세그먼트 전략 | 마케터라면 알면 좋은 recommendation modeling

세그먼트 전략 | 마케터라면 알면 좋은 recommendation modeling

 

추천모델은 흔하게 볼 수 있습니다. video on demand, music streaming 

 

collaborative modeling 사용하자 : 고객들간의 유사성을 사용해서 그 다음 행동을 유

ㄴ 이거 보완 content-based model

과거에 고객이 좋아했거나 구매한 것이 미레에 선호/구매 될 것이라는 가정하게 작동

conten-based model

 

내가 먼저 우유를 샀고 , 그 다음에 치즈를 샀다

그 담주에는 치즈가 들어간 냉장/냉동 상품을 샀다

그러면 이후에 이 사람은 '치즈' 들어간 상품을 좋아한다 -> '치즈' 워딩 포함된 상품 추천*

---

활용하기

Q. recommdation model 을 트렌드를 읽는데 사용가능하다고?

ㄴ 이거 어떻게 작동하니???

 

thanks to page 활용하자 or recommendation products 로 구성된 랜딩 페이지 만들자

- 해당 카테고리 할인 상품

- 해당 카테고리 신제품

- 해당 카테고리 리뷰 top 50

 

---

고객 행동 분석을 통해서 알 수 있는 것

-  고객의 유형

- 어떤 것을 좋아하는지

-어떤 것을 좋아하지 않는지

-고객과 상품의 상호작용 패턴

-고객의 가치 등을 이해하는 데 초점을 맞춤

 

이를 파악하면 좋은 점

-매출 증대

-고객에 대한 이해

-장기적인 전략 long tail strategies

 

Figure 2: High-level pipeline of customer behaviour analysis platform

 

customer profiling

유사한 행동 패턴

ㄴ아이템 구매 횟수

ㄴ 구매한 상품의 가치 sales

ㄴ 반품 상품

ㄴ 특정 카테ㅗ리 상품 구매

 

behabioral similairty 로 그룹핑 함

 

상품군은 마진률 기준으로 분류했고, 고객 프로파일링은 해당 상품군을 구매한 고객

Figure 3: Example of customer segmentation

 

---

상품추천모델링

Product recommendations - suggest a mix of old and new products.

The old products from users' historical transactions serve as a reminder of their frequent purchases.

Also, it is important to suggest new products that the users may like to try.

 

상품추천모델링 - 목적

고객만족도를 높임, 수수료 인상, 추가 세일 창출등을 드리븐 하기 위한 맥락에서 추천모델링이 생김

전형적으로 사용하는 키값

customer Id, product Id (movie/stock/product)

No : of units/rating, transcation date

 

 

상품추천모델링 - Methods

 

추천 시스템 구축에 두 가지 타입

content-based : 고객이 읽은 기사글 - 비슷한 기사글 추천

collaborative filtering  : 동일한 기사글을 읽음, 동일한 고객으로 간주 , A 고객이 읽은 거 B 고객에게 추천

 

 

resource: https://towardsdatascience.com/recommendation-systems-models-and-evaluation-84944a84fb8e

content-based

"to create a 'profile' for each user and each item  고객과 상품 중심으로 각 각 프로파일 생성

ex)

100개의 기사와 N 사이즈의 어휘를 가지고 있을 때, 기사에 대한 각 단어에 tf-idf 점수 계산 

2개의 벡터를 구성함

1. item vector 아이템 벡터 : this is a vector of length N - 높은 tf-idf 스코어를 가진 아티클은 1, 아니면 0

https://towardsdatascience.com/recommendation-systems-models-and-evaluation-84944a84fb8e

2. user vector 유저 벡터 : 1XN 벡터, 모든 단어에 대해서 사용자가 소비한 기사에 단어가 발생할 확률

we store the probability of word occuring in articles that user has consumed

 

프로파일을 생성하게 되면 사용자와 항목간의 유사성을 계산합니다.

- the user has the highest similarity with 

- has the highest similarity with the other items the user had read.

 

ㄴ 중간에 읽다가 정확한 내용이 아니라서 netflix 추천 모델링으로 갈아탔어요

 

---

Recommendation modeling advantages

Enhance sales &average order value : 판매 및 평균 주문 향상

 

AOV 향상 할 수 있음 visitors to add recommended products and offerings at the checkout page.

ㄴ AOV 를 올려야 하는 캠페인에 활용가능하다

unit2 recommendation modeling 통해서 -> active 고객 unit2 로 스코어를 매김

추천 상품을 메인 페이지에 보여줌* 

it allows you to drive much higher conversions and enhance average order value.

Historical data, real-time visitor behavior, and third-party insights  등을 활용해서 추천 가능함

 

 

메인 페이지 구성

광고구좌
targeted banner
mass banner

x님을 위한 추천 카테고리

타임할인
이런 상품 어떄요 ? 광고구좌
마감세일
새로나옴 밀키트
과일/채소
수산물
.
.
.
-> 어떤 요소에서 personalized 가 되어있나?

 

---

장바구니 담고 -> 주문하기 -> ???? -> 결제페이지

 

한번 더 확인하고 알뜰 장보기

-자주 산 상품 함께 담기

-놓치면 아쉬운 특가 상품

-간편식 어때요? (????)

---

A report by McKinsey suggests that 25% of amazon purchases are based on recommendation systems.

ㄴ DSSTEN deep scalable spare tensor network engine

 

자주 함께 구매하는 상품

해당 상품을 구매한 고객이 구매한 상품

---

Reinforcement Learning for Budget Constrained Recommendations

 

This writeup is about using reinforcement learning to construct an optimal list of recommendations when the user has a finite time budget to make a decision from the list of recommendations.

ㄴ 사용자가 추천 목록에서 결정내기리 위해 제한된 시간예산을 가지고 있을 때 추천 목록 구성

(뭔말?)

 

 

How important is Netflix’s Recommender System?
80% of stream time is achieved through Netflix’s recommender system, which is a highly impressive number. Moreover, Netflix believes in creating a user experience that will seek to improve retention rate, which in turn translates to savings on customer acquisition (estimated $1B per year as of 2016).

넷플릭스 추천 시스템은 비즈니스에서 중요한 역할을 하는데요
스트리밍 시간의 80% 는 넷플릭스 추천 시스템을 통해서 달서오딘다고 합니다.
CAC 절감으로 이어진다고 볼 수 있어요 -> 제 생각에 구체적으로 retention rate 을 높게 가져갈 수 있다가 정확하지 않을까 하는데

 

 

추천 알고리즘 어디에 쓸 수 있을까?

PVR personalized video ranking - filters down the catalog by a specific criteria - violent tv programmers, us TV shows, Romance

 

Top-N video ranker - optimized using metrics that look at the head of the catalog rankings

 

Trending Now ranker - 시간적 추세를 포함한다

Temporal trends, which Netflix deduces to be strong predictors

ㄴ events that have a seasonal trend and repeat themselves - valentines day leads to an uptick in Romance videos

ㄴ one-off , short-term event (covid, whether, )

 

 

팀에서 사용하고자 하는 알고리즘은  content-based 

 

Video-video similarity ranker - because you watched  니가 봤으니까

 

획득한 고객들이 소비하는 항목을 기반으로 -> 다르 유사한 항목을 계산함

가장 비개인화된 모델링임 

-> 다른 사람들이 구매 했던 걸 바탕으로 너도 그렇게 할 거야를 추천함

 

 

---

recommendation modeling 원리

resource : https://medium.com/recombee-blog/machine-learning-for-recommender-systems-part-1-algorithms-evaluation-and-cold-start-6f696683d0ed

By multiplying corresponding row and column you prefict rating of item by uesrs.


행,열 값을 곱해서 고객별 각 항목에 대한 점수예측가능

Traning error can be obtained by comparing nonempy rating to predicted ratings. one can aslo regularize training loss by adding a penality term keeping values of latent vecotrs low.

---

resources: 

https://towardsdatascience.com/recommendation-systems-models-and-evaluation-84944a84fb8e

Recommendation Systems — Models and Evaluation

https://netflixtechblog.com/reinforcement-learning-for-budget-constrained-recommendations-6cbc5263a32a

Reinforcement Learning for Budget Constrained Recommendations

https://marutitech.com/recommendation-engine-benefits/

How Do Recommendation Engines Work? What are the Benefits?

https://www.be-terna.com/insights/recommendation-systems-in-e-commerce-whats-the-thing-youve-never-known-but-always-wanted-to