| < eelmine | 6. OSA sisukord | järgmine > |
6.6 Rist- ja ülesmüük autor: Anna Leontjeva
Müügi olulisust äris on raske ülehinnata. Müügitulemused on see, mis sisuliselt näitab äri edukust. Tänapäeval, tänu kogutud andmetele klientide kohta, on ettevõttel kergem keskenduda kliendisuhetele ja selle kaudu võimendada müügitulemust. Selles peatükis seletame me kahte andmepõhist müügitaktikat, mis võimaldavad saada suuremat kasumit: ristmüüki (ingl cross-selling) ja ülesmüüki (ingl up-selling).
Ristmüük tähendab sisuliselt seda, et kliendi poolt valitud põhitootele (tootele, mida klient peamiselt osta soovib) lisaks pakutakse veel midagi selle põhitootega seonduvat. Näiteks, kui klient tahab e-poest osta kohvimasinat ja lisab valitud kohvimasina tellimiseks poe ostukorvi, võib loogiliselt arvata, et tal läheb vaja ka kohviube. Seega saab kliendile meelde tuletada, et ka neid saab meie e-poest kohe osta (vt. Joonis 29).
Ülesmüük on sarnane strateegia, kuid kliendile pakutakse kliendi küsitud või tavaliselt ostetud toote asemel mõnevõrra kallimat või täiustatud toodet. Võtame uuesti näiteks kohvimasina, mida meie klient tahab osta. Kui klient veel mõtleb, millist kohvimasinat valida, saab talle pakkuda kallimat toodet. Rõhutada saab näiteks, et mingi teise kohvimasina kvaliteet või funktsionaalsus on parem kui kliendi poolt algselt valitud masinal (vt. Joonis 30). Seda tehes tasub meeles pidada, et pikaajalises perspektiivis peab ettevõte tagama kliendi rahulolu, seega peab jälgima, et see pakkumine ei ole pealetükkiv ega klienti pettev. Heaks strateegiaks peetakse, kui pakkumises on selgelt kirjeldatud, miks see toode on parem.
Joonis 29. Ristmüügi näide
Joonis 30. Ülesmüügi näide
Ülesmüüki ja ristmüüki saab teha isikliku lähenemisega kliendile. Näiteks, kinnisvara maaklerid suhtlevad oma klientidega ning uurivad välja, millised on iga kliendi nõudmised ja soovid. Kuid sellist isiklikku lähenemist ei ole võimalik skaleerida, s.t. kui kliente või tooteid on liiga palju. Seega, nii üles- kui ka ristmüügi puhul on ärianalüütika suureks abiks. Klientide ja soovituste sobitamisega tegeleb selline andmeteaduse alamvaldkond nagu soovitussüsteemid. See on suhteliselt lai valdkond ning selles loengus käsitleme ainult mõnda lihtsamat näidet. Üldistatuna on soovitussüsteemi eesmärgiks ennustada, millist “hinnangut” kasutaja/klient annaks igale tootele (ehk kui väga see talle meeldiks). Levinud näide on vaatajate poolt filmidele antud hinnangud, mille põhjal saab neile soovitada, mida järgmisena vaadata. Sellist klassikalist lähenemist uue sisu soovitamiseks kasutavad sellised ettevõtted nagu Netflix, Spotify ja Youtube. Tegelikult on tänapäeval raske leida maailmatasemel edukat ettevõtet, mis ei kasuta soovitsusüsteeme mingilgi määral.
Vaatleme erinevaid soovitussüsteemide tüüpe:
- kaasfiltreerimise (ingl collaborative filtering) puhul ennustatakse kasutajate eelistusi teiste kasutajate eelistuste põhjal. Kaasfiltreerimise rakendamise puhul on eelduseks, et 1) on olemas aktiivsed kasutajad, kellelt on võimalik tagasisidet saada, 2) kogutud andmetes on muuhulgas kirjas, mis on kasutajate huvid ja soovid, ning 3) on võimalik sarnaste huvidega kliente omavahel sobitada. Kaasfiltreerimise puhul on protsess sarnane puuduvate andmete ennustamisega.
- sisupõhise filtreerimise (ingl content based filtering) soovitused on koostatud iga kliendi seniste eelistuste põhjal. Siin on põhifookus toodete kirjeldustel. Iga kasutaja kohta tehakse profiil selle põhjal, milliste tunnustega tooted teda varem huvitanud on, ning kasutatakse selleks tema poolt ostetud toodete kirjeldust. Näiteks, kui kasutaja on andnud positiivseid hinnanguid “Nike”i toodetele ja nüüd otsib Google’ist “mustad vabaajajalatsid”, sobitakse sellele päringule kõige sarnasem toode tootekirjelduse järgi ning eelistades just Nike brändi. Siin kasutatakse teksti-põhiseid meetodeid.
- demograafiline ja sotsiaalne soovitussüsteem (ingl demographic based recommender system):
Selline süsteem põhineb puhtalt sellel, kas see toode meeldis selle kliendi sõpradele (näiteks Facebookis), või nendele, kes on sarnases demograafia segmendis (näiteks mehed vanuses 30-40, kes elavad Tallinnas ja omavad autot). Pange tähele, et neid segmente saab koostada sarnaselt meetoditega, mis on käistletud peatükis “Klientide segmenteerimine”.
- konteksti-põhine soovitussüsteem (ingl context based recommender system) on selline soovitussüsteem, mis on kaasfiltreerimisel või sisul baseeruv süsteem, mis võtab arvesse lisaks ka kontekstiga seotud faktoreid. Näiteks, hooaeg, ilm, nädalapäev, asukoht jm. võivad mõjutada kliendi eelistusi ja selline soovitussüsteem korrigeerib tulemused selle muutuva informatsiooni järgi. See aga nõuab sellise informatsiooni olemasolu andmestikus. Seda infot saab koguda näiteks otse kliendi käest küsides, aga võib olla ka võimalik tuletada andmetest, võttes arvesse ostu toimumise konteksti (nt. analüüsides aega või asukohta automaatselt).
- hübriidsüsteemid (ingl hybrid recommender system) on soovitussüsteemide kogum, mis kasutab erinevaid elemente ja variante ülaltoodud süsteemidest.
Kaasfiltreerimise näide
Käesolevas alapeatükis vaatleme kaasfiltreerimist, kuna see on kõige levinum soovitussüsteemi tüüp. Eristatakse kasutajakeskset kaasfiltreerimist ja kirjete keskset kaasfiltreerimist.
Näiteks, tüüpiline 'kasutajakeskne kaasfiltreerimissüsteem koosneb järgmistest sammudest:
- Kasutaja väljendab oma huvi ehk annab ettevõtte poolt pakutud toodetele hinnanguid. Näiteks, ta annab loetud raamatule hindeks 5 palli. Võime käsitleda selliseid hinnanguid kasutajate maitse-eelistuste lähendina selles valdkonnas (meie näite puhul siis kirjanduses).
- Juhendamata masinõppe algoritm võrdleb kasutajaid omavahel, ning leiab käesolevale kliendile sarnaste hinnangutega kasutajaid. Seega, eelduseks on see, et nende leitud klientide maitse raamatutes on sarnane antud kliendiga.
- Sarnaste kasutajate hinnangute ajaloo põhjal pakub kaasfiltreerimine käesolevale kliendile tooteid, mida nemad hindasid kõrgelt, kuid millele meie raamatusõber pole veel oma hinnangut andnud (eeldades, et kui ta pole hinnangut andnud, siis pole ta antud teost veel lugenud).
Kirjetekeskne süsteem erineb kasutajakesksest selle poolest, et otsitakse sarnaseid tooteid, mitte kliente. Teisisõnu, koostatakse kirjete maatriks, kus iga kahe kirje vahel on väljendatud nende toodete sarnasus. Meie raamatu näite puhul oletame, et klient andis positiivse hinnangu Oskar Lutsu raamatule “Kevade”, süsteem võib talle soovitada lugeda ka sama autori raamatut “Suvi” (sest kirjete maatriksis võiks neil olla kõrge sarnasusskoor).
Selline töövoog on väga üldine, ning leidub palju viise, kuidas seda implementeerida. Vaatleme siin ühte kindlat näidet kirjetekesksest kaasfiltreerimisest (vt. Tabel 29):
Joonis 31. Näide kasutajate hinnangutest.
Meie eesmärk on ennustada Mari hinnangut raamatu A kohta.
Selleks, et võrrelda raamatuid, saame kasutada järgmist algoritmi:
- arvutame erinevuse iga kahe raamatu vahel kui nende hinnangute erinevuste keskmise:
erinevus(A,B) = ((5 - 3) + (3 - 4))/2 = 0.5 (ehk raamatut A hinnatakse keskmiselt 0.5 võrra kõrgemalt) erinevus(A, C) = (5 - 2)/1 = 3
- kui ennustada Mari hinnangut raamatule A, kasutades tema raamatu B hinnangut, siis see oleks 2 + 0.5, ehk Mari hinnang B-le + erinevus(A, B). Samas kui me ennustame Mari hinnangut raamatule A, kasutades raamatu C infot, siis see oleks 5 + 3, ehk Mari raamatu C hinnang + erinevus(A, C).
- Mari hinnangu raamatule A lõpliku ennustuse saame arvutada kui hinnangute kaalutud keskmise, kus kaal on olemasolevate hinnangute arv. Raamatu B puhul on olemas 2 hinnangut (v.a Mari) ja raamatu C puhul ainult 1 (Mark). Seega kombineerime eelnevad kaks ennustust, kaaludes nende usaldusväärsust vastavalt B ja C jaoks olemasolevate hinnangute arvuga (2.5 x 2 + 8 x 1)/3 = 4.33
Sellist algoritmi on lihtne implementeerida ja kasutada. Samas, ei pruugi meil alati arvulised hinnangud kättesaadavad olla. Näiteks, tavalise poeskäimise kirja panemiseks saame kasutada binaarset informatsiooni: iga toote kohta märgime, kas see toode sai ostetud või mitte. Seega kirjeldab ühte poeskäiku üks pikk binaarne vektor, mille puhul saame kasutada sarnasusskoorina koosinussarnasust (ingl cosine similarity):
Mida kõrgem on koosinussarnasus, seda sarnasemad on kaks binaarset vektorit. Vaatame meie juba eelnevalt tutvustatud raamatute ostmise näidet, kuid hinnangute asemel meil on 0/1 väärtused, kus 1 - klient on seda kaupa ostnud, ja 0 - mitte (Tabel 30).
Joonis 32. Näide kasutajate ostudest, kus 1 tähendab, et kaupa on ostetud, ja 0, et ei ole.
Arvutame koosinussarnasuse raamatute vahel:
Seega kasutaja, kes vaatab parajasti raamatut A, saab endale soovituseks ka raamatu B, sest see on A-ga sarnaseim (maksimaalne väärtus cos(A,B) ja cos(A,C) vahel). Kasutaja, kes sirvib raamatut B, saab soovituseks nii A kui ka C, sest B on nendega võrdselt sarnane.
Soovitussüsteemid on väga tõhus meetod üles- ja ristmüügiks. See on kindel viis suurema tulu teenimiseks, suurendades samal ajal kliendi üldist rahulolu ning vähendades lahkujate arvu. Tihti isegi väga lihtsad soovitussüsteemid näitavad väga häid tulemusi. Millist süsteemi aga kasutada sõltub sellest, millised andmed on kättesaadavad.
| < eelmine | 6. OSA sisukord | järgmine > |