Anbefalingsalgoritme
Få flere klik og mersalg ved at forstå, hvad algoritmen prioriterer.
Indhold
- Sådan virker anbefalingsalgoritmer i praksis
- Hvorfor anbefalingsalgoritmer betyder noget for marketing og webshops
- Eksempel: Anbefalingsalgoritme hos en mellemstor webshop
- Anbefalingsalgoritme er ikke det samme som personalisering eller bare en algoritme
- Hvad du skal være opmærksom på
- Ofte stillede spørgsmål om Anbefalingsalgoritme
Anbefalingsalgoritme er et maskinlæringssystem, der vurderer hvilke produkter, artikler eller indhold en bruger sandsynligvis vil klikke på eller købe, baseret på brugerens egen historik og andres adfærd. De mest almindelige tilgange er collaborative filtering, som sammenligner lignende brugere, og content-based, som matcher på ligheder mellem produkter eller indhold.
Sådan virker anbefalingsalgoritmer i praksis
En anbefalingsalgoritme ligner en opmærksom salgsassistent, der husker, hvad kunder før har kigget på, og så foreslår noget lignende. Collaborative filtering ser på mønstre i brugernes adfærd: hvis A og B har købt mange af de samme ting, foreslår systemet til A noget, B også købte. Content-based analyserer selve varen: farve, kategori, tekst i beskrivelsen, og foreslår varer der ligner dem, brugeren allerede har set. Mange moderne systemer kombinerer begge metoder og bruger også et neuralt netværk til at finde mere komplekse mønstre.
I praksis betyder det, at algoritmen optimerer efter en målsætning, ofte klikrate eller salg, og derfor prioriterer forslag, der gør brugeren mere aktiv nu. Det forklarer, hvorfor samme bruger kan få forskellige forslag på forskellige sites: målet og de data, systemet ser, er forskellige.
Hvorfor anbefalingsalgoritmer betyder noget for marketing og webshops
Som marketingmedarbejder lever I af synlighed. En anbefalingsalgoritme kan sende jeres produkt foran kunder, men den er styret af det, den kan måle: klik, køb, tid på side, return-rate. Derfor skal I spørge: Hvad optimerer vi efter? Skal systemet promovere nyheder, højmarginale varer eller rydde op i lagret? Beslutningen påvirker både indholdet, I anbefaler, og hvordan I måler succes.
Derudover påvirker kvaliteten af jeres data resultaterne. Manglende produktbeskrivelser, ustrukturerede priser eller få brugerdata gør collaborative filtering svagere, mens content-based kræver gode produktattributter. Enkle justeringer i beskrivelser og tags kan løfte anbefalingerne markant.
Eksempel: Anbefalingsalgoritme hos en mellemstor webshop
Direktøren for en dansk webshop med 12.000 varer og cirka 3.500 unikke besøgende om dagen vil have mere mersalg. Midt i sæsonen, en tirsdag morgen lige før en kampagne, beslutter teamet at aktivere en simpel anbefalingsfunktion "andre købte også" på produktkortet. De mangler struktur i produktdata: mange varer har kun en kort titel og en scanneret prisliste fra 2019. Efter to ugers arbejde med at rydde op i 1.800 produktbeskrivelser og tilføje kategorier, ruller de anbefalingerne ud.
Resultatet: nogle kunder ser bedre matches, men andre oplever irrelevante forslag, fordi collaborative filtering træner på en blandet købehistorik fra både private og erhvervskunder. Teamet må derfor justere filteret, så anbefalingerne kun trænes på privatkøb. Implementeringen tog tre uger og krævede intern tid fra produktteamet og en ekstern konsulent til at sætte standarder for datafelter.
Eksemplet viser, at arbejdet med data og målrettede valg af, hvad algoritmen skal optimere, er det tunge arbejde, ikke selve teknikken.
Anbefalingsalgoritme er ikke det samme som personalisering eller bare en algoritme
En anbefalingsalgoritme er en type algoritme, men ikke al personalisering. Personalisering med AI kan også styre e-mail, priser eller layout, mens anbefalinger specifikt foreslår indhold eller varer. Forveksles de, får I diffuse mål og svage resultater. Og selvom nogle anbefalingssystemer bruger et neuralt netværk, kan de også køre på simple regnearksregler, teknikken bør følge behovet, ikke omvendt.
Hvad du skal være opmærksom på
Vær klar over, hvad I vil optimere: klik, omsætning per besøg eller kundeloyalitet. Tjek datakvaliteten, og overvej segmentering (fx private vs. erhverv). Pas på feedback loops: hvis algoritmen kun viser det populære, får nye varer svært ved at blive vist. Endelig: dokumentér hvad I måler, så I kan vurdere, om anbefalingerne faktisk understøtter jeres forretning.
Det er svært at læse sig til anbefalingsalgoritme. I kommer længere med en workshop, hvor I bygger på jeres egne opgaver. Valget om anbefalingsalgoritme er sjældent kun teknisk. Retningen sættes med AI-rådgivning.
Ofte stillede spørgsmål om Anbefalingsalgoritme
Er en anbefalingsalgoritme det samme som personalisering?
Nej. En anbefalingsalgoritme foreslår varer eller indhold ud fra adfærd og produktlighed, mens personalisering kan omfatte alt fra e-mail-indhold til layout og priser. De kan arbejde sammen, men er ikke identiske.
Hvad koster det at få en anbefalingsalgoritme i en webshop?
Prisen varierer meget: enkle rules-baserede løsninger kræver primært arbejdstid til data og opsætning, mens avancerede systemer med machine learning ofte indebærer licens eller udvikling og løbende drift. Beregn tid til at rydde op i produktdata som en væsentlig udgift.
Kan vi bruge anbefalingsalgoritmer uden udviklere?
Ja, der findes plug-and-play-løsninger fra e-handelsplatforme og tredjepartsleverandører, men I skal stadig forberede data og definere mål. For komplekse mål eller skræddersyede regler kræves typisk teknisk hjælp.
Hvad er forskellen på collaborative filtering og content-based?
Collaborative filtering anbefaler baseret på lignende brugeres adfærd, mens content-based anbefaler baseret på ligheder mellem produkter eller indhold. Mange moderne systemer kombinerer begge til bedre forslag.
AI-rådgiver og underviser, grundlægger af AI Hero i Herning. Har bygget digitalt i over 20 år og hjælper danske virksomheder med at få AI i drift. Læs mere om Brian.