ສະບາຍດີທຸກຄົນ! ຂ້ອຍຊື່ Sasha, ຂ້ອຍແມ່ນ CTO & ຜູ້ຮ່ວມກໍ່ຕັ້ງຢູ່ LoyaltyLab. ເມື່ອສອງປີກ່ອນ, ໝູ່ເພື່ອນຂອງຂ້ອຍ ແລະ ຂ້ອຍຄືກັບນັກຮຽນທຸກຍາກໝົດທຸກຄົນ, ໄດ້ໄປຊື້ເບຍຢູ່ຮ້ານໃກ້ບ້ານເຮົາທີ່ສຸດ. ພວກເຮົາຮູ້ສຶກເສຍໃຈຫຼາຍທີ່ຮ້ານຂາຍຍ່ອຍ, ຮູ້ວ່າພວກເຮົາຈະມາກິນເບຍ, ບໍ່ໄດ້ສະເຫນີສ່ວນຫຼຸດກ່ຽວກັບຊິບຫຼື crackers, ເຖິງແມ່ນວ່ານີ້ແມ່ນເຫດຜົນຫຼາຍ! ພວກເຮົາບໍ່ເຂົ້າໃຈວ່າເປັນຫຍັງສະຖານະການນີ້ຈຶ່ງເກີດຂຶ້ນແລະຕັດສິນໃຈເລີ່ມຕົ້ນບໍລິສັດຂອງພວກເຮົາເອງ. ດີ, ເປັນໂບນັດ, ໃຫ້ຕົວທ່ານເອງສ່ວນຫຼຸດທຸກໆວັນສຸກໃນຊິບດຽວກັນເຫຼົ່ານັ້ນ.

ແລະມັນທັງຫມົດມາຮອດຈຸດທີ່ຂ້ອຍກໍາລັງນໍາສະເຫນີອຸປະກອນທາງດ້ານເຕັກນິກຂອງຜະລິດຕະພັນຢູ່ NVIDIA GTC. ພວກເຮົາຍິນດີທີ່ຈະແບ່ງປັນວຽກງານຂອງພວກເຮົາກັບຊຸມຊົນ, ດັ່ງນັ້ນຂ້ອຍຈຶ່ງເຜີຍແຜ່ບົດລາຍງານຂອງຂ້ອຍໃນຮູບແບບຂອງບົດຄວາມ.

ການນໍາສະເຫນີ

ເຊັ່ນດຽວກັນກັບຄົນອື່ນໃນຕອນເລີ່ມຕົ້ນຂອງການເດີນທາງ, ພວກເຮົາໄດ້ເລີ່ມຕົ້ນດ້ວຍພາບລວມຂອງວິທີການສ້າງລະບົບຄໍາແນະນໍາ. ແລະສະຖາປັດຕະຍະກໍາທີ່ນິຍົມທີ່ສຸດໄດ້ກາຍເປັນປະເພດດັ່ງຕໍ່ໄປນີ້:

ມັນ​ປະ​ກອບ​ດ້ວຍ​ສອງ​ພາກ​ສ່ວນ​:

1. ຕົວຢ່າງຜູ້ສະຫມັກສໍາລັບຄໍາແນະນໍາໂດຍໃຊ້ຕົວແບບທີ່ງ່າຍດາຍແລະໄວ, ປົກກະຕິແລ້ວເປັນແບບຮ່ວມມື.
2. ການຈັດອັນດັບຂອງຜູ້ສະຫມັກທີ່ມີຮູບແບບເນື້ອຫາທີ່ສັບສົນແລະຊ້າກວ່າ, ໂດຍຄໍານຶງເຖິງລັກສະນະທີ່ເປັນໄປໄດ້ທັງຫມົດໃນຂໍ້ມູນ.

ຕໍ່​ໄປ​ນີ້​ຂ້າ​ພະ​ເຈົ້າ​ຈະ​ນໍາ​ໃຊ້​ຄໍາ​ສັບ​ຕ່າງໆ​ດັ່ງ​ຕໍ່​ໄປ​ນີ້​:

• ຜູ້ສະຫມັກ / ຜູ້ສະຫມັກສໍາລັບການແນະນໍາ — ຄູ່ຜະລິດຕະພັນຜູ້ໃຊ້ທີ່ອາດຈະຖືກລວມເຂົ້າໃນຄໍາແນະນໍາໃນການຜະລິດ.
• ວິທີການສະກັດຜູ້ສະຫມັກ / ເຄື່ອງສະກັດ / ວິທີການສະກັດຜູ້ສະຫມັກ — ຂະບວນການ ຫຼືວິທີການເພື່ອສະກັດ “ຜູ້ສະເໜີແນະ” ຈາກຂໍ້ມູນທີ່ມີຢູ່.

ຂັ້ນຕອນທໍາອິດມັກຈະກ່ຽວຂ້ອງກັບການນໍາໃຊ້ການປ່ຽນແປງທີ່ແຕກຕ່າງກັນຂອງການກັ່ນຕອງຮ່ວມມື. ທີ່​ນິ​ຍົມ​ທີ່​ສຸດ - ALS. ມັນເປັນເລື່ອງແປກທີ່ບົດຄວາມສ່ວນໃຫຍ່ກ່ຽວກັບລະບົບຄໍາແນະນໍາພຽງແຕ່ເປີດເຜີຍການປັບປຸງຕ່າງໆໃນແບບຮ່ວມມືໃນຂັ້ນຕອນທໍາອິດ, ແຕ່ບໍ່ມີໃຜເວົ້າຫຼາຍກ່ຽວກັບວິທີການຕົວຢ່າງອື່ນໆ. ສໍາລັບພວກເຮົາ, ວິທີການນໍາໃຊ້ພຽງແຕ່ຮູບແບບການຮ່ວມມືແລະການເພີ່ມປະສິດທິພາບຕ່າງໆກັບພວກເຂົາບໍ່ໄດ້ເຮັດວຽກກັບຄຸນນະພາບທີ່ພວກເຮົາຄາດຫວັງ, ດັ່ງນັ້ນພວກເຮົາໄດ້ຂຸດລົງໃນການຄົ້ນຄວ້າໂດຍສະເພາະໃນສ່ວນນີ້. ແລະໃນຕອນທ້າຍຂອງບົດຄວາມຂ້າພະເຈົ້າຈະສະແດງໃຫ້ເຫັນວ່າພວກເຮົາສາມາດປັບປຸງ ALS ໄດ້ຫຼາຍປານໃດ, ເຊິ່ງເປັນພື້ນຖານຂອງພວກເຮົາ.

ກ່ອນທີ່ຂ້ອຍຈະອະທິບາຍວິທີການຂອງພວກເຮົາ, ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສັງເກດວ່າໃນຄໍາແນະນໍາໃນເວລາຈິງ, ມັນເປັນສິ່ງສໍາຄັນສໍາລັບພວກເຮົາທີ່ຈະຄໍານຶງເຖິງຂໍ້ມູນທີ່ເກີດຂຶ້ນ 30 ນາທີກ່ອນຫນ້ານີ້, ບໍ່ມີວິທີການຈໍານວນຫຼາຍທີ່ສາມາດເຮັດວຽກໄດ້ໃນເວລາທີ່ກໍານົດໄວ້. ແຕ່, ໃນກໍລະນີຂອງພວກເຮົາ, ພວກເຮົາຕ້ອງເກັບກໍາຂໍ້ສະເຫນີແນະບໍ່ເກີນຫນຶ່ງຄັ້ງຕໍ່ມື້, ແລະໃນກໍລະນີຫຼາຍທີ່ສຸດ - ຫນຶ່ງຄັ້ງຕໍ່ອາທິດ, ເຊິ່ງເຮັດໃຫ້ພວກເຮົາມີໂອກາດທີ່ຈະນໍາໃຊ້ແບບສະລັບສັບຊ້ອນແລະປັບປຸງຄຸນນະພາບຫຼາຍຄັ້ງ.

ໃຫ້ພວກເຮົາເອົາເປັນພື້ນຖານກ່ຽວກັບສິ່ງທີ່ຕົວຊີ້ວັດພຽງແຕ່ ALS ສະແດງໃຫ້ເຫັນກ່ຽວກັບວຽກງານຂອງການສະກັດຜູ້ສະຫມັກ. ຕົວຊີ້ວັດທີ່ສໍາຄັນທີ່ພວກເຮົາຕິດຕາມແມ່ນ:

• Precision - ອັດຕາສ່ວນຂອງຜູ້ສະຫມັກທີ່ຖືກຄັດເລືອກຢ່າງຖືກຕ້ອງຈາກຕົວຢ່າງ.
• Recall ແມ່ນອັດຕາສ່ວນຂອງຜູ້ສະຫມັກທີ່ເກີດຂື້ນຈາກສິ່ງທີ່ເປັນຕົວຈິງໃນໄລຍະເວລາເປົ້າຫມາຍ.
• F1-score - F-measure ຄິດໄລ່ໃນສອງຈຸດທີ່ຜ່ານມາ.

ພວກເຮົາຍັງຈະເບິ່ງຕົວຊີ້ບອກຂອງຕົວແບບສຸດທ້າຍຫຼັງຈາກການຝຶກອົບຮົມ gradient boosting ດ້ວຍຄຸນສົມບັດເນື້ອຫາເພີ່ມເຕີມ. ນອກຈາກນີ້ຍັງມີ 3 ຕົວຊີ້ວັດຕົ້ນຕໍຢູ່ທີ່ນີ້:

• precision@5 - ອັດຕາສ່ວນສະເລ່ຍຂອງຜະລິດຕະພັນຈາກທາງເທິງ 5 ໃນແງ່ຂອງຄວາມເປັນໄປໄດ້ສໍາລັບຜູ້ຊື້ແຕ່ລະຄົນ.
• response-rate@5 - ການປ່ຽນລູກຄ້າຈາກການໄປຢ້ຽມຢາມຮ້ານເປັນການຊື້ຢ່າງຫນ້ອຍຫນຶ່ງການສະເຫນີສ່ວນບຸກຄົນ (5 ຜະລິດຕະພັນໃນການສະເຫນີຫນຶ່ງ).
• avg roc-auc ຕໍ່ຜູ້ໃຊ້ - ສະເລ່ຍ roc-auc ສໍາລັບຜູ້ຊື້ແຕ່ລະຄົນ.

ມັນເປັນສິ່ງສໍາຄັນທີ່ຈະສັງເກດວ່າທຸກ metrics ເຫຼົ່ານີ້ແມ່ນຖືກວັດແທກ ການກວດສອບໄລຍະຂ້າມຜ່ານ, ນັ້ນແມ່ນ, ການຝຶກອົບຮົມເກີດຂື້ນໃນ k ອາທິດທໍາອິດ, ແລະ k + 1 ອາທິດຖືກເອົາເປັນຂໍ້ມູນການທົດສອບ. ດັ່ງນັ້ນ, ການຫຼຸດລົງຕາມລະດູການມີຜົນກະທົບຫນ້ອຍຕໍ່ການຕີຄວາມຄຸນນະພາບຂອງຕົວແບບ. ນອກຈາກນັ້ນໃນກາຟທັງຫມົດ, ແກນ abscissa ຈະຊີ້ບອກຕົວເລກອາທິດໃນການກວດສອບຂ້າມ, ແລະແກນ ordinate ຈະຊີ້ບອກມູນຄ່າຂອງ metric ທີ່ກໍານົດໄວ້. ກຣາຟທັງໝົດແມ່ນອີງໃສ່ຂໍ້ມູນທຸລະກຳຈາກລູກຄ້າຄົນໜຶ່ງເພື່ອໃຫ້ການປຽບທຽບລະຫວ່າງກັນຖືກຕ້ອງ.

ກ່ອນທີ່ພວກເຮົາຈະເລີ່ມຕົ້ນອະທິບາຍວິທີການຂອງພວກເຮົາ, ກ່ອນອື່ນ ໝົດ ພວກເຮົາເບິ່ງພື້ນຖານ, ເຊິ່ງເປັນຕົວແບບທີ່ໄດ້ຮັບການຝຶກອົບຮົມ ALS.
ເມຕຣິກການດຶງຂໍ້ມູນຂອງຜູ້ສະໝັກ:

ຕົວຊີ້ວັດສຸດທ້າຍ:

ຂ້າ​ພະ​ເຈົ້າ​ປະ​ຕິ​ບັດ​ການ​ປະ​ຕິ​ບັດ​ທັງ​ຫມົດ​ຂອງ algorithms ເປັນ​ປະ​ເພດ​ຂອງ​ສົມ​ມຸດ​ຕິ​ຖານ​ທຸ​ລະ​ກິດ. ດັ່ງນັ້ນ, ໂດຍທົ່ວໄປແລ້ວ, ຮູບແບບການຮ່ວມມືໃດໆສາມາດຖືກພິຈາລະນາເປັນສົມມຸດຕິຖານວ່າ "ປະຊາຊົນມີແນວໂນ້ມທີ່ຈະຊື້ສິ່ງທີ່ຄົນທີ່ຄ້າຍຄືກັນກັບພວກເຂົາຊື້." ດັ່ງທີ່ຂ້າພະເຈົ້າໄດ້ເວົ້າແລ້ວ, ພວກເຮົາບໍ່ໄດ້ຈໍາກັດຕົວເຮົາເອງກັບ semantics ດັ່ງກ່າວ, ແລະນີ້ແມ່ນບາງສົມມຸດຕິຖານທີ່ເຮັດວຽກໄດ້ດີກັບຂໍ້ມູນໃນການຂາຍຍ່ອຍອອບໄລນ໌:

1. ທີ່​ຂ້າ​ພະ​ເຈົ້າ​ໄດ້​ຊື້​ກ່ອນ​.
2. ຄ້າຍຄືກັນກັບສິ່ງທີ່ຂ້ອຍຊື້ກ່ອນ.
3. ໄລຍະເວລາຂອງການຊື້ທີ່ຜ່ານມາຍາວ.
4. ເປັນທີ່ນິຍົມຕາມໝວດໝູ່/ຍີ່ຫໍ້.
5. ການຊື້ສິນຄ້າທີ່ແຕກຕ່າງກັນຈາກອາທິດຫາອາທິດ (ຕ່ອງໂສ້ Markov).
6. ຜະລິດຕະພັນທີ່ຄ້າຍຄືກັນກັບຜູ້ຊື້, ອີງຕາມຄຸນລັກສະນະທີ່ສ້າງຂຶ້ນໂດຍຮູບແບບທີ່ແຕກຕ່າງກັນ (Word2Vec, DSSM, ແລະອື່ນໆ).

ເຈົ້າຊື້ຫຍັງກ່ອນ?

heuristic ທີ່ຊັດເຈນທີ່ສຸດທີ່ເຮັດວຽກໄດ້ດີຫຼາຍໃນຮ້ານຂາຍຍ່ອຍ. ໃນທີ່ນີ້ພວກເຮົາເອົາສິນຄ້າທັງຫມົດທີ່ຜູ້ຖືບັດຄວາມສັດຊື່ທີ່ຊື້ໃນມື້ K ທີ່ຜ່ານມາ (ປົກກະຕິແລ້ວ 1-3 ອາທິດ), ຫຼື K ມື້ກ່ອນຫນ້ານີ້. ການ​ນໍາ​ໃຊ້​ພຽງ​ແຕ່​ວິ​ທີ​ການ​ນີ້​, ພວກ​ເຮົາ​ໄດ້​ຮັບ​ການ​ວັດ​ແທກ​ດັ່ງ​ຕໍ່​ໄປ​ນີ້​:

ໃນທີ່ນີ້ມັນເຫັນໄດ້ຊັດເຈນວ່າເວລາດົນກວ່າທີ່ພວກເຮົາໃຊ້ເວລາ, ການເອີ້ນຄືນທີ່ພວກເຮົາມີຫຼາຍຂຶ້ນແລະຄວາມແມ່ນຍໍາທີ່ພວກເຮົາມີຫນ້ອຍແລະໃນທາງກັບກັນ. ໂດຍສະເລ່ຍ, "2 ອາທິດທີ່ຜ່ານມາ" ໃຫ້ຜົນໄດ້ຮັບທີ່ດີກວ່າສໍາລັບລູກຄ້າ.

ຄ້າຍຄືກັບສິ່ງທີ່ຂ້ອຍຊື້ກ່ອນ

ມັນບໍ່ແປກໃຈທີ່ຮ້ານຂາຍຍ່ອຍ "ສິ່ງທີ່ຂ້ອຍຊື້ກ່ອນ" ເຮັດວຽກໄດ້ດີ, ແຕ່ການສະກັດເອົາຜູ້ສະຫມັກຈາກສິ່ງທີ່ຜູ້ໃຊ້ຊື້ແລ້ວແມ່ນບໍ່ເຢັນຫຼາຍ, ເພາະວ່າມັນບໍ່ຫນ້າຈະແປກໃຈຜູ້ຊື້ກັບຜະລິດຕະພັນໃຫມ່. ດັ່ງນັ້ນ, ພວກເຮົາສະເຫນີໃຫ້ປັບປຸງ heuristic ນີ້ເລັກນ້ອຍໂດຍໃຊ້ຮູບແບບການຮ່ວມມືດຽວກັນ. ຈາກ vectors ທີ່ພວກເຮົາໄດ້ຮັບໃນລະຫວ່າງການຝຶກອົບຮົມ ALS, ພວກເຮົາສາມາດໄດ້ຮັບຜະລິດຕະພັນທີ່ຄ້າຍຄືກັນກັບສິ່ງທີ່ຜູ້ໃຊ້ໄດ້ຊື້ແລ້ວ. ແນວຄວາມຄິດນີ້ແມ່ນຄ້າຍຄືກັນກັບ "ວິດີໂອທີ່ຄ້າຍຄືກັນ" ໃນການບໍລິການສໍາລັບການເບິ່ງເນື້ອຫາວິດີໂອ, ແຕ່ຍ້ອນວ່າພວກເຮົາບໍ່ຮູ້ວ່າຜູ້ໃຊ້ກໍາລັງກິນ / ຊື້ຫຍັງໃນເວລາໃດຫນຶ່ງ, ພວກເຮົາພຽງແຕ່ຊອກຫາສິ່ງທີ່ຄ້າຍຄືກັນກັບສິ່ງທີ່ລາວໄດ້ຊື້ແລ້ວ, ໂດຍສະເພາະ. ນັບຕັ້ງແຕ່ພວກເຮົາພວກເຮົາຮູ້ແລ້ວວ່າມັນເຮັດວຽກໄດ້ດີປານໃດ. ການນຳໃຊ້ວິທີການນີ້ໃນທຸລະກຳຂອງຜູ້ໃຊ້ໃນ 2 ອາທິດທີ່ຜ່ານມາ, ພວກເຮົາໄດ້ຮັບຕົວຊີ້ບອກຕໍ່ໄປນີ້:

ມັນເປັນ k — ຈໍາ​ນວນ​ຂອງ​ຜະ​ລິດ​ຕະ​ພັນ​ທີ່​ຄ້າຍ​ຄື​ກັນ​ທີ່​ໄດ້​ຮັບ​ສໍາ​ລັບ​ການ​ຜະ​ລິດ​ຕະ​ພັນ​ແຕ່​ລະ​ທີ່​ຊື້​ໂດຍ​ຜູ້​ຊື້​ໃນ​ໄລ​ຍະ 14 ມື້​ທີ່​ຜ່ານ​ມາ​.
ວິທີການນີ້ເຮັດວຽກໄດ້ດີໂດຍສະເພາະສໍາລັບລູກຄ້າຂອງພວກເຮົາ, ເຊິ່ງມັນເປັນສິ່ງສໍາຄັນທີ່ບໍ່ຄວນແນະນໍາສິ່ງໃດກໍ່ຕາມທີ່ມີຢູ່ໃນປະຫວັດການຊື້ຂອງຜູ້ໃຊ້.

ໄລຍະເວລາການຊື້ຊ້າ

ດັ່ງທີ່ພວກເຮົາໄດ້ພົບເຫັນແລ້ວ, ເນື່ອງຈາກຄວາມຖີ່ຂອງການຊື້ສິນຄ້າ, ວິທີການທໍາອິດເຮັດວຽກໄດ້ດີສໍາລັບຄວາມຕ້ອງການສະເພາະຂອງພວກເຮົາ. ແຕ່ສິ່ງທີ່ກ່ຽວກັບສິນຄ້າເຊັ່ນ: ຜົງຊັກຜ້າ / ແຊມພູ / ແລະອື່ນໆ. ນັ້ນແມ່ນ, ດ້ວຍຜະລິດຕະພັນທີ່ເບິ່ງຄືວ່າບໍ່ຈໍາເປັນໃນທຸກໆອາທິດຫຼືສອງອາທິດແລະວິທີການທີ່ຜ່ານມາບໍ່ສາມາດສະກັດໄດ້. ນີ້ນໍາໄປສູ່ຄວາມຄິດດັ່ງຕໍ່ໄປນີ້ - ມັນໄດ້ຖືກສະເຫນີໃຫ້ຄິດໄລ່ໄລຍະເວລາຂອງການຊື້ແຕ່ລະຜະລິດຕະພັນໂດຍສະເລ່ຍສໍາລັບລູກຄ້າທີ່ຊື້ຜະລິດຕະພັນຫຼາຍ. k ຄັ້ງດຽວ. ແລະຫຼັງຈາກນັ້ນສະກັດສິ່ງທີ່ຜູ້ຊື້ຫຼາຍທີ່ສຸດອາດຈະຫມົດໄປ. ໄລຍະເວລາຄິດໄລ່ສໍາລັບສິນຄ້າສາມາດກວດສອບດ້ວຍຕາຂອງເຈົ້າສໍາລັບຄວາມພຽງພໍ:

ແລະຫຼັງຈາກນັ້ນພວກເຮົາຈະເບິ່ງວ່າໃນຕອນທ້າຍຂອງໄລຍະເວລາຂອງຜະລິດຕະພັນຕົກຢູ່ໃນໄລຍະເວລາທີ່ຄໍາແນະນໍາຈະຢູ່ໃນການຜະລິດແລະຕົວຢ່າງສິ່ງທີ່ເກີດຂື້ນ. ວິ​ທີ​ການ​ສາ​ມາດ​ສະ​ແດງ​ໃຫ້​ເຫັນ​ດັ່ງ​ນີ້​:

ໃນທີ່ນີ້ພວກເຮົາມີ 2 ກໍລະນີຕົ້ນຕໍທີ່ສາມາດພິຈາລະນາໄດ້:

1. ມັນເປັນສິ່ງຈໍາເປັນທີ່ຈະເອົາຕົວຢ່າງຜະລິດຕະພັນຈາກລູກຄ້າທີ່ໄດ້ຊື້ຜະລິດຕະພັນຫນ້ອຍກວ່າ K ເທົ່າ.
2. ມັນເປັນສິ່ງຈໍາເປັນທີ່ຈະເອົາຕົວຢ່າງຜະລິດຕະພັນໃດຫນຶ່ງຖ້າຫາກວ່າໃນຕອນທ້າຍຂອງໄລຍະເວລາຂອງມັນຫຼຸດລົງກ່ອນທີ່ຈະເລີ່ມຕົ້ນຂອງໄລຍະເປົ້າຫມາຍ.

ເສັ້ນສະແດງຕໍ່ໄປນີ້ສະແດງໃຫ້ເຫັນຜົນໄດ້ຮັບທີ່ວິທີການນີ້ບັນລຸໄດ້ກັບ hyperparameters ທີ່ແຕກຕ່າງກັນ:

ft — ເອົາສະເພາະລູກຄ້າທີ່ໄດ້ຊື້ສິນຄ້າຢ່າງໜ້ອຍ K (ທີ່ນີ້ K=5) ເທື່ອ
tm - ເອົາພຽງແຕ່ຜູ້ສະຫມັກທີ່ຕົກຢູ່ໃນໄລຍະເປົ້າຫມາຍ

ມັນບໍ່ແປກໃຈທີ່ລາວສາມາດ (0, 0) ໃຫຍ່ທີ່ສຸດ recall ແລະນ້ອຍທີ່ສຸດ ຄວາມຖືກຕ້ອງ, ເນື່ອງຈາກວ່າພາຍໃຕ້ເງື່ອນໄຂນີ້, ຜູ້ສະຫມັກຫຼາຍທີ່ສຸດໄດ້ຖືກດຶງອອກມາ. ຢ່າງໃດກໍ່ຕາມ, ຜົນໄດ້ຮັບທີ່ດີທີ່ສຸດແມ່ນບັນລຸໄດ້ໃນເວລາທີ່ພວກເຮົາບໍ່ໄດ້ຕົວຢ່າງຜະລິດຕະພັນສໍາລັບລູກຄ້າທີ່ຊື້ຜະລິດຕະພັນສະເພາະໃດຫນຶ່ງຫນ້ອຍກວ່າ k ເວລາແລະການສະກັດ, ລວມທັງສິນຄ້າ, ໃນຕອນທ້າຍຂອງໄລຍະເວລາທີ່ຫຼຸດລົງກ່ອນໄລຍະເວລາເປົ້າຫມາຍ.

ເປັນທີ່ນິຍົມຕາມປະເພດ

ຄວາມຄິດທີ່ເຫັນໄດ້ຊັດເຈນອີກອັນຫນຶ່ງແມ່ນການຍົກຕົວຢ່າງຜະລິດຕະພັນທີ່ນິຍົມໃນທົ່ວປະເພດຫຼືຍີ່ຫໍ້ຕ່າງໆ. ນີ້ພວກເຮົາຄິດໄລ່ສໍາລັບຜູ້ຊື້ແຕ່ລະຄົນ ເທິງ-ກ ໝວດໝູ່/ຍີ່ຫໍ້ “ທີ່ມັກ” ແລະສະກັດ “ທີ່ນິຍົມ” ຈາກໝວດໝູ່/ຍີ່ຫໍ້ນີ້. ໃນກໍລະນີຂອງພວກເຮົາ, ພວກເຮົາຈະກໍານົດ "ທີ່ມັກ" ແລະ "ນິຍົມ" ໂດຍຈໍານວນການຊື້ຜະລິດຕະພັນ. ປະໂຫຍດເພີ່ມເຕີມຂອງວິທີການນີ້ແມ່ນການນໍາໃຊ້ຂອງມັນໃນກໍລະນີຂອງການເລີ່ມຕົ້ນເຢັນ. ນັ້ນແມ່ນ, ສໍາລັບລູກຄ້າທີ່ຊື້ຈໍານວນຫນ້ອຍຫຼາຍ, ຫຼືບໍ່ໄດ້ໄປຮ້ານເປັນເວລາດົນນານ, ຫຼືພຽງແຕ່ອອກບັດຄວາມສັດຊື່. ສໍາລັບພວກເຂົາ, ມັນງ່າຍກວ່າແລະດີກວ່າທີ່ຈະເກັບສິນຄ້າທີ່ເປັນທີ່ນິຍົມກັບລູກຄ້າແລະມີປະຫວັດສາດ. metrics ຜົນໄດ້ຮັບແມ່ນ:

ນີ້ແມ່ນຕົວເລກຫຼັງຈາກຄໍາວ່າ "ຫມວດຫມູ່" ຫມາຍເຖິງລະດັບການຮັງຂອງປະເພດ.

ໂດຍລວມແລ້ວ, ມັນຍັງບໍ່ແປກໃຈທີ່ປະເພດແຄບບັນລຸຜົນໄດ້ຮັບທີ່ດີກວ່າ, ຍ້ອນວ່າພວກເຂົາສະກັດຜະລິດຕະພັນ "ທີ່ມັກ" ທີ່ຖືກຕ້ອງກວ່າສໍາລັບຜູ້ຊື້.

ການ​ຊື້​ສິນ​ຄ້າ​ສະ​ລັບ​ກັນ​ຈາກ​ອາ​ທິດ​ຕໍ່​ອາ​ທິດ​

ວິທີການທີ່ຫນ້າສົນໃຈທີ່ຂ້ອຍບໍ່ເຄີຍເຫັນໃນບົດຄວາມກ່ຽວກັບລະບົບຄໍາແນະນໍາແມ່ນງ່າຍດາຍຫຼາຍແລະໃນເວລາດຽວກັນເຮັດວຽກທາງສະຖິຕິຂອງລະບົບຕ່ອງໂສ້ Markov. ທີ່ນີ້ພວກເຮົາໃຊ້ເວລາ 2 ອາທິດທີ່ແຕກຕ່າງກັນ, ຫຼັງຈາກນັ້ນສໍາລັບລູກຄ້າແຕ່ລະຄົນພວກເຮົາສ້າງຄູ່ຜະລິດຕະພັນ [ຊື້ໃນອາທິດ i]-[ຊື້ໃນອາທິດ j], ບ່ອນທີ່ j > i, ແລະຈາກທີ່ນີ້ພວກເຮົາຄິດໄລ່ສໍາລັບແຕ່ລະຜະລິດຕະພັນຄວາມເປັນໄປໄດ້ຂອງການປ່ຽນເປັນຜະລິດຕະພັນອື່ນໃນອາທິດຕໍ່ໄປ. ນັ້ນແມ່ນ, ສໍາລັບແຕ່ລະຄູ່ຂອງສິນຄ້າ ຜະ​ລິດ​ຕະ​ພັນ​ຜະ​ລິດ​ຕະ​ພັນ ພວກເຮົານັບຈໍານວນຂອງພວກເຂົາໃນຄູ່ທີ່ພົບເຫັນແລະແບ່ງດ້ວຍຈໍານວນຄູ່, ບ່ອນທີ່ ຜະ​ລິດ​ຕະ​ພັນ ຢູ່ໃນອາທິດທໍາອິດ. ເພື່ອສະກັດຜູ້ສະຫມັກ, ພວກເຮົາເອົາໃບຮັບເງິນສຸດທ້າຍຂອງຜູ້ຊື້ແລະສະກັດເອົາ ເທິງ-ກ ຜະລິດຕະພັນຕໍ່ໄປທີ່ເປັນໄປໄດ້ຫຼາຍທີ່ສຸດຈາກຕາຕະລາງການປ່ຽນແປງທີ່ພວກເຮົາໄດ້ຮັບ. ຂະ​ບວນ​ການ​ຂອງ​ການ​ສ້າງ​ມາ​ຕຣິກ​ເບື້ອງ​ການ​ປ່ຽນ​ແປງ​ເບິ່ງ​ຄື​ນີ້​:

ຈາກຕົວຢ່າງທີ່ແທ້ຈິງໃນ matrix ຄວາມເປັນໄປໄດ້ຂອງການປ່ຽນແປງພວກເຮົາເຫັນປະກົດການທີ່ຫນ້າສົນໃຈຕໍ່ໄປນີ້:

ໃນທີ່ນີ້ທ່ານສາມາດສັງເກດເຫັນການເພິ່ງພາອາໄສທີ່ຫນ້າສົນໃຈທີ່ຖືກເປີດເຜີຍໃນພຶດຕິກໍາຂອງຜູ້ບໍລິໂພກ: ຕົວຢ່າງ, ຄົນຮັກຫມາກໄມ້ຫມາກນາວຫຼືຍີ່ຫໍ້ນົມທີ່ເຂົາເຈົ້າມີແນວໂນ້ມທີ່ຈະປ່ຽນໄປອີກ. ມັນຍັງບໍ່ແປກໃຈວ່າຜະລິດຕະພັນທີ່ມີຄວາມຖີ່ສູງຂອງການຊື້ຄືນ, ເຊັ່ນມັນເບີ, ຍັງສິ້ນສຸດຢູ່ທີ່ນີ້.

metrics ໃນວິທີການທີ່ມີລະບົບຕ່ອງໂສ້ Markov ມີດັ່ງນີ້:

k — ຈໍາ​ນວນ​ຂອງ​ຜະ​ລິດ​ຕະ​ພັນ​ທີ່​ໄດ້​ຮັບ​ສໍາ​ລັບ​ການ​ຜະ​ລິດ​ຕະ​ພັນ​ທີ່​ຊື້​ແຕ່​ລະ​ຄົນ​ຈາກ​ການ​ຊື້​ຄັ້ງ​ສຸດ​ທ້າຍ​.
ດັ່ງທີ່ພວກເຮົາສາມາດເຫັນໄດ້, ຜົນໄດ້ຮັບທີ່ດີທີ່ສຸດແມ່ນສະແດງໂດຍການຕັ້ງຄ່າດ້ວຍ k=4. ການເພີ່ມຂຶ້ນໃນອາທິດທີ 4 ສາມາດອະທິບາຍໄດ້ໂດຍພຶດຕິກໍາຕາມລະດູການປະມານວັນພັກ. 

ຜະລິດຕະພັນທີ່ຄ້າຍຄືກັນກັບຜູ້ຊື້, ອີງຕາມຄຸນລັກສະນະທີ່ສ້າງຂຶ້ນໂດຍຮູບແບບທີ່ແຕກຕ່າງກັນ

ໃນປັດຈຸບັນພວກເຮົາໄດ້ມາຮອດພາກສ່ວນທີ່ມີຄວາມຫຍຸ້ງຍາກແລະຫນ້າສົນໃຈທີ່ສຸດ - ການຊອກຫາປະເທດເພື່ອນບ້ານທີ່ໃກ້ທີ່ສຸດໂດຍອີງໃສ່ vectors ຂອງລູກຄ້າແລະຜະລິດຕະພັນທີ່ສ້າງຂຶ້ນຕາມຮູບແບບຕ່າງໆ. ໃນ​ການ​ເຮັດ​ວຽກ​ຂອງ​ພວກ​ເຮົາ​ພວກ​ເຮົາ​ນໍາ​ໃຊ້ 3 ແບບ​ດັ່ງ​ນີ້​:

• ALS
• Word2Vec (Item2Vec ສໍາລັບວຽກງານດັ່ງກ່າວ)
• DSSM

ພວກເຮົາໄດ້ຈັດການກັບ ALS ແລ້ວ, ທ່ານສາມາດອ່ານກ່ຽວກັບວິທີການຮຽນຮູ້ ທີ່ນີ້. ໃນກໍລະນີຂອງ Word2Vec, ພວກເຮົານໍາໃຊ້ການປະຕິບັດທີ່ມີຊື່ສຽງຂອງຕົວແບບຈາກ ເຊື້ອສາຍ. ໂດຍການປຽບທຽບກັບບົດເລື່ອງ, ພວກເຮົາກໍານົດການສະເຫນີດັ່ງກ່າວເປັນໃບຮັບເງິນຊື້. ດັ່ງນັ້ນ, ເມື່ອສ້າງ vector ຜະລິດຕະພັນ, ຮູບແບບຮຽນຮູ້ທີ່ຈະຄາດຄະເນສໍາລັບຜະລິດຕະພັນໃນ "ສະພາບການ" ຂອງມັນ (ຜະລິດຕະພັນທີ່ຍັງເຫຼືອຢູ່ໃນໃບຮັບເງິນ). ໃນຂໍ້ມູນອີຄອມເມີຊ, ມັນດີກວ່າທີ່ຈະໃຊ້ກອງປະຊຸມຂອງຜູ້ຊື້ແທນທີ່ຈະເປັນໃບຮັບເງິນ; guys ຈາກ Ozon. ແລະ DSSM ແມ່ນຫນ້າສົນໃຈຫຼາຍທີ່ຈະວິເຄາະ. ໃນເບື້ອງຕົ້ນ, ມັນຖືກຂຽນໂດຍ guys ຈາກ Microsoft ເປັນຕົວແບບສໍາລັບການຄົ້ນຫາ, ທ່ານສາມາດອ່ານເອກະສານການຄົ້ນຄວ້າຕົ້ນສະບັບ ທີ່ນີ້. ສະຖາປັດຕະຍະກໍາຂອງແບບຈໍາລອງມີລັກສະນະດັ່ງນີ້:

ມັນເປັນ Q - ການ​ສອບ​ຖາມ​, ການ​ຊອກ​ຫາ​ຜູ້​ໃຊ້​, D[i] — ເອ​ກະ​ສານ​, ຫນ້າ​ອິນ​ເຕີ​ເນັດ​. ການປ້ອນຂໍ້ມູນໃສ່ຮູບແບບແມ່ນຄຸນລັກສະນະຂອງຄໍາຮ້ອງຂໍແລະຫນ້າ, ຕາມລໍາດັບ. ຫຼັງ​ຈາກ​ແຕ່​ລະ​ຊັ້ນ​ນໍາ​ເຂົ້າ​ມີ​ຈໍາ​ນວນ​ຂອງ​ຊັ້ນ​ທີ່​ເຊື່ອມ​ຕໍ່​ຢ່າງ​ເຕັມ​ທີ່ (multilayer perceptron​)​. ຕໍ່ໄປ, ຕົວແບບຮຽນຮູ້ເພື່ອຫຼຸດຜ່ອນ cosine ລະຫວ່າງ vectors ທີ່ໄດ້ຮັບໃນຊັ້ນສຸດທ້າຍຂອງຕົວແບບ.
ຫນ້າທີ່ແນະນໍາໃຊ້ສະຖາປັດຕະຍະກໍາດຽວກັນຢ່າງແທ້ຈິງ, ພຽງແຕ່ແທນທີ່ຈະຮ້ອງຂໍໃຫ້ມີຜູ້ໃຊ້, ແລະແທນທີ່ຈະຫນ້າມີຜະລິດຕະພັນ. ແລະໃນກໍລະນີຂອງພວກເຮົາ, ສະຖາປັດຕະຍະກໍານີ້ຖືກປ່ຽນເປັນດັ່ງຕໍ່ໄປນີ້:

ໃນປັດຈຸບັນ, ເພື່ອກວດເບິ່ງຜົນໄດ້ຮັບ, ມັນຍັງຄົງກວມເອົາຈຸດສຸດທ້າຍ - ຖ້າໃນກໍລະນີຂອງ ALS ແລະ DSSM ພວກເຮົາໄດ້ກໍານົດ vectors ຂອງຜູ້ໃຊ້ຢ່າງຊັດເຈນ, ຫຼັງຈາກນັ້ນໃນກໍລະນີຂອງ Word2Vec ພວກເຮົາມີພຽງແຕ່ vectors ຜະລິດຕະພັນ. ທີ່ນີ້, ເພື່ອສ້າງ vector ຜູ້ໃຊ້, ພວກເຮົາໄດ້ກໍານົດ 3 ວິທີການຕົ້ນຕໍ:

1. ພຽງແຕ່ເພີ່ມ vectors, ຫຼັງຈາກນັ້ນສໍາລັບໄລຍະຫ່າງຂອງ cosine ມັນ turns ໃຫ້ເຫັນວ່າພວກເຮົາພຽງແຕ່ສະເລ່ຍຜະລິດຕະພັນໃນປະຫວັດສາດການຊື້.
2. ການສະຫຼຸບ vector ດ້ວຍການນ້ໍາຫນັກບາງເວລາ.
3. ການຊັ່ງນໍ້າໜັກສິນຄ້າດ້ວຍຄ່າສໍາປະສິດ TF-IDF.

ໃນກໍລະນີຂອງນ້ໍາຫນັກເສັ້ນຂອງ vector ຜູ້ຊື້, ພວກເຮົາດໍາເນີນການຈາກການສົມມຸດຕິຖານວ່າຜະລິດຕະພັນທີ່ຜູ້ໃຊ້ຊື້ມື້ວານນີ້ມີອິດທິພົນຕໍ່ພຶດຕິກໍາຂອງລາວຫຼາຍກ່ວາຜະລິດຕະພັນທີ່ລາວຊື້ເມື່ອຫົກເດືອນກ່ອນ. ດັ່ງນັ້ນ, ພວກເຮົາພິຈາລະນາອາທິດທີ່ຜ່ານມາຂອງຜູ້ຊື້ກັບ odd ຂອງ 1, ແລະສິ່ງທີ່ເກີດຂຶ້ນຕໍ່ໄປກັບ odd ຂອງ ½, ⅓, ແລະອື່ນໆ:

ສໍາລັບຄ່າສໍາປະສິດ TF-IDF, ພວກເຮົາເຮັດຄືກັນກັບໃນ TF-IDF ສໍາລັບບົດເລື່ອງ, ພຽງແຕ່ພວກເຮົາພິຈາລະນາຜູ້ຊື້ເປັນເອກະສານ, ແລະການກວດສອບເປັນການສະເຫນີ, ຕາມລໍາດັບ, ຄໍາແມ່ນຜະລິດຕະພັນ. ວິທີນີ້, vector ຂອງຜູ້ໃຊ້ຈະປ່ຽນໄປສູ່ສິນຄ້າທີ່ຫາຍາກ, ໃນຂະນະທີ່ສິນຄ້າເລື້ອຍໆແລະຄຸ້ນເຄີຍສໍາລັບຜູ້ຊື້ຈະບໍ່ປ່ຽນແປງມັນຫຼາຍ. ວິ​ທີ​ການ​ສາ​ມາດ​ສະ​ແດງ​ໃຫ້​ເຫັນ​ດັ່ງ​ນີ້​:

ຕອນນີ້ໃຫ້ເບິ່ງຕົວຊີ້ວັດ. ນີ້ແມ່ນສິ່ງທີ່ຜົນໄດ້ຮັບ ALS ເບິ່ງຄືວ່າ:

Metrics ສໍາລັບ Item2Vec ທີ່ມີຮູບແບບທີ່ແຕກຕ່າງກັນຂອງການກໍ່ສ້າງ vector ຜູ້ຊື້:

ໃນ​ກໍ​ລະ​ນີ​ນີ້​, ຕົວ​ແບບ​ດຽວ​ກັນ​ແທ້​ແມ່ນ​ໄດ້​ຖືກ​ນໍາ​ໃຊ້​ໃນ​ຖານ​ຂອງ​ພວກ​ເຮົາ​. ຄວາມແຕກຕ່າງພຽງແຕ່ແມ່ນ k ທີ່ພວກເຮົາຈະໃຊ້. ເພື່ອນໍາໃຊ້ພຽງແຕ່ຮູບແບບຮ່ວມມື, ທ່ານຕ້ອງໃຊ້ເວລາປະມານ 50-70 ຜະລິດຕະພັນທີ່ໃກ້ຄຽງທີ່ສຸດສໍາລັບລູກຄ້າແຕ່ລະຄົນ.

ແລະ metrics ອີງຕາມ DSSM:

ວິທີການສົມທົບທັງຫມົດ?

ເຢັນ, ທ່ານເວົ້າວ່າ, ແຕ່ວ່າຈະເຮັດແນວໃດກັບຊຸດຂະຫນາດໃຫຍ່ຂອງເຄື່ອງມືສະກັດຜູ້ສະຫມັກດັ່ງກ່າວ? ວິທີການເລືອກການຕັ້ງຄ່າທີ່ດີທີ່ສຸດສໍາລັບຂໍ້ມູນຂອງທ່ານ? ໃນທີ່ນີ້ພວກເຮົາມີບັນຫາຫຼາຍຢ່າງ:

1. ມັນເປັນສິ່ງຈໍາເປັນທີ່ຈະຈໍາກັດບາງພື້ນທີ່ຄົ້ນຫາສໍາລັບ hyperparameters ໃນແຕ່ລະວິທີການ. ມັນແມ່ນ, ແນ່ນອນ, discrete ຢູ່ທົ່ວທຸກແຫ່ງ, ແຕ່ຈໍານວນຂອງຈຸດທີ່ເປັນໄປໄດ້ແມ່ນມີຂະຫນາດໃຫຍ່ຫຼາຍ.
2. ການນໍາໃຊ້ຕົວຢ່າງຈໍາກັດຂະຫນາດນ້ອຍຂອງວິທີການສະເພາະທີ່ມີ hyperparameters ສະເພາະ, ທ່ານສາມາດເລືອກການຕັ້ງຄ່າທີ່ດີທີ່ສຸດສໍາລັບ metric ຂອງທ່ານໄດ້ແນວໃດ?

ພວກເຮົາຍັງບໍ່ທັນພົບຄໍາຕອບທີ່ຖືກຕ້ອງຢ່າງແນ່ນອນສໍາລັບຄໍາຖາມທໍາອິດ, ດັ່ງນັ້ນພວກເຮົາດໍາເນີນການຕໍ່ໄປນີ້: ສໍາລັບແຕ່ລະວິທີ, ການຈໍາກັດພື້ນທີ່ຄົ້ນຫາ hyperparameter ແມ່ນຂຽນ, ຂຶ້ນກັບສະຖິຕິບາງຢ່າງກ່ຽວກັບຂໍ້ມູນທີ່ພວກເຮົາມີ. ດັ່ງນັ້ນ, ການຮູ້ໄລຍະເວລາສະເລ່ຍລະຫວ່າງການຊື້ຈາກຄົນ, ພວກເຮົາສາມາດຄາດເດົາໄດ້ວ່າໄລຍະເວລາໃດທີ່ຈະໃຊ້ "ສິ່ງທີ່ຊື້ແລ້ວ" ແລະ "ໄລຍະເວລາຂອງການຊື້ທີ່ຜ່ານມາຍາວ".

ແລະຫຼັງຈາກທີ່ພວກເຮົາໄດ້ຜ່ານຈໍານວນການປ່ຽນແປງທີ່ພຽງພໍຂອງວິທີການທີ່ແຕກຕ່າງກັນ, ພວກເຮົາສັງເກດເຫັນດັ່ງຕໍ່ໄປນີ້: ແຕ່ລະການປະຕິບັດໄດ້ສະກັດເອົາຈໍານວນຜູ້ສະຫມັກທີ່ແນ່ນອນແລະມີມູນຄ່າທີ່ແນ່ນອນຂອງ metric ທີ່ສໍາຄັນສໍາລັບພວກເຮົາ (recall). ພວກເຮົາຕ້ອງການທີ່ຈະໄດ້ຮັບຈໍານວນຜູ້ສະຫມັກຈໍານວນທີ່ແນ່ນອນ, ຂຶ້ນກັບພະລັງງານຄອມພິວເຕີທີ່ອະນຸຍາດຂອງພວກເຮົາ, ດ້ວຍ metric ສູງສຸດທີ່ເປັນໄປໄດ້. ທີ່ນີ້ບັນຫາທີ່ສວຍງາມ collapses ເຂົ້າໄປໃນບັນຫາ backpack.

ທີ່ນີ້ຈໍານວນຜູ້ສະຫມັກແມ່ນນ້ໍາຫນັກຂອງ ingot, ແລະວິທີການເອີ້ນຄືນແມ່ນມູນຄ່າຂອງມັນ. ຢ່າງໃດກໍ່ຕາມ, ມີ 2 ຈຸດເພີ່ມເຕີມທີ່ຄວນຄໍານຶງໃນເວລາປະຕິບັດ algorithm:

• ວິທີການອາດມີການທັບຊ້ອນກັນໃນຜູ້ສະໝັກທີ່ເຂົາເຈົ້າເອົາມາ.
• ໃນບາງກໍລະນີ, ມັນຈະຖືກຕ້ອງທີ່ຈະໃຊ້ວິທີການຫນຶ່ງສອງຄັ້ງທີ່ມີພາລາມິເຕີທີ່ແຕກຕ່າງກັນ, ແລະຜົນໄດ້ຮັບຂອງຜູ້ສະຫມັກຈາກຄັ້ງທໍາອິດຈະບໍ່ເປັນຊຸດຍ່ອຍຂອງທີສອງ.

ຕົວຢ່າງ, ຖ້າພວກເຮົາປະຕິບັດວິທີການ "ສິ່ງທີ່ຂ້ອຍໄດ້ຊື້ແລ້ວ" ໂດຍມີຊ່ວງເວລາທີ່ແຕກຕ່າງກັນສໍາລັບການດຶງຂໍ້ມູນ, ຫຼັງຈາກນັ້ນຊຸດຂອງຜູ້ສະຫມັກຂອງພວກເຂົາຈະຖືກວາງໄວ້ພາຍໃນກັນແລະກັນ. ໃນຂະນະດຽວກັນ, ຕົວກໍານົດການທີ່ແຕກຕ່າງກັນໃນ "ການຊື້ແຕ່ລະໄລຍະ" ຢູ່ທາງອອກບໍ່ໄດ້ສະຫນອງການຕັດກັນຢ່າງສົມບູນ. ດັ່ງນັ້ນ, ພວກເຮົາແບ່ງວິທີການເກັບຕົວຢ່າງທີ່ມີຕົວກໍານົດການທີ່ແຕກຕ່າງກັນອອກເປັນທ່ອນໄມ້ເຊັ່ນວ່າຈາກແຕ່ລະຕັນພວກເຮົາຕ້ອງການໃຊ້ວິທີການສະກັດເອົາຫຼາຍທີ່ສຸດຫນຶ່ງທີ່ມີ hyperparameters ສະເພາະ. ເພື່ອເຮັດສິ່ງນີ້, ທ່ານຈໍາເປັນຕ້ອງໄດ້ສະຫລາດເລັກນ້ອຍໃນການປະຕິບັດບັນຫາ knapsack, ແຕ່ asymptotics ແລະຜົນໄດ້ຮັບຈະບໍ່ປ່ຽນແປງ.

ການປະສົມປະສານທີ່ສະຫຼາດນີ້ຊ່ວຍໃຫ້ພວກເຮົາໄດ້ຮັບຕົວຊີ້ບອກຕໍ່ໄປນີ້ເມື່ອສົມທຽບກັບຕົວແບບທີ່ເຮັດວຽກຮ່ວມກັນແບບງ່າຍໆ:

ໃນການວັດແທກສຸດທ້າຍພວກເຮົາເຫັນຮູບຕໍ່ໄປນີ້:

ຢ່າງໃດກໍຕາມ, ໃນທີ່ນີ້ທ່ານສາມາດສັງເກດເຫັນວ່າມີຈຸດຫນຶ່ງທີ່ເປີດເຜີຍສໍາລັບຄໍາແນະນໍາທີ່ເປັນປະໂຫຍດສໍາລັບທຸລະກິດ. ຕອນນີ້ພວກເຮົາຫາກໍຮຽນຮູ້ວິທີເຮັດວຽກທີ່ດີໃນການຄາດເດົາວ່າຜູ້ໃຊ້ຈະຊື້ຫຍັງ, ຕົວຢ່າງ, ໃນອາທິດໜ້າ. ແຕ່ພຽງແຕ່ໃຫ້ສ່ວນຫຼຸດກ່ຽວກັບບາງສິ່ງບາງຢ່າງທີ່ລາວຈະຊື້ແລ້ວແມ່ນບໍ່ເຢັນຫຼາຍ. ແຕ່ມັນເປັນການດີທີ່ຈະເພີ່ມຄວາມຄາດຫວັງ, ສໍາລັບຕົວຢ່າງ, ຕົວຊີ້ວັດຕໍ່ໄປນີ້:

1. ຂອບ/ການຫັນປ່ຽນອີງຕາມຄຳແນະນຳສ່ວນຕົວ.
2. ກວດສອບລູກຄ້າໂດຍສະເລ່ຍ.
3. ຄວາມຖີ່ຂອງການໄປຢ້ຽມຢາມ.

ດັ່ງນັ້ນ, ພວກເຮົາຄູນຄວາມເປັນໄປໄດ້ທີ່ໄດ້ຮັບໂດຍຄ່າສໍາປະສິດທີ່ແຕກຕ່າງກັນແລະຈັດລໍາດັບໃຫມ່ເພື່ອໃຫ້ຜະລິດຕະພັນທີ່ມີຜົນກະທົບກັບ metrics ຂ້າງເທິງໄດ້ຮັບການສູງສຸດ. ບໍ່ມີການແກ້ໄຂທີ່ກຽມພ້ອມສໍາລັບວິທີການທີ່ດີທີ່ສຸດທີ່ຈະນໍາໃຊ້. ພວກເຮົາຍັງທົດລອງກັບຄ່າສໍາປະສິດດັ່ງກ່າວໂດຍກົງໃນການຜະລິດ. ແຕ່ນີ້ແມ່ນເຕັກນິກທີ່ຫນ້າສົນໃຈທີ່ມັກຈະໃຫ້ຜົນໄດ້ຮັບທີ່ດີທີ່ສຸດແກ່ພວກເຮົາ:

1. ຄູນດ້ວຍລາຄາ/ຂອບຂອງສິນຄ້າ.
2. ຄູນດ້ວຍໃບຮັບເງິນສະເລ່ຍທີ່ຜະລິດຕະພັນປາກົດ. ດັ່ງນັ້ນສິນຄ້າຈະມາ, ເຊິ່ງພວກເຂົາມັກຈະເອົາສິ່ງອື່ນ.
3. ຄູນດ້ວຍຄວາມຖີ່ສະເລ່ຍຂອງການຢ້ຽມຢາມຂອງຜູ້ຊື້ຜະລິດຕະພັນນີ້, ອີງໃສ່ສົມມຸດຕິຖານວ່າຜະລິດຕະພັນນີ້ provokes ປະຊາຊົນໃຫ້ກັບຄືນສໍາລັບມັນເລື້ອຍໆ.

ຫຼັງ​ຈາກ​ການ​ທົດ​ລອງ​ສໍາ​ປະ​ສິດ​, ພວກ​ເຮົາ​ໄດ້​ຮັບ​ການ​ວັດ​ແທກ​ດັ່ງ​ຕໍ່​ໄປ​ນີ້​:

ມັນເປັນ ການ​ປ່ຽນ​ແປງ​ຜະ​ລິດ​ຕະ​ພັນ​ໂດຍ​ລວມ​ — ສ່ວນແບ່ງຂອງຜະລິດຕະພັນທີ່ຊື້ຈາກຜະລິດຕະພັນທັງໝົດໃນຄຳແນະນຳທີ່ພວກເຮົາສ້າງຂຶ້ນ.

ຜູ້ອ່ານທີ່ເອົາໃຈໃສ່ຈະສັງເກດເຫັນຄວາມແຕກຕ່າງທີ່ສໍາຄັນລະຫວ່າງການວັດແທກອອບໄລນ໌ແລະອອນໄລນ໌. ພຶດຕິກໍານີ້ໄດ້ຖືກອະທິບາຍໂດຍຄວາມຈິງທີ່ວ່າບໍ່ແມ່ນຕົວກອງແບບເຄື່ອນໄຫວທັງຫມົດສໍາລັບຜະລິດຕະພັນທີ່ສາມາດແນະນໍາສາມາດຖືກພິຈາລະນາໃນເວລາທີ່ການຝຶກອົບຮົມຮູບແບບ. ສໍາລັບພວກເຮົາ, ມັນເປັນເລື່ອງປົກກະຕິໃນເວລາທີ່ເຄິ່ງຫນຶ່ງຂອງຜູ້ສະຫມັກທີ່ຖືກດຶງອອກມາສາມາດຖືກກັ່ນຕອງອອກ; ສະເພາະນີ້ແມ່ນປົກກະຕິໃນອຸດສາຫະກໍາຂອງພວກເຮົາ.

ໃນແງ່ຂອງລາຍໄດ້, ເລື່ອງຕໍ່ໄປນີ້ແມ່ນໄດ້ຮັບ, ມັນເປັນທີ່ຊັດເຈນວ່າຫຼັງຈາກການເປີດຕົວຂອງຄໍາແນະນໍາ, ລາຍໄດ້ຂອງກຸ່ມທົດສອບແມ່ນເຕີບໂຕຢ່າງແຂງແຮງ, ໃນປັດຈຸບັນລາຍໄດ້ສະເລ່ຍເພີ່ມຂຶ້ນກັບຄໍາແນະນໍາຂອງພວກເຮົາແມ່ນ 3-4%:

ສະຫລຸບລວມແລ້ວ, ຂ້າພະເຈົ້າຕ້ອງການເວົ້າວ່າຖ້າທ່ານຕ້ອງການຄໍາແນະນໍາທີ່ບໍ່ແມ່ນເວລາທີ່ແທ້ຈິງ, ຫຼັງຈາກນັ້ນການເພີ່ມຂຶ້ນຢ່າງຫຼວງຫຼາຍໃນຄຸນນະພາບສາມາດພົບໄດ້ໃນການທົດລອງທີ່ມີການສະກັດເອົາຜູ້ສະຫມັກເພື່ອຄໍາແນະນໍາ. ຈໍານວນເວລາຫຼາຍສໍາລັບການຜະລິດຂອງພວກເຂົາເຮັດໃຫ້ມັນເປັນໄປໄດ້ທີ່ຈະປະສົມປະສານວິທີການທີ່ດີຫຼາຍ, ເຊິ່ງທັງຫມົດຈະໃຫ້ຜົນໄດ້ຮັບທີ່ຍິ່ງໃຫຍ່ສໍາລັບທຸລະກິດ.

ຂ້ອຍຈະດີໃຈທີ່ຈະສົນທະນາໃນຄໍາເຫັນກັບໃຜກໍ່ຕາມທີ່ເຫັນວ່າເນື້ອຫາທີ່ຫນ້າສົນໃຈ. ເຈົ້າສາມາດຖາມຂ້ອຍຄໍາຖາມສ່ວນຕົວໄດ້ທີ່ telegram. ຂ້ອຍຍັງແບ່ງປັນຄວາມຄິດຂອງຂ້ອຍກ່ຽວກັບ AI / startups ໃນຂອງຂ້ອຍ ຊ່ອງ telegram - ຍິນ​ດີ​ຕ້ອນ​ຮັບ :)

ແຫຼ່ງຂໍ້ມູນ: www.habr.com