Ancak, deneyimlerimin bana gösterdiği şudur. İlk 3 – 4 seviyedeki baskın özelliklerin ne olduğunu bulmak daha önemlidir.

“Baskın özellik” deyiminin altını da çiziyorum. İlk seviye herkes için aynı olabilir (Satın alma kararında cinsiyet en önemli rolu oynayabilir).

Ancak bir sonraki seviye, kadınlarda medeni hal olurken, erkeklerde yaş olabilir. İki sonraki seviye de kadınlarda çocuk sayısı iken, erkeklerde gelir durumu olabilir.

Ben de “3 – 4 basamağı alıp iyi incelemelerini” öneriyorum herkese… Aksi takdirde, yazılım öğrenir. Ama siz müşterinizi öğrenemezsiniz.

Şu an aktif olarak çalışan bir VAS (telekom sektörü – vas melodi) ürünümüz var ancak arka planda olduğu için göremiyorsunuz. Diğer çalışmalarımız geliştirme aşamasında.

Onun yerine playalike konsept demomuzu inceleyebilirsiniz: http://www.playalike.com

Düzgün kurulmuş tavsiye sistemleri dediğiniz problemi bir miktar çözebiliyor. Ancak genel olarak tavsiye sistemlerinin sağladığı avantaj bahsettiğiniz gibi durumlarda ortaya çıkan dezavantajdan çok daha fazla oluyor.

Tavsiye sisteminin sadece geçmiş alışverişlere göre değil, kullanıcının o andaki amacını tahmin etmeye yönelk çalıştığından da yazıda bahsetmiştim. Buna örnek vermem gerekirse, O session içerisinde saat ürünlerine bakan ve/veya arama motorundan saat aratarak gelen bir kişinin saat almak amacında olduğunu söyleyebiliriz. Tavsiye sistemleri gerçek zamanlı sonuç üreten sistemler oldukları için, sadece alışveriş değil browsing datasıyla da sonuç üretmektedirler. Yani kullanıcının gezdiği sayfalar incelenerek anlık tavsiye sayfaları oluşturulur. Buna ek olarak, geçmiş alışverişler şu anki amacına göre yorumlanabilir.

Bu konuda da bir örnek vermek gerekirse, bir müşterimiz için yaptığımız çalışmada, anycool marka(çin malı) cep telefonu alan kişilerin saat reyonundan Casio marka saat aldıkları sonucu çıkarken, Nokia’nın pahalı modellerini tercih eden kullanıcılar Seiko gibi pahalı saat markalarını tercih ediyorlardı. Bu durumda, o an saat alma eğilimindeki bir kullanıcının geçmiş alışverişlerini inceleyerek hangi saatlerin önplanda gösterileceği hesaplanabiliyordu. Bu sonuçların bir admin tarafından girilmediğini, sistemin kendini eğiterek bulduğunu söylemek gerekiyor.

Bir bayanın yaptığı alışveriş hediyesi sorunu örneğine geri dönersek, yukarıda bahsettiğim duruma ek olarak son alışverişin etkisini mantıklı hale getirmek için yapılan çözümler mevcut. Bunlara 2 örnek:

1- Yapılan satışın hediye paketi olup olmadığına bakmak. Amazon bu yolu kullanıyor. Ayrıca manuel olarak kullanıcı yaptığı alışverişin tavsiye sisteminin hesaplamalarından çıkmasını isteyebiliyor. (hatta tavsiyeler tamamen kapatılabiliyor)

2- Tavsiye sistemleri zaten bu gibi durumları doğaları gereği bir miktar çözebiliyor. Son 3 alışverişi kadın ayakkabısı olan ancak son alışverişinde traş seti almış bir kişinin bir sonraki adımda hangi ürün alacağı onun gibi benzer hareketler sergilemiş kişiler tarafından belirleniyor. Genellikle 3 bayan ürünü – 1 erkek ürünü patterninin sonunda tekrar bir bayan ürünü olabiliyor. Ancak bunlar tavsiye sistemini kuran kişinin kafa yürüterek bulduğu sonuçlar değil, o sitenin kendi kullanıcılarının bıraktıkları izler takip edilerek sistemin kendini eğitmesi sonucunda ortaya çıkan sonuçlardır.

Peki ne kadar veriye ihtiyaç var? Gerçekten demografik bilgi gerekiyor mu?

Demografik bilgilerin değerli olup olmadığı eldeki tüm bilgilere bakarak ortaya çıkarılmalı. Hangi verilerin sistem için daha önemli olduğu yapılan çalışma sonucunda belli oluyor. Örneğin netflix yarışmasında sadece “film ID, user ID, verilen puan” şeklindeydi. Yarışmacılar gördüler ki, bu sistemlere ek olarak “kategori, yönetmen” gibi bilgiler girildiği zaman sonuçlar daha kötü oluyor. Temel olarak datamining benzeri uygulamalardan ayrılan nokta burası oluyor. Elde yeterli veri varsa ve Machine Learning algoritmalarının çalışabileceği pozitif/negatif feedback bilgisi bu veriden elde edilebiliyorsa sistem kendini eğitmek ve en iyi sonucu bulmak için çalışabiliyor. Teknik detay vermem gerekirse Netflix’de ve diğer birkaç çalışmada kullandığımız yöntem temel olarak : çok boyutlu bir ürün-kullanıcı puanı matrix’ini daha küçük boyutlu feature matrix’lere bölüyoruz. Ancak bu feature ları biz seçmiyoruz. Biraz akıl karıştırıcı olacak ancak, sisteme filmlerin yönetmeni vs… gibi puan ve ID dışı hiçbir bilgi girmemiş olsa bile ortaya çıkan feature matrixleri ineclendiği zaman yönetmen, genre, film uzunluğu veya belki de hiç akla gelmeyecek “ölen adam sayısı” gibi çeşitli featurelara göre bölündüğünü gözlemleyebiliyoruz. İşin ilginci ortaya çıkan feature’ın “yönetmen” feature ı olduğunu analiz öncesinde ne biz ne de bilgisayar bilmiyor. Çünkü böyle bir veri kendisinde yok. Yani sisteme “yönetmene göre filmleri ayır” denmemiş. Yapılan hesaplar sonucunda insanların karar verme patternleri incelenerek bazı ortak noktalar bulunuyor ve bu ortak noktalar birere feature oluyor. Eğer merak edip acaba sistem bu sonuçları nasıl bulmuş sorusunu cevaplamamız gerektiğinde ortaya çıkan featureları bulabiliyoruz.

Biraz uzattım ve teknik oldu ancak Tavsiye sistemi konusunun detaylı bir konu olduğunu anlatmak istedim. E-ticaret müşterilerinin ihtiyacı ve kaynağı doğrultusunda en uygun sistemi tasarlamak mümkün. Genellikle eldeki verinin biçimi ve donanım imkanları nedeniyle başlangıç olarak basit çözümler kullanılıyor.

Web 3.0 da zaten bu yönde olacak bizleri tanıyan bizlerin ihtiyaçlarını bilen ona göre tavsiye üreten sistemler.

Müzik merağı dolayısıyla Amazon’dan çok alışveriş yapan bir insanım. Ayrıca web sitemin konusu itibarı ile çok sayıda okuyucumuzda Amazon müşterisi. Hatta olayı bir adım ilerletip Amazon Association programa da katıldık. Özellikle film ve müzik konusunda Amazon’un dikkat çekici bazı özellikleri var.

Bunlardan en önemlisi sayfaların en altında bulunan yorum ve puanlama sistemleri. Kullanıcılar çok özgür şekilde burada daha önce satın aldıkları ürünler konusunda yorumlar yazıyor ve zaman zaman bilgi dolu tartışmalar yapıyorlar. Amazon’da bu durumu uzun zamandır desteklemekte.

Bir “potansiyel” alıcı buradaki “ciddi” yorumları okuyup alışveriş kararını verebiliyor. Çoğunlukla bilgi dolu yazılarda önerilen ürünlere de yönlenebiliyor müşteriler. Aslında aynı sayfada hem çapraz, hem uzatılmış hemde kullanıcı tavsiyesi şeklinde çok sayıda yönlendirme bulunuyor. Olayın en kritik noktası ise yukarıda saydığım tarz bilgilendirmelerin her sayfada varolması.

Ülkemizdeki durumda bu bilgilendirmenin tam aksine firmalardan verilen bilgiler haricinde düzgün işleyen bir sistem yok. Bazı sitelerde kullanıcı görüşlerinin daha etkin şekilde kullanılması için özendirici çalışmalar yapılmış olsa da, ne yazık ki amacına ulaşamamıştır. Hatta olumsuz yorumlarda zaman zaman silinerek ve yayınlanmayarak stratejik hatalar yapılmaktadır.

Bu noktada internet alışverişlerinde bir çok insanın uygun fiyattan ziyade anlık karar vermesinin önemli olduğunu biliyorum. Bu durumda gelir gruplarının etkisi gözönüne alınırsa – ki örnekler A(+ ve -) ve B (+) gruplarına atfendir- tabii ki durumlar değişecektir. Ancak hedef kitleye karar verecek olanlarda e-ticaret siteleridir.

Yazı gayet iyiydi, yorum yapmadan geçmek istemedim.

Okuyanlara teşekkürler.

Bildiğim kadarıyla Türkiye’de ve hatta yakın bölgelerde tavsiye sistemi üreten iletken dışında bir firma yok.

e-ticaret, telekom ve medya sektöründe kullanılmak üzere tavsiye sistemlerimiz var.