sistem cadangan telah memberi kesan atau ditakrifkan semula kehidupan kita dalam pelbagai cara. Satu contoh kesan ini adalah bagaimana pengalaman membeli-belah dalam talian kami yang sedang ditakrifkan semula. Seperti yang kita lihat senarai produk, cadangan sistem Cadangan tawaran produk yang kami mungkin berminat. Tidak kira perspektif - perniagaan atau pengguna, sistem cadangan telah amat bermanfaat. Dan data yang besar adalah penggerak di sebalik sistem Cadangan. Sistem Cadangan biasa tidak boleh melakukan pekerjaan tanpa data yang mencukupi dan data besar membekalkan banyak data pengguna seperti belian yang lepas, sejarah pelayaran, dan maklum balas untuk sistem Cadangan untuk memberikan cadangan yang relevan dan berkesan. Secara ringkas, walaupun Pencadang paling maju tidak boleh menjadi efektif tanpa data yang besar.
Bagaimanakah sistem kerja Cadangan?
Sistem Cadangan kerja-kerja dalam yang jelas, fasa logik yang pengumpulan data, penilaian, dan penapisan. Fasa-fasa ini adalah seperti berikut.
Pengumpulan data
Mari kita anggap bahawa pengguna laman web Amazon melayari buku dan membaca butir-butir. Setiap kali pembaca klik pada pautan, acara seperti acara Ajax boleh dipecat. Jenis acara boleh berbeza-beza bergantung kepada teknologi yang digunakan. Acara ini kemudian boleh membuat kemasukan ke dalam pangkalan data yang biasanya adalah pangkalan data NoSQL. Catatan itu adalah teknikal dalam kandungan tetapi dalam bahasa orang biasa itu boleh membaca sesuatu seperti "Pengguna A klik Z Produk butiran sekali". Itulah bagaimana maklumat pengguna mendapatkan ditangkap dan disimpan untuk cadangan masa depan.
Bagaimanakah sistem Cadangan menangkap butir-butir? Jika pengguna telah log masuk, kemudian butir-butir yang diekstrak sama ada dari sesi http atau dari cookies sistem. Sekiranya sistem Syor bergantung kepada cookies sistem, maka data yang boleh didapati hanya sehingga masa pengguna menggunakan terminal yang sama. Peristiwa dipecat hampir dalam setiap kes - pengguna menyukai produk atau menambah ke dalam troli dan membelinya. Jadi itulah bagaimana maklumat pengguna disimpan. Tetapi itu adalah hanya satu sebahagian daripada apa Pencadang melakukan.
Perenggan yang berikut menunjukkan bagaimana Amazon menawarkan cadangan produk untuk pengguna yang akan melayari untuk buku:
- As shown by the image below, apabila pengguna telah mencari buku Harry Potter dengan Batu Hikmat, beberapa cadangan telah diberikan.
Sistem cadangan
- Dalam contoh lain, pelanggan yang dicari Amazon untuk Canon EOS 1200D 18MP Digital SLR Camera (Black) sering menjadi perhatian diberikan beberapa cadangan mengenai aksesori kamera.
Sistem cadangan
penilaian
Penilaian adalah penting dalam erti kata bahawa mereka memberitahu anda apa yang pengguna merasakan tentang produk yang. perasaan pengguna mengenai produk yang boleh dilihat sehingga ke tahap dalam tindakan dia mengambil seperti orang-orang seperti, menambah kepada troli membeli-belah, membeli atau hanya klik. sistem cadangan boleh menetapkan penilaian tersirat berdasarkan tindakan pengguna. Penarafan maksimum adalah 5. For example, pembelian boleh diberikan penarafan 4, orang seperti boleh mendapatkan 3, klik boleh mendapatkan 2 dan sebagainya. sistem cadangan juga boleh mengambil penilaian akaun dan pengguna maklum balas menyediakan.
penapisan
Penapisan bermakna produk penapisan berdasarkan penilaian dan data pengguna lain. sistem cadangan menggunakan tiga jenis penapisan: kerjasama, berasaskan pengguna dan pendekatan hibrid. Dalam penapisan kerjasama, perbandingan antara pilihan pengguna dilakukan dan cadangan yang diberikan. For example, jika pengguna X suka produk A, B, C, dan D dan pengguna Y suka produk A, B, C, D dan E, ia adalah berkemungkinan bahawa pengguna X akan disyorkan produk E kerana terdapat banyak persamaan antara pengguna X dan Y sejauh pilihan produk adalah berkenaan.
Beberapa jenama terkenal seperti Facebook, Twitter, LinkedIn, Amazon, Google News, Spotify dan Last.fm menggunakan model ini untuk memberikan cadangan yang berkesan dan relevan. Dalam penapisan berasaskan pengguna, sejarah semak imbas pengguna, orang seperti, pembelian dan penilaian yang diambil kira sebelum memberikan cadangan. Model ini digunakan oleh banyak jenama terkenal seperti IMDB, Tomato Rotten dan Pandora. Banyak syarikat juga menggunakan pendekatan hibrid. Netflix dikenali untuk menggunakan pendekatan hibrid.
Peranan data yang besar
Seperti yang dinyatakan sebelum ini, pemacu data besar apa Pencadang lakukan terutamanya. Pencadang tidak boleh melakukan sesuatu tanpa bekalan berterusan data. However, peranan data yang besar bukan sahaja dari data. Adalah jelas bahawa operasi di atas memerlukan CPU berkapasiti tinggi yang boleh bekerja selama berjam-jam. Bagi merealisasikan ini, Hadoop boleh digunakan. Untuk mengurangkan kerja manual yang diperlukan untuk kod, mengenal pasti algoritma betul, kaedah persamaan dan tugas-tugas lain, Mahout boleh digunakan.
Mahout sebuah perpustakaan yang terdiri daripada algoritma pembelajaran mesin. Ia menyediakan satu set opsyen untuk memilih cadangan algoritma, memilih n-terdekat jiran dan kaedah persamaan. Walaupun ia adalah kelas Java standard, ia beroperasi semata-mata pada Hadoop.
Untuk membuat tugas anda lebih mudah, anda boleh menggunakan alat yang dikenali sebagai PredictionIO yang berkas kedua-dua Mahout dan Hadoop dan apa lagi, ia menyediakan antara muka pengguna yang baik.
So, peranan data yang besar dapat disimpulkan dalam menyediakan bermakna, data diambil tindakan segera dan menyediakan persediaan yang perlu untuk cepat memproses data. Ia adalah jelas bahawa teknologi tradisional tidak bermaksud untuk memproses apa-apa jumlah yang besar data dengan cepat. So, ia tidak akan mencukupi untuk hanya mempunyai data yang besar untuk memberikan cadangan kukuh.
Kes penggunaan Amazon
Bagaimana Amazon menggunakan duo yang berkuasa data besar dan Sistem Cadangan bernilai kajian yang. Amazon telah dalam cara-cara tertentu perintis e-dagang tetapi lebih penting daripada anugerah itu adalah bagaimana ia memandu pendapatannya sehingga dengan menyediakan lebih banyak dan lebih berkesan cadangan.
Pembelian boleh menjadi impulsif dan dirancang dan Amazon bijak memanfaatkan fikiran pembeli impulsif dengan menyediakan cadangan produk relevan dan berguna. Untuk itu, ia lumus berusaha untuk menjadikan enjin Cadangan tersebut lebih berkuasa. Shopping mempunyai kaitan dengan psikologi. Pembeli membeli untuk kepuasan segera, uplift mood segera, harga sosial dan sebab-sebab tidak diketahui dengan jelas.
Amazon adalah cukup bijak untuk mengambil faktor ini ke dalam akaun. Dan sekarang, ia bekerja pada sistem yang dipanggil penghantaran ramalan yang bermaksud bahawa enjin Cadangan tersebut boleh meramalkan apa yang pelanggan akan membeli dan membuat persiapan untuk penghantaran cepat.
Apa yang membuat pencapaian Amazon lebih memberangsangkan adalah hakikat bahawa tidak seperti Facebook - yang juga bergantung banyak pada data yang besar - yang tahu banyak butiran mengenai pelanggannya, semua Amazon tahu mengenai pelanggan adalah corak perbelanjaan.
Amazon telah menunaikan pengetahuan ini bijak dalam usaha untuk mendapatkan lebih banyak daripada poket anda. Ia adalah satu tugas yang sukar untuk menganalisis corak perbelanjaan, orang seperti, keutamaan produk dan memberikan cadangan yang berkesan hanya atas dasar itu. Dan sekarang, Amazon cuba untuk menyediakan peralatan dan teknologi yang menggunakan data yang besar dan sistem Syor dengan berkesan untuk dijual kepada syarikat-syarikat lain yang menggunakan data besar yang. So, iklan produk Amazon akan mula muncul lebih kerap di laman web lain juga dan yang akan meningkatkan jualan.
Imej berikut menunjukkan bagaimana syarikat-syarikat besar telah menggunakan kuasa data besar dan enjin Cadangan.
cadangan
Had sistem Cadangan
Untuk semua kecekapan mereka, Cadangan Systems tidak sistem bukti penuh. Pencadang telah diketahui mengalami batasan berikut:
- Pencadang bergantung sepenuhnya kepada data dan penyewa mereka mesti sentiasa membekalkan mereka dengan jumlah yang besar data. Itulah sebabnya; firma yang lebih kecil adalah lebih kurang bernasib baik maka syarikat besar seperti Google dan Amazon.
- Pencadang mungkin mendapati sukar untuk betul-betul mengenal pasti corak pilihan pengguna jika pilihan utama pengguna cenderung untuk berbeza dengan cepat, seperti dalam fesyen. Pencadang banyak bergantung kepada data bersejarah tetapi yang mungkin tidak sesuai untuk niche produk tertentu.
- Pencadang menghadapi masalah dengan barangan yang tidak menentu. For example, terdapat pelbagai jenis filem tertentu yang membangkitkan reaksi melampau seperti cinta atau benci. Ia adalah amat sukar untuk memberikan cadangan untuk barangan seperti.
Summary
Walaupun data dan Cadangan enjin besar telah membuktikan kombinasi yang amat berguna untuk syarikat-syarikat besar, ia menimbulkan persoalan sama ada syarikat-syarikat dengan belanjawan yang lebih kecil mampu pelaburan tersebut. Ia adalah menggalakkan untuk syarikat-syarikat seperti yang alatan data besar dan teknologi yang agak lebih murah. cadangan produk adalah amat penting untuk menyediakan pengalaman pengguna yang baik dari sudut pandangan pelanggan. Also, dari sudut pandangan syarikat, ia mengambil kira faktor-faktor yang tidak diketahui yang boleh membuat pelanggan membeli produk yang mungkin kelihatan tidak mungkin. Seperti yang ditunjukkan oleh gambar di atas, kuasa Pencadang semakin besar.
