推薦引擎技術是什麼?除了電商產業,大數據還可以如何應用?

後疫情時代拉升了全球電商的普及程度。據 Statista 統計,全球電子商務銷售額於2024年將超過6.3兆美金,相比2014年增長率達378%。電子商務爆量性的增長,也連帶提升了消費者的選擇可能,使消費者迷失於線上推陳出新的各類商品,導致下單時間延遲,甚至放棄下單。因此,早在10年前推薦引擎技術(Recommendation Engine)便逐步被應用於電商領域。根據麥肯錫顧問公司調查,2013年於電商龍頭亞馬遜(Amazon.com)上的購物行為,即約有 35% 為推薦引擎技術助攻達成。推薦引擎技術根據每位消費者數據進行導購,不只改善線上消費體驗;對電商業者而言,更可在有限的網頁空間中,顯示最符合消費者需求的商品,進一步提升產品導購的成效。

推薦引擎的核心是一項將內容過濾的技術
推薦引擎技術透過蒐集使用者的行為,預測其對內容的喜好,或是推送內容至其他相似的使用者。當使用者在購物時,頁面停留時間、購物車商品類別、購買紀錄等用戶行為都將成為推薦系統模型評估的資料,算法也根據目標有所不同,較為常見的三種算法系統:

  1. 協同過濾系統(Collaborative Filtering System)
  2. 內容過濾系統(Content-Based Filtering System)
  3. 混合推薦系統(Hybrid Recommender System)

圖為協同過濾系統與內容過濾系統之比較(伊雲谷/整理)

  • 協同過濾系統(Collaborative Filtering System)
    協同過濾系統透過蒐集使用者的特性(如 : 年齡、性別、購買紀錄等)判斷使用者彼此的相似性。若判定相似程度高時,相似使用者的喜好會互相推薦。例如 A與 B 用戶曾閱讀同一篇文章, A與 B 即被系統認定為相似使用者,故當A用戶讀了新文章,這篇新文章也會推薦給 B用戶。
  • 內容過濾系統(Content-Based filtering System)
    內容過濾系統是透過使用者的個人偏好以及過去購買紀錄推測該使用者可能會感興趣的商品。例如A用戶讀過一篇文章,系統便會將相似的文章再推薦給A用戶。
  • 混合推薦系統(Hybrid Recommender System)
    混合推薦系統包含多種算法,因此可避免單一種算法的侷限性(如冷機問題:系統只能根據過去的購買紀錄推薦,沒有被購買過的新商品或新使用者,因為資料不足就無法被系統納入推薦)。

以全球龍頭影音串流平台Netflix為例,Netflix擁有上萬部影集,每當用戶在主頁尋找感興趣的內容時,主頁所推播的影集可能來自相似族群用戶觀看過的影片推薦(協同過濾系統);或與觀影紀錄相似類型的影片推薦(內容過濾系統)。

除了電商與影音推薦,推薦引擎技術還可以怎麼用?

掌握了推薦引擎技術的核心概念-基於演算法進行內容的篩選、分類與配對。其實除了前述的電商零售和影音串流平台,推薦引擎技術還能應用在多種產業和場景中,藉此幫助業者改善服務流程及效率,打造更優質的用戶體驗。

於金融相關產業,保險業者可根據客戶過往的保險繳費紀錄及生活背景(如職業、年薪、健康狀況),篩選出最符合客戶期待的方案 ( 如保險產品組合、建議年/月繳保險費及保險給付額 );線上銀行則可藉信用卡消費紀錄、地理位置等活動資訊,推薦客戶所在地的理想商家;創投業者也可透過推薦引擎配對,找到資金提供者,同時降低配對交易的風險。

在醫療產業中也不乏應用案例,例如照護推薦系統(Healthcare Recommender System,HRS),其蒐集使用者的年齡、身高、體重、心血管疾病史與血壓量測結果,來協助醫護人員進行診斷與健康狀況追蹤,並讓病情較穩定的患者可以透過系統來進行健康管理。而對於需要控制飲食的病患,推薦引擎技術可針對病患的需求與偏好產生個人化飲食清單,減少病患對於食物認知的門檻,也降低醫生與病患溝通的成本,更能結合體能鍛鍊項目推薦,輔以不同專業的照護人員進行諮詢協助。

此外,若我們將推薦引擎技術落實在醫藥產業的業務開發上,舉一美國跨國製藥企業為例,其服務內容包含製藥、疫苗及健康照護合作網絡。面對蒸蒸日上的業務量,每位業務員同時負責多個藥物與醫院案件,若分配不恰當則可能導致業務員的重工與資源浪費。為加速資源分配,一份即時、準確且富有效益洞察的案件報表,將能優化公司資源分配,減少成本提高營收,了解各項行銷政策如何影響銷售表現。

該公司導入數據解決方案,透過AWS建立Data Lake及Data Pipeline,並將CRM及訂單資料自動拋轉至Machine Learning平台,以Amazon Sagemaker non-linear演算法找到銷售流程中的指標,結合分配建議與資訊化圖表,進一步讓客戶的業務與產品資源能得到合理配置。透過推薦引擎機制,也能擺脫過往經驗導向的決策型態,給予業務更確切的目標,並將資源分配效益最大化,進一步達到節省成本、提升營收的優勢。

科技的發展往往會根據其發展背景,在特定的產業中優先發跡,然而隨著技術成熟,技術的應用也將不限於特定產業,只要能掌握並善用技術核心概念,就能夠在多元的場景與產業中發揮優勢。伊雲谷作為雲端諮詢顧問,具備豐富跨國、跨產業、跨雲的服務經驗,能夠以客戶情境為中心,借鑑多元產業經驗,提供客戶最適當的雲端解決方案與加值應用,帶動企業「以新方法去經營商業模式」的轉型契機。

參考資料:

  1. Retail e-commerce sales worldwide from 2014 to 2024 on Statista
  2. McKinsey: How retailers can keep up with consumers, 2013, By Ian MacKenzie, Chris Meyer, and Steve Noble
  3. Tran, T.N.T., Felfernig, A., Trattner, C. et al.Recommender systems in the healthcare domain: state-of-the-art and research issues. J Intell Inf Syst 57, 171–201 (2021).
  4. 適合現實應用的混合推薦系統,王建興,2012
2021-10-12T13:27:07+00:00 2021/10/12 |知識分享, 資訊安全|