบบเนื้อหา) ถ้าคุณแสดงคำแนะนำที่มุมมองรายการแรกของคุณแม้ว่าคุณจะยังไม่ได้สร้างโปรไฟล์ก็ตาม

ดูเหมือนเวทมนตร์ แต่ก็ไม่ได้ แม้ว่าโปรไฟล์ของคุณยังไม่ได้สร้างขึ้น (เนื่องจากคุณยังไม่ได้ลงชื่อเข้าใช้หรือคุณไม่มีประวัติเบราเซอร์ก่อนหน้าในไซต์ดังกล่าว) ระบบจะเรียกเก็บเงินตามจำนวนที่คาดเดา: จะให้คำแนะนำใน รายการ ตัวเอง และ สิ่งที่ลูกค้าคนอื่น ๆ ดูหรือซื้อหลังจาก (หรือก่อน) พวกเขาซื้อสินค้านั้น คุณจะเห็นข้อความบนหน้าจอเช่น

-

• ลูกค้าที่ซื้อสินค้านี้ซื้อได้

• ลูกค้าที่ซื้อสินค้าในประวัติล่าสุดยังซื้อ …

• สินค้าอะไรที่ลูกค้าซื้อหลังจากดูรายการนี้?

โดยนัยข้อเสนอแนะจะขึ้นอยู่กับว่ารายการที่ดูอยู่ในปัจจุบันมีความคล้ายคลึงกันอย่างไรโดยพิจารณาจากการกระทำของชุมชนผู้ใช้

ต่อไปนี้แสดงตัวอย่างเมทริกซ์ของลูกค้าและรายการที่ซื้อ ซึ่งจะใช้เป็นตัวอย่างของการกรองร่วมกันตามรายการ

ลูกค้า	รายการ 1	รายการที่ 2	รายการ 3	รายการ 4	รายการ 5	รายการ 6
A	X > X	X	B
X	X	C
X			X		D
X			X	X	E
X		X	F
X	X	X		X	G
X	X		H
X > ฉัน	X
						ตอนนี้ให้ดูที่ความคล้ายคลึงกันของรายการที่คำนวณโดยใช้สูตรความเหมือนโคไซน์ สูตรสำหรับ

ความคล้ายคลึงกันโคไซน์

คือ (A & middot; B) / (|| A || || B ||) ซึ่ง A และ B เป็นรายการที่จะเปรียบเทียบ หากต้องการอ่านตัวอย่างต่อไปนี้และดูว่าคู่ของรายการมีลักษณะคล้ายกันเพียงแค่ค้นหาเซลล์ที่สองรายการตัดกัน ตัวเลขจะอยู่ระหว่าง 0 ถึง 1 ค่า 1 หมายความว่ารายการมีความคล้ายคลึงกันอย่างสมบูรณ์ 0 หมายความว่าพวกเขาไม่เหมือนกัน

รายการ 6

0

0	0	0	0	รายการ 5	0 26
0 29	0 52	0 82	0	รายการ 4		0 32
0 35	0 32	0 82	0		รายการ 3	0 40
0 45	0 32	0 52		0	รายการที่ 2	0 67
0 45	0 35		0 29	0	รายการที่ 1	0 67
0 40		0 32	0 26	0	รายการ 1	รายการที่ 2
	รายการ 3	รายการ 4	รายการ 5	รายการ 6	ระบบสามารถจัดเตรียมรายการคำแนะนำที่อยู่เหนือ ค่าที่คล้ายคลึงกันบางค่าหรือสามารถแนะนำด้านบน	n

จำนวนรายการในสถานการณ์สมมตินี้คุณสามารถพูดได้ว่าค่าใด ๆ ที่มากกว่าหรือเท่ากับ 0. 40 จะคล้ายคลึงกัน ระบบจะแนะนำรายการเหล่านี้ ตัวอย่างเช่นความคล้ายคลึงกันระหว่างรายการที่ 1 และ 2 คือ 0. 67. ความคล้ายคลึงกันระหว่างรายการที่ 2 และรายการที่ 1 จะเหมือนกัน ดังนั้นจึงเป็นภาพสะท้อนจากแนวขวางจากซ้ายล่างไปทางขวาบน นอกจากนี้คุณยังสามารถเห็นว่ารายการที่ 6 ไม่เหมือนกับรายการอื่นใดเนื่องจากมีค่าเท่ากับ 0. การใช้งานระบบการแนะนำผลิตภัณฑ์ตามรายการนี้จะง่ายขึ้นเพื่ออธิบายถึงวิธีการทำงาน เพื่อความเรียบง่ายเพียงใช้เกณฑ์หนึ่งเพื่อกำหนดความเหมือนของรายการ: ไม่ว่าผู้ใช้จะซื้อสินค้าหรือไม่ ระบบที่ซับซ้อนสามารถเข้าไปดูรายละเอียดได้มากขึ้นโดย

การใช้โปรไฟล์ที่สร้างขึ้นโดยผู้ใช้ที่แสดงถึงรสนิยมของพวกเขา

การคำนวณจำนวนผู้ใช้ที่ชอบ (หรือให้คะแนนสูง) รายการ

• การชั่งน้ำหนักจำนวนรายการที่ผู้ใช้ซื้อ คล้ายกับ (s) รายการแนะนำ (s) ที่อาจเกิดขึ้น

• สมมติฐานเกี่ยวกับว่าผู้ใช้ชอบรายการบนพื้นฐานว่าผู้ใช้ดูรายการนี้เพียงอย่างเดียวหรือไม่ก็ตาม

• ต่อไปนี้คือสองวิธีที่คุณสามารถทำได้ ใช้ระบบแนะนำนี้:

• ออฟไลน์ผ่านทางแคมเปญการตลาดทางอีเมลหรือหากผู้ใช้อยู่ในเว็บไซต์ขณะเข้าสู่ระบบ

ระบบสามารถส่งโฆษณาทางการตลาดหรือแนะนำเว็บไซต์เหล่านี้ได้ที่:

• ข้อ 3 สำหรับลูกค้า B

  แนะนำเนื่องจากลูกค้า B ซื้อสินค้า 1 และ 2 และสินค้าทั้งสองมีความคล้ายคลึงกับรายการที่ 3

  • รายการที่ 4 จากนั้นรายการ 2 สำหรับลูกค้า C

    แนะนำเนื่องจากลูกค้า C ซื้อสินค้า 3 และ 5 รายการที่ 5 มีความคล้ายคลึงกับข้อ 4 (ค่าความคล้ายคลึงกัน: 0.82) รายการที่ 2 คล้ายคลึงกับข้อ 3 (ค่าความเหมือนกัน: 0.45)

  • รายการ 2 สำหรับลูกค้า D

    แนะนำเนื่องจากลูกค้า D สั่งซื้อรายการ 3, 4 และ 5 รายการที่ 3 มีลักษณะคล้ายคลึงกับรายการที่ 2

  • รายการ 1 สำหรับลูกค้า E

    แนะนำเนื่องจากลูกค้า E ซื้อสินค้า 2 และ 3 ซึ่งทั้งสองอย่างคล้ายคลึงกับข้อ 1.

  • ข้อ 3 ของลูกค้า F

    แนะนำเนื่องจากลูกค้า F ซื้อสินค้า 1, 2, 4 และ 5 รายการที่ 1, 2 และ 5 คล้ายกับข้อ 3

  • รายการที่ 2 สำหรับลูกค้า G

    แนะนำเนื่องจากลูกค้า G ซื้อสินค้า 1 และ 3 ทั้งคู่มีความคล้ายคลึงกับรายการที่ 2

  • รายการที่ 2 จากนั้นจึงเป็นรายการที่ 3 แก่ลูกค้า H

    แนะนำเนื่องจากลูกค้า H ซื้อรายการที่ 1 รายการที่ 1 มีลักษณะคล้ายกับรายการที่ 2 และ 3

  • รายการที่ไม่ได้กำหนดไว้สำหรับลูกค้า A

    ควรมีรายการและผู้ใช้จำนวนมากขึ้น และควรมีสินค้าที่ลูกค้าซื้อมาซึ่งคล้ายกับสินค้าอื่นที่เขาหรือเธอยังไม่ได้ซื้อ

  • รายการที่ไม่ได้กำหนดไว้สำหรับลูกค้า I

    ในกรณีนี้ข้อมูลไม่เพียงพอที่จะใช้เป็นข้อเสนอแนะ นี่คือตัวอย่างของปัญหาการเริ่มเย็น

  • ออนไลน์ผ่านมุมมองหน้าเว็บขณะที่ผู้ใช้ยังไม่ได้ลงชื่อเข้าใช้