Öneri motorları her dakika karşımıza çıkıyor. Günümüz dijital dünyasında ve tüketimin en üst seviyeye çıktığı çevrimiçi medya platformlarında sıklıkla kullanılan öneri motorları, E-Ticaret sektöründe de sıklıkla karşımıza çıkıyor.
Netflix’i çoğumuz kullanıyoruz değil mi? Netflix değilse Spotify, BluTV, Mubi en kötü ihtimalle Facebook gün içinde girip kullandığımız platformlardan birkaçı. E-Ticaret’te de aynı şekilde Amazon, Trendyol, Hepsiburada bu platformların yalnızca birkaçı diyebiliriz.
Peki öneri motorlarının buradaki payı ne?
Araştırmalara göre öneri motorlarının Amazon’un cirosundaki payı %35!
Netflix’in içeriklerinin %75’i öneri motorlarının kullanıcılara sunmuş olduğu içeriklerden geliyor.
Öneri motorlarının önemi sanıyorum biraz daha net anlaşılmıştır.
Kullanıcılara sayfa sayfa gezmeden aradıkları veya beğendikleri, ileride beğenecekleri ürünleri anında sunarak kullanıcı deneyimini arttırırken bir yandan da doğru önermelerle kullanıcıların daha hızlı dönüşüm gerçekleştirmesine ve satın alma sürecinin çok daha hızlı gerçekleşmesine yardımcı oluyorlar.
Peki, Netflix bizleri nasıl bu kadar iyi tanıyor?
Öneri motorlarının kullandığı algoritmalar hakkında konuşurken karşımıza iki tane terim/algoritma çıkıyor. Bunlardan birisi “Collaborative Filtering”(benzerliğe dayalı), diğeri ise “Content-Based Filtering”(içeriğe dayalı).
Makine öğrenmesi ve yapay ağ algoritmalarını kullanarak ortaya çıkan öneri motorlarında sıklıkla kullanılan yöntem “Collaborative Filtering” yöntemidir. Fakat bir şeyi unutmamak gerekiyor. “Collaborative Filtering” ne kadar yenilikçi ve daha çok dönüşüm getirecek gibi gözükse bile işletmenizin faydasını göz önünde bulundurmalı ve eğer içeriğe dayalı “Content-Based Filtering” yöntemi daha etkiliyse, o yöntem ile ilerlemelisiniz. A/B testi her zaman hayat kurtarır!
“Collaborative Filtering” ve “Content-Based Filtering” tekniklerini aslında yukarıdaki görselden rahatlıkla anlayabiliriz.
Gelin, fazla teknik detaylara girmeden hızlıca Collaborative Filtering üzerinden geçelim
Diyelim ki, siz Netflix’e giriş yaptınız ve “Avengers: Infinity War” filmini izlediniz. “Avengers: Infinity War” filmi sonrasında da sırasıyla “Call Me by Your Name” ve “Kill Bill” filmlerini izlediniz. Bu esnada başka bir kullanıcı olan Mathias ise Kill Bill” ve “Call Me by Your Name” filmlerini izledi. Algoritma bu noktada film izleme alışkanlığınıza ve geçmişinize bakarak sizlere bazı puanlar atadı ve ortak 2 tane film izlediğiniz için sizler arasında bir benzerlik kurdu. Bu benzerliğe istinaden Mathias’a sunduğu “Bunu da İzlemelisin” önerilerinde sizin ilk başta izlediğiniz “Avengers: Infinity War” filmini sunacaktır.
Bu konu tabi ki de bu kadar basit değil fakat temelde işleyiş bu şekilde ilerlemektedir.
İçeriğe dayalı olan “Content Based Filtering” tekniği de aslında kullanıcıların değil, içeriğin ve ürünlerin benzerliğine bağlı olarak çalışmaktadır.
Örneğin, Spotify’da genellikle Heavy Metal ve Rock’n’Roll türünde müzikler dinliyorsunuz. Sistem bundan sonra sizlere dinlediğiniz ve tercih ettiğiniz, beğendiğiniz müzik türü olan Heavy Metal ve Rock’n’Roll türlerinden müzikler önerecektir. Long Live Rock’n’Roll !
Öneri algoritmaları ve öneri motorları yukarıda belirtmiş olduğumuz temel prensiplere bağlı olarak çalışmaktadırlar. Tabii ki de bu algoritmalar dışında ileri veri analitiğine ihtiyaç duymadan çalışan ve kullanıcılara sunulan yapılar da bulunmaktadır. Örneğin genellikle E-Ticaret sektöründe kullanılan “Son Gezdikleriniz” önerileri veri analitiği olmadan, kullanıcıların web sitesinde yaptıkları son hareketlerine yönelik öneriler sunmaktadır.
Kısaca özetlemek gerekirse, öneri algoritmaları sitenizdeki dönüşüm oranını arttırma konusunda en büyük yardımcınız olacaktır. Doğru analitik yöntemlerle kullanıldığı takdirde kullanıcı deneyimini en üst seviyeye çıkaracağından şüphe yok 🙂
2021 Mayıs ayı ücretsiz eğitimlerine göz atın!